Studio delle proprietà tribologiche di AlTiC tramite DFT e potenziali Machine Learning

In questo studio, sono state investigate le proprietà tribologiche di AlTiC, un composito ceramico bi-fasico costituito da una matrice di allumina (Al2O3) e grani di carburo di titanio (TiC), con calcoli quantomeccanici basati sulla Teoria del Funzionale della Densità (DFT) e sviluppando un potenziale interatomico di Machine Learning (MLIP). I calcoli ab initio hanno permesso di caratterizzare le energie delle superfici delle due fasi e di quantificare l'adsorbimento di una molecola organica. I risultati indicano una maggiore energia superficiale e una più forte affinità di adsorbimento per la superficie TiC (001) rispetto a Al2O3 (001). Lo studio delle energie di adesione ha inoltre dimostrato che l'interposizione di un lubrificante all’interfaccia tra le due fasi dimezza l'energia di adesione solido-solido. Per superare i limiti spaziali e temporali della DFT nello studio tribologico, è stato addestrato un potenziale ML basato sull'architettura MACE tramite il workflow di apprendimento attivo SCS. La validazione del potenziale ML ha restituito buoni valori degli errori statistici e un accordo soddisfacente con i risultati ab initio, particolarmente evidente per la fase Al2O3. Per il TiC, i maggiori scostamenti ottenuti evidenziano un possibile ruolo delle interazioni dispersive, suggerendo come sviluppo futuro un addestramento più mirato su configurazioni superficiali, di adsorbimento e interfacciali. Questo lavoro fornisce un quadro computazionale completo per lo studio del materiale composito AlTiC, ponendo le basi per future simulazioni di dinamica molecolare su larga scala dirette allo studio della formazione dei tribofilm a base di carbonio.