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

जब भी कोई कार रुकती है, तो दो सतहों के बीच एक जटिल भौतिक नाटक खेला जाता है। एक ब्रेक पैड, जो घूमती हुई धातु की डिस्क पर दबा होता है, उसे वाहन को धीमा करने के लिए पर्याप्त घर्षण उत्पन्न करना चाहिए, बिना बहुत जल्दी घिसे या गर्म होने पर अपनी पकड़ खोए। दशकों से, इन पैड्स ने इन कार्यों को करने के लिए सिंथेटिक फाइबर, धातुओं और खनिजों के मिश्रण पर भरोसा किया है। फिर भी, जैसे-जैसे दुनिया गैर-नवीकरणीय संसाधनों पर अपनी निर्भरता कम करने की दिशा में बढ़ रही है, वैज्ञानिक उत्तरों के लिए प्राकृतिक दुनिया की ओर ध्यान केंद्रित कर रहे हैं। एक आशाजनक मार्ग कृषि अपशिष्ट का उपयोग करना है—विशेष रूप से, लोकेस्ट बीन (लोकेस्ट बीन) के पेड़ से प्राप्त रेशेदार गूदा, जो पश्चिम अफ्रीका में एक आम दृश्य है। चुनौती यह पता लगाने में है कि इस वनस्पति सामग्री को बाइंडिंग रेजिन के साथ कितनी मात्रा में मिलाना है, और इस मिश्रण को किन परिस्थितियों में पकाना है, ताकि एक ऐसा ब्रेक पैड बनाया जा सके जो शक्तिशाली और टिकाऊ दोनों हो। यह सामग्रियों और ऊष्मा का एक पहेली जैसा मामला है, जहाँ रेसिपी गलत होने का मतलब एक ऐसा पैड हो सकता है जो बहुत नरम, बहुत भंगुर, या बस अप्रभावी हो।

हाल ही में एक अध्ययन में, शोधकर्ताओं ने इस पहेली को हल करने के लिए इस प्रक्रिया को एक उच्च-दांव वाले कुकिंग प्रयोग की तरह लिया, लेकिन इसमें आधुनिक डेटा विज्ञान का भारी पुट दिया। उन्होंने पांच प्रमुख चरों (variables) पर ध्यान केंद्रित किया: लोकेस्ट बीन गूदे की मात्रा, फेनोलिक रेजिन बाइंडर की मात्रा, गूदे के कणों का आकार, मिश्रण को दबाने के लिए उपयोग किया गया दबाव, और वह तापमान जिस पर इसे पकाया गया। इन पांच कारकों के हर संभावित संयोजन का परीक्षण करने के बजाय, जिसने हजारों परीक्षणों की आवश्यकता होती, टीम ने केवल पच्चीस विशिष्ट परीक्षण चलाने के लिए एक स्मार्ट प्रयोगात्मक डिजाइन का उपयोग किया। इस दृष्टिकोण ने उन्हें यह मानचित्र बनाने की अनुमति दी कि एक सामग्री या स्थिति में बदलाव करने से पांच अलग-अलग परिणामों पर क्या प्रभाव पड़ता है: पैड की पकड़, उसके घिसने की दर, उसकी कठोरता, उसका घनत्व और टूटने से पहले वह कितना वजन सह सकता है।

शोधकर्ता केवल इन पच्चीस परीक्षणों के परिणामों को दर्ज करने तक ही नहीं रुके। उन्होंने पहचान लिया कि सामग्रियों और अंतिम प्रदर्शन के बीच का संबंध एक सीधी रेखा नहीं है; गूदे की मात्रा बदलने से एक गुण सुधर सकता है जबकि दूसरा बिगड़ सकता है। इस जटिलता को समझने के लिए, उन्होंने अपने डेटा को कई उन्नत कंप्यूटर लर्निंग मॉडल्स में डाला। ये डिजिटल उपकरण परिष्कृत भविष्यवक्ता (predictors) के रूप में कार्य करते थे, जो पच्चीस प्रयोगों से सीखकर यह अनुमान लगाते थे कि उन स्थितियों में ब्रेक पैड कैसा व्यवहार करेंगे जिनका अभी तक परीक्षण नहीं किया गया है। टीम ने विभिन्न प्रकार के इन लर्निंग एल्गोरिदम की तुलना की ताकि यह देखा जा सके कि कौन सा प्रत्येक विशिष्ट परिणाम के लिए सबसे अच्छा है। उन्होंने पाया कि कोई भी एकल कंप्यूटर मॉडल हर चीज़ के लिए पूर्ण नहीं था; एक प्रकार का एल्गोरिदम घर्षण की भविष्यवाणी करने में सबसे अच्छा था, जबकि दूसरा कठोरता की भविष्यवाणी करने में उत्कृष्ट था। प्रत्येक विशिष्ट कार्य के लिए सबसे अच्छे मॉडल को काम सौंपकर, उन्होंने सामग्री के व्यवहार का एक अत्यधिक सटीक डिजिटल मानचित्र तैयार किया।

