⚡ electrical engineering

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

Este estudio presenta un marco integrado que combina el diseño experimental Taguchi L25, la optimización de deseabilidad de respuesta múltiple y el aprendizaje automático explicable para identificar los parámetros de fabricación óptimos para compuestos de pastillas de freno reforzados con pulpa de vaina de algarrobo sostenibles, señalando explícitamente que el óptimo global propuesto requiere una validación experimental adicional.

Autores originales: Chike Martins Atah¹

Publicado 2026-08-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Chike Martins Atah¹

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada vez que un coche se detiene, un complejo drama físico se desarrolla entre dos superficies. Una pastilla de freno, presionada contra un disco metálico en rotación, debe generar suficiente fricción para frenar el vehículo sin desgastarse demasiado rápido o perder su agarre cuando se calienta. Durante décadas, estas pastillas han dependido de una mezcla de fibras sintéticas, metales y minerales para realizar este delicado acto de equilibrio. Sin embargo, a medida que el mundo busca reducir su dependencia de los recursos no renovables, los científicos están dirigiendo su atención hacia la naturaleza en busca de respuestas. Una vía prometedora consiste en utilizar residuos agrícolas, específicamente, la pulpa fibrosa del árbol de la algarroba (locust bean), un elemento común en todo el África Occidental. El desafío radica en determinar exactamente cuánto material vegetal mezclar con una resina aglutinante y bajo qué condiciones hornear la mezcla para crear una pastilla de freno que sea tanto potente como duradera. Es un rompecabezas de ingredientes y calor, donde errar en la receta podría significar una pastilla demasiado blanda, demasiado quebradiza o simplemente ineficaz.

En un estudio reciente, los investigadores abordaron este rompecabezas tratando la creación de una pastilla de freno como un experimento de cocina de alto riesgo, pero con una fuerte dosis de ciencia de datos moderna. Se centraron en cinco variables clave: la cantidad de pulpa de algarroba, la cantidad de resina fenólica aglutinante, el tamaño de las partículas de la pulpa, la presión utilizada para comprimir la mezcla y la temperatura a la que se horneó. En lugar de probar todas las combinaciones posibles de estos cinco factores, lo que habría requerido miles de ensayos, el equipo utilizó un diseño experimental inteligente para realizar solo veinticinco pruebas específicas. Este enfoque les permitió mapear cómo el cambio de un ingrediente o condición afectaba a cinco resultados diferentes: qué tan bien la pastilla agarraba el disco, qué tan rápido se desgastaba, su dureza, su densidad y cuánto peso podía aplastar antes de romperse.

Los investigadores no se limitaron a registrar los resultados de estos veinticinco experimentos. Reconocieron que la relación entre los ingredientes y el rendimiento final no es una línea recta; cambiar la cantidad de pulpa podría ayudar a una propiedad mientras perjudica otra. Para navegar esta complejidad, introdujeron sus datos en varios modelos avanzados de aprendizaje computacional. Estas herramientas digitales actuaron como predictores sofisticados, aprendiendo de los veinticinco experimentos para adivinar cómo se comportarían las pastillas de freno bajo condiciones que aún no habían sido probadas. El equipo comparó diferentes tipos de algoritmos de aprendizaje para ver cuál era el mejor para predecir cada resultado específico. Descubrieron que ningún modelo informático era perfecto para todo; un tipo de algoritmo era el mejor para predecir la fricción, mientras que otro sobresalía al predecir la dureza. Al dejar que el mejor modelo se encargara de cada tarea específica, crearon un mapa digital altamente preciso del comportamiento del material.

El análisis reveló una jerarquía clara en lo que más importaba. La cantidad de pulpa de algarroba resultó ser el factor más influyente, moldeando casi todos los aspectos del rendimiento de la pastilla de freno. Generalmente, añadir más pulpa hacía que las pastillas fueran más duras, densas y fuertes, además de mejorar su agarre y reducir su ritmo de desgaste. La temperatura a la que se horneaban las pastillas fue el segundo factor más importante, particularmente para la resistencia mecánica del producto final. El estudio identificó una combinación específica de sus veinticinco pruebas que funcionó mejor en el mundo real. Esta fórmula ganadora contenía un treinta por ciento de pulpa, diecisiete y medio por ciento de resina, partículas de veinticinco micrómetros de tamaño, comprimidas a cuarenta megapascales y horneadas a ciento ochenta grados Celsius. Este lote específico logró un coeficiente de fricción de 0,476, una tasa de desgaste de 2,43, una dureza de 101, una densidad de 1257 y una resistencia a la compresión de 109,6.

