润滑油性能评价主要依靠经验或实验结果的现状严重制约着润滑材料的设计与开发周期，机器学习作为材料研发的新方法，为润滑油的性能快速评价提供了一种新的途径。本项目拟以典型润滑油（PAO4、DOA等）为研究对象，基于原子物理和量子化学理论，通过奇异值分解、决策树策略数据挖掘技术，确定不同参量（分子能量、分子体积、偶极矩、拓扑结构指数、能量轨道）对润滑油摩擦学性能的权重，选取特征参量，建立参数库；在此基础上，采用机器学习集成算法（结合支持向量机、K-临近、随机森林等）构建、优化分子特征参量与摩擦学性能之间的关系模型，提出基于机器学习的润滑油摩擦学性能预测方法，并建立其高效预测系统。该研究不仅有利于促进润滑材料的研究从实验驱动向数据驱动转型，而且可以丰富和完善润滑材料研究体系，在材料科学研究前沿进行探索性尝试，为润滑材料的开发和应用提供新的研究方法和技术途径。