Original title: Model opotřebení materiálové dvojice pro vysoké teploty
Translated title: Wear model of material couple at high temperatures
Authors: Rychlý, David ; Adam, Ondřej (referee) ; Němec, Karel (advisor)
Document type: Master’s theses
Year: 2024
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract: [eng] [cze]
Hlavním cílem práce bylo vytvořit model opotřebení materiálové dvojice za vysokých teplot pro predikci opotřebení kinematického mechanismu na turbodmychadle. Predikce opotřebení je komplexní proces, kterého se účastní mnoho chemických, fyzikálních a mechanických jevů, a proto není jednoduché jej analyticky počítat. Tato práce se vydává naproti tomuto problému pomocí empirických vztahů z literatury a aplikace principů a algoritmů strojového učení (machine learning) postaveného na datech z experimentu. Empirické vztahy i metody strojového učení jsou v práci podrobeny důkladné rešerši a aplikovány na dostupná data z firmy Garrett Motion. Práce kriticky hodnotí vhodnost vybraného empirického vztahu I.G.Goryachevy pro adhezivní opotřebení jako primárního mechanismu opotřebení a variuje koeficienty pro výzkum využití rovnice. Na data jsou aplikovány algoritmy strojového učení a je prezentována architektura nejlepšího modelu – Support Vector Regression – spolu s metrikami, analýzou důležitosti vlastností (feature importance) a optimálním rozdělení datasetu pro trénink a testování. Závěrem práce doporučuje směry dalšího výzkumu a způsoby, jak zlepšit proces modelování pro tento konkrétní problém. The main goal of this thesis is to create a model for predicting the wear on material couple during high temperatures. This model should serve for prediction of wear behavior on kinematic mechanism on turbocharger. Predicting wear is difficult because of the very complex nature of processes involving physical, chemical, and mechanical phenomena, making it hard to predict. This thesis attempts to solve this problem using empirical relationships from literature and methods of machine learning using experimental data from Garrett Motion company. Both empirical relationships and machine learning approaches for predicting wear in tribology are thoroughly researched. The thesis critically evaluates the use of I.G.Goryacheva equation chosen as the best equation for adhesive wear, chosen as the primary mechanism of wear. Data from Garrett Motion serve as the base for machine learning algorithms. The best model is proposed – Support Vector Regression – and the best architecture is presented. For the best architecture, the thesis also includes feature importance analysis and search for optimal test-train split for dataset. Finally, the thesis includes recommendations for the next research and ways to improve the process of modelling the wear for this use case.
Keywords: Adhezivní opotřebení; Empirické vztahy opotřebení; Goryacheva; Regrese; Strojové učení; Tribologie; Adhesive Wear; Empirical Wear Law; Goryacheva; Machine Learning; Regression; Tribology

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: https://hdl.handle.net/11012/247721

Permalink: http://www.nusl.cz/ntk/nusl-617498


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses