Previsione dell'efficienza di inibizione della corrosione di piccole molecole organiche utilizzando i dati

npj Materiali Degradazione volume 7, Numero articolo: 64 (2023) Citare questo articolo

286 accessi

Dettagli sulle metriche

Selezionare efficaci inibitori della corrosione dal vasto spazio chimico non è un compito banale, poiché è essenzialmente infinito. Fortunatamente, le tecniche di apprendimento automatico hanno mostrato un grande potenziale nel generare elenchi di candidati inibitori prima di test sperimentali su larga scala. In questo lavoro, abbiamo utilizzato le risposte alla corrosione di 58 piccole molecole organiche sulla lega di magnesio AZ91 e utilizzato descrittori molecolari derivati ​​dai loro calcoli sulla geometria e sulla teoria del funzionale della densità per codificare le loro informazioni molecolari. Sono stati applicati metodi statistici per selezionare le caratteristiche più rilevanti per la proprietà target per i modelli di regressione del vettore di supporto e di regressione della cresta del kernel, rispettivamente, per prevedere il comportamento dei composti non testati. Sono state confrontate le prestazioni dei due approcci di apprendimento supervisionato e la robustezza dei modelli basati sui dati è stata valutata mediante test sperimentali in cieco.

Il magnesio (Mg), il metallo strutturale più leggero, è un materiale promettente nell'ingegneria automobilistica e aeronautica grazie alle sue eccezionali proprietà meccaniche, nonché nell'industria medica grazie alla sua biocompatibilità1,2,3. Tuttavia, i materiali a base di Mg devono essere protetti dalla corrosione per facilitare la loro applicazione in applicazioni di ingegneria avanzata, poiché il Mg è un metallo altamente reattivo. I rivestimenti superficiali rappresentano una strategia affidabile ed efficace per realizzare la protezione dalla corrosione del Mg aggiungendo uno strato barriera tra il substrato e l'ambiente di servizio3,4,5. Tuttavia, graffi o crepe nel rivestimento protettivo possono provocare gravi reazioni di corrosione locale6. Ciò può essere mitigato incorporando inibitori di corrosione nei rivestimenti che verranno rilasciati su richiesta e inibiranno la corrosione nelle aree danneggiate6,7,8. È interessante notare che l'inclusione diretta di inibitori di corrosione in una matrice di rivestimento9 può comprometterne la funzionalità mediante rilascio nullo o limitato10,11 o può rilasciare tutti gli inibitori di corrosione contemporaneamente senza controllo una volta che si verifica un difetto12. L'applicazione di doppi idrossidi stratificati (LDH) intercalati con inibitori della corrosione è uno dei percorsi promettenti per ottenere una protezione attiva e controllabile dalla corrosione12,13,14. Un LDH è un'argilla inorganica laminare con una struttura brucite nella sua forma pura di Mg(OH)2. Grazie alla proprietà di scambio anionico della struttura LDH, gli inibitori di corrosione possono essere intercalati in questa struttura stratificata e il loro rilascio può essere successivamente innescato mediante scambio con una specie corrosiva aggressiva (ad esempio cloruro) per sopprimere le reazioni di corrosione12. A parte gli inibitori della corrosione inorganici comunemente intercalati negli LDH come vanadato12, tungstato15 e molibdato16, gli inibitori della corrosione organici hanno guadagnato sempre più attenzione recentemente perché un gran numero di composti organici hanno mostrato una promettente inibizione della corrosione per il Mg e le sue leghe7. Inoltre, è stato dimostrato che piccole molecole organiche possono essere intercalate nelle LDH17,18,19.

Tuttavia, gli studi sperimentali puri sull'intercalazione di nuove molecole organiche nelle LDH possono richiedere molto tempo, soprattutto se si considera il gran numero di molecole candidate tra cui scegliere20. A parte questo, l’identificazione di un efficace inibitore della corrosione organica da intercalare negli LDH (vedi Fig. 1) per proteggere un tipo specifico di lega di Mg può essere molto impegnativo a causa del gran numero di composti organici con proprietà potenzialmente utili21. Fortunatamente, gli approcci basati sull’apprendimento automatico promettono di facilitare lo screening di composti utili.

Rappresentazione schematica di un sistema a doppio idrossido stratificato con un gran numero di candidati inibitori organici.

L’apprendimento automatico (ML) si è sviluppato rapidamente negli ultimi anni a causa dell’aumento degli algoritmi e dei progressi tecnologici nell’hardware informatico22. Pur influenzando la nostra vita quotidiana23,24, gli algoritmi di apprendimento automatico hanno acquisito un ruolo importante anche nella scienza dei materiali25,26. Diversi algoritmi sono stati applicati nella scoperta dei materiali come la previsione dei composti27,28,29, la previsione della struttura30,31 e la previsione delle proprietà dei materiali come il band gap32, la superconduttività33, i moduli di massa e di taglio34 e per identificare efficaci inibitori della corrosione sulla base di relazioni quantitative struttura-proprietà ( QSPR)35,36. Per quest'ultimo, sono stati sviluppati con successo diversi algoritmi di apprendimento automatico (ad esempio reti neurali, regressione della kernel ridge e foreste casuali)21,37,38 per prevedere l'effetto di inibizione della corrosione di piccoli composti organici per diversi tipi di Mg e sue leghe7 ,21,37, leghe di alluminio35,36,39 e materiali a base di rame40. Naturalmente, un set di dati di addestramento sufficientemente ampio, diversificato e affidabile e un quadro di modellazione adeguato (solitamente basato su uno o più algoritmi di apprendimento automatico), sono due dei prerequisiti cruciali per lo sviluppo di modelli QSPR predittivi. Un terzo passaggio fondamentale è la selezione delle caratteristiche di input rilevanti che possono essere selezionate mediante l'intuizione chimica38 o sulla base di metodi statistici37. Le foreste casuali (RF) si sono rivelate un algoritmo utile per affrontare i problemi di selezione delle caratteristiche grazie alla loro capacità di calcolare l'importanza di ciascuna caratteristica41. D'altra parte, è stato dimostrato che la presenza di caratteristiche correlate influisce sulla loro capacità di identificare caratteristiche importanti, riducendone potenzialmente l'accuratezza42,43,44. Per affrontare questo problema, viene comunemente utilizzata una combinazione di foreste casuali ed eliminazione di caratteristiche ricorsive (RFE)43,44 e il suo potenziale per selezionare caratteristiche rilevanti per modellare le efficienze di inibizione della corrosione (IE) di piccole molecole organiche è stato dimostrato in un recente studio37.