⚡ electrical engineering

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

Este estudo apresenta uma estrutura integrada combinando o delineamento experimental Taguchi L25, otimização de desejabilidade de múltiplas respostas e aprendizado de máquina explicável para identificar parâmetros de fabricação ideais para compósitos de pastilhas de freio reforçados com polpa de alfarroba sustentável, observando explicitamente que o ótimo global proposto requer validação experimental adicional.

Autores originais: Chike Martins Atah¹

Publicado 2026-08-27

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Chike Martins Atah¹

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Toda vez que um carro para, um complexo drama físico se desenrola entre duas superfícies. Uma pastilha de freio, pressionada contra um disco metálico giratório, deve gerar fricção suficiente para desacelerar o veículo sem se desgastar rápido demais ou perder sua aderência quando quente. Durante décadas, essas pastilhas dependeram de uma mistura de fibras sintéticas, metais e minerais para realizar esse delicado ato de equilíbrio. No entanto, à medida que o mundo busca reduzir sua dependência de recursos não renováveis, cientistas estão voltando sua atenção para o mundo natural em busca de respostas. Um caminho promissor envolve o uso de resíduos agrícolas — especificamente, a polpa fibrosa da árvore de alfarroba, uma visão comum em toda a África Ocidental. O desafio reside em descobrir exatamente quanto desse material vegetal deve ser misturado com uma resina aglutinante, e sob quais condições a mistura deve ser assada, para criar uma pastilha de freio que seja ao mesmo tempo potente e durável. É um quebra-cabeça de ingredientes e calor, onde errar a receita pode resultar em uma pastilha muito macia, muito quebradiça ou simplesmente ineficaz.

Em um estudo recente, pesquisadores abordaram esse quebra-cabeça tratando a criação de uma pastilha de freio como um experimento culinário de alto risco, mas com uma forte dose de ciência de dados moderna. Eles focaram em cinco variáveis principais: a quantidade de polpa de alfarroba, a quantidade de resina fenólica aglutinante, o tamanho das partículas de polpa, a pressão usada para comprimir a mistura e a temperatura na qual ela foi assada. Em vez de testar todas as combinações possíveis desses cinco fatores, o que exigiria milhares de tentativas, a equipe utilizou um design experimental inteligente para realizar apenas vinte e cinco testes específicos. Essa abordagem permitiu mapear como a alteração de um ingrediente ou condição afetava cinco resultados diferentes: quão bem a pastilha agarrava o disco, a rapidez com que se desgastava, sua dureza, sua densidade e quanto peso ela poderia esmagar antes de romper.

Os pesquisadores não pararam apenas no registro dos resultados desses vinte e cinco testes. Eles reconheceram que a relação entre os ingredientes e o desempenho final não é uma linha reta; alterar a quantidade de polpa pode ajudar uma propriedade enquanto prejudica outra. Para navegar por essa complexidade, eles alimentaram seus dados em diversos modelos avançados de aprendizado computacional. Essas ferramentas digitais atuaram como preditores sofisticados, aprendendo com os vinte e cinco experimentos para prever como as pastilhas de freio se comportariam sob condições ainda não testadas. A equipe comparou diferentes tipos de algoritmos de aprendizado para ver qual era o melhor para prever cada resultado específico. Eles descobriram que nenhum modelo computacional era perfeito para tudo; um tipo de algoritmo era melhor para prever a fricção, enquanto outro se destacava na previsão da dureza. Ao deixar o melhor modelo lidar com cada tarefa específica, eles criaram um mapa digital altamente preciso do comportamento do material.

A análise revelou uma hierarquia clara no que era mais importante. A quantidade de polpa de alfarroba revelou-se o fator individual mais influente, moldando quase todos os aspectos do desempenho da pastilha de freio. Geralmente, adicionar mais polpa tornava as pastilhas mais duras, densas e fortes, além de melhorar sua aderência e reduzir a velocidade de desgaste. A temperatura na qual as pastilhas foram assadas foi o segundo fator mais importante, particularmente para a resistência mecânica do produto final. O estudo identificou uma combinação específica entre os vinte e cinco testes que apresentou o melhor desempenho no mundo real. Esta fórmula vencedora continha trinta por cento de polpa, dezessete e meio por cento de resina, partículas de tamanho de vinte e cinco micrômetros, comprimidas a quarenta megapascais e assadas a cento e oitenta graus Celsius. Este lote específico alcançou um coeficiente de fricção de 0,476, uma taxa de desgaste de 2,43, uma dureza de 101, uma densidade de 1257 e uma resistência à compressão de 109,6.

