Aprendizaje Automático para la Predicción del Espesor de Película en Contactos Elípticos Lubricados por Elastohidrodinámica

Este estudio amplía el uso de enfoques de Aprendizaje Automático (ML) para predicciones del espesor de la película de lubricante al caso general de contactos elípticos elastohidrodinámicos (EHD), considerando contactos anchos y estrechos en un amplio rango de elasticidad y condiciones de operación. Se utilizan simulaciones por elementos finitos (FEM) para generar conjuntos de datos de entrenamiento y prueba sustanciales que se emplean dentro del marco ML propuesto. El conjunto de datos completo comprende 915 muestras; dividido en un conjunto de entrenamiento de 823 muestras y un conjunto de prueba de 92 muestras, que corresponden al 90% y al 10% de las muestras del conjunto combinado, respectivamente. El modelo ML propuesto consiste en una etapa de preprocesamiento en la que se utilizan grupos adimensionales EHD convencionales para minimizar el número de entradas al modelo, reduciéndolo a solo tres. El núcleo del modelo se basa en la Regresión por Proceso Gaussiano (GPR), una poderosa herramienta de regresión ML, bien adaptada para conjuntos de datos de tamaño pequeño, produciendo espesores de película centrales y mínimos, también en forma adimensional. La última etapa es una de posprocesamiento, en la que los espesores de película de salida se recuperan en forma dimensional. Los resultados revelan las capacidades y el potencial del marco ML propuesto, produciendo predicciones cuasi-instantáneas que son mucho más precisas que las fórmulas analíticas convencionales de espesor de película. De hecho, las predicciones de espesor de película central y mínimo producidas están en promedio dentro del 0.3% y 1.0% de los resultados de FEM, respectivamente.