Predição da eficiência de inibição da corrosão de pequenas moléculas orgânicas usando dados

npj Degradação de materiais volume 7, número do artigo: 64 (2023) Citar este artigo

260 acessos

Detalhes das métricas

Selecionar inibidores de corrosão eficazes no vasto espaço químico não é uma tarefa trivial, pois é essencialmente infinita. Felizmente, as técnicas de aprendizado de máquina demonstraram grande potencial na geração de listas restritas de candidatos a inibidores antes de testes experimentais em larga escala. Neste trabalho, utilizamos as respostas à corrosão de 58 pequenas moléculas orgânicas na liga de magnésio AZ91 e utilizamos descritores moleculares derivados de seus cálculos de geometria e teoria funcional de densidade para codificar suas informações moleculares. Métodos estatísticos foram aplicados para selecionar as características mais relevantes para a propriedade alvo para modelos de regressão vetorial de suporte e regressão de kernel ridge, respectivamente, para prever o comportamento de compostos não testados. O desempenho das duas abordagens de aprendizagem supervisionada foi comparado e a robustez dos modelos baseados em dados foi avaliada por testes experimentais cegos.

O magnésio (Mg), o metal estrutural mais leve, é um material promissor na engenharia automotiva e aeronáutica devido às suas excelentes propriedades mecânicas, bem como nas indústrias médicas devido à sua biocompatibilidade1,2,3. No entanto, os materiais à base de Mg têm de ser protegidos da corrosão para facilitar a sua aplicação em aplicações de engenharia avançada, uma vez que o Mg é um metal altamente reativo. Os revestimentos de superfície representam uma estratégia confiável e eficaz para realizar a proteção contra corrosão do Mg, adicionando uma camada de barreira entre o substrato e o ambiente de serviço3,4,5. No entanto, arranhões ou rachaduras no revestimento protetor podem levar a graves reações de corrosão local6. Isto pode ser mitigado pela incorporação de inibidores de corrosão nos revestimentos que serão liberados sob demanda e inibirão a corrosão nas áreas danificadas6,7,8. É digno de nota que a incorporação direta de inibidores de corrosão em uma matriz de revestimento9 pode prejudicar sua funcionalidade por nenhuma liberação ou liberação limitada10,11 ou pode liberar todos os inibidores de corrosão de uma só vez sem controle, uma vez que ocorre um defeito12. A aplicação de hidróxidos duplos em camadas (LDHs) intercalados com inibidores de corrosão é uma das rotas promissoras para alcançar uma proteção ativa controlável contra corrosão . Uma LDH é uma argila inorgânica semelhante a uma folha com uma estrutura brucita em sua forma pura de Mg(OH)2. Graças à propriedade de troca aniônica da estrutura do HDL, os inibidores de corrosão podem ser intercalados nesta estrutura em camadas e sua liberação pode ser subsequentemente desencadeada pela troca com uma espécie corrosiva agressiva (por exemplo, cloreto) para suprimir reações de corrosão12. Além dos inibidores de corrosão inorgânicos comumente intercalados nos HDLs, como vanadato12, tungstato15 e molibdato16, os inibidores de corrosão orgânicos têm ganhado cada vez mais atenção recentemente porque um grande número de compostos orgânicos têm mostrado inibição de corrosão promissora para Mg e suas ligas7. Além disso, foi demonstrado que pequenas moléculas orgânicas podem ser intercaladas em HDLs17,18,19.

No entanto, estudos experimentais puros sobre a intercalação de novas moléculas orgânicas em HDLs podem ser demorados, especialmente quando se considera o grande número de moléculas candidatas para escolher20. Além disso, a identificação de um inibidor de corrosão orgânico eficaz para ser intercalado em HDLs (ver Fig. 1) para proteger um tipo específico de liga de Mg pode ser muito desafiador devido ao grande número de compostos orgânicos com propriedades potencialmente úteis . Felizmente, as abordagens baseadas em aprendizado de máquina prometem facilitar a triagem de compostos úteis.

Representação esquemática de um sistema de hidróxido duplo em camadas com um grande número de candidatos a inibidores orgânicos.

O aprendizado de máquina (ML) desenvolveu-se rapidamente nos últimos anos devido ao aumento dos algoritmos e aos avanços tecnológicos no hardware de computação22. Ao mesmo tempo que influenciam a nossa vida diária23,24, os algoritmos de aprendizagem automática também ganharam um papel importante na ciência dos materiais25,26. Diferentes algoritmos foram aplicados na descoberta de materiais, como previsão de compostos27,28,29, previsão de estrutura30,31 e previsão de propriedades de materiais, como band gap32, supercondutividade33, módulos de volume e cisalhamento34 e para identificar inibidores de corrosão eficazes com base em relações quantitativas de estrutura-propriedade ( QSPR)35,36. Para este último, vários algoritmos diferentes de aprendizado de máquina (por exemplo, redes neurais, regressão de kernel ridge e florestas aleatórias)21,37,38 foram desenvolvidos com sucesso para prever o efeito inibidor de corrosão de pequenos compostos orgânicos para diferentes tipos de Mg e suas ligas7 ,21,37, Ligas de alumínio35,36,39 e Materiais à base de cobre40. Naturalmente, um conjunto de dados de treinamento suficientemente grande, diversificado e confiável e uma estrutura de modelagem adequada (geralmente baseada em um ou mais algoritmos de aprendizado de máquina) são dois dos pré-requisitos cruciais para o desenvolvimento de modelos QSPR preditivos. Um terceiro passo fundamental é a seleção de características de entrada relevantes que podem ser selecionadas por intuição química38 ou com base em métodos estatísticos37. Florestas aleatórias (RFs) provaram ser um algoritmo útil para lidar com problemas de seleção de recursos devido à sua capacidade de calcular a importância de cada recurso . A presença de características correlacionadas, por outro lado, demonstrou afetar sua capacidade de identificar características importantes, diminuindo potencialmente sua precisão42,43,44. Para resolver este problema, uma combinação de florestas aleatórias e eliminação de características recursivas (RFE) é comumente usada e seu potencial para selecionar características relevantes para modelar eficiências de inibição de corrosão (IEs) de pequenas moléculas orgânicas foi demonstrado em um estudo recente.