Оптимизация характеристик сверления биокомпозитов из волокон Syagrus romanzoffiana: минимизация деламинации с помощью RSM и ANN-моделирования

Чище отверстия в более экологичных материалах

Когда компании стремятся заменить пластики на основе ископаемого топлива растительными материалами, возникает практический вопрос: можно ли эти более экологичные материалы сверлить, резать и собирать на реальных производственных линиях, не разрушая их? В этой статье рассматривается именно такой вопрос для малоизвестного композита на пальмовых волокнах: показано, как получить аккуратные, точные отверстия, сводя повреждения к минимуму с помощью сочетания тщательных экспериментов и современных моделей, основанных на данных.

От отходов пальмы к панелям высокой ценности

Исследование сосредоточено на волокнах, извлечённых из рахиcа пальмы Syagrus romanzoffiana — побочном продукте регулярной обрезки в Алжире. Эти короткие, жёсткие волокна смешивают с биооснованной эпоксидной смолой, формируя лёгкие и прочные панели с содержанием волокна 30% по массе. Авторы сначала подтверждают правильное отверждение смолы и физическую адгезию волокон с матрицей, используя инфракрасную спектроскопию для проверки полноты химических реакций и качественного взаимодействия на интерфейсе. В результате получается полностью биобазированный композитный лист с механическими характеристиками, сопоставимыми со многими традиционными материалами на основе стекловолокна, но изготовленный из местных растительных отходов и биоразлагаемого связующего.

Почему сверление повреждает композиты

Чтобы эти панели были пригодны для использования в автомобилях, спортивном снаряжении или интерьерах самолётов, в них необходимо устанавливать болты, заклёпки и крепеж — а значит, их требуется сверлить. В послойных материалах, таких как волокнистые композиты, при сверлении часто происходит расклёпывание слоёв вокруг отверстия — дефект, известный как деламинация. В исследовании внимание уделено повреждениям на выходе сверла, где толкающее действие инструмента склонно поднимать и отрывать последние слои. Исследователи варьируют три практических параметра, доступных в любой мастерской: скорость подачи (feed rate), скорость вращения шпинделя и диаметр сверла. Они также сравнивают стандартные сверла из быстрорежущей стали с вариантами, покрытыми твёрдым низкотертым нитридом титана. Сканируя каждое отверстие и анализируя изображения с помощью программного обеспечения, они измеряют «коэффициент деламинации», по сути показывающий, насколько повреждённая зона вокруг выхода превышает задуманный размер отверстия.

Поиск оптимума параметров сверления

По результатам 27 тщательно спланированных испытаний вырисовывается ясная картина. Наиболее важным параметром является скорость подачи: трёхкратное увеличение подачи повышает коэффициент деламинации примерно наполовину, поскольку инструменту приходится прикладывать значительно большие силы для удаления материала. На втором месте по влиянию стоит диаметр сверла: более крупные сверла создают больший осевой натиск и крутящий момент, что несколько увеличивает зону повреждений. Скорость шпинделя влияет более тонко и нелинейно; умеренная скорость около 1200 об/мин делает матрицу достаточно пластичной для облегчения резания, но не создаёт чрезмерного нагрева, который ослабил бы связь между волокнами и смолой. Сверла с покрытием нитридом титана постоянно показывают лучшие результаты по сравнению с необработанной сталью благодаря меньшему трению и лучшему контролю нагрева, обеспечивая более чистые выходы отверстий при тех же условиях.

Обучение моделей предсказывать повреждения

Чтобы превратить полученные выводы в практические рекомендации, авторы построили два типа прогнозных инструментов. Первый — классический статистический подход, который аппроксимирует данные изгибающейся поверхностью, фиксируя влияние каждого параметра сверления и их парных комбинаций на величину повреждений. Этот метод хорошо работает и подчёркивает опасную комбинацию высокой подачи и высокой скорости, которая резко увеличивает деламинацию. Второй инструмент — искусственная нейронная сеть, простая форма машинного обучения, которая извлекает закономерности непосредственно из данных без предположения о форме уравнения. Нейронные сети научились сопоставлять подачу, скорость и диаметр с измеренным повреждением с очень высокой точностью, превосходя статистическую модель и снижая ошибку предсказания на трёхчетвертями. Оба подхода сходятся в выборе оптимальных режимов сверления, но нейронная сеть лучше улавливает тонкое нелинейное поведение именно этого биокомпозита.

Практические режимы для промышленности

С помощью стандартного метода оптимизации команда выделяет устойчивую область рабочих режимов, минимизирующую деламинацию и при этом реалистичную для серийного производства. Наилучший диапазон — при низких скоростях подачи (около 50–70 мм/мин), умеренных скоростях шпинделя (примерно 1000–1200 об/мин) и меньших диаметрах сверла, особенно при использовании покрытых инструментов. В этих условиях коэффициент деламинации остаётся всего на несколько процентов больше идеального размера отверстия — сопоставимо или даже лучше многих углепластиков и стеклопластиков, сверлённых в сухих условиях. Важно, что оптимум представляет собой не точку, а широкое плато, что означает: небольшие ежедневные колебания подачи или скорости не приведут мгновенно к резкому ухудшению качества отверстий.

Что это значит для более экологичных продуктов

Для неспециалистов вывод прост: панели из волокон Syagrus romanzoffiana и биоэпоксидной смолы можно сверлить достаточно чисто для требований многих реальных применений — от автомобильных интерьеров до спортивного снаряжения — при соблюдении разумных условий резания. Показав, какие именно режимы сверления сдерживают повреждения, и предоставив модели машинного обучения, которые можно переиспользовать и развивать, исследование помогает сократить разрыв между лабораторными «зелёными» материалами и повседневной производственной реальностью. Таким образом, оно укрепляет аргумент в пользу того, что растительные композиты могут быть одновременно экологичными и практически обрабатываемыми.

Цитирование: Ferfari, O., Belaadi, A., Krishnasamy, P. et al. Optimizing the drilling performance of Syagrus romanzoffiana fiber biocomposites: minimizing delamination with RSM and ANN modeling. Sci Rep 16, 7929 (2026). https://doi.org/10.1038/s41598-026-38618-0

Ключевые слова: композиты на натуральных волокнах, деламинация при сверлении, биоматериалы, оптимизация процесса, искусственные нейронные сети