Study of friction mechanisms between texturized surfaces

Abstract

A necessidade de reduzir o impacto ambiental das atividades humanas lidera o esforço coletivo na procura pela redução do atrito entre as partes móveis em contato lubrificado em dispositivos mecânicos, como motores de combustão. Entre as várias soluções possíveis, a investigação em tribologia identificou as téc nicas de texturização de superfície entre as mais promissoras na redução do atrito. Nesse sentido grande parte dos esforços científicos tem sido na procura pela melhor textura que reduza a fricção para uma de terminada aplicação. Embora tenham sido testadas diversas texturas com padrões regulares e também texturas inspiradas na natureza, a identificação da textura otíma é puramente baseada em abordagens de tentativa e erro. Estas experiências tem um custo em tempo e também monetário intrínsecamente associado, o que torna este problema de otimização ineficiente. Métodos numéricos podem certamente acelerar este processo, mas ainda assim o problema de otimização da textura é demasiado complexo para ser resolvido diretamente, devido ao tamanho do conjunto de texturas possíveis e pela relação não óbvia entre texturas e atrito. Nesta tese, desenvolvemos e aplicamos uma ferramenta baseada em aprendizagem automática para superar estas limitações e resolver o problema de otimização da textura. A nossa abordagem consiste na implementação de uma rede neuronal (DNN) capaz de previsões precisas em comparação com aborda gens experimentais e numéricas, estas tipicamente são lentas e ineficazes à base de tentativa e erro. Para gerar o conjunto de dados para treino da DNN de forma precisa e rápida, desenvolvemos uma ferramenta baseada no método de elementos finitos para a resolução da equação de Reynolds. A nossa imple mentação resulta na produção de resultados até duas ordens de magnitude mais rápidamente quando comparadas às alternativas na literatura. Graças à inclusão da iteração inexata de Newton que permite um tratamento correto dos limites das regiões de cavitação conseguimos a obtenção de resultados fisi camente robustos. Finalmente, usamos a DNN para calcular o atrito para todos os padrões possíveis no espaço de configuração da textura, reduzindo assim o problema de otimização da textura a uma simples operação de procura de informação. O objetivo desta tese é demonstrar como as técnicas numéricas e de aprendizagem automática podem resolver problemas de outra forma intratáveis, mas também apresentar a aprendizagem automática como uma opção viável e bem-sucedida na investigação em física, particularmente em problemas de otimização.

The need of reducing the environmental footprint of human activities is leading the demand for friction reduction between moving parts in lubricated contact in mechanical devices, such as combustion engines. Within the various possibilities, research on tribology has identified surface texturing techniques among the most promising ones. In this regard, much effort is put in looking for the best friction-reducing texture in a specific application. Even if diverse textures, from regular patterns to nature-inspired ones, have been tested, the identification of the best performing one is still based upon a trial and error approach. Such experiments have a high cost in time and money, and are intrinsically unable to find the best friction reducing pattern. Numerical methods can certainly speed up this process, but still the texture optimization problem is too complex to be directly solved, because of the size of the set of possible textures and by the non obvious relationship between textures and friction. In this thesis, we develop and apply a machine learning based tool to overcome these limitations and solve the texture optimization problem. Our machine learning approach consists in a deep neural network (DNN) capable of accurate predictions compared to otherwise slow and ineffective trial-and-error experimental and numerical approaches. To generate the necessary training data set for the DNN in an accurate and fast way, we developed a finite element method solver for the Reynolds equation. Our implementation results in speedups of up to two orders of magnitude when compared to alternatives in literature, while remaining physically accurate thanks to the inclusion of the Inexact Newton iteration that allows for a correct treatment of the cavitation boundaries. Finally, we use the DNN to solve the inverse problem, by calculating the coefficient of friction curve for all the possible patterns in the given texture space, thereby reducing the texture optimization problem to a simple data search. The aim of this thesis is not only to demonstrate how numerical and machine learning techniques can solve otherwise untractable problems, but also to introduce machine learning as a viable and successful option in physics research, particularly in optimization problems.