Tarih palmiyesi (Phoenix dactylifera) tohum tozu takviyeli vinil ester biyokompozitlerinin makine öğrenimi tabanlı tahmini ve optimizasyonu

Atık çekirdekleri faydalı malzemelere dönüştürmek

Her yıl tonlarca hurma çekirdeği tarımsal atık olarak atılıyor. Bu çalışma, bu atığın güçlü, ısıya dayanıklı plastik parçalara nasıl dönüştürülebileceğini ve yapay zekânın mühendislerin bu yeni malzemeleri daha hızlı ve çok daha az laboratuvar deneyiyle tasarlamasına nasıl yardımcı olabileceğini inceliyor. Çalışma, öğütülmüş hurma çekirdeğinden yapılan “yeşil” dolgu maddelerini yaygın bir mühendislik reçinesiyle birleştiriyor ve ortaya çıkan kompozitlerin ne kadar dayanıklı ve sağlam olacağını tahmin etmek için makine öğrenimi kullanıyor.

Hurma çekirdeklerinden güçlü plastik parçalara

Araştırmacılar, otomotiv ve yapı bileşenlerinde yaygın olarak kullanılan vinil estere odaklandı ve bunu ince öğütülmüş Phoenix dactylifera (hurma) tohumu tozu ile takviye etti. Reçineye farklı oranlarda tohum tozu (ağırlıkça %0 ile %50 arasında) karıştırıp düz paneller kalıplayarak bir dizi biyokompozit ürettiler. Ardından bu malzemelerin davranışını ölçmek için standart testler uygulandı: çekme ve eğilme altında ne kadar kuvvet taşıyabildikleri, ani darbelere karşı dirençleri, yüzey sertlikleri ve yük altındayken yumuşamaya başladıkları sıcaklığı gösteren ısı eğilme sıcaklığı gibi özellikler test edildi.

Deneme-yanılma yeterli değil

Geleneksel olarak bu tür kompozitleri optimize etmek yavaş ve maliyetlidir. Her yeni formülasyon karıştırma, kürleme, işleme ve tahrip edici testler gerektirir ve gerçek dünya koşullarında uzun vadeli davranışı öngörmek özellikle zordur. Basit formüller genellikle başarısız olur çünkü birçok etken karmaşık, doğrusal olmayan biçimlerde etkileşir. Bu çalışmada yazarlar kasıtlı olarak sınırlı bir deneysel veri setiyle—her özellik için yalnızca 11 veri noktası—çalıştılar ve modern makine öğreniminin tasarımı yönlendirecek kadar temel eğilimleri yakalayıp yakalayamayacağını sordular. Aşırı uyuma karşı koruma sağlamak için veri temizleme, çapraz doğrulama kullandılar ve doğrulanmış aralıklar içinde dikkatle enterpolasyon yapılmış “sanal” noktalar oluşturdular.

Makinelere malzemeleri “okumayı” öğretmek

Dört tür tahmin modeli karşılaştırıldı: temel doğrusal regresyon, destek vektör makineleri (SVM), karar ağaçları ve rasgele ormanlar (çok sayıda ağacın topluluğu). Her model, özellikle tohum tozu yüzdesi olmak üzere küçük bir giriş kümesini ölçülen özelliklerle ilişkilendirmeyi öğrendi. Performansları doğruluk ve kararlılığı nicelendirien standart istatistiklerle kontrol edildi. Genel olarak, SVM çekme dayanımı, eğilme dayanımı, sertlik ve ısı direnci açısından dengeli ve güvenilir bir model olarak öne çıktı; rasgele ormanlar ise darbe dayanımını tahmin etmede özellikle iyiydi. Karar ağaçları yorumlaması kolay olsa da eğitim verisini “ezberleme” eğilimindeydi ve daha tutarsız performans gösterdi.

Dolgu içeriğinde optimum noktayı bulmak

En iyi performans gösteren modeller ve her girdinin tahmini nasıl yukarı veya aşağı ittiğini gösteren SHAP adlı yorumlanabilirlik yöntemi kullanılarak ekip, hangi oranda tohum tozunun en iyi performansı verdiğini belirledi. Ağırlıkça yaklaşık %25 ile %32,5 arasında belirgin bir optimum aralık buldular. Bu pencere içinde birden fazla özellik birlikte zirve yapıyor: eğilme ve çekme dayanımları artıyor, yüzey sertleşiyor, darbe direnci yüksek kalıyor ve ısı eğilme sıcaklığı yaklaşık 84 °C’ye ulaşıyor. Yaklaşık üçte bir dolgu oranının üstünde modeller performansta keskin bir düşüş öngörüyor; bu fiziksel olarak bilinenle tutarlı: çok fazla parçacık kümeleniyor, reçine onları iyi bağlayamaz hale geliyor, mikroskobik boşluklar oluşuyor ve malzeme zayıflayıp daha kırılgan oluyor.

Günlük teknoloji için ne anlama geliyor

Uzman olmayan birine göre ana mesaj şudur: hurma çekirdeği gibi atık malzemeler, doğru oranlarda kullanıldıklarında mühendislik plastiklerindeki fosil kökenli içeriğin bir kısmını performanstan ödün vermeden ikame edebilir. Ölçülmüş dikkatli deneylerin makul bir kümesini makine öğrenimiyle birleştirerek araştırmacılar en iyi formülasyonları sanal ortamda “haritalamanın” mümkün olduğunu, bunun da zaman, maliyet ve malzeme tüketimini azalttığını gösteriyor. Bu çerçeve, hafiflik, dayanım ve ısı direncinin önemli olduğu araba iç panelleri, yapı panelleri ve benzeri bileşenler için pratik uygulamalara işaret ediyor ve veri odaklı araçların daha sürdürülebilir, biyo-tabanlı malzemelere geçişi hızlandırabileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: sürdürülebilir kompozitler, hurma çekirdeği tozu, vinil ester, makine öğrenimi malzemeleri, biyo-tabanlı dolgu maddeleri