Machine Learning and Atomic Simulations to predict Nanoscale Ice Adhesion

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