Sin embargo, los investigadores fueron cuidadosos al distinguir entre lo que habían fabricado físamente y lo que sus computadoras sugerían que podría ser incluso mejor. Aunque el mejor lote físico que crearon fue el descrito anteriormente, sus modelos digitales señalaban un rango continuo de ingredientes ligeramente diferente que teóricamente podría producir un resultado aún más perfecto. Esta mezcla "ideal" hipotética sugería un contenido de pulpa de aproximadamente el veintisiete por ciento y una temperatura de horneado cercana a los ciento noventa y cuatro grados. La computadora predijo que esta mezcla funcionaría casi perfectamente, con un índice de deseabilidad de 0,9904. No obstante, esto sigue siendo un candidato teórico. El estudio establece explícitamente que este óptimo digital no ha sido construido ni probado físicamente. Los investigadores enfatizan que, antes de que cualquier fabricante de automóviles pudiera considerar el uso de tal fórmula, científicos independientes tendrían que fabricar el material desde cero y verificar que las predicciones de la computadora se cumplan en el mundo real.

En última instancia, este trabajo demuestra una nueva y poderosa forma de desarrollar materiales sostenibles. Al combinar un conjunto pequeño y cuidadosamente seleccionado de experimentos físicos con aprendizaje automático explicable, el equipo pudo analizar formulaciones complejas rápidamente e identificar las direcciones más prometedoras. Demostraron que la pulpa de la algarroba es un refuerzo viable para las pastillas de freno y que su contenido es el motor dominante del rendimiento. El estudio no pretende haber resuelto el problema de la fabricación de pastillas de freno, ni ofrece un producto final listo para usar para la industria automotriz. En cambio, proporciona una hoja de ruta validada y un conjunto de herramientas para futuros investigadores. Muestra que, con los datos adecuados y la lente computacional correcta, podemos convertir los residuos agrícolas en materiales de ingeniería de alto rendimiento, siempre que estemos dispuestos a hacer el arduo trabajo de confirmar las conjeturas de la computadora con experimentos del mundo real.

Resumen Técnico: Optimización de múltiples respuestas basada en datos de compuestos de pasta de haba de la vaina de Locust para frenos

Planteamiento del problema
El desarrollo de compuestos sostenibles para pastillas de freno automotrices requiere equilibrar métricas de rendimiento contrapuestas —como el coeficiente de fricción (COF), la tasa de desgaste, la dureza, la densidad y la resistencia a la compresión— bajo diversas condiciones de fabricación. Las formulaciones convencionales suelen depender de constituyentes sintéticos o metálicos, lo que genera la necesidad de alternativas renovables derivadas de desechos agroindustriales. Aunque la pulpa de la vaina de Locust (Parkia biglobosa) ofrece una potencial refuerzo de base biológica, su incorporación implica interacciones complejas entre las variables de formulación (contenido de pulpa, contenido de resina, tamaño de partícula) y los parámetros de procesamiento (presión de compactación, temperatura de curado). La optimización tradicional de una sola respuesta es insuficiente para identificar formulaciones equilibradas, y los métodos estándar de Diseño de Experimentos (DOE) como Taguchi pueden fallar al capturar los comportamientos de respuesta no lineales inherentes a conjuntos de datos pequeños.

Metodología
Este estudio propone un marco integrado que combina el diseño experimental ortogonal, la regresión de aprendizaje automático (ML) específica para cada respuesta y la IA explicable para la optimización de múltiples respuestas.

Diseño Experimental: Se empleó un arreglo ortogonal Taguchi L25 para cribar cinco factores en cinco niveles cada uno: Contenido de pulpa (A: 10–30 % en peso), Contenido de resina fenólica (B: 7.5–17.5 % en peso), Tamaño de partícula (C: 10–30 µm), Presión de compactación (D: 20–60 MPa) y Temperatura de curado (E: 120–200 °C). Esto redujo las 3,125 combinaciones posibles a 25 corridas experimentales.
Medición de Respuestas: Se evaluaron cinco respuestas: COF (0.382–0.476), tasa de desgaste, dureza, densidad y resistencia a la compresión.
Modelado de Aprendizaje Automático: Se entrenaron cuatro algoritmos de regresión —Random Forest (RF), Extreme Gradient Boosting (XGBoost), Regresión de Vectores de Soporte (SVR) y Regresión de Procesos Gaussianos (GPR)— para predecir cada respuesta. Dado el conjunto de datos limitado (N=25), se utilizó la Validación Cruzada de Dejar Uno Fuera (LOOCV) para evaluar el rendimiento de interpolación.
Selección de Modelos: El mejor algoritmo se seleccionó para cada respuesta específica basándose en el $R^2$ de LOOCV, RMSE y MAE.
Explicabilidad: Se aplicó el análisis SHAP (Explicaciones de Shapley Aditivas) a los modelos seleccionados para cuantificar la importancia global de las características e interpretar las contribuciones no lineales de los factores.
Optimización: Se utilizó un enfoque de función de deseabilidad para realizar la optimización de múltiples respuestas, acoplando los modelos de ML seleccionados para identificar las formulaciones óptimas dentro del espacio de diseño.

