Prédire l'efficacité d'inhibition de la corrosion de petites molécules organiques à l'aide de données

npj Materials Degradation volume 7, Numéro d'article : 64 (2023) Citer cet article

260 accès

Détails des métriques

La sélection d’inhibiteurs de corrosion efficaces dans le vaste espace chimique n’est pas une tâche triviale, car elle est essentiellement infinie. Heureusement, les techniques d’apprentissage automatique ont montré un grand potentiel pour générer des listes restreintes de candidats inhibiteurs avant des tests expérimentaux à grande échelle. Dans ce travail, nous avons utilisé les réponses à la corrosion de 58 petites molécules organiques sur l'alliage de magnésium AZ91 et avons utilisé des descripteurs moléculaires dérivés de leurs calculs de théorie fonctionnelle de géométrie et de densité pour coder leurs informations moléculaires. Des méthodes statistiques ont été appliquées pour sélectionner les caractéristiques les plus pertinentes pour la propriété cible pour les modèles de régression vectorielle de support et de régression de crête à noyau, respectivement, afin de prédire le comportement de composés non testés. Les performances des deux approches d'apprentissage supervisé ont été comparées et la robustesse des modèles basés sur les données a été évaluée par des tests expérimentaux aveugles.

Le magnésium (Mg), le métal de structure le plus léger, est un matériau prometteur dans l'ingénierie automobile et aéronautique en raison de ses propriétés mécaniques exceptionnelles ainsi que dans les industries médicales en raison de sa biocompatibilité1,2,3. Cependant, les matériaux à base de magnésium doivent être protégés de la corrosion pour faciliter leur application dans des applications d'ingénierie avancées, car le magnésium est un métal hautement réactif. Les revêtements de surface représentent une stratégie fiable et efficace pour réaliser la protection contre la corrosion du magnésium en ajoutant une couche barrière entre le substrat et l'environnement de service3,4,5. Cependant, des rayures ou des fissures dans le revêtement protecteur peuvent entraîner de graves réactions de corrosion locales6. Ceci peut être atténué en incorporant des inhibiteurs de corrosion dans les revêtements qui seront libérés sur demande et inhiberont la corrosion dans les zones endommagées6,7,8. Il est à noter que l’incorporation directe d’inhibiteurs de corrosion dans une matrice de revêtement9 peut altérer leur fonctionnalité par une libération nulle ou limitée10,11 ou peut libérer tous les inhibiteurs de corrosion en même temps sans contrôle une fois qu’un défaut se produit12. L’application d’hydroxydes doubles en couches (LDH) intercalés avec des inhibiteurs de corrosion est l’une des voies prometteuses pour obtenir une protection active contre la corrosion contrôlable12,13,14. Une LDH est une argile inorganique en forme de feuille avec une structure brucite sous sa forme pure Mg(OH)2. Grâce à la propriété d'échange d'anions de la structure LDH, les inhibiteurs de corrosion peuvent s'intercaler dans cette structure en couches et leur libération peut ensuite être déclenchée par échange avec une espèce corrosive agressive (par exemple le chlorure) pour supprimer les réactions de corrosion12. Outre les inhibiteurs de corrosion inorganiques couramment intercalés dans les LDH, tels que le vanadate12, le tungstate15 et le molybdate16, les inhibiteurs de corrosion organiques ont récemment attiré de plus en plus d'attention car un grand nombre de composés organiques ont montré une inhibition prometteuse de la corrosion pour le magnésium et ses alliages7. De plus, il a été démontré que de petites molécules organiques peuvent être intercalées dans les LDH17,18,19.

Cependant, les études expérimentales pures sur l’intercalation de nouvelles molécules organiques dans les LDH peuvent prendre beaucoup de temps, surtout si l’on considère le grand nombre de molécules candidates parmi lesquelles choisir20. En dehors de cela, l’identification d’un inhibiteur de corrosion organique efficace à intercaler dans les LDH (voir Fig. 1) pour protéger un type spécifique d’alliage de magnésium peut être très difficile en raison du grand nombre de composés organiques dotés de propriétés potentiellement utiles21. Heureusement, les approches basées sur l’apprentissage automatique promettent de faciliter le criblage de composés utiles.

Représentation schématique d'un système à double hydroxyde en couches avec un grand nombre de candidats inhibiteurs organiques.

L’apprentissage automatique (ML) s’est développé rapidement ces dernières années en raison de l’augmentation des algorithmes et des progrès technologiques du matériel informatique22. Tout en influençant notre vie quotidienne23,24, les algorithmes d’apprentissage automatique ont également acquis un rôle important dans la science des matériaux25,26. Différents algorithmes ont été appliqués à la découverte de matériaux, tels que la prédiction de composés27,28,29, la prédiction de structure30,31 et la prédiction de propriétés de matériaux telles que la bande interdite32, la supraconductivité33, les modules de volume et de cisaillement34, ainsi que pour identifier des inhibiteurs de corrosion efficaces sur la base de relations quantitatives structure-propriété ( QSPR)35,36. Pour ces derniers, un certain nombre d'algorithmes d'apprentissage automatique différents (par exemple, réseaux de neurones, régression de crête de noyau et forêts aléatoires)21,37,38 ont été développés avec succès pour prédire l'effet inhibiteur de corrosion de petits composés organiques pour différents types de magnésium et de ses alliages7. ,21,37, les alliages d'aluminium35,36,39 et les matériaux à base de cuivre40. Naturellement, un ensemble de données de formation suffisamment vaste, diversifié et fiable et un cadre de modélisation approprié (généralement basé sur un ou plusieurs algorithmes d'apprentissage automatique) sont deux des conditions préalables cruciales pour le développement de modèles QSPR prédictifs. Une troisième étape clé est la sélection de caractéristiques d’entrée pertinentes qui peuvent être sélectionnées soit par l’intuition chimique38, soit sur la base de méthodes statistiques37. Les forêts aléatoires (RF) se sont révélées être un algorithme utile pour traiter les problèmes de sélection de caractéristiques en raison de leur capacité à calculer l'importance de chaque caractéristique41. En revanche, il a été démontré que la présence de caractéristiques corrélées affecte leur capacité à identifier des caractéristiques importantes, réduisant potentiellement leur précision42,43,44. Pour résoudre ce problème, une combinaison de forêts aléatoires et d’élimination récursive de caractéristiques (RFE) est couramment utilisée43,44 et son potentiel à sélectionner des caractéristiques pertinentes pour modéliser les efficacités d’inhibition de la corrosion (IE) de petites molécules organiques a été démontré dans une étude récente37.