Aprendizaje automático para lubricantes
Aprendizaje automático para lubricantes – Un grupo de investigación de una universidad japonesa propuso un método que combina el aprendizaje automático y los cálculos de dinámica molecular para evaluar las propiedades de fricción de lubricantes extremadamente confinados con bajas velocidades de cizallamiento.
Los investigadores dijeron que podría conducir a una comprensión más clara de la dinámica de fricción y lubricación en una amplia gama de sistemas y, por lo tanto, a una lubricación más efectiva.
El grupo de profesores y estudiantes de la Facultad Nacional de Tecnología Sendai de la Universidad de Keio dijo que ya se sabe que las características de fricción cambian según la velocidad de funcionamiento de las piezas mecánicas, pero que ha resultado difícil evaluar de manera integral tales características desde el punto de vista de la dinámica molecular de los lubricantes. con estructuras moleculares muy diferentes.
Los investigadores notaron que los lubricantes en las interfaces confinadas de los componentes mecánicos están expuestos a altas velocidades de corte y presiones que pueden alterar significativamente el comportamiento en comparación con otras partes del sistema. Los enfoques computacionales, como las simulaciones dinámicas moleculares sin equilibrio, se han utilizado para probar el comportamiento molecular de los lubricantes, explicaron, pero las regiones de baja velocidad de corte de los materiales rara vez se han simulado debido al alto costo de los cálculos necesarios para hacerlo. Además, la dinámica molecular bajo velocidades de cizallamiento comparables con las de los experimentos no se comprende claramente.
En su investigación, el grupo realizó simulaciones de dinámicas sin equilibrio en cuatro tipos de lubricantes en condiciones extremadamente confinadas: capas de lubricante de solo dos moléculas de espesor, confinadas en paredes de mica, bajo velocidades de corte que oscilan entre 0,001 y 1 m/s.
“Si bien confirmamos el adelgazamiento por cizallamiento, los perfiles de velocidad no pudieron mostrar el comportamiento del flujo cuando la velocidad de cizallamiento era mucho más lenta que las fluctuaciones térmicas”, señalaron. “Por lo tanto, utilizamos un enfoque de aprendizaje automático no supervisado para detectar movimientos moleculares que contribuyen al adelgazamiento”.
Primero, dijeron, extrajeron las características simples de los movimientos moleculares de grandes cantidades de datos de dinámica molecular, que se correlacionaron con la viscosidad efectiva. Posteriormente, los investigadores interpretaron las características extraídas examinando las trayectorias que contribuyen a las características.
“La magnitud de la difusión correspondía a la viscosidad, y la ubicación de los deslizamientos que variaban según los lubricantes esféricos y de cadena era irrelevante”, escribieron.
El grupo también realizó cálculos de dinámica molecular de lubricantes en condiciones que reproducen las superficies de contacto de las piezas mecánicas y usan mecánica no supervisada. El grupo explicó que el aprendizaje automático supervisado, que se usa con mayor frecuencia, generalmente predice nuevos valores de entrada aprendiendo la correspondencia entre los valores de entrada y los datos correctos. Por el contrario, el aprendizaje automático no supervisado realiza la tarea deseada basándose únicamente en los valores de entrada. Un ejemplo es la extracción de características simplista de datos complejos. “En esta investigación, extrajimos características que simplifican los datos cinemáticos complejos de los lubricantes”, dijeron.
El grupo afirmó que su método permite una evaluación fácil y completa de las propiedades de varios lubricantes y se espera que contribuya a una amplia gama de industrias que utilizan lubricantes. En particular, planea continuar con la investigación destinada a la aplicación práctica, incluida la evaluación de los cambios en las características de fricción debido a la adición de aditivos lubricantes.
El título de su trabajo de investigación es “Combinando la dinámica molecular y el aprendizaje automático para analizar el adelgazamiento por cizallamiento para lubricantes alcanos y globulares en el régimen de bajo cizallamiento”. Fue publicado a principios de este año en la revista internacional ACS Applied Materials & Interfaces.
