基于机器学习的高效润滑油摩擦学性能预测系统研究

The performance evaluation of lubricating oil mainly depends on experience or experimental results, which seriously restricts the design of lubricating materials and their development cycles. Machine learning, as a new method of material research and development, provides a rapid way to evaluate the performance of lubricating oils. Taking typical lubricants (PAO4, DOA, etc.) as the research object, based on the theory of atomic physics and quantum chemistry, this project aims to determine the weight of different parameters (molecular energy, molecular volume, dipole moment, topological structure index, energy orbit) on the tribological properties of lubricating oils through the data mining technologies including the singular value decomposition and decision tree strategy. Subsequently, the characteristic parameters of lubricating oils is confirmed to establish parameter database. On this basis, a new ensemble algorithm of machine learning (combining support vector machine, K-proximity, random forest, etc.) is established for the construction and optimization of the relation model between molecular characteristic parameters and tribological performance. A prediction method of the tribological performance of lubricating oils is proposed based on machine learning, and an efficient prediction system is established. This study not only promotes the transition from experimental trials to data-driven research of lubricating materials, but also can enrich and improve the research system of lubricating materials. It makes some exploratory attempts on the research frontier of material science, and provides new research methods and technical approaches for the development and application of lubricating materials.

润滑油性能评价主要依靠经验或实验结果的现状严重制约着润滑材料的设计与开发周期，机器学习作为材料研发的新方法，为润滑油的性能快速评价提供了一种新的途径。本项目拟以典型润滑油（PAO4、DOA等）为研究对象，基于原子物理和量子化学理论，通过奇异值分解、决策树策略数据挖掘技术，确定不同参量（分子能量、分子体积、偶极矩、拓扑结构指数、能量轨道）对润滑油摩擦学性能的权重，选取特征参量，建立参数库；在此基础上，采用机器学习集成算法（结合支持向量机、K-临近、随机森林等）构建、优化分子特征参量与摩擦学性能之间的关系模型，提出基于机器学习的润滑油摩擦学性能预测方法，并建立其高效预测系统。该研究不仅有利于促进润滑材料的研究从实验驱动向数据驱动转型，而且可以丰富和完善润滑材料研究体系，在材料科学研究前沿进行探索性尝试，为润滑材料的开发和应用提供新的研究方法和技术途径。

高品质润滑油的需求量占润滑油总需求量正逐年上升，而润滑油性能评价主要依靠经验或实验结果的现状严重制约着润滑材料的设计与开发周期，自主研发面临很大困难。机器学习作为材料研发的新方法，为润滑油的性能快速评价提供了一种新的途径。.项目以典型润滑油为研究对象，基于分子模拟计算，分析润滑油分子的结构参量与性能之间的关联规律；确定润滑油分子参量对摩擦学性能和热氧化性能的影响权重，结合机器学习算法，建立润滑油分子结构-性能单一及集成学习模型，研究不同机器学习模型对润滑油摩擦学性能预测的准确性与适用性，并建立了一种润滑油集成学习高效预测系统。结果表明：.酯类油分子的成键性质、化学活性、分子轨道等对其使役性能存在影响规律，模拟计算的结果可为机器学习筛选出的特征参量重要性的原因提供科学解释。根据润滑油结构参数相对于磨损量的影响权重，确定润滑油分子特征参量为：低轨道能量和分子偶极矩；同样，根据润滑油结构参数相对于起始氧化温度的影响权重，确定润滑油分子特征参量为：分子总能量、低轨道能量、HOMO-LUMO能量、分子偶极矩、脂水分配系数。.不同机器学习方法（多元线性回归、神经网络和支持向量机）对于润滑油性能的预测的差异性。采用单一算法建立的神经网络模型，支持向量机模型预测润滑油的摩擦学性能和抗氧化性能预测率稳定性最好，平均预测率在95.0%左右。.结合矿物油、酯类合成油等多种材料的实验与模拟数据，通过对多种集成方法进行的探索发现，以多元线性回归和支持向量机算法融合建立的集成学习模型，平均预测率为95.5%以上，平均预测率较单一多元线性回归算法建立的机器学习模型提高了0.6%，在保证模型预测率稳定的基础上，提高了准确率，是一种高效的性能预测集成学习方法。.项目主要成果为：发表学术论文8篇，其中SCI收录6篇，EI收录1篇；获得授权中国发明专利2项，申请中国发明专利1项。培养博士研究生2名，硕士研究生2名。