Wie künstliche Intelligenz die Entwicklung von Lacken und Tinten beschleunigt

Datenbasierte Modelle können klassische Versuchsstrategien ersetzen
Die Entwicklung neuer Lacke und Tinten ist traditionell durch zahlreiche iterative Laborversuche geprägt. Bis definierte Produkteigenschaften erreicht werden, sind häufig umfangreiche Testreihen erforderlich, die mit hohem Zeit-, Material- und Ressourcenaufwand verbunden sind.

„Unser Ziel war es, klassische statische Versuchspläne durch datengetriebene Modelle zu ergänzen und die Entwicklung von Lacksystemen und Tintenformulierungen dadurch deutlich zu beschleunigen“, erklärt Andreas Schneider, Projektleiter und Senior Scientist am Europäischen Zentrum für Dispersionstechnologien (EZD). „Digitale Methoden eröffnen neue Möglichkeiten, den experimentellen Aufwand zu reduzieren, die Ressourceneffizienz zu steigern und gleichzeitig zentrale Einflussgrößen in Prozessen und Materialien besser zu verstehen.“

Stabilisierung für das Dispergieren entscheidend
Als Modellsystem diente Carbon Black, ein in zahlreichen Lack- und Druckfarben eingesetztes Pigment, welches aus Rußpartikeln besteht. Aufgrund seiner ausgeprägten Agglomerationsneigung gilt Ruß als besonders anspruchsvoll in der Verarbeitung und eignet sich daher besonders gut, um eine aussagekräftige und komplexe Datensammlung zu generieren.

Die Untersuchungen im Mahl- und Dispergierprozess bestätigten die zentrale Rolle der Partikelstabilisierung. Trotz mechanischer Zerkleinerung kommt es bei Carbon Black bereits nach kurzer Zeit zur Reagglomeration der Partikel. Die Projektergebnisse zeigen, dass eine nachhaltige Stabilisierung ohne geeignete Dispergieradditive nicht möglich ist. Insbesondere leistungsfähige Additive wie EDAPLAN 918 von Münzing Chemie erwiesen sich als wesentlicher Faktor, um die Partikel effektiv zu stabilisieren und eine kontinuierliche Feinzerkleinerung zu ermöglichen. Im Projektverlauf wurden sowohl eine mit Ruß modifizierte, UV-härtende, acrylatbasierte Tinte als auch ein acrylatbasierter Lack entwickelt.

KI-gestützte Versuchsplanung steigert Effizienz
Ein zentraler Schwerpunkt des Projekts war die Anwendung von Sequential-Learning-Algorithmen. Dadurch konnte die klassische, statische Versuchsplanung in einen dynamischen Optimierungsprozess überführt werden, bei dem die Ergebnisse jedes Experiments unmittelbar in die Planung weiterer Versuche einfließen. Dabei wurde gezielt der Einfluss des spezifischen Energieeintrags auf Produkteigenschaften wie die Stabilität, die Partikelgröße und die Viskosität als Zielgrößen untersucht.
Die im Projekt erzielten Ergebnisse zeigen, dass KI- und Machine-Learning-Methoden einen signifikanten Beitrag zur Effizienzsteigerung in der Formulierungsentwicklung leisten können. Neben einer Verringerung des experimentellen Aufwands verbessert der datengetriebene Ansatz die Reproduzierbarkeit von Entwicklungsergebnissen und unterstützt die gezielte Umsetzung kundenspezifischer Anforderungen. Konkrete virtuelle Versuche belegten, dass der Aufwand zur Ermittlung der Zielgrößen (Partikelgröße (<300 nm), Viskosität (<100 mPa·s bei 25 °C) und Stabilität (<15 µm/min)) reduziert werden konnte. Die optimalen Zielgrößen konnten durch die Bayes’sche Optimierung sogar mit nur drei bis fünf Versuchen zielsicher ermittelt werden. 

„Durch die Kombination aus künstlicher Intelligenz (KI) und maschinellen Lernverfahren lassen sich Entwicklungszeiten verkürzen und Ressourcen gezielt einsetzen. Die Anzahl erforderlicher Laborexperimente konnte um rund 25 % reduziert werden, um die optimalen Rezeptur- und Prozessparameter für Zielgrößen wie die gewünschte Partikelgröße oder Viskosität zu erreichen.“

Das Projekt DigiLack wurde vom 15.08.2023 bis 31.12.2025 am Europäischen Zentrum für Dispersionstechnologien (EZD) in Selb durch die SKZ – KFE gGmbH durchgeführt und durch das Bayerische Staatsministerium für Wirtschaft, Landesentwicklung und Energie gefördert. 

Mehr Informationen zum EZD