데이터를 활용한 저유기분자의 부식 억제 효율 예측

npj Materials Degradation 7권, 기사 번호: 64(2023) 이 기사 인용

286 액세스

측정항목 세부정보

광대한 화학 분야에서 효과적인 부식 억제제를 선택하는 것은 본질적으로 무한하기 때문에 사소한 작업이 아닙니다. 다행스럽게도 기계 학습 기술은 대규모 실험 테스트에 앞서 억제제 후보 후보 목록을 생성하는 데 큰 잠재력을 보여주었습니다. 이 연구에서는 마그네슘 합금 AZ91에서 58개의 작은 유기 분자의 부식 반응을 사용하고 분자 정보를 인코딩하기 위해 기하학 및 밀도 범함수 이론 계산에서 파생된 분자 설명자를 활용했습니다. 테스트되지 않은 화합물의 동작을 예측하기 위해 지지 벡터 회귀 모델과 커널 능선 회귀 모델 각각에 대한 대상 속성과 가장 관련성이 높은 기능을 선택하기 위해 통계적 방법을 적용했습니다. 두 가지 지도 학습 접근 방식의 성능을 비교하고 데이터 기반 모델의 견고성을 실험적 블라인드 테스트를 통해 평가했습니다.

가장 가벼운 구조용 금속인 마그네슘(Mg)은 뛰어난 기계적 특성으로 인해 자동차 및 항공 공학뿐만 ​​아니라 생체 적합성으로 인해 의료 산업에서도 유망한 소재입니다1,2,3. 그러나 Mg 기반 재료는 반응성이 높은 금속이기 때문에 고급 엔지니어링 응용 분야에 적용하기 위해서는 부식으로부터 보호되어야 합니다. 표면 코팅은 기판과 서비스 환경 사이에 장벽 층을 추가하여 Mg의 부식 방지를 실현하는 안정적이고 효과적인 전략을 나타냅니다. 그러나 보호 코팅의 긁힘이나 균열은 심각한 국부적 부식 반응을 일으킬 수 있습니다6. 이는 필요에 따라 방출되는 코팅에 부식 억제제를 통합하고 손상된 영역의 부식을 억제함으로써 완화될 수 있습니다6,7,8. 코팅 매트릭스9에 부식 억제제를 직접 삽입하면9 방출이 없거나 제한적으로 방출되어 기능이 손상되거나 결함이 발생한 후 통제 없이 모든 부식 억제제가 즉시 방출될 수 있다는 점은 주목할 만합니다12. 부식 억제제가 삽입된 층상 이중 수산화물(LDH)의 적용은 제어 가능한 활성 부식 방지를 달성하기 위한 유망한 경로 중 하나입니다. LDH는 순수한 Mg(OH)2 형태의 브루사이트 구조를 지닌 무기 시트형 점토입니다. LDH 구조의 음이온 교환 특성 덕분에 부식 억제제가 이 층 구조에 삽입될 수 있으며 이후 부식 반응을 억제하기 위해 공격적인 부식성 종(예: 염화물)과 교환하여 부식 억제제가 방출될 수 있습니다. 바나듐산염(vanadate), 텅스텐산염(tungstate), 몰리브덴산염(molybdate)과 같이 LDH에 일반적으로 삽입되는 무기 부식 억제제 외에도 유기 화합물이 Mg 및 그 합금에 대해 유망한 부식 억제 효과를 나타냈기 때문에 최근 유기 부식 억제제가 점점 더 많은 주목을 받고 있습니다. 또한, 작은 유기 분자가 LDH17,18,19에 삽입될 수 있다는 것이 입증되었습니다.

그러나 새로운 유기 분자를 LDH에 삽입하는 것에 대한 순수한 실험적 연구는 시간이 많이 걸릴 수 있습니다. 특히 선택할 수 있는 후보 분자의 수가 많을 때 더욱 그렇습니다. 그 외에도 특정 유형의 Mg 합금을 보호하기 위해 LDH에 삽입될 효과적인 유기 부식 억제제(그림 1 참조)를 식별하는 것은 잠재적으로 유용한 특성을 가진 많은 수의 유기 화합물로 인해 매우 어려울 수 있습니다. 다행스럽게도 기계 학습 기반 접근 방식은 유용한 화합물의 스크리닝을 촉진할 것을 약속합니다.

다수의 유기 억제제 후보가 있는 층상 이중 수산화물 시스템의 도식적 표현.

기계 학습(ML)은 컴퓨팅 하드웨어의 알고리즘 강화와 기술 발전으로 인해 최근 몇 년 동안 빠르게 발전했습니다. 우리의 일상 생활에 영향을 미치는 동시에23,24, 기계 학습 알고리즘은 재료 과학에서도 중요한 역할을 얻었습니다25,26. 화합물 예측27,28,29, 구조 예측30,31, 밴드 갭, 초전도성33, 벌크 및 전단 계수34와 같은 재료 특성 예측과 같은 재료 발견에 다양한 알고리즘이 적용되었으며 정량적 구조-특성 관계를 기반으로 효과적인 부식 억제제를 식별합니다( QSPR)35,36. 후자의 경우 다양한 유형의 Mg 및 그 합금에 대한 작은 유기 화합물의 부식 억제 효과를 예측하기 위해 다양한 기계 학습 알고리즘(예: 신경망, 커널 능선 회귀 및 랜덤 포레스트)21,37,38이 성공적으로 개발되었습니다. ,21,37, 알루미늄 합금35,36,39 및 구리 기반 재료40. 당연히 충분히 크고 다양하며 신뢰할 수 있는 교육 데이터 세트와 적절한 모델링 프레임워크(일반적으로 하나 이상의 기계 학습 알고리즘을 기반으로 함)는 예측 QSPR 모델 개발을 위한 두 가지 중요한 전제 조건입니다. 세 번째 핵심 단계는 화학적 직관으로 선택하거나 통계적 방법을 기반으로 선택할 수 있는 관련 입력 기능을 선택하는 것입니다. 랜덤 포레스트(RF)는 각 기능의 중요성을 계산하는 기능으로 인해 기능 선택 문제를 처리하는 데 유용한 알고리즘임이 입증되었습니다41. 반면에 상관된 특징의 존재는 중요한 특징을 식별하는 능력에 영향을 미쳐 잠재적으로 정확성을 낮추는 것으로 나타났습니다42,43,44. 이 문제를 해결하기 위해 Random Forest와 RFE(Recursive Feature Removal)의 조합이 일반적으로 사용되며43,44 작은 유기 분자의 부식 억제 효율(IE)을 모델링하기 위한 관련 기능을 선택하는 잠재력이 최근 연구에서 입증되었습니다37.