No entanto, os pesquisadores foram cuidadosos ao distinguir o que haviam fabricado fisicamente do que seus computadores sugeriam poder ser ainda melhor. Embora o melhor lote físico criado tenha sido o descrito acima, seus modelos digitais apontaram para uma faixa contínua de ingredientes ligeiramente diferente que poderia, teoricamente, render um resultado ainda mais perfeito. Esta mistura "ideal" hipotética sugeriu um conteúdo de polpa de aproximadamente vinte e sete por cento e uma temperatura de cozimento próxima a cento e noventa e quatro graus. O computador previu que esta mistura teria um desempenho quase perfeito, com um índice de desejabilidade de 0,9904. Contudo, isso permanece um candidato teórico. O estudo afirma explicitamente que este ótimo digital não foi construído ou testado fisamente. Os pesquisadores enfatizam que, antes que qualquer fabricante de automóveis possa considerar o uso de tal fórmula, cientistas independentes precisariam fabricar o material do zero e verificar se as previsões do computador se sustentam no mundo real.

Em última análise, este trabalho demonstra uma nova e poderosa maneira de desenvolver materiais sustentáveis. Ao combinar um conjunto pequeno e cuidadosamente escolhido de experimentos físicos com aprendizado de máquina explicável, a equipe foi capaz de triar formulações complexas rapidamente e identificar as direções mais promissoras. Eles provaram que a polpa de alfarroba é um reforço viável para pastilhas de freio e que seu conteúdo é o principal motor de desempenho. O estudo não reivindica ter resolvido o problema da fabricação de pastilhas de freio, nem oferece um produto final pronto para uso para a indústria automotiva. Em vez disso, fornece um roteiro validado e um conjunto de ferramentas para futuros pesquisadores. Ele mostra que, com os dados certos e a lente computacional adequada, podemos transformar resíduos agrícolas em materiais de engenharia de alto desempenho, desde que estejamos dispostos a fazer o trabalho árduo de confirmar as suposições do computador com experimentos do mundo real.

Resumo Técnico: Otimização de Múltiplas Respostas Baseada em Dados de Compósitos de Pastilhas de Freio com Polpa de Fava de Locusta

Definição do Problema
O desenvolvimento de compósitos de pastilhas de freio automotivas sustentáveis requer o equilíbrio de métricas de desempenho concorrentes — como coeficiente de fricção (COF), taxa de desgaste, dureza, densidade e resistência à compressão — sob variadas condições de fabricação. As formulações convencionais dependem frequentemente de constituintes sintéticos ou metálicos, criando a necessidade de alternativas renováveis derivadas de resíduos agroindustriais. Embora a polpa da fava de locusta (Parkia biglobosa) ofereça um potencial reforço de base biológica, sua incorporação envolve interações complexas entre variáveis de formulação (teor de polpa, teor de resina, tamanho de partícula) e parâmetros de processamento (pressão de compactação, temperatura de cura). A otimização de resposta única tradicional é insuficiente para identificar formulações equilibradas, e os métodos padrão de Planejamento de Experimentos (DOE), como o Taguchi, podem falhar em capturar comportamentos de resposta não lineares inerentes a conjuntos de dados pequenos.

Metodologia
Este estudo propõe um framework integrado combinando delineamento experimental ortogonal, regressão de aprendizado de máquina (ML) específica para cada resposta e IA explicável para otimização de múltiplas respostas.

