הערכת ואופטימיזציה מבוססות למידת מכונה של ביו-קומפוזיטים מחוזקים באבקת זרעי Phoenix Dactylifera מבוססת ויניל אסטר

הפיכת זרעים פסולים לחומרים שימושיים

כל שנה משליכים טונות של זרעי דקל תמר כפסולת חקלאית. במחקר זה נחקרה האפשרות להפוך פסולת זו לחלקי פלסטיק חזקים ועמידים לחום, ואיך בינה מלאכותית יכולה לסייע למהנדסים לעצב חומרים אלה במהירות רבה יותר ובמבחנים מעבדתיים מועטים בהרבה. העבודה משלבת ממלאים "ירוקים" העשויים מזרעי תמר כתושים עם שרף הנדסי נפוץ, ולאחר מכן משתמשת בלמידת מכונה כדי לחזות עד כמה הקומפוזיטים שנוצרים יהיו קשוחים ועמידים.

מזרעי תמר לחלקי פלסטיק חזקים

החוקרים התמקדו בויניל אסטר, שרף הנפוץ ברכיבים לרכב ובנייה, וחיזקו אותו באבקת זרעי Phoenix dactylifera (תמר) טחונה דק. על ידי ערבוב כמויות שונות של אבקה (מ-0 עד 50% לפי משקל) לתוך השרף ולעיבוד ללוחות שטוחים, הם יצרו משפחה של ביו-קומפוזיטים. לאחר מכן נעשו בדיקות סטנדרטיות למדידת ההתנהגות של החומרים: כמה כוח הם יכולים לעמוד במתיחה וכיפוף, כמה הם עמידים בפני פגיעה פתאומית, כמה קשה פני השטח שלהם, וכמה חום הם יכולים לשאת לפני שהתחלה שלהם להתעקל תחת עומס (טמפרטורת התעקמות חום).

למה ניסוי וטעייה לא מספיקים

באופן מסורתי, אופטימיזציה של קומפוזיטים כאלה איטית ויקרה. כל ניסוח חדש דורש ערבוב, הקשיה, עיבוד ובדיקות הרסניות, וקשה במיוחד לחזות התנהגות לטווח ארוך בתנאים מציאותיים. נוסחאות פשוטות נכשלות לעיתים קרובות כיוון שמספר גורמים מתקשרים בדרכים מורכבות ולא לינאריות. במחקר זה הכוונה היא לעבוד עם מערך ניסויים מוגבל—רק 11 נקודות נתונים לכל תכונה—ולבדוק האם למידת מכונה מודרנית עדיין יכולה ללכוד את המגמות המרכזיות די טוב כדי להנחות את התכנון. כדי להגן מפני התאמה-יתר הם השתמשו בניקוי נתונים, באימות צולב, ואפילו ביצרו נקודות "וירטואליות" מחושבות בקפידה בתוך טווחים מאומתים.

מלמדים מכונות לקרוא חומרים

השוו בין ארבעה סוגי מודלים לניבוי: רגרסיה ליניארית בסיסית, מכונות וקטור תומך (SVM), עצי החלטה ויערות רנדומליים (אנקלב של עצים רבים). כל מודל למד לקשר קבוצה קטנה של קלטים—בעיקר אחוז אבקת הזרע—עם התכונות הנמדדות. הביצועים נבדקו באמצעות סטטיסטיקות סטנדרטיות שמכמתות דיוק ויציבות. בסך הכל SVM בלט כמודל מאוזן ומהימן ביותר, עם ציונים חזקים בעמידות מתיחה, כיפוף, קשיות ועמידות חום, בעוד שיערות אקראיות הראו יכולת טובה במיוחד לחזות חוזק פגיעה. עצי החלטה, על אף שניתנים לפרשנות קלה, נטו "לזכור" את נתוני האימון וביצעו פחות באופן עקבי.

מציאת נקודת האיזון בתכולת הממלא

באמצעות המודלים הטובים ביותר ושיטת פרשנות שנקראת SHAP (המראה כיצד כל קלט מדחף את התחזיות כלפי מעלה או מטה), הצוות זיהה כמה אבקת זרעים נותנת את הביצועים הטובים ביותר. הם מצאו נקודת איזון ברורה בטווח של כ-25 עד 32.5% ממלא לפי משקל. בחלון זה מספר תכונות מגיעות לפסגה יחד: חוזק כיפוף ומתיחה עולים, פני השטח מתקשחים, עמידות הפגיעה נשארת גבוהה, וטמפרטורת ההתעקמות החום מגיעה לכ־84 °C. מעל לכ־שליש ממלא, המודלים חוזים ירידה חדה בביצועים, בהתאמה להבנה הפיזיקלית: חלקיקים רבים מדי נוטים להצטבר, השרף אינו מצליח לקשור אותם היטב, נוצרים חורים מיקרוסקופיים, והחומר נהיה חלש ושביר יותר.

מה המשמעות לטכנולוגיה יומיומית

לקורא שאינו מומחה, המסר המרכזי הוא שפסולת כמו זרעי תמר יכולה להחליף חלק מתכולת המטען המאובנים בפלסטיקים הנדסיים מבלי לוותר על ביצועים—אם משתמשים בה בכמות הנכונה. על ידי שילוב סט צנוע של ניסויים מדודים בקפידה עם למידת מכונה, החוקרים מראים שאפשר "למפות" את הנוסחאות הטובות ביותר בצורה וירטואלית, ובכך לקצר זמן, עלות וצריכת חומר. המסגרת שלהם מצביעה על שימושים פרקטיים בפנים רכבים, לוחות בנייה ורכיבים אחרים שבהם משקל קל, חוזק ועמידות לחום חשובים, וממחישה כיצד כלים מבוססי נתונים יכולים להאיץ את המעבר לחומרים ברי-קיימא ובעלי מקור ביולוגי.

ציטוט: 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

מילות מפתח: קומפוזיטים בני קיימא, אבקת זרעי תמר, ויניל אסטר, חומרים ומידת מכונה, ממלאים מבוססי ביולוגיה