تقدير وتحسين مركبات حيوية معززة بمسحوق بذور Phoenix Dactylifera قائم على تعلم الآلة

تحويل البذور المهدرة إلى مواد مفيدة

يُلقى كل عام أطنان من بذور نخيل التمر كَمخلفات زراعية. تستكشف هذه الدراسة كيف يمكن تحويل تلك المخلفات إلى أجزاء بلاستيكية قوية ومقاومة للحرارة، وكيف يمكن للذكاء الاصطناعي أن يساعد المهندسين على تصميم هذه المواد الجديدة بشكل أسرع وباختبارات مخبرية أقل بكثير. يجمع العمل بين حشوات «خضراء» مصنوعة من بذور التمر المطحونة وراتنج هندسي شائع، ثم يستخدم تعلم الآلة للتنبؤ بمدى متانة ومقاومة هذه المركبات الناتجة.

من بذور التمر إلى أجزاء بلاستيكية قوية

ركز الباحثون على فينيل إيستر، وهو راتنج يُستخدم على نطاق واسع في مكونات السيارات والبناء، وعزّزوه بمسحوق بذور Phoenix dactylifera (بذور نخيل التمر) المطحون ناعماً. من خلال خلط نسب مختلفة من مسحوق البذور (من 0 إلى 50% بالوزن) في الراتنج وتشكيل صفائح مسطحة، أنشأوا مجموعة من المركبات الحيوية. ثم استُخدمت اختبارات معيارية لقياس سلوك هذه المواد: مقدار القوة التي تستطيع تحملها في الشد والانحناء، مدى مقاومتها للصدمات المفاجئة، صلابة سطحها، ودرجة الحرارة التي تتحملها قبل أن تبدأ في الذوبان تحت الحمولة (درجة انحراف الحرارة).

لماذا التجربة والخطأ ليست كافية

تقليدياً، يعد تحسين مثل هذه المركبات عملية بطيئة ومكلفة. تتطلب كل تركيبة جديدة الخلط والتصلب والتشغيل والاختبارات المدمرة، ومن الصعب بشكل خاص التنبؤ بالسلوك طويل الأمد في ظروف العالم الحقيقي. غالباً ما تفشل العلاقات البسيطة لأن العديد من العوامل تتداخل بطرق معقدة وغير خطية. في هذه الدراسة، عمل المؤلفون عمداً مع مجموعة تجريبية محدودة—فقط 11 نقطة بيانات لكل خاصية—وتحققوا مما إذا كان تعلم الآلة الحديث لا يزال قادراً على التقاط الاتجاهات الرئيسية بشكل كافٍ لتوجيه التصميم. وللحماية من فرط التخصيص، استخدموا تنظيف البيانات، والتحقق المتقاطع، وحتى أنشأوا نقاطاً «افتراضية» تم استيفاؤها بعناية داخل نطاقات مؤكدة.

تعليم الآلات قراءة المواد

قورنَت أربعة أنواع من نماذج التنبؤ: الانحدار الخطي البسيط، آلات المتجهات الداعمة (SVM)، أشجار القرار، والغابات العشوائية (مجموعة من العديد من الأشجار). تعلم كل نموذج ربط مجموعة صغيرة من المدخلات—وخاصة نسبة مسحوق البذور—بالخواص المقاسة. تم فحص أداءها باستخدام إحصاءات معيارية تقيس الدقة والثبات. بشكل عام، برزت آلات المتجهات الداعمة كنموذج متوازن وموثوق، مع درجات قوية عبر قوة الشد، وقوة الانحناء، والصلابة، ومقاومة الحرارة، في حين كانت الغابات العشوائية جيدة بشكل خاص في التنبؤ بمقاومة الصدمات. أما أشجار القرار، فبالرغم من سهولة تفسيرها، فقد مالَت إلى «حفظ» بيانات التدريب وأدت بشكل أقل اتساقاً.

العثور على النقطة المثلى لمحتوى الحشوة

باستخدام النماذج ذات الأداء الأفضل وطريقة قابلية التفسير المسماة SHAP (التي تُظهر كيف يدفع كل مُدخل التنبؤات للأعلى أو للأسفل)، حدد الفريق كمية مسحوق البذور التي تعطي أفضل أداء. وجدوا نقطة مثلى واضحة بين حوالي 25 و32.5% من الحشو بالوزن. في هذه النافذة، تتزامن ذروة عدة خواص: ترتفع قوة الانحناء والشد، يصبح السطح أكثر صلابة، تبقى مقاومة الصدمات عالية، وتصل درجة انحراف الحرارة إلى نحو 84 °م. فوق نحو ثلث الحشو، تتنبأ النماذج بانخفاض حاد في الأداء، وهو ما يتسق مع الفهم الفيزيائي: تجمع الجسيمات بكثرة يؤدي إلى عدم قدرة الراتنج على ربطها جيداً، تتكون فراغات مجهرية، ويصبح المادة أضعف وأكثر هشاشة.

ماذا يعني هذا لتقنيات الحياة اليومية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن مواد النفايات مثل بذور التمر يمكن أن تحل محل جزء من المحتوى المستند إلى الوقود الأحفوري في البلاستيك الهندسي دون التضحية بالأداء—إذا استُخدمت بالكمية المناسبة. من خلال جمع مجموعة متواضعة من التجارب المقاسة بعناية مع تعلم الآلة، يبيّن الباحثون أنه من الممكن «رسم خريطة» لأفضل التركيبات افتراضياً، مختصرين الوقت والتكلفة واستهلاك المواد. يشير إطارهم إلى استخدامات عملية في لوحات داخلية للسيارات، وألواح البناء، ومكونات أخرى حيث الوزن الخفيف والقوة ومقاومة الحرارة مهمة، ويُظهر كيف يمكن للأدوات المعتمدة على البيانات تسريع التحول نحو مواد أكثر استدامة ومشتقة حيوياً.

الاستشهاد: Vignesh, V., Kumar, S.S., Mohan, A.M.A. et al. Machine learning-based estimation and optimization of phoenix Dactylifera Seed Powder reinforced vinyl ester bio-composites. Sci Rep 16, 6663 (2026). https://doi.org/10.1038/s41598-026-37202-w

الكلمات المفتاحية: مركبات مستدامة, مسحوق بذور التمر, فينيل إيستر, مواد تعلم الآلة, حشوات مستنبتة حيوياً