W zależności od ilości danych do przetworzenia generowanie pliku może się wydłużyć.

Jeśli generowanie trwa zbyt długo można ograniczyć dane np. zmniejszając zakres lat.

Artykuł

Pobierz plik Pobierz BibTeX

Tytuł

Machine Learning Approach for Application-Tailored Nanolubricants’ Design

Autorzy

[ 1 ] Instytut Silników Spalinowych i Napędów, Wydział Inżynierii Lądowej i Transportu, Politechnika Poznańska | [ 2 ] Instytut Automatyki i Robotyki, Wydział Automatyki, Robotyki i Elektrotechniki, Politechnika Poznańska | [ 3 ] Instytut Maszyn Roboczych i Pojazdów Samochodowych, Wydział Inżynierii Lądowej i Transportu, Politechnika Poznańska | [ 4 ] Instytut Badań Materiałowych i Inżynierii Kwantowej, Wydział Inżynierii Materiałowej i Fizyki Technicznej, Politechnika Poznańska | [ 5 ] Instytut Fizyki, Wydział Inżynierii Materiałowej i Fizyki Technicznej, Politechnika Poznańska | [ 6 ] Instytut Technologii Mechanicznej, Wydział Inżynierii Mechanicznej, Politechnika Poznańska | [ P ] pracownik | [ D ] doktorant

Dyscyplina naukowa (Ustawa 2.0)

[2.2] Automatyka, elektronika, elektrotechnika i technologie kosmiczne
[2.7] Inżynieria lądowa, geodezja i transport
[2.8] Inżynieria materiałowa
[2.9] Inżynieria mechaniczna

Rok publikacji

2022

Opublikowano w

Nanomaterials

Rocznik: 2022 | Tom: vol. 12 | Numer: iss. 10

Typ artykułu

artykuł naukowy

Język publikacji

angielski

Słowa kluczowe
EN
  • carbon nanotubes
  • nanolubricants
  • machine learning
Streszczenie

EN The fascinating tribological phenomenon of carbon nanotubes (CNTs) observed at the nanoscale was confirmed in our numerous macroscale experiments. We designed and employed CNT-containing nanolubricants strictly for polymer lubrication. In this paper, we present the experiment characterising how the CNT structure determines its lubricity on various types of polymers. There is a complex correlation between the microscopic and spectral properties of CNTs and the tribological parameters of the resulting lubricants. This confirms indirectly that the nature of the tribological mechanisms driven by the variety of CNT–polymer interactions might be far more complex than ever described before. We propose plasmonic interactions as an extension for existing models describing the tribological roles of nanomaterials. In the absence of quantitative microscopic calculations of tribological parameters, phenomenological strategies must be employed. One of the most powerful emerging numerical methods is machine learning (ML). Here, we propose to use this technique, in combination with molecular and supramolecular recognition, to understand the morphology and macro-assembly processing strategies for the targeted design of superlubricants.

Data udostępnienia online

22.05.2022

Strony (od-do)

1765 - 1 - 1765 - 17

DOI

10.3390/nano12101765

URL

https://www.mdpi.com/2079-4991/12/10/1765

Uwagi

Article Number: 1765

Typ licencji

CC BY (uznanie autorstwa)

Tryb otwartego dostępu

otwarte czasopismo

Wersja tekstu w otwartym dostępie

ostateczna wersja opublikowana

Czas udostępnienia publikacji w sposób otwarty

w momencie opublikowania

Pełny tekst artykułu

Pobierz plik

Poziom dostępu do pełnego tekstu

publiczny

Punktacja Ministerstwa / czasopismo

100

Impact Factor

5,3

Ta strona używa plików Cookies, w celu zapamiętania uwierzytelnionej sesji użytkownika. Aby dowiedzieć się więcej przeczytaj o plikach Cookies i Polityce Prywatności.