Gesmeerde tandwielen en lagers werken onder het Thermo-Elastohydrodynamische smeringsregime (TEHL), welke gekenmerkt wordt door extreem dunne vloeibare oliefilmen van slechts 50 nm-1 μm dikte, welke beide oppervlakken scheidt. In deze smeerfilm kan de hydrodynamische druk oplopen tot 4GPa, terwijl de afschuifsnelheden gemakkelijk 10⁹s^-1 kunnen overschrijden en temperaturen kunnen oplopen tot 250°C. Onder deze extreme omstandigheden wijken de smeereigenschappen sterk af van die onder atmosferische omstandigheden. Zowel de mechanische eigenschappen (viscositeit, dichtheid) als thermische eigenschappen (thermische geleidbaarheid, warmtecapaciteit) vertonen een niet-lineaire afhankelijkheid van de druk, temperatuur en afschuifsnelheid. Hoewel de thermomechanische eigenschappen bepalend zijn voor de finale smeerfilmdikte, het smeerrendement en de levensduur van de componenten, is het bijzonder moeilijk om ze experimenteel te meten. Daarom blijft het exacte constitutieve gedrag meestal een blinde vlek voor leveranciers van smeermiddelen, OEM's van tandwielkasten en lagers, machinebouwers en tribologen. Het doel van het huidige voorstel is om de kracht van gecombineerde “first-principles” atomistische en moleculaire modellering in combinatie met machine learning te benutten om de juiste thermomechanische eigenschappen van Polyalfaolefinen, een modern synthetisch smeermiddel, te verwerven onder relevante TEHL-omstandigheden.