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

Elke keer dat een auto tot stilstand komt, speelt er een complex fysiek drama af tussen twee oppervlakken. Een remblokje, dat tegen een draaiende metalen schijf wordt gedrukt, moet genoeg wrijving genereren om het voertuig te vertragen zonder te snel te slijten of zijn grip te verliezen wanneer het heet wordt. Decennialang hebben deze blokjes vertrouwd op een mengsel van synthetische vezels, metalen en mineralen om deze delicate evenwichtsoefening uit te voeren. Toch richten wetenschappers hun aandacht op de natuurlijke wereld voor antwoorden, nu de wereld streeft naar een vermindering van de afhankelijkheid van niet-hernieuwbare hulpbronnen. Een veelbelovende weg houdt het gebruik van agrarisch afval in—specifiek de vezelige pulp van de carobboom (locust bean tree), een veelvoorkomend verschijnsel in West-Afrika. De uitdaging ligt in het uitzoeken van precies hoeveel van dit plantaardige materiaal te mengen met een bindhars, en onder welke omstandigheden het mengsel te bakken, om een remblokje te creëren dat zowel krachtig als duurzaam is. Het is een puzzel van ingrediënten en hitte, waarbij een fout in het recept kan leiden tot een blokje dat te zacht, te bros of simpelweg ineffectief is.

In een recente studie pakten onderzoekers deze puzzel aan door de creatie van een remblokje te behandelen als een experiment met een hoge inzet, maar dan met een flinke dosis moderne datawetenschap. Ze richtten zich op vijf belangrijke variabelen: de hoeveelheid carobpulp, de hoeveelheid fenolhars als bindmiddel, de grootte van de pulpdeeltjes, de druk die wordt gebruikt om het mengsel samen te persen, en de temperatuur waarbij het werd gebakken. In plaats van elke mogelijke combinatie van deze vijf factoren te testen, wat duizenden proeven zou hebben vereist, gebruikte het team een slim experimenteel ontwerp om slechts vijfentwintig specifieke tests uit te voeren. Deze aanpak stelde hen in staat om in kaart te brengen hoe het veranderen van één ingrediënt of conditie vijf verschillende uitkomsten beïnvloedde: hoe goed het blokje de schijf greep, hoe snel het slijt, hoe hard het is, hoe dicht het is geworden, en hoeveel gewicht het kon verdragen voordat het brak.

De onderzoekers stopten niet bij het simpelweg registreren van de resultaten van deze vijfentwintig tests. Ze erkenden dat de relatie tussen de ingrediënten en de uiteindelijke prestaties geen rechte lijn is; het veranderen van de hoeveelheid pulp kan wel de ene eigenschap helpen, terwijl het een andere verslechtert. Om deze complexiteit te navigeren, voedden ze hun gegevens aan verschillende geavanceerde computermodellen voor machine learning. Deze digitale instrumenten fungeerden als geavanceerde voorspellers, die leerden van de vijfentwintig experimenten om te raden hoe de remblokjes zouden reageren onder omstandigheden die zij nog niet hadden getest. Het team vergeleek verschillende soorten van deze leeralgoritmen om te zien welke het beste was voor elke specifieke uitkomst. Ze ontdekten dat geen enkel computermodel perfect was voor alles; één type algoritme was het beste in het voorspellen van wrijving, terwijl een ander uitblonk in het voorspellen van hardheid. Door het beste model de specifieke taak te laten afhandelen, creëerden ze een zeer nauwkeurige digitale kaart van het gedrag van het materiaal.

De analyse onthulde een duidelijke hiërarchie in wat het belangrijkst was. De hoeveelheid carobpulp bleek de meest invloedrijke factor te zijn, die bijna elk aspect van de prestaties van het remblokje vormgaf. Over het algemeen maakte het toevoegen van meer pulp de blokjes harder, dichter en sterker, terwijl het ook de grip verbeterde en de slijtage verminderde. De temperatuur waarbij de blokjes werden gebakken was de tweede belangrijkste factor, met name voor de mechanische sterkte van het uiteindelijke product. De studie identificeerde één specifieke combinatie uit hun vijfentwintig tests die het beste presteerde in de echte wereld. Deze winnende formule bevatte dertig procent pulp, zeventien en een half procent hars, deeltjes van vijfentwintig micrometer groot, samengeperst op veertig megapascal, en gebakken op honderdtachtig graden Celsius. Deze specifieke batch bereikte een wrijvingscoëfficiënt van 0,476, een slijtagepercentage van 2,43, een hardheid van 101, een dichtheid van 1257 en een druksterkte van 109,6.

De onderzoekers waren echter voorzichtig met het onderscheid tussen wat ze fysiek hadden gemaakt en wat hun computers suggereerden zelfs nog beter zou kunnen zijn. Hoewel de beste fysieke batch die zij creëerden de hierboven beschreven was, wezen hun digitale modellen op een iets andere, continue reeks ingrediënten die theoretisch gezien een nog perfecter resultaat zou kunnen opleveren. Deze hypothetische "ideale" mix suggereerde een pulpgehalte van ongeveer zevenentwintig procent en een baktemperatuur nabij honderdvierennegentig graden. De computer voorspelde dat deze mix bijna perfect zou presteren, met een wenselijkheidsscore van 0,9904. Dit blijft echter een theoretische kandidaat. De studie stelt expliciet dat dit digitale optimum nog niet fysiek is gebouwd of getest. De onderzoekers benadrukken dat voordat een autofabrikant een dergelijk recept zou kunnen overwegen, onafhankelijke wetenschappers het materiaal vanaf nul moeten fabriceren en moeten verifiëren of de voorspellingen van de computer standhouden in de echte wereld.

Uiteindelijk demonstreert dit werk een krachtige nieuwe manier om duurzame materialen te ontwikkelen. Door een kleine, zorgvuldig gekozen set fysieke experimenten te combineren met verklaarbare machine learning, was het team in staat om complexe formuleringen snel te screenen en de meest veelbelovende richtingen te identificeren. Ze bewezen dat carobpulp een levensvatbare versterking is voor remblokjes en dat de inhoud ervan de dominante drijfveer is voor de prestaties. De studie beweert niet het probleem van de productie van remblokjes te hebben opgelost, noch biedt het een definitief, klaar voor gebruik product voor de automobielindustrie. In plaats daarvan biedt het een gevalideerd stappenplan en een set instrumenten voor toekomstige onderzoekers. Het laat zien dat we, met de juiste gegevens en de juiste computationele lens, agrarisch afval kunnen omzetten in hoogwaardige technische materialen, mits we bereid zijn het harde werk te verrichten om de voorspellingen van de computer te bevestigen met experimenten in de echte wereld.