विश्लेषण ने एक स्पष्ट पदानुक्रम प्रकट किया कि सबसे महत्वपूर्ण क्या था। लोकेस्ट बीन गूदे की मात्रा सबसे प्रभावशाली कारक साबित हुई, जिसने ब्रेक पैड के प्रदर्शन के लगभग हर पहलू को आकार दिया। सामान्यतः, अधिक गूदा मिलाने से पैड अधिक कठोर, सघन और मजबूत बने, जिससे उनकी पकड़ में सुधार हुआ और उनके घिसने की दर कम हुई। जिस तापमान पर पैड को पकाया गया था, वह दूसरा सबसे महत्वपूर्ण कारक था, विशेष रूप से अंतिम उत्पाद की यांत्रिक शक्ति के लिए। अध्ययन ने एक विशिष्ट संयोजन की पहचान की जो उनके पच्चीस परीक्षणों में से वास्तविक दुनिया में सबसे अच्छा प्रदर्शन करता था। इस विजेता फॉर्मूले में तीस प्रतिशत गूदा, सत्रह और आधा प्रतिशत रेजिन, पच्चीस माइक्रोमीटर आकार के कण, चालीस मेगापास्कल का दबाव और एक सौ अस्सी डिग्री सेल्सियस का बेकिंग तापमान शामिल था। इस विशिष्ट बैच ने 0.476 का घर्षण गुणांक, 2.43 की घिसावट दर, 101 की कठोरता, 1257 का घनत्व और 109.6 की संपीड़न शक्ति प्राप्त की।

हालाँकि, शोधकर्ता इस बात को लेकर सावधान थे कि उन्होंने भौतिक रूप से क्या बनाया और उनके कंप्यूटरों ने क्या बेहतर होने का सुझाव दिया। जबकि उनके द्वारा बनाया गया सर्वश्रेष्ठ भौतिक बैच ऊपर वर्णित था, उनके डिजिटल मॉडल्स ने एक थोड़े अलग, निरंतर रेंज वाली सामग्री का सुझाव दिया जो सैद्धांतिक रूप से और भी अधिक आदर्श परिणाम दे सकती थी। इस काल्पनिक "आदर्श" मिश्रण ने लगभग सत्ताईस प्रतिशत गूदा सामग्री और एक सौ चौरानवे डिग्री के करीब बेकिंग तापमान का सुझाव दिया। कंप्यूटर ने भविष्यवाणी की कि यह मिश्रण लगभग पूर्ण प्रदर्शन करेगा, जिसका वांछनीयता स्कोर (desirability score) 0.9904 होगा। फिर भी, यह एक सैद्धांतिक उम्मीदवार बना हुआ है। अध्ययन स्पष्ट रूप से बताता है कि इस डिजिटल इष्टतम (optimum) को भौतिक रूप से बनाया या परीक्षण नहीं किया गया है। शोधकर्ता इस बात पर जोर देते हैं कि इससे पहले कि कोई कार निर्माता ऐसी किसी फॉर्मूला का उपयोग करने पर विचार करे, स्वतंत्र वैज्ञानिकों को इस सामग्री को शून्य से बनाना होगा और यह सत्यापित करना होगा कि कंप्यूटर की भविष्यवाणियां वास्तविक दुनिया में सच साबित होती हैं या नहीं।

अंततः, यह कार्य टिकाऊ सामग्री विकसित करने के एक शक्तिशाली नए तरीके को प्रदर्शित करता है। भौतिक प्रयोगों के एक छोटे, सावधानीपूर्वक चुने गए सेट को 'एक्सप्लेनेबल मशीन लर्निंग' के साथ जोड़कर, टीम ने जटिल फॉर्मूलेशन की तेजी से जांच करने और सबसे आशाजनक दिशाओं की पहचान करने में सक्षम होना दिखाया। उन्होंने सिद्ध किया कि लोकेस्ट बीन का गूदा ब्रेक पैड के लिए एक व्यवहार्य सुदृढीकरण (reinforcement) है और इसकी मात्रा प्रदर्शन का मुख्य चालक है। यह अध्ययन यह दावा नहीं करता है कि इसने ब्रेक पैड निर्माण की समस्या को हल कर लिया है, न ही यह ऑटोमोटिव उद्योग के लिए एक अंतिम, तैयार उत्पाद पेश करता है। इसके बजाय, यह भविष्य के शोधकर्ताओं के लिए एक प्रमाणित रोडमैप और उपकरणों का एक सेट प्रदान करता है। यह दिखाता है कि सही डेटा और सही कम्प्यूटेशनल लेंस के साथ, हम कृषि अपशिष्ट को उच्च-प्रदर्शन इंजीनियरिंग सामग्री में बदल सकते हैं, बशर्ते हम कंप्यूटर के अनुमानों की पुष्टि करने के लिए वास्तविक दुनिया के प्रयोगों का कठिन कार्य करने के लिए तैयार हों।