Resultos Clave

Rendimiento de los Modelos: Ningún algoritmo fue óptimo para todas las respuestas. El estudio identificó un enfoque de mejor ajuste híbrido:
- XGBoost produjo el mayor $R^2$ de LOOCV para el COF (0.679).
- SVR funcionó mejor para la tasa de desgaste ( $R^2$ = 0.792).
- GPR proporcionó predicciones superiores para la dureza ( $R^2$ = 0.917), densidad ( $R^2$ = 0.903) y resistencia a la compresión ( $R^2$ = 0.870).
Importancia de los Factores: El análisis de explicabilidad identificó consistentemente el contenido de pulpa (A) como la característica predictiva dominante en todas las respuestas, seguido por la temperatura de curado (E).
Observaciones Experimentales: La Corrida 25 (30 % en peso de pulpa, 17.5 % en peso de resina, 25 µm de tamaño de partícula, 40 MPa de presión, 180 °C de curado) fue la mejor formulación observada experimentalmente en el conjunto de datos L25, logrando un COF de 0.476, una tasa de desgaste de 2.43, una dureza de 101, una densidad de 1257 y una resistencia a la compresión de 109.6.
Candidatos Asistidos por Sustitutos: Una búsqueda continua utilizando los modelos sustitutos identificó una formulación candidata (27.152 % en peso de pulpa, 15.070 % en peso de resina, 27.218 µm, 48.541 MPa, 193.815 °C) con una deseabilidad general predicha de 0.9904. Un candidato "práctico" (30 % en peso de pulpa, 15 % en peso de resina, 25 µm, 40 MPa, 200 °C) mostró una deseabilidad predicha de 0.9991.

Significancia y Reivindicaciones
El artículo demuestra el valor de combinar el diseño experimental ortogonal con la regresión no lineal específica de respuesta y el aprendizaje automático explicable para el cribado de formulaciones de compuestos de fricción sostenibles. El estudio destaca que, si bien el análisis de efectos principales de Taguchi proporciona tendencias iniciales, los modelos de ML son necesarios para capturar las complejas y contrapuestas relaciones entre las variables de formulación y las múltiples respuestas de rendimiento.

Modestia y Limitaciones
El autor enmarca explícitamente este trabajo como un estudio de cribado y optimización asistida por sustitutos, no como una calificación automotriz final. Las principales limitaciones y advertencias enfatizadas en el artículo incluyen:

Falta de Validación Externa: Los valores de $R^2$ reportados representan la validación cruzada interna (LOOCV) dentro del espacio de diseño de 25 corridas, no una validación externa.
Óptimos no Validados: Los candidatos continuos identificados por los modelos sustitutos (incluyendo el de 0.9904 de deseabilidad) permanecen sin validar experimentalmente. El artículo establece que se requieren estrictamente experimentos de confirmación independientes antes de que cualquier óptimo derivado del modelo pueda considerarse válido.
Límites del Alcance: Las conclusiones están estrictamente limitadas a los rangos de factores investigados (por ejemplo, 10–30 % en peso de pulpa). La extrapolación fuera de estos rangos no está respaldada.
Caracterización Ausente: El estudio no incluye caracterización morfológica (SEM/EDS), térmica o pruebas de durabilidad de larga duración, que serían necesarias para establecer mecanismos causales para los comportamientos observados de desgaste y fricción.

En resumen, el artículo proporciona un marco metodológico robusto para identificar formulaciones prometedoras de pastillas de freno de base biológica, pero exige la replicación independiente y pruebas ampliadas antes de que se puedan realizar afirmaciones de aplicación práctica.

Más como este