تقدير وتحسين معلمات التعزيز للمواد المركبة باستخدام نهج تعلم آلي

بلاستيك أقوى من مكونات يومية

من السيارات إلى الأجهزة المنزلية، تعتمد العديد من المنتجات على أجزاء بلاستيكية يجب أن تكون خفيفة وفي الوقت نفسه قوية. غالبًا ما يعزّز المهندسون الأداء بخلط البلاستيك بجسيمات صلبة مثل المعدن. لكن اختيار الكمية الدقيقة من المعدن وحجم الجسيمات عملية بطيئة تعتمد على التجربة والخطأ. تُظهر هذه الدراسة كيف يمكن للتعلّم الآلي الحديث أن يساعد المصممين في العثور بسرعة على أفضل وصفة لهذه البلاستيكات المدعّمة بالمعدن، مما يوفر الوقت والتكلفة ويقلل من هدر المواد.

خلط مسحوق المعدن في بلاستيك شائع

عمل الباحثون مع بلاستيك مستخدم على نطاق واسع يسمى بولي إيثيلين تيرفتالات، أو PET—نفس المادة الأساسية الموجودة في العديد من الزجاجات والمنسوجات. أنشأوا مركبًا جديدًا بخلط PET مع مسحوق معدني ناعم ثم تشكيل الخليط إلى صفائح مسطّحة باستخدام قالب ضغط، وهي عملية صناعية قياسية. لمعرفة كيف تؤثر التركيبة على الأداء، غيّروا مكوّنين رئيسيين: حجم جسيمات المعدن (أصغر من 2 ميكرومتر، بين 2 و4 ميكرومتر، وأكبر من 4 ميكرومتر) ونسبة المعدن في البلاستيك، من 0 إلى 4 بالمئة بالوزن بخطوات صغيرة.

قياس سلوك المادة الجديدة

من كل دفعة من المركب، قطعت المجموعة عينات اختبار وقيّمت ثلاث خواص عملية. تقيس مقاومة الشد مقدار الشد الذي يمكن أن يتحمله العينة قبل أن تنكسر، بينما تقيس مقاومة الانحناء مدى مقاومتها للانثناء. أما نسبة الاستطالة فتعكس مدى امتداد المادة، وتعمل كدلالة على الليونة أو المرونة. سحبت وآنت ونَفَضت آلات الاختبار القياسية العينات حتى الفشل وسُجلت البيانات الناتجة. كما استخدمت المجموعة مجاهر إلكترونية عالية الدقة وتحليلاً عنصرياً لتأكيد أن جسيمات المعدن توزعت في جميع أنحاء البلاستيك ولتصوير كيفية تموضعها داخل مصفوفة PET. ساعدت هذه الصور في ربط البنية المجهرية بالأداء الماكروسكوبي.

من الإحصاء إلى التنبؤ الذكي

كان الخطوة الأولى أن طبق المؤلفون أداة إحصائية تقليدية تُعرف بمنهجية سطح الاستجابة. يستخدم هذا النهج مجموعة مخططة بعناية من التجارب لرسم كيف تؤثر المدخلات—هنا، حجم الجسيمات ومحتوى المعدن—على المخرجات مثل المقاومة والاستطالة، وللاقتراح بمركب يوازن بين الثلاثة. أشارت التحليلات إلى محتوى معدني متوسط يزيد قليلاً عن 1 بالمئة وحجم جسيمات في النطاق المتوسط كحل وسط جيد، يمنح تحسينات معتدلة في المقاومة والامتداد دون أن يدفع أي خواص إلى أقصى الحدود.

ترك الخوارزميات تتعلم الوصفة الأفضل

ثم لجأ الفريق إلى التعلّم الآلي لتجاوز هذه التقديرات الأولية. درّبوا نموذجين قائميْن على أشجار القرار، هما الغابة العشوائية وXGBoost، على مجموعة النتائج الكاملة للاختبارات. تعلمت الخوارزميات كيف تؤثر التغييرات في حجم الجسيمات والتحميل على مقاومة الشد ومقاومة الانحناء والاستطالة. من خلال اختبار النماذج على بيانات غير مرئية باستخدام التحقق المتقاطع بخمس طيّات، استطاع الباحثون تقدير مدى تعميم الخوارزميات بدلاً من حفظ القياسات فقط. استُخدمت عدة اختبارات جودة، بما في ذلك مدى تطابق القيم المتوقعة مع الحقيقية وحجم الأخطاء المتوسطة.

لماذا يتفوق XGBoost

تمكن كلا النهجين من التعلّم الآلي من التقاط الاتجاهات الرئيسية في البيانات، لكن XGBoost قدم أداءً أفضل بوضوح. تنبأ بقوة الشد والخواص الأخرى بثبات أعلى، مظهرًا توافقًا أقوى مع التجارب وقيم خطأ أقل مقارنة بالغابة العشوائية. لأن XGBoost يبني أشجار القرار خطوة بخطوة لتصحيح الأخطاء السابقة، فإنه يستطيع أن يتتبّع بسهولة أكبر المقايضات الدقيقة بين حجم الجسيمات وحمل المعدن والمكاسب الناتجة في الصلابة مقابل خسارة الامتداد. سمح النموذج أيضًا للمؤلفين بتقدير أهمية المدخلات، معزّزًا فكرة أن كمية معتدلة من مسحوق المعدن الموزع جيدًا يمكن أن تُحسن سلوك PET الميكانيكي بشكل ملحوظ.

ماذا يعني هذا لمواد المستقبل

بعبارات بسيطة، توضح الدراسة أن الحاسوب يمكنه أن يتعلم من مجموعة صغيرة نسبيًا من الاختبارات المصممة بعناية كيف سيتصرف خليط معدني-بلاستيكي جديد، ثم يستخدم تلك المعرفة لتوجيه تصميمات أفضل. بدلًا من تصنيع وكسر عشرات العينات الإضافية، يمكن للمهندسين أن يسألوا نموذج XGBoost أي تركيبة من حجم الجسيمات ونسبة المعدن من المرجح أن تلبّي أهدافهم من حيث القوة والمرونة. بينما ركز هذا العمل على الشد والانحناء، يمكن لاحقًا توسيع نفس الإطار ليشمل خواص عملية أخرى مثل الضغط والقص، مما يساعد على تسريع تطوير مواد مركبة أكثر أمانًا وخفة وكفاءة.

الاستشهاد: Dandekar, Y.V., Rajput, M.S., Kumar, R.S. et al. Estimation and optimization of reinforcement parameters for composite material using a machine learning approach. Sci Rep 16, 6862 (2026). https://doi.org/10.1038/s41598-026-37295-3

الكلمات المفتاحية: بلاستيك مدعّم بالمعدن, مركبات بوليمرية, مواد تعلم آلي, نمذجة XGBoost, الخصائص الميكانيكية