Оценка и оптимизация биокомпозитов на основе винилэфира, армированных порошком семян Phoenix dactylifera, с использованием машинного обучения

Превращение отходов семян в полезные материалы

Ежегодно тонны семян финиковой пальмы выбрасываются как сельскохозяйственные отходы. В этом исследовании изучается, как такие отходы можно превратить в прочные, термостойкие пластиковые детали, и как искусственный интеллект может помочь инженерам быстрее разрабатывать эти новые материалы с гораздо меньшим числом лабораторных испытаний. Работа сочетает «зеленые» наполнители из измельченных семян финика с распространённой конструкционной смолой, а затем использует машинное обучение для прогнозирования прочности и долговечности полученных композитов.

От семян финика к прочным пластиковым изделиям

Исследователи сосредоточились на винилэфире — смоле, широко используемой в автомобильных и строительных компонентах, и упрочнили её мелкодисперсным порошком семян Phoenix dactylifera (финиковой пальмы). Смешивая разные доли порошка семян (от 0 до 50% по массе) с смолой и формуя плоские панели, они создали серию биокомпозитов. Затем стандартными испытаниями измеряли поведение этих материалов: какую нагрузку они выдерживают на растяжение и изгиб, насколько устойчивы к внезапным ударам, твёрдость поверхности и температуру размягчения под нагрузкой (heat deflection temperature).

Почему метод проб и ошибок не всегда достаточен

Традиционная оптимизация таких композитов медленна и дорога. Каждая новая рецептура требует смешивания, отверждения, обработки и разрушающих испытаний, и особенно сложно прогнозировать долговременное поведение в реальных условиях. Простые формулы часто не работают, поскольку множество факторов взаимодействуют сложными нелинейными способами. В этом исследовании авторы сознательно работали с ограниченным экспериментальным набором данных — всего 11 точек на каждое свойство — и проверяли, сможет ли современное машинное обучение уловить ключевые тенденции достаточно хорошо, чтобы направлять разработку. Чтобы защититься от переобучения, они применяли очистку данных, кросс-валидацию и даже аккуратно интерполировали «виртуальные» точки внутри проверенных диапазонов.

Обучение машин «читать» материалы

Были сравнены четыре типа предсказательных моделей: простая линейная регрессия, метод опорных векторов (SVM), деревья решений и случайный лес (ансамбль из множества деревьев). Каждая модель обучалась связывать небольшой набор входных параметров — особенно процент содержания порошка семян — с измеренными свойствами. Их качество оценивали стандартными статистическими показателями, которые характеризуют точность и стабильность. В целом SVM оказался самым сбалансированным и надежным, с высокими показателями по прочности на растяжение, изгиб, твердости и термостойкости, тогда как случайные леса особенно хорошо предсказывали ударную прочность. Деревья решений, хотя и просты для интерпретации, склонялись к «запоминанию» тренировочных данных и работали менее последовательно.

Поиск оптимальной доли наполнителя

Используя лучшие модели и метод интерпретируемости SHAP (показывающий, как каждый вход смещает предсказание вверх или вниз), команда определила оптимальное содержание порошка семян. Они обнаружили явную «зону оптимума» примерно между 25 и 32,5% по массе наполнителя. В этом интервале несколько свойств достигают пика одновременно: растет прочность на изгиб и на растяжение, поверхность становится твёрже, ударная стойкость остаётся высокой, а температура размягчения под нагрузкой достигает около 84 °C. Выше примерно одной трети наполнителя модели предсказывают резкое падение характеристик, что согласуется с физическими представлениями: частицы слишком активно агломерируют, смола уже не может их надежно смачивать, образуются микропустоты, и материал становится слабее и более хрупким.

Что это значит для повседневных технологий

Для неспециалиста главный вывод таков: такие отходы, как семена финика, могут заменить часть ископаемого содержания в инженерных пластиках без потери характеристик — при условии правильной дозировки. Сочетая умеренный набор аккуратно измеренных экспериментов с машинным обучением, исследователи показывают, что можно виртуально «профилировать» лучшие рецептуры, сокращая время, затраты и расход материалов. Их подход указывает на практические применения в элементах салона автомобилей, строительных панелях и других компонентах, где важны малый вес, прочность и термостойкость, и демонстрирует, как инструменты на основе данных могут ускорить переход к более устойчивым био-ориентированным материалам.

Цитирование: 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

Ключевые слова: устойчивые композиты, порошок семян финика, винилэфир, материалы и машинное обучение, био-наполнители