הגבול החדש בLobricant Engineering

לובריטיס הם הדם של מכונות מודרניות, צמצום החיכוך, ניתוק חום, והגנה מפני ללבוש מחזורים ממכוניות לתעופה, ייצור לים.הביצועים של סיכה אינו רכוש פשוט; זה איזון עדין שהושג באמצעות ניסוח מורכב של שמנים בסיס ותוספים כימיים כיום מקבל איזון זה נכון עבור יישום ספציפי - בין אם זה הוא במהירות גבוהה הנושאת רוח היסטורית בטכניקות הפעלה של מזון מהיר, או מנקה מרחוק, יש צורך בטכניקות עיבוד איטיות של מזון.

מאמר זה צולל עמוק לתוך איך ML מעצב מחדש ניסוח lubricant, הטכניקות ספציפיות להיות פרוס, היתרונות המוחשיים בתעשייה, ואת האתגרים שנשאר.זה גם חוקר את האופק העתידי שבו אלגוריתמים וכימיה מתאחדים לספק לובריטים מעוגלים לכל מצב הפעלה אפשרי.

המונחים: Lubricant Formulation

סיכה מודרנית היא הרבה יותר מאשר שמן סליקה.בבסיסה, היא מורכבת שמן בסיס - אמין, סינתטי או מבוסס ביולוגית - המספק את ההיקף הבסיסי ונכסים תרמיים. לבסיס זה, פורמולטורים מוסיפים קוקטייל של תוספים: סוכנים אנטי-מליים, הרתעה, מתפזרים, נוגדי חמצון, מולקולגוניות, לשרת חיכוך, מברשות, כל אחד מהם, מכיל גם רכיבים פוטנציאליים, או כימאיים, עם תכונות אינטראקציה, או מנטליות, או , הם מכילים כל אחד עם רכיבים אחרים.

שקול דוגמה פשוטה: נוזל הידראולי עבור מחפר קר-קליד חייב להישאר נוזל ב -40 מעלות צלזיוס, בעוד עדיין מספק עובי סרט נאות ב 100 מעלות צלזיוס. זה חייב להתנגד חמצון תחת לחץ גבוה, להימנע מקצף, ולהיות תואם עם חותמות.פגישת אלה בו זמנית דורש בחירת שמן הבסיס הנכון (או תערובת) ומינונים מדויקים של כל תוסף.

באופן מסורתי, פורמולות מסתמכות על היוריסטיות, אמנות קודמת, ובדיקות מעבדה הרהרטיביות.נוסחת מועמדת מתמזגת, נבדקת בשקיות ספסל (כמו בדיקת ארבע הכדור או פצצה חמצון), ולאחר מכן נשפטת בציוד שדה.מחזור זה יכול לקחת חודשים.אם ניסוח נכשל, הצוות מאמת מרכיב אחד וחוזר על עצמו.

כיצד למידת מכונה הופכת את התהליך

למידת מכונות עולה במציאת תבניות בנתונים ברמה גבוהה, לא לינאריים. Applied to lubricant formula, ML מודלים מאומן על נתונים הכוללים ניסוחים היסטוריים (מתאים וריכוזים), תכונות הביצועים המדוייקות שלהם (viscosity, Wear קוטר, חמצון על טמפרטורה, וכו '), ואת תנאי היישום (tempture, העומס, מהירות, סביבה), פעם לא מאומנים, ביצועים חדשים, מצופה דיוק חדש, עם דיוק חדש.

זרימת העבודה הטיפוסית מתחילה עם ריצוף נתונים.עבר מעבדה ונתונים שדה הם דיגיטציה ונקיה.ערכים החסרים הם בלתי מוכלים, ותכונות מונדסות - לדוגמה, חישוב היחס של תוספת אנטי-מלישה לתוכן sulfur שמן הבסיס, או כיתות תוספת קידוד.אלגוריתם למידה מכונה - לעתים יער אקראי, קידוד מגביר מכונה, או רשת עצבית - אז מאומנים לתבניות ביצועים לחיזוי מטרות, כמו שיטות חיתוך.

