افزودن نیم‌درصد گرافن به گریس، دمای اوج کارکرد را ۳۰ درصد کاهش می‌دهد
به‌طوری‌که افزودن ۰.۵ درصد وزنی از این ماده، دمای اوج ثبت‌شده در آزمایش را از حدود ۹۰ درجه سانتی‌گراد به حدود ۶۱ تا ۶۲ درجه کاهش داده است.
این گروه همچنین چارچوبی مبتنی بر یادگیری ماشین توسعه داده است که با پیش‌بینی تغییرات دما، امکان برآورد سایش و اصطکاک روان‌کار را فراهم می‌کند. افزودن مواد نانوساختار به روان‌کارها می‌تواند راهی برای بهبود عملکرد تجهیزات مکانیکی، کاهش اصطکاک و محدودکردن سایش قطعات باشد.
در همین راستا، پژوهشگران دانشگاه فناوری انتاریو (Ontario Tech University) در کانادا بررسی کرده‌اند که نانوصفحات گرافنی چگونه بر رفتار حرارتی و عملکرد سایشی یک گریس تجاری پایه‌لیتیومی تأثیر می‌گذارند. نتایج آزمایش‌های آن‌ها نشان می‌دهد که انتخاب غلظت مناسب گرافن اهمیت زیادی دارد؛ به‌طوری‌که افزودن ۰.۵ درصد وزنی از این ماده، دمای اوج ثبت‌شده در آزمایش را از حدود ۹۰ درجه سانتی‌گراد به حدود ۶۱ تا ۶۲ درجه کاهش داده است.
در این پژوهش، نانوصفحات گرافنی تأمین‌شده از شرکت نوا گرافن (Nova Graphene) به گریس در غلظت‌های صفر، ۰.۲۵، ۰.۵، ۰.۷۵، یک و دو درصد وزنی افزوده شدند. ابعاد جانبی این نانوصفحات از حدود ۵۰ نانومتر تا پنج میکرومتر متغیر بود و ضخامت آن‌ها کمتر از ۱.۷ نانومتر گزارش شد.
این ویژگی‌ها، گرافن را به افزودنی‌ای قابل‌توجه برای بررسی تغییرات حرارتی و مکانیکی روان‌کارها تبدیل می‌کند. پژوهشگران برای مقایسه نمونه‌ها از آزمون استانداردشده‌ای با آرایش «بلوک روی حلقه» استفاده کردند.
در این روش، یک بلوک آلومینیومی تحت فشار با حلقه‌ای فولادی که با سرعت هزار دور در دقیقه می‌چرخید، در تماس قرار گرفت. بار اعمال‌شده ۴٫۹ نیوتن بود و هر آزمایش به مدت ۳۶۰ ثانیه ادامه یافت.
دمای نمونه‌ها نیز با استفاده از دوربین فروسرخ ثبت شد. هر ترکیب ده بار آزمایش شد تا امکان مقایسه عملکرد حرارتی فرمولاسیون‌های مختلف فراهم شود.
نتایج نشان داد گریس فاقد گرافن تا پایان آزمون به دمایی در حدود ۹۰ درجه سانتی‌گراد رسید. در مقابل، نمونه حاوی ۰.۵ درصد وزنی گرافن، حداکثر دمایی در محدوده ۶۱ تا ۶۲ درجه سانتی‌گراد داشت.
این اختلاف، کاهش تقریبی ۳۰ درصدی دمای اوج را نشان می‌دهد. بااین‌حال، افزایش غلظت گرافن لزوماً به بهبود بیشتر عملکرد منجر نشد.
در نمونه‌های حاوی یک و دو درصد وزنی گرافن، دمای اوج اندکی افزایش یافت. پژوهشگران احتمال می‌دهند تجمع نانوصفحات یا تغییر در ساختار گریس بتواند بخشی از این رفتار را توضیح دهد، اما در این مرحله شواهد کافی برای تأیید قطعی این سازوکار ارائه نشده است.
بررسی سایش نیز روندی مشابه را نشان داد. بر اساس پیش‌بینی‌های مدل، مساحت اثر سایشی در گریس بدون گرافن حدود ۴۷.۸ میلی‌متر مربع بود؛ درحالی‌که این مقدار برای فرمولاسیون‌های حاوی ۰.۲۵ تا ۰.۷۵ درصد وزنی گرافن به حدود ۳۰ تا ۳۲ میلی‌متر مربع کاهش یافت.
