Bei Automobillacken mit KI Korrosion voraussagen

Grundlage der Forschungsarbeiten bildet der Einsatz künstlicher neuronaler Netzwerke (KNN) – eine Technologie, welche die Lernfähigkeit des menschlichen Gehirns nachahmt – kombiniert mit elektrochemischer Impedanzspektroskopie (EIS) und validiert durch Rasterelektronenmikroskopie (REM). Diese Methoden helfen dabei, Korrosion in Automobilbeschichtungen vorherzusagen, was zu bedeutenden Fortschritten in der Fahrzeughaltbarkeit führen könnte. Das Projekt wurde im Oktober 2024 abgeschlossen. Die Forscher untersuchten konventionelle Autolacke wie Grundierungen sowie Decklacke und tauchten Proben in eine Salzlösung, um reale Bedingungen zu simulieren.

Parallele Feldstudien

Anschließend setzten sie EIS ein, um zu prüfen, wie die Beschichtungen im Laufe der Zeit degradierten und um Veränderungen in ihren Korrosionsschutzeigenschaften zu verfolgen. Diese Daten wurden verwendet, um ein KNN-Modell zu trainieren, bis Vorhersagen möglich waren, wie diese Beschichtungen sich in der Zukunft verhalten würden.

Das trainierte Netz kann für neue Daten Vorhersagen treffen oder Empfehlungen und Entscheidungen erzeugen. Das so entwickelte Tool soll in der Lage sein, jedes Lacksystem innerhalb kurzer Zeit – d. h. 30 bis 40 Tage – zu sichten und zu beurteilen. Zudem soll es voraussagen können, ob die Beschichtung viele Jahre halten wird.

Da es keine exakte Korrelation zwischen simulierten Laborbedingungen und realer Korrosionsschutzdauer geben kann, führte Toyota parallel Feldstudien durch, um die Laborergebnisse zu verifizieren. Fahrzeuge mit Testpanels fuhren hierzu in Regionen mit hohem Salzgehalt auf den Straßen. Die Panels durchliefen dann die gleichen Tests und Auswertungen wie die Laborproben.

Das von dem texanischen Forscherteam entwickelte Tool kann diese Daten vergleichen und auswerten – so können Automobilhersteller zuverlässige Aussagen zum Korrosionsverhalten ihrer Karosserien zur Verfügung stellen.