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

Ogni volta che un'auto si ferma, un complesso dramma fisico si consuma tra due superfici. Una pastiglia dei freni, premuta contro un disco metallico rotante, deve generare abbastanza attrito da rallentare il veicolo senza consumarsi troppo velocemente o perdere la sua aderenza quando si scalda. Per decenni, queste pastiglie si sono affidate a un mix di fibre sintetiche, metalli e minerali per compiere questo delicato gioco di equilibrio. Eppure, mentre il mondo cerca di ridurre la propria dipendenza dalle risorse non rinnovabili, gli scienziati stanno rivolgendo la loro attenzione al mondo naturale per trovare risposte. Una via promettente consiste nell'utilizzare scarti agricoli — specificamente, la polpa fibrosa dell'albero del carob, una vista comune in tutta l'Africa occidentale. La sfida risiede nel capire esattamente quanto materiale vegetale mescolare con una resina legante, e in quali condizioni cuocere la miscela, per creare una pastiglia che sia allo stesso tempo potente e durevole. È un puzzle di ingredienti e calore, dove sbagliare la ricetta potrebbe significare ottenere una pastiglia troppo morbida, troppo fragile o semplicemente inefficace.

In uno studio recente, i ricercatori hanno affrontato questo enigma trattando la creazione di una pastiglia dei freni come un esperimento culinario ad alta posta in gioco, ma con una forte dose di moderna scienza dei dati. Si sono concentrati su cinque variabili chiave: la quantità di polpa di carob, la quantità di resina fenolica legante, la dimensione delle particelle di polpa, la pressione utilizzata per comprimere la miscela e la temperatura alla quale è stata cotta. Invece di testare ogni possibile combinazione di questi cinque fattori, il che avrebbe richiesto migliaoli di prove, il team ha utilizzato un design sperimentale intelligente per eseguire solo venticinque test specifici. Questo approccio ha permesso loro di mappare come il cambiamento di un ingrediente o di una condizione influenzasse cinque diversi risultati: quanto bene la pastiglia afferrasse il disco, la velocità con cui si consumava, la sua durezza, la sua densità e quanto peso potesse schiacciare prima di rompersi.

I ricercatori non si sono fermati alla semplice registrazione dei risultati di questi venticinque test. Hanno riconosciuto che la relazione tra gli ingredienti e le prestazioni finali non è una linea retta; cambiare la quantità di polpa potrebbe aiutare una proprietà ma danneggiarne un'altra. Per navigare in questa complessità, hanno inserito i loro dati in diversi modelli avanzati di apprendimento computazionale. Questi strumenti digitali hanno agito come sofisticati predittori, imparando dai venticinque esperimenti per indovinare come si sarebbero comportate le pastiglie in condizioni non ancora testate. Il team ha confrontato diversi tipi di algoritmi di apprendimento per vedere quale fosse il migliore nel predire ogni specifico risultato. Hanno scoperto che nessun modello informatico era perfetto per tutto; un tipo di algoritmo era il migliore per predire l'attrito, mentre un altro eccelleva nel predire la durezza. Lasciando che il miglior modello si occupasse di ogni specifico compito, hanno creato una mappa digitale altamente accurata del comportamento del materiale.

L'analisi ha rivelato una chiara gerarchia in ciò che contava di più. La quantità di polpa di carob si è rivelata il fattore più influente, plasmando quasi ogni aspetto delle prestazioni della pastiglia dei freni. In generale, aggiungere più polpa rendeva le pastiglie più dure, dense e resistenti, migliorando anche la loro aderenza e riducendo la velocità di usura. La temperatura alla quale le pastiglie venivano cotte era il secondo fattore più importante, particolarmente per la resistenza meccanica del prodotto finale. Lo studio ha identificato una specifica combinazione tra i loro venticinque test che performava meglio nel mondo reale. Questa formula vincente conteneva il trenta per cento di polpa, il diciassette e mezzo per cento di resina, particelle di dimensioni di venticinque micrometri, compresse a quaranta megapascal e cotte a centottanta gradi Celsius. Questo lotto specifico ha raggiunto un coefficiente di attrito di 0,476, un tasso di usura di 2,43, una durezza di 101, una densità di 1257 e una resistenza alla compressione di 109,6.

Tuttavia, i ricercatori sono stati attenti a distinguere tra ciò che avevano fisicamente prodotto e ciò che i loro computer suggerivano potesse essere ancora meglio. Sebbene il miglior lotto fisico creato fosse quello descritto sopra, i loro modelli digitali indicavano un intervallo continuo di ingredienti leggermente diverso che teoricamente potrebbe produrre un risultato ancora più perfetto. Questa miscela "ideale" ipotetica suggeriva un contenuto di polpa di circa il ventisette per cento e una temperatura di cottura vicina ai centonovantaquattro gradi. Il computer ha previsto che questa miscela avrebbe performato quasi perfettamente, con un punteggio di desiderabilità di 0,9904. Eppure, questo rimane un candidato teorico. Lo studio dichiara esplicitamente che questo ottimo digitale non è stato costruito né testato fisicamente. I ricercatori sottolineano che, prima che un qualsiasi produttore di auto possa considerare l'uso di una tale formula, scienziati indipendenti dovrebbero fabbricare il materiale da zero e verificare che le previsioni del computer siano confermate nel mondo reale.

In definitiva, questo lavoro dimostra un nuovo modo potente per sviluppare materiali sostenibili. Combinando un piccolo, accuratamente scelto insieme di esperimenti fisici con l'apprendimento automatico spiegabile, il team è stato in grado di esaminare formulazioni complesse rapidamente e identificare le direzioni più promettenti. Hanno dimostrato che la polpa di carob è un rinforzo vitale per le pastiglie dei freni e che il suo contenuto è il driver dominante delle prestazioni. Lo studio non pretende di aver risolto il problema della produzione di pastiglie dei freni, né offre un prodotto finale pronto all'uso per l'industria automobilistica. Al contrario, fornisce una tabella di marcia validata e un insieme di strumenti per i futi ricercatori. Dimostra che con i dati giusti e la giusta lente computazionale, possiamo trasformare gli scarti agricoli in materiali ingegneristici ad alte prestazioni, a patto di essere disposti a fare il duro lavoro di confermare le ipotesi del computer con esperimenti nel mondo reale.