הכוח האמיתי עולה כאשר המודל הופך לאופטימיזציה.על ידי הפיכה של אלגוריתם ה-ML עם אלגוריתם אופטימיזציה (כגון אופטימיזציה Bayesian או אלגוריתמים גנטיים), המערכת יכולה ליצור ניסוחים מועמדים הממקסמים מטרה נתונה - כלומר, צמצום צלקות ללבוש תוך שמירה על על על עלות מתחת לסף ושמירה על הציון מולטי.המטב יכול להציע רשימה קצרה של ניסוחים מבטיח כי הכימאי יכול להפחית את מספר הניסויים הנדרשים על ידי מספר זה.

טכניקות למידה מכונות מפתח עבור לובריקאט פורמולציה

כמה פרדיגמות ML מוחלות באופן פעיל בתחום זה.בחירה של טכניקה תלויה בטבע הנתונים ואת הבעיה הספציפית.

למידה מבוססת: תוקפנות ו Classification

הגישה הנפוצה ביותר.התייגות בנתונים (המידע עם ביצועים ידועים) משמשים להכשיר מודל החיזוי נכסים רצופים (למשל, סטיות kinematic ב 40 מעלות צלזיוס) או תוויות ייצוגיות (למשל, לעבור / עובר /fail עבור מבחן הפרת פטנטים) Algorims כמו ⁇ עצים (XGBst LightGB,GBM) יערות אקראיים הם יערות מועדפים כי הם זקוקים לאינטראקציות חמורות כמו רשתות נתונים).

למידה בלתי מבוקרת: קלוסטרינג ו- Dimensionality Reduction

שיטות לא מבוקרות עוזרות לגלות קבוצות נסתרות בין פורמולות או תוספים.לדוגמה, ניתוח רכיב עיקרי (PCA) יכול להפחית מאות של תיאורי כימיקלים לכמה משתנים מאוחרים שלוכדים את האלגוריתם הראשי של אלגוריתמים (k-means, DBSCAN) יכול לזהות משפחות של ניסוחים הפועלים באופן דומה, סיוע בעיצוב של ניסויים.

Reinforcement Learning: הסתגלות

Reinforcement למידה (RL) מתייחס לתהליך הפורמולה כבעיה בקבלת החלטות זניחה. סוכן לומד לבחור מרכיבים וריכוזים על פני מספר שלבים, קבלת תגמולים להשגת מטרות ביצועים. גישה זו עדיין מתפתחת בעיצוב lubricant אבל מחזיק הבטחה לגילוי אוטונומי אמיתי.זה זוגות עם שילוב אוטומטי ובדיקות פלטפורמות, שבו הסוכן של RL יכול להפעיל ניסויים במעבדה וירטואלית או רובוטית, לנסות משוב ברמה גבוהה, ללא התערבות אנושית.

היתרונות של פיתוח לובריקנט תעשייתי

השילוב של למידת מכונה לניסוח עבודה אינו תיאורטי; יצרני סיכה גדולים כמו Shell, ExxonMobil ו-Fuchs דיווחו על הישגים משמעותיים.על פי פרסום של 2022 ב [Tribology International](https: www.sciencedirect.com/tribology-international), צינור פיתוח מודרך ML-international, לחתוך את הזמן לשוק עבור תוספת שמן מנוע חדש על ידי יותר מ- 60% לקטגוריות ליפול לקטגוריות:

