Data-driven multi-response optimization of locust bean pulp brake-pad composites using Taguchi L25 design, machine learning and SHAP explainability

Jedes Mal, wenn ein Auto zum Stillstand kommt, spielt sich ein komplexes physikalisches Drama zwischen zwei Oberflächen ab. Ein Bremsbelag, der gegen eine rotierende Metalscheibe gepresst wird, muss genügend Reibung erzeugen, um das Fahrzeug zu verzögern, ohne dabei zu schnell zu verschleißen oder bei Hitze den Halt zu verlieren. Seit Jahrzehnten verlassen sich diese Beläge auf eine Mischung aus synthetischen Fasern, Metallen und Mineralien, um diesen empfindlichen Balanceakt zu bewältigen. Doch während die Welt versucht, ihre Abhängigkeit von nicht erneuerbaren Ressourcen zu verringern, wendet sich die Wissenschaft der natürlichen Welt zu, um Antworten zu finden. Ein vielversprechender Weg besteht in der Verwendung von landwirtschaftlichen Abfällen – insbesondere dem faserigen Zellstoff des Johannisbrotbaums, einer in Westafrika weit verbreiteten Pflanze. Die Herausforderung besteht darin, genau herauszufinden, wie viel dieses Pflanzenmaterials man mit einem Bindharz mischen muss und unter welchen Bedingungen man die Mischung backen muss, um einen Bremsbelag zu kreieren, der sowohl kraftvoll als auch langlebig ist. Es ist ein Rätsel aus Zutaten und Hitze, bei dem ein falsches Rezept dazu führen könnte, dass der Belag zu weich, zu spröde oder schlichtweg unwirksam ist.

In einer kürzlich durchgeführten Studie gingen Forscher dieses Rätsel an, indem sie die Herstellung eines Bremsbelags wie ein hochriskantes Kochexperiment behandelten, jedoch mit einer ordentlichen Portion moderner Datenwissenschaft. Sie konzentrierten sich auf fünf Schlüsselvariablen: die Menge an Johannisbrotbaum-Zellstoff, die Menge an Phenolharz-Binder, die Größe der Zellstoffpartikel, den Druck, mit dem die Mischung zusammengepresst wurde, und die Temperatur, bei der sie gebacken wurde. Anstatt jede mögliche Kombination dieser fünf Faktoren zu testen, was tausende Versuche erfordert hätte, nutzte das Team ein intelligentes Versuchsdesign, um nur fünfundzwanzig spezifische Tests durchzuführen. Dieser Ansatz ermöglichte es ihnen, abzubilden, wie die Änderung einer Zutat oder Bedingung fünf verschiedene Ergebnisse beeinflusste: wie gut der Belag die Scheibe griff, wie schnell er verschliss, wie hart er war, wie dicht er wurde und wie viel Gewicht er vor dem Bruch aushalten konnte.

Die Forscher blieben nicht bei der bloßen Aufzeichnung der Ergebnisse dieser fünfundzwanzig Tests stehen. Sie erkannten, dass die Beziehung zwischen den Zutaten und der endgültigen Leistung keine gerade Linie ist; die Änderung der Menge an Zellstoff könnte eine Eigenschaft verbessern, während sie eine andere verschlechtert. Um diese Komplexität zu bewältigen, speisten sie ihre Daten in mehrere fortschrittliche maschinelle Lernmodelle ein. Diese digitalen Werkzeuge fungierten als hochentwickelte Prädiktoren, die aus den fünfundzwanzig Experimenten lernten, um vorherzusagen, wie sich die Bremsbeläge unter Bedingungen verhalten würden, die sie noch nicht getestet hatten. Das Team verglich verschiedene Arten dieser Lernalgorithmen, um zu sehen, welcher am besten für ein spezifisches Ergebnis geeignet war. Sie fanden heraus, dass kein einzelnes Computermodell perfekt für alles war; ein Typ Algorithmus war am besten darin, die Reibung vorherzusagen, während ein anderer bei der Vorhersage der Härte glänzte. Indem sie dem jeweils besten Modell die spezifische Aufgabe übertrugen, erstellten sie eine hochpräzise digitale Landkarte des Materialverhaltens.