این تغییر معادل کاهشی در حدود ۳۵ درصد است. عمق سایش پیش‌بینی‌شده نیز از حدود ۸۷ میکرومتر در نمونه بدون گرافن به حدود ۶۸ تا ۷۱ میکرومتر در نمونه‌های حاوی گرافن رسید و کمترین مقدار در نزدیکی غلظت ۰.۵ درصد وزنی مشاهده شد.
بااین‌حال، پژوهشگران تأکید کرده‌اند که اعداد مربوط به سایش در این تحلیل، خروجی پیش‌بینی مدل هستند و نه نتایج یک مجموعه آزمون آماری جدید برای اندازه‌گیری مستقیم سایش. این پیش‌بینی‌ها با تکیه بر داده‌های پیشین و مطالعات آزمایشگاهی قبلی درباره گریس‌های حاوی گرافن انجام شده‌اند؛ بنابراین، برای ارزیابی دقیق‌تر عملکرد فرمولاسیون‌های مختلف، به آزمایش‌های تکمیلی نیاز است.
یکی دیگر از بخش‌های مهم پژوهش، توسعه چارچوبی مبتنی بر یادگیری ماشین برای پیش‌بینی رفتار روان‌کار بود. این چارچوب ابتدا با استفاده از اطلاعاتی مانند غلظت گرافن و بار اعمال‌شده، منحنی تغییرات دما را در طول آزمون پیش‌بینی می‌کند.
سپس از این پیش‌بینی برای برآورد شاخص‌هایی همچون سایش، اصطکاک و وضعیت روان‌کاری استفاده می‌شود؛ وضعیتی که با نازک‌شدن لایه گریس میان سطوح تماس می‌تواند تغییر کند. عملکرد مدل با استفاده از داده‌هایی ارزیابی شد که در مرحله آموزش به کار نرفته بودند.
ضریب تعیین مدل برای پیش‌بینی دما ۰.۹۷، برای مساحت اثر سایشی ۰.۹۵، برای عمق سایش ۰.۹۴ و برای اصطکاک ۰.۹۲ گزارش شد. این مقادیر نشان می‌دهند مدل در محدوده داده‌های بررسی‌شده توانسته است تغییرات متغیرهای موردنظر را با دقت مناسبی بازنمایی کند.
بااین‌حال، تفسیر این نتایج به دامنه و کیفیت داده‌های موجود وابسته است. برای توسعه مجموعه داده، پژوهشگران از میانگین‌ها و پراکندگی اندازه‌گیری‌های انجام‌شده استفاده کردند و داده‌ها را به‌صورت آماری گسترش دادند.
ازاین‌رو، امتیازهای عملکرد مدل را نمی‌توان بدون بررسی بیشتر به تمام انواع گریس یا شرایط واقعی کار تجهیزات تعمیم داد. آزمایش‌ها به یک نوع گریس، یک نوع نانوصفحه گرافنی و محدوده نسبتاً محدودی از سرعت و بار محدود بودند.
داده‌های تولیدشده به روش آماری نیز جایگزین کامل اندازه‌گیری‌های مستقل در شرایط متنوع نیستند. گام بعدی این گروه، بررسی فرمولاسیون‌ها در دامنه وسیع‌تری از شرایط عملیاتی، استفاده از انواع دیگر گریس و ارزیابی عملکرد در قطعات و تجهیزات واقعی است.
چنین آزمایش‌هایی می‌توانند مشخص کنند که آیا کاهش دما و سایش مشاهده‌شده در محیط کنترل‌شده آزمایشگاه، در کاربردهای صنعتی نیز تکرار می‌شود یا خیر. در مجموع، این پژوهش نشان می‌دهد که مقدار اندکی گرافن می‌تواند بر رفتار حرارتی و سایشی یک گریس تجاری اثر قابل‌توجهی داشته باشد و ترکیب داده‌های آزمایشگاهی با یادگیری ماشین نیز راهی برای پیش‌بینی عملکرد روان‌کارها فراهم می‌کند.
بااین‌حال، تعیین غلظت بهینه، بررسی پایداری بلندمدت و آزمودن عملکرد در شرایط واقعی، پیش‌نیازهای مهمی برای ارزیابی ظرفیت صنعتی این رویکرد به شمار می‌روند.