  • (FLT:0Speed:03:03: ⁇ :1) מה שלקח פעם 6-12 חודשים של בדיקות רציונטיביות ניתן להשיג כעת ב 4-6 שבועות.המוטב מבטל במהירות את מטרות המוות ומתמקד באזורים בעלי יכולת גבוהה של חלל הפורמולה.
  • (FLT:0) ניכוי:0) ניסויים מעבדה קטנים יותר פירושו צריכת מופחתת של שמנים בסיס יקר, תוספים, ושקיות בדיקה, כמו גם זמן צוות נמוך יותר. יועץ אחד העריכו חיסכון בעלויות של 30–50% לפרויקט פורמולה.
  • מודלים של ML (FLT:0)Performance Optimization: FLT:1 ML יכולים לגלות שילובים של תוספי סינרגיסטים שמומחים אנושיים עשויים להתעלם מהם.לדוגמה, מודל עשוי להציע יחס לא קונבנציונלי של מנטר חיכוך לפיזור זה מניב שיפור של 15% בכלכלת דלק עבור מנוע רכב נוסעים.
  • (FLT:0) אופטימיזציה עבור יישומים ספציפיים: OVAFLT:1 במקום להסתמך על "גודל אחד מתאים ביותר" lubricants, ML מאפשר למהנדסים לכוונון נוסחה עבור חלק מסוים של ציוד, פרופיל תפעול, או סביבה. a high-tempture grease for Steelנשאs ניתן לייעל בנפרד מ גריזות דלת עבור רובוטים משותפים.
  • (FLT:0)Imroved Sustainability: ⁇ F1) על ידי אופטימיזציה של ריכוזים של תוספי מזון, ML מפחית את כמות הכימיקלים הכוללת בשימוש.זה גם מאפשר החלפת רכיבים מסוכנים או בלתי-מכלים עם חלופות ירוקות יותר כי עדיין לעמוד במטרות ביצועים.

מקרה קונקרטי אחד: חוקרים ביצרן תוספת גדול השתמשו במודל יער אקראי כדי לחזות את הביצועים האנטי-מליים של דית'יופוסץ אבץ (ZDDP) מתמזגים עם תוספים אחרים המבוססים על גופרית.המודל זיהה אזור שלא דווח קודם לכן של יעילות גבוהה ברמות ZDDP נמוכות, המאפשר לחברה להפחית את התוכן זרחן - קריטי עבור תקנות מפגש - מבלי להתפשר על הגנה על ידי HIV.

שילוב עם ניסויים מתקדמים ותיאומים דיגיטליים

היישומים המצליחים ביותר של ML בנוסחאות lubricant אינם מתייחסים אליו ככלי עמידה; הם להטביע אותו בתוך מערכת אקולוגית דיגיטלית רחבה יותר. פלטפורמות High-באמצעות חישוב גבוהה יכולות להשתלב באופן אוטומטי ולבדוק מאות דגימות lubricant ליום באמצעות כמויות מיקרוליטריות יותר.זה יוצר את הנתונים הגדולים והעקביים הדרושים לאלגוריתמים: עיצוב באמצעות אלגוריתם באמצעות ® באמצעות ®HTE-D> תוצאות חדשות מזרזות באמצעות עיצוב >

תאומים דיגיטליים של מערכות סיכה מתעוררים גם כן. תאום דיגיטלי הוא העתק וירטואלי של מכונה פיזית המדהמת את פעולתה בתנאים שונים.כאשר בשילוב עם מנוע פורמולה מבוסס ML, מהנדסים יכולים לשאת סיכה וירטואלית לשנים של ללבוש מדומים ודמיע בתוך כמה שעות. לדוגמה, תאום דיגיטלי של תיבת הילוכים רוח יכול להעריך כיצד שמנים שונים משפיעים על תפקודים מתפתלים, מיקרו-אוויר, ומאפשר יכולת חיזוי של 20 שנים בלבד.

דו"ח חיצוני של [Afton Chemical](https: www.aftonchemical.com/טכנולוגיה/מכונה-learning-in-lubricant-formulation) מדגיש כי החברה שלהם שילבה ML עם כימיה אנליטית מתקדמת (NMR, ספקטרומטריה המונית) כדי לתאם את המבנה המולקולרי עם תוצאות טריבולוגיות, תחזיות נוספות.

אתגרים ושיקולים

למרות ההבטחה, פריסת ML בנוסחאות lubricant אינה ללא היורדים.אתגר אחד גדול הוא FLT:0data כמות ואיכות FLT:1 [החברות lubricant ביותר יש עשרות שנים של נתונים מאוחסנים בפורמטים לא עקביים - מחברות בכתב יד, PDFs, גליונות מבוזרים ישנים.

