Uso de Machine Learning para estudar dinâmica molecular em lubrificantes

120
Português
Español/Castellano
English

Machine Learning nos lubrificantes

Machine Learning nos lubrificantes – Um grupo de pesquisa de uma universidade japonesa propôs um método que combina machine learning (aprendizado de máquina) e cálculos de dinâmica molecular para avaliar as propriedades de atrito de lubrificantes extremamente confinados com baixas velocidades de cisalhamento.

Os pesquisadores disseram que isso pode levar a uma compreensão mais clara da dinâmica de atrito e lubrificação em uma ampla gama de sistemas – e, portanto, a uma lubrificação mais eficaz.
O grupo de professores e alunos do Sendai National College of Technology da Keio University disse que já se sabe que as características de atrito mudam dependendo da velocidade de operação das peças mecânicas, mas que tem sido difícil avaliar de forma abrangente tais características do ponto de vista da dinâmica molecular para lubrificantes com estruturas moleculares muito diferentes.
Os pesquisadores observaram que os lubrificantes em interfaces confinadas de componentes mecânicos são expostos a altas taxas de cisalhamento e pressões que podem alterar significativamente o comportamento em comparação com outras partes do sistema.
Abordagens computacionais – como simulações dinâmicas moleculares fora do equilíbrio – foram usadas para sondar o comportamento molecular dos lubrificantes, explicaram, mas as regiões de baixa velocidade de cisalhamento dos materiais raramente foram simuladas devido ao alto custo dos cálculos necessários para fazê-lo. Além disso, a dinâmica molecular sob velocidades de cisalhamento comparáveis às dos experimentos não é claramente compreendida.
Em sua pesquisa, o grupo realizou simulações de não-equilíbrio dinâmico em quatro tipos de lubrificantes em condições extremamente confinadas – camadas de lubrificante com apenas duas moléculas de espessura, confinadas em paredes de mica, sob velocidades de cisalhamento variando de 0,001 a 1 m/s.
“Embora tenhamos confirmado o adelgaçamento por cisalhamento, os perfis de velocidade não puderam mostrar o comportamento do fluxo quando a velocidade de cisalhamento era muito mais lenta do que as flutuações térmicas”, observaram. “Portanto, usamos uma abordagem de aprendizado de máquina não supervisionada para detectar movimentos moleculares que contribuem para o afinamento por cisalhamento”.
Primeiro, eles disseram, eles extraíram as características simples dos movimentos moleculares de grandes quantidades de dados de dinâmica molecular, que se correlacionaram com a viscosidade efetiva. Posteriormente, os pesquisadores interpretaram os recursos extraídos examinando as trajetórias que contribuem para os recursos.
“A magnitude da difusão correspondia à viscosidade, e a localização dos deslizamentos que variavam dependendo dos lubrificantes esféricos e da corrente era irrelevante”, escreveram eles.
O grupo também realizou cálculos de dinâmica molecular de lubrificantes em condições que reproduzem as superfícies de contato de peças mecânicas e usam mecânica não supervisionada. O grupo explicou que o aprendizado de máquina (machine learning) supervisionado, que é mais usado, geralmente prevê novos valores de entrada aprendendo a correspondência entre os valores de entrada e os dados corretos.
Em contraste, o machine learning não supervisionado executa a tarefa desejada com base apenas nos valores de entrada. Um exemplo é a extração simplista de recursos de dados complexos. “Nesta pesquisa, extraímos recursos que simplificam os complexos dados cinemáticos dos lubrificantes”, disseram eles.
O grupo afirmou que seu método permite uma avaliação fácil e abrangente das propriedades de vários lubrificantes e espera-se que contribua para uma ampla gama de indústrias que usam lubrificantes. Em particular, pretende prosseguir com pesquisas voltadas para a aplicação prática, inclusive avaliando alterações nas características de atrito devido à adição de aditivos lubrificantes.
O título do trabalho de pesquisa é “Combining Molecular Dynamics and Machine Learning to Analyze Shear Thinning for Alkane and Globular Lubricants in the Low Shear Regime”. Foi publicado no início deste ano na revista internacional ACS Applied Materials & Interfaces.