Прогнозирование эффективности ингибирования коррозии малых органических молекул с использованием данных

npj Материалы: Деградация, том 7, Номер статьи: 64 (2023) Цитировать эту статью

260 Доступов

Подробности о метриках

Выбор эффективных ингибиторов коррозии из огромного химического пространства – задача нетривиальная, поскольку она по сути бесконечна. К счастью, методы машинного обучения показали большой потенциал в создании коротких списков кандидатов-ингибиторов перед крупномасштабными экспериментальными испытаниями. В этой работе мы использовали коррозионные реакции 58 небольших органических молекул на магниевом сплаве AZ91 и использовали молекулярные дескрипторы, полученные на основе расчетов их геометрии и теории функционала плотности, для кодирования их молекулярной информации. Статистические методы применялись для выбора наиболее соответствующих характеристик целевого свойства для моделей регрессии опорного вектора и регрессии гребня ядра, соответственно, для прогнозирования поведения непроверенных соединений. Производительность двух подходов к обучению с учителем сравнивалась, а надежность моделей, основанных на данных, оценивалась с помощью экспериментального слепого тестирования.

Магний (Mg), самый легкий конструкционный металл, является многообещающим материалом в автомобильной и авиационной технике благодаря своим выдающимся механическим свойствам, а также в медицинской промышленности благодаря своей биосовместимости1,2,3. Однако материалы на основе Mg необходимо защищать от коррозии, чтобы облегчить их применение в передовых инженерных приложениях, поскольку Mg является высокореактивным металлом. Поверхностные покрытия представляют собой надежную и эффективную стратегию реализации защиты от коррозии Mg путем добавления барьерного слоя между подложкой и рабочей средой3,4,5. Однако царапины или трещины на защитном покрытии могут привести к серьезным местным коррозионным реакциям6. Это можно смягчить путем включения в покрытия ингибиторов коррозии, которые будут высвобождаться по требованию и подавлять коррозию в поврежденных участках6,7,8. Примечательно, что прямое внедрение ингибиторов коррозии в матрицу покрытия9 может ухудшить их функциональность из-за отсутствия или ограниченного высвобождения10,11 или может привести к высвобождению всех ингибиторов коррозии сразу без контроля при возникновении дефекта12. Применение слоистых двойных гидроксидов (ЛДГ), интеркалированных ингибиторами коррозии, является одним из многообещающих способов достижения контролируемой активной защиты от коррозии12,13,14. СДГ представляет собой неорганическую пластинчатую глину со структурой брусита в чистой форме Mg(OH)2. Благодаря анионообменным свойствам структуры ЛДГ ингибиторы коррозии могут быть внедрены в эту слоистую структуру, а их высвобождение может быть впоследствии инициировано путем замены агрессивными коррозионными веществами (например, хлоридами) для подавления коррозионных реакций12. Помимо неорганических ингибиторов коррозии, обычно интеркалированных в СДГ, таких как ванадат12, вольфрамат15 и молибдат16, в последнее время все больше и больше внимания привлекают органические ингибиторы коррозии, поскольку большое количество органических соединений показали многообещающее ингибирование коррозии Mg и его сплавов7. Более того, было продемонстрировано, что небольшие органические молекулы могут быть интеркалированы в ЛДГ17,18,19.

Однако чисто экспериментальные исследования по интеркаляции новых органических молекул в ЛДГ могут занять много времени, особенно если учесть большое количество молекул-кандидатов на выбор20. Кроме того, идентификация эффективного органического ингибитора коррозии, который будет интеркалирован в СДГ (см. рис. 1) для защиты конкретного типа магниевого сплава, может быть очень сложной задачей из-за большого количества органических соединений с потенциально полезными свойствами21. К счастью, подходы, основанные на машинном обучении, обещают облегчить поиск полезных соединений.

Схематическое изображение слоистой системы двойного гидроксида с большим количеством потенциальных органических ингибиторов.

Машинное обучение (МО) быстро развивалось в последние годы благодаря усовершенствованию алгоритмов и технологическим достижениям в области компьютерного оборудования22. Влияя на нашу повседневную жизнь23,24, алгоритмы машинного обучения также играют важную роль в материаловедении25,26. Различные алгоритмы применялись при открытии материалов, таких как прогнозирование соединений27,28,29, прогнозирование структуры30,31 и прогнозирование свойств материала, таких как запрещенная зона32, сверхпроводимость33, модули объемного сжатия и сдвига34, а также для идентификации эффективных ингибиторов коррозии на основе количественных взаимосвязей структура-свойство ( QSPR)35,36. Для последнего был успешно разработан ряд различных алгоритмов машинного обучения (например, нейронные сети, регрессия ядра и случайные леса)21,37,38 для прогнозирования ингибирующего коррозии эффекта небольших органических соединений для различных типов Mg и его сплавов7. ,21,37, Алюминиевые сплавы35,36,39 и материалы на основе меди40. Естественно, достаточно большой, разнообразный и надежный набор обучающих данных и подходящая среда моделирования (обычно основанная на одном или нескольких алгоритмах машинного обучения) являются двумя важнейшими предпосылками для разработки прогнозирующих моделей QSPR. Третьим ключевым шагом является выбор соответствующих входных характеристик, которые могут быть выбраны либо с помощью химической интуиции38, либо на основе статистических методов37. Случайные леса (RF) оказались полезным алгоритмом для решения проблем выбора признаков благодаря их способности вычислять важность каждого признака41. С другой стороны, было показано, что наличие коррелирующих признаков влияет на их способность идентифицировать важные особенности, потенциально снижая их точность42,43,44. Для решения этой проблемы обычно используется комбинация случайных лесов и рекурсивного исключения признаков (RFE)43,44, и его потенциал для выбора соответствующих признаков для моделирования эффективности ингибирования коррозии (IE) малых органических молекул был продемонстрирован в недавнем исследовании37.