(הופנה מהדף ⁇ ) ⁇ (ה) ⁇ (ה) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

נושא מעשי נוסף הוא (FLT:0)extrapolationFIRLT:1 [מודל ML מאומן על ניסוחים עם שמנים בסיס מינרלים עשויים להופיע בצורה גרועה כאשר מבקשים לחזות שמן בסיס ester חדש עם הסתגלות שונה לחלוטין של ספקטרום והובלת שיטות למידה מפותחות, אך הם עדיין לא סטנדרטיים.

לבסוף, יש את העלות של יישום FLT:0 (התשתית לבדיקה מהירה, אחסון נתונים ומשאבים חישוביים, בתוספת הצורך מדעני נתונים מיוחדים אשר מבינים כימיה. , מועדוני סיכה קטנים יותר עשויים למצוא את זה קשה להצדיק את ההשקעה.עם זאת, פלטפורמות מבוססות ענן וספריות קוד פתוח הם אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט את המחסום.

עתיד Outlook: לעבר עיצוב Lubricant אוטונומי וזמין

במבט קדימה, התפקיד של למידת מכונה בנוסחת סיכה רק להעמיק.אנו יכולים לצפות כמה מגמות:

  • (FLT:0) מודלים גמישים:FLT:1ir במקום רק לחזות ביצועים, מודלים כמו autoencoders וריאציות (VAEs) או רשתות ניווניות (גנים) יכול ליצור מבנים מולקולריים חדשים לחלוטין או יצירות שמן בסיס מותאם עבור נכס ספציפי - סוג של יצירתיות חישובית לכימיה.
  • (FLT:0) אינטגרציה עם מודלים המבוססים על פיסיקה:03FLT) 1 מודלים היברידיים המשלבים ML עם סימולציה מולקולרית (למשל, באמצעות ML כדי להאיץ חישובים כימיים קוונטיים) יאפשרו לנוסחאות להבין התנהגות של תוספי ברמה האטומית, מה שמוביל לתחזיות חזקות יותר.
  • (FLT:0) אופטימיזציה של אחריות-Driven: OVAFLT:1 כמו תקנות סביבתיות הידוק, ML ישמש כדי למזער טביעת רגל פחמן, רעילות, ואפקט ביו-דידנטיות.לדוגמה, המודל יכול להתאים את היחס הטוב ביותר לביצועים אל-אקו-toxicity, קידום עקרונות כלכלה מעגלית.
  • (FLT:0) התאמת פורמולציה בזמן אמת: FIRLT:1 עם חיישנים על ציוד מעקב מתמיד במצב שמן (ביקור, ללבוש פסולת, חומציות), ML יכול להמליץ על התאמות בזמן אמת - עלולים להזריק תוספת מסוימת כדי לשחזר את השמן - לא מסתכם במרווחים בין שינויים.

שיתופי פעולה בתעשייה כמו [Tribology and Lubrication מדע Initiative](https:www.stle.org) כבר בונים נתונים משותפים המאפשרים לשחקנים קטנים ליהנות מ-ML מבלי צורך בנתונים קנייניים.עתיד של lubricants אינו מוצר סטטי אלא מערכת חכמה, הסתגלות שמכוונן על ידי אלגוריתמים כדי לענות על הדרישות המדויקות של כל יישום.

לסיכום, השימוש באלגוריתמי למידת מכונה כדי לייעל את פורמולות סיכה מסמן שינוי פרדיגמה מניסוי וטרור לכיוון דיוק המונע נתונים.זה מפחית עלויות, מאיץ את הפיתוח, ופותח רמות ביצועים שמניבות ארוכות מכונות, יעילות אנרגיה ושמירה סביבתית.עבור כל חברה המתחרה בעולם של סיכה תעשייתית, אימוץ ML הוא כבר לא אופציונלי - חיוני.