Machine Learning and Atomic Simulations to predict Nanoscale Ice Adhesion

Abstract

Det er kjent at overflateruhet påvirker hvor godt is fester seg til materialer, men de underliggende mekanismene er ikke fullstendig forstått. I denne masteroppgaven blir to tilnærminger, én fysikkbasert, og én svart boks-modell, brukt til å forutsi nanoskala isvedheft på rue aluminiumsoverflater. En algoritme for å generere tilfeldige overflater ble utviklet, og 800 overflater ble testet for isvedheft med ulike interatomære potensialer. Molekylærdynamiske simuleringer viste at isvedheften er betydelig lavere for rue overflater grunnet et tynt kvasiflytende lag som omgjør strekkvedheft til skjærvedheft. Økt interatomært potensial mellom is og alumiunium reduserte isvedheften. Tre ulike maskinlæringsalgoritmer ble opptrent på den innsamlede datamengden, og støttevektormaskinen ga bedre klassifiseringsresultater enn både det dype kunstige og konvolusjonelle nevrale nettverket. Disse svart boks-modellene ble anvendt for å predikere strukturene med lavest og høyest isvedheft, og disse strukturene hadde flere likhetstrekk med de den fysikkbaserte molekylærdynamikken predikerte. Funnene gir bedre forståelse av ruhetens rolle, og underbygger maskinlæring som et viktig verktøy for å finne materialer med lav isvedheft.

It is widely recognized that surface roughness plays a role in ice adhesion, however the underlying mechanisms are not well understood. In this master thesis, two approaches, one physics-based and one black-box type, have been utilized to predict the nanoscale ice adhesion strength of roughened aluminum surfaces. A systematic algorithm for making random rough surfaces was developed and 800 surfaces were tested for the ice adhesion strength, with varying inter-atomic potentials. Using Molecular Dynamics simulations, adhesion was found to be significantly lower on rough surfaces, attributed to a thin quasi-liquid layer transitioning detachment from tensile to shear mode. An increase in aluminum-ice interatomic potential caused ice adhesion to decrease. Three different machine learning algorithms were trained using the data, with the support vector machines emerging as the best for classifying. Deep and convolutional neural networks showed promising but lower accuracy. These black-box models were applied to predict the lowest and highest ice adhesion structures, which showed strong resemblance to those predicted by the physics-based Molecular Dynamics to be superior. The findings provide better understanding of the role of roughness, and suggests that machine learning represents an influential tool in finding low ice adhesion strength materials.