Nachrichten Lacktechnologien
ML in der Beschichtung: Grenzen und neue Perspektiven
Ein chilenisches Forschungsteam hat einen umfassenden Übersichtsartikel zum Einsatz von Scientific Machine Learning (SciML) für die Vorhersage von Beschichtungsabbau und Korrosion vorgelegt. Der Review identifiziert fünf zentrale Limitierungen aktueller Modelle und schlägt mit dem Thermo-Fractional Graph Phase-Field Neural Operator (TFG-PFNO) einen neuen Forschungsrahmen vor, der physikalische Konsistenz und Unsicherheitsquantifizierung vereint.
Die Vorhersage von Beschichtungsabbau und Korrosion verlagert sich zunehmend von empirischer Regression hin zu Scientific Machine Learning (SciML), das Bewegungsgleichungen, Geometrie und Unsicherheit in datengetriebene Modelle integriert. Der kritische Übersichtsartikel untersucht Physics-Informed Neural Networks (PINNs), neuronale Operatoren, Phasenfeld-Hybride, Graph Neural Networks und probabilistische Modelle, die für Schutzbeschichtungen und lokalisierte Korrosion relevant sind. Als Ausgangspunkt betonen die Autoren, dass Schutzbeschichtungen die Korrosion durch die Kontrolle des Transports von Wasser, Sauerstoff und aggressiven Ionen verzögern und die weltweit am häufigsten eingesetzte Korrosionsschutztechnologie darstellen.
Die direkten globalen Kosten der Korrosion werden auf 2,5 Bio. USD pro Jahr geschätzt – nahe 3,4 % des globalen Bruttoinlandsprodukts – wobei Schutzbeschichtungen den grössten Anteil der entsprechenden Minderungsmassnahmen absorbieren. Vor diesem Hintergrund gewinnen präzise Vorhersagemodelle für Beschichtungsabbau erhebliche wirtschaftliche und ökologische Relevanz.
Lesetipp.Das alphabetisch angeordnete Begriffslexikon „Lack von A bis Z“ von Paolo Nanetti ist Ihr Begleiter im Berufsalltag! Schnell und übersichtlich finden Sie hier Informationen zu einzelnen Stichworten der Lackbranche. Grundlegende chemische Kenntnisse und spezielles Lackwissen sind nicht erforderlich. Ganz bewusst verzichtet der Text auf chemische Formeln und komplexere, naturwissenschaftliche Erläuterungen; die allgemeine und gute Verständlichkeit ist das Ziel. Der praktische Nutzen wird außerdem durch die Hervorhebung vieler anwendungstechnischer Zusammenhänge garantiert. |
Fünf zentrale Limitierungen aktueller Modelle
Die Autoren identifizieren fünf persistente Einschränkungen aktueller SciML-Ansätze: dimensional inkonsistente zusammengesetzte Verlustfunktionen, unvollständige Durchsetzung von Konservierungs- und thermodynamischen Irreversibilitätsprinzipien, unzureichende Behandlung anomaler Transportprozesse und Materialgedächtnis, Verlust topologischer Informationen bei Lochfrass-Nukleation und -Koaleszenz sowie schwache Validierung ausserhalb der Trainingsverteilung.
Diese Limitierungen haben praktische Konsequenzen: Ein Modell kann durchschnittliche Felder reproduzieren, dabei aber die maximale Lochfrasstiefe glätten, einen schmalen Transportweg eliminieren oder die Koaleszenz von Löchern falsch darstellen. Zufällige Trainings-Test-Aufteilungen können die Leistung zudem übertreiben, wenn Messungen desselben Prüfkörpers, derselben Anlage, derselben Beschichtungscharge oder derselben Expositionskampagne in beiden Sets erscheinen.
Vielfältige Beschichtungssysteme und Umgebungen
Der Review organisiert die Literatur nach dem Steuerungsmechanismus, der physikalischen Integration, der geometrischen Repräsentation, der Unsicherheitsbehandlung und dem Validierungsdesign. Studien zu organischen Beschichtungen illustrieren die komplexen Kopplungen: physikalisch basierte Äquivalentschaltkreis-Analysen, neuronale Interpretation elektrochemischer Impedanzspektroskopie (EIS) und unbeaufsichtigte Gruppierung von Impedanzspektren hängen alle vom Messmodell und Abbauzustand ab.
Industrielle Daten kombinieren häufig elektrochemische Potenziale, EIS, Ultraschall-Dickenmessungen, Oberflächenbilder, Umgebungshistorien und punktuelle Massenverlustmessungen. Ein rein datengetriebenes Modell kann Korrelationen in diesen Messungen anpassen, ohne Massenbilanz, Ladungsbilanz, Positivität oder die monotone Entwicklung irreversibler Variablen zu bewahren – ein grundlegendes Problem für die physikalische Aussagekraft.
Vorschlag für neuen Forschungsrahmen
Auf dieser Basis schlägt der Beitrag den Thermo-Fractional Graph Phase-Field Neural Operator (TFG-PFNO) als Forschungsrahmen vor. Dieser kombiniert fraktionelles Gedächtnis, graphenbasierte Geometrie, Phasenfeld-Grenzflächenevolution, metriplektische Dynamik und kalibrierte Unsicherheit. Der Rahmen wird ausdrücklich als testbare Hypothese und nicht als validiertes Modell präsentiert.
Die zentrale Implikation lautet: Glaubwürdige Korrosions-Digital-Twins müssen physikalische Zulässigkeit bewahren und Unsicherheit auf strukturelles Risiko, Inspektionsplanung und Wartungsentscheidungen propagieren, statt lediglich die Interpolationsgenauigkeit zu optimieren. Damit adressiert der Review nicht nur technische Fragen der Modellarchitektur, sondern auch die praktische Anwendbarkeit in Industrie und Infrastruktur.
Fünf Beiträge zur SciML-Forschung
Der Artikel leistet fünf konkrete Beiträge: Er organisiert die Literatur nach der Art der Integration physikalischen Wissens statt nach Modellnamen, definiert einen minimalen Physik- und Validierungs-Stack für Korrosionsanwendungen, unterscheidet experimentell belegte von simulationsvalidierten oder rein konzeptionellen Behauptungen, schlägt den TFG-PFNO als testbaren Forschungsrahmen vor und bietet eine studienbasierte Evidenzkarte, die für jede korrosions- oder beschichtungsspezifische SciML-Studie Materialsystem, Expositionsumgebung, Abbaumechanismus, Eingabedaten, Architektur, physikalische Einschränkungen, Validierungsstrategie sowie zentrale Erkenntnisse und Limitationen dokumentiert.
Für Formulierer, F&E-Verantwortliche und Instandhaltungsingenieure liefert der Review eine wertvolle Orientierung, um die zunehmende Vielfalt datengetriebener Vorhersagemodelle für Beschichtungsabbau kritisch zu bewerten und ihre praktische Anwendbarkeit realistisch einzuschätzen.
Quelle: Rojas-Valdivia, L., Moraga, P., Peña, A. & García, J. Scientific Machine Learning for Coating Degradation and Corrosion Prediction: A Critical Review and Thermodynamic Research Perspective. Coatings 16, 921 (2026). https://doi.org/10.3390/coatings16080921