Die Analyse ergab eine klare Hierarchie dessen, was am wichtigsten war. Die Menge an Johannisbrotbaum-Zellstoff erwies sich als der einflussreichste Faktor, der fast jeden Aspekt der Leistung des Bremsbelags prägte. Im Allgemeinen führte das Hinzufügen von mehr Zellstoff dazu, dass die Beläge härter, dichter und stärker wurden, während gleichzeitig ihr Grip verbessert und der Verschleiß reduziert wurde. Die Temperatur, bei der die Beläge gebacken wurden, war der zweitwichtigste Faktor, insbesondere für die mechanische Festigkeit des Endprodukts. Die Studie identifizierte eine spezifische Kombination aus ihren fünfundzwanzig Tests, die in der realen Welt am besten abschnitt. Diese Gewinnerformel enthielt dreißig Prozent Zellstoff, siebzehn ein halb Prozent Harz, Partikelgrößen von fünfundzwanzig Mikrometern, eine Kompression bei vierzig Megapascal und ein Backen bei einhundertachtzig Grad Celsius. Diese spezifische Charge erreichte einen Reibungskoeffizienten von 0,476, eine Verschleißrate von 2,43, eine Härte von 101, eine Dichte von 1257 und eine Druckfestigkeit von 109,6.

Die Forscher waren jedoch vorsichtig, zwischen dem, was sie physisch hergestellt hatten, und dem, was ihre Computer als potenziell noch besser vorschlugen, zu unterscheiden. Während die beste von ihnen physisch erstellte Charge die oben beschriebene war, deuteten ihre digitalen Modelle auf einen leicht anderen, kontinuierlichen Bereich von Inhaltsstoffen hin, der theoretisch ein noch perfekteres Ergebnis liefern könnte. Diese hypothetische „ideale“ Mischung suggerierte einen Zellstoffgehalt von etwa siebenundzwanzig Prozent und eine Backtemperatur nahe einhundertvierundneunzig Grad. Der Computer sagte voraus, dass diese Mischung fast perfekt performen würde, mit einem Desirability-Score (Erwünschtheitswert) von 0,9904. Dies bleibt jedoch ein theoretischer Kandidat. Die Studie stellt ausdrücklich fest, dass dieses digitale Optimum noch nicht physisch gebaut oder getestet wurde. Die Forscher betonen, dass bevor ein Automobilhersteller eine solche Formel in Betracht ziehen könnte, unabhängige Wissenschaftler das Material von Grund auf neu herstellen und verifizieren müssten, ob die Vorhersagen des Computers in der realen Welt Bestand haben.

Letztendlich demonstriert diese Arbeit eine kraftvolle neue Art, nachhaltige Materialien zu entwickeln. Durch die Kombination eines kleinen, sorgfältig gewählten Satzes physischer Experimente mit erklärbarem maschinellem Lernen war das Team in der Lage, komplexe Formulierungen schnell zu screenen und die vielversprechendsten Richtungen zu identifizieren. Sie bewiesen, dass Johannisbrotbaum-Zellstoff eine praktikable Verstärkung für Bremsbeläge ist und dass sein Gehalt der dominierende Treiber der Leistung ist. Die Studie behauptet nicht, das Problem der Bremsbelagfertigung gelöst zu haben, noch bietet sie ein fertiges, einsatzbereites Produkt für die Automobilindustrie an. Stattdessen liefert sie eine validierte Roadmap und einen Satz von Werkzeugen für zukünftige Forscher. Sie zeigt, dass wir mit den richtigen Daten und der richtigen computergestützten Perspektive landwirtschaftliche Abfälle in Hochleistungsmaterialien für das Ingenieurwesen verwandeln können – vorausgesetzt, wir sind bereit, die harte Arbeit zu leisten, die Vermutungen des Computers durch reale Experimente zu bestätigen.