Delineamento Experimental: Um arranjo ortogonal Taguchi L25 foi empregado para triagem de cinco fatores em cinco níveis cada: Teor de polpa (A: 10–30 % em peso), Teor de resina fenólica (B: 7,5–17,5 % em peso), Tamanho de partícula (C: 10–30 µm), Pressão de compactação (D: 20–60 MPa) e Temperatura de cura (E: 120–200 °C). Isso reduziu as 3.125 combinações possíveis para 25 corridas experimentais.
Medição de Resposta: Cinco respostas foram avaliadas: COF (0,382–0,476), taxa de desgaste, dureza, densidade e resistência à compressão.
Modelagem de Aprendizado de Máquina: Quatro algoritmos de regressão — Random Forest (RF), Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR) e Gaussian Process Regression (GPR) — foram treinados para prever cada resposta. Dado o conjunto de dados limitado (N=25), a Validação Cruzada de Deixar Um Fora (LOOCV) foi utilizada para avaliar o desempenho de interpolação.
Seleção de Modelo: O algoritmo com melhor desempenho foi selecionado para cada resposta específica com base no $R^2$ de LOOCV, RMSE e MAE.
Explicabilidade: A análise SHAP (SHapley Additive exPlanations) foi aplicada aos modelos selecionados para quantificar a importância global das características e interpretar as contribuições não lineares dos fatores.
Otimização: Uma abordagem de função de desejabilidade foi utilizada para realizar a otimização de múltiplas respostas, acoplando os modelos de ML selecionados para identificar formulações ótimas dentro do espaço de design.

Principais Resultados

Desempenho do Modelo: Nenhum algoritmo único foi ideal para todas as respostas. O estudo identificou uma abordagem de melhor ajuste híbrida:
- O XGBoost apresentou o maior LOOCV $R^2$ para COF (0,679).
- O SVR teve o melhor desempenho para taxa de desgaste ( $R^2$ = 0,792).
- O GPR proporcionou previsões superiores para dureza ( $R^2$ = 0,917), densidade ( $R^2$ = 0,903) e resistência à compressão ( $R^2$ = 0,870).
Importância dos Fatores: A análise de explicabilidade identificou consistentemente o teor de polpa (A) como a característica preditiva dominante para todas as respostas, seguido pela temperatura de cura (E).
Observações Experimentais: A Corrida 25 (30 % em peso de polpa, 17,5 % em peso de resina, 25 µm de tamanho de partícula, 40 MPa de pressão, 180 °C de cura) foi a melhor formulação observada experimentalmente no conjunto de dados L25, atingindo um COF de 0,476, taxa de desgaste de 2,43, dureza de 101, densidade de 1257 e resistência à compressão de 109,6.
Candidatos Assistidos por Modelo Substituto: Uma busca contínua utilizando os modelos substitutos identificou uma formulação candidata (27,152 % em peso de polpa, 15,070 % em peso de resina, 27,218 µm, 48,541 MPa, 193,815 °C) com uma desejabilidade global prevista de 0,9904. Um candidato "prático" (30 % em peso de polpa, 15 % em peso de resina, 25 µm, 40 MPa, 200 °C) mostrou uma desejabilidade prevista de 0,9991.

Significância e Alegações
O artigo demonstra o valor de combinar o delineamento experimental ortogonal com regressão não linear específica de resposta e aprendizado de máquina explicável para a triagem de formulações de compósitos de fricção sustentáveis. O estudo destaca que, embora a análise de efeito principal de Taguchi forneça tendências iniciais, os modelos de ML são necessários para capturar as relações complexas e concorrentes entre as variáveis de formulação e múltiplas respostas de desempenho.

Modéstia e Limitações
O autor enquadra explicitamente este trabalho como um estudo de triagem e otimização assistida por modelo substituto, não como uma qualificação automotiva final. Principais limitações e ressalvas enfatizadas no artigo incluem:

Falta de Validação Externa: Os valores de $R^2$ relatados representam a validação cruzada interna (LOOCV) dentro do espaço de design de 25 corridas, não uma validação externa.
Ótimos Não Validados: Os candidatos contínuos identificados pelos modelos substitutos (incluindo o de 0,9904 de desejabilidade) permanecem não validados experimentalmente. O artigo afirma que experimentos de confirmação independentes são estritamente necessários antes que qualquer ótimo derivado do modelo possa ser considerado válido.
Limites de Escopo: As conclusões estão estritamente limitadas aos intervalos de fatores investigados (ex: 10–30 % em peso de polpa). A extrapolação fora desses intervalos não é suportada.
Caracterização Ausente: O estudo não inclui caracterização morfológica (SEM/EDS), térmica ou testes de durabilidade de longa duração, que seriam necessários para estabelecer mecanismos causais para os comportamentos de desgaste e fricção observados.

Em resumo, o artigo fornece um framework metodológico robusto para identificar formulações promissoras de pastilhas de freio de base biológica, mas solicita replicação independente e testes expandidos antes que reivindicações de aplicação prática possam ser feitas.

Mais como este