Makine öğrenimi yaklaşımıyla kompozit malzeme için takviye parametrelerinin tahmini ve optimizasyonu

Günlük malzemelerle daha sağlam plastikler

Arabalardan ev aletlerine kadar pek çok ürün, hafif ama dayanıklı olması gereken plastik parçalara dayanır. Mühendisler genellikle performansı, plastikleri metal gibi sert parçacıklarla karıştırarak artırır. Ancak ne kadar metal eklenmesi ve parçacıkların boyutunun ne olması gerektiğini seçmek yavaş, deneme‑yanılma süreçlerine dayanır. Bu çalışma, modern makine öğreniminin tasarımcıların bu metal takviyeli plastikler için en iyi reçeteyi hızla bulmasına nasıl yardımcı olabileceğini gösteriyor; zaman, maliyet ve malzeme israfından tasarruf sağlıyor.

Yaygın bir plastiğe metal tozu karıştırmak

Araştırmacılar, birçok şişe ve tekstilde bulunan temel malzeme olan polietilen tereftalat (PET) adı verilen yaygın bir plastik ile çalıştı. PET’i ince metal tozu ile karıştırarak yeni bir kompozit oluşturdular ve ardından bu karışımı standart endüstriyel bir işlem olan pres kalıplama ile düz levhalar halinde şekillendirdiler. Tarifin performansı nasıl etkilediğini görmek için iki temel bileşeni değiştirdiler: metal parçacıklarının boyutu (2 mikrometreden küçük, 2–4 mikrometre aralığında ve 4 mikrometreden büyük) ve plastik içindeki metal miktarı; ağırlıkça 0 ila %4 arasında küçük adımlarla varyasyon yapıldı.

Yeni malzemenin davranışını ölçmek

Her bir kompozit partiden test numuneleri kesildi ve üç pratik özellik ölçüldü. Çekme dayanımı, bir numunenin kırılmadan önce ne kadar çekilebileceğini; eğilme dayanımı, ne kadar bükülmeye karşı direnç gösterebileceğini tarif eder. Yüzde uzama ise malzemenin ne kadar gerildiğini gösterir ve süneklik veya esneklik göstergesi olarak kullanılır. Standart test makineleri numuneleri kırılana kadar çekip büktü ve ortaya çıkan veriler kaydedildi. Grup ayrıca yüksek çözünürlüklü elektron mikroskopları ve element analizi kullanarak metal parçacıklarının plastik içinde dağıldığını doğruladı ve parçacıkların PET matrisi içinde nasıl yer aldığını görselleştirdi. Bu görüntüler, mikroskobik yapı ile makroskopik performans arasındaki bağlantıya yardımcı oldu.

İstatistikten akıllı tahmine

İlk adım olarak yazarlar, yanıt yüzeyi metodolojisi olarak bilinen geleneksel bir istatistiksel aracı uyguladı. Bu yaklaşım, girdilerin—burada parçacık boyutu ve metal içeriği—çekme dayanımı, eğilme dayanımı ve uzama gibi çıktıları nasıl etkilediğini haritalamak ve tüm üç özelliği dengede tutan bir kombinasyonu önermek için dikkatle planlanmış bir deney seti kullanır. Analiz, hafifçe 1 yüzdeyi aşan orta düzeyde bir metal içeriği ve orta aralıkta parçacık boyutunu iyi bir uzlaşma olarak işaret etti; bu, herhangi bir tek özelliği aşırı zorlamadan dayanım ve esnemede ılımlı iyileşmeler sağlıyordu.

Algoritmaların en iyi reçeteyi öğrenmesine izin vermek

Ekip daha sonra bu ilk tahminlerin ötesine geçmek için makine öğrenimine yöneldi. Tam test sonuçları seti üzerinde Random Forest ve XGBoost adı verilen iki farklı karar ağacı tabanlı modeli eğittiler. Algoritmalar, parçacık boyutu ve dolum miktarındaki değişikliklerin çekme dayanımı, eğilme dayanımı ve uzama üzerindeki etkisini öğrendi. Modelleri, beş katlı çapraz doğrulama kullanarak görülmemiş verilere karşı test ederek, araştırmacılar algoritmaların sadece ölçümleri ezberlemek yerine ne kadar iyi genelleme yaptığını değerlendirebildi. Tahmin edilen değerlerin gerçeklerle ne kadar yakın olduğu ve ortalama hataların büyüklüğü de dahil olmak üzere çeşitli kalite kontrolleri uygulandı.

Neden XGBoost öne çıkıyor

Her iki makine öğrenimi yaklaşımı da verideki ana eğilimleri yakalayabildi, ancak XGBoost açıkça daha iyi performans gösterdi. Çekme dayanımı ve diğer özellikleri çok daha tutarlı bir şekilde tahmin ederek deneylerle daha sıkı bir uyum ve Random Forest’a göre daha düşük hata değerleri sergiledi. XGBoost, önceki hataları düzeltmek için karar ağaçlarını adım adım kurduğu için parçacık boyutu, metal dolumu ve sertlikteki kazanç ile esneklikteki kayıp arasındaki ince ödünleşmeleri daha iyi takip edebiliyor. Model ayrıca yazarların hangi girdilerin en önemli olduğunu nicelendirerek iyi dağıtılmış, makul miktarda metal tozunun PET’in mekanik davranışını önemli ölçüde iyileştirebileceği fikrini güçlendirdi.

Gelecek malzemeler için bunun anlamı

Basitçe söylemek gerekirse, çalışma bir bilgisayarın nispeten küçük, dikkatle tasarlanmış bir test setinden yeni bir metal‑plastik karışımın nasıl davranacağını öğrenebileceğini ve ardından bu bilgiyi daha iyi tasarımları yönlendirmek için kullanabileceğini gösteriyor. Mühendisler onlarca fazladan numune üretip kırmak yerine, çekme ve esneklik hedeflerini karşılaması en muhtemel parçacık boyutu ve metal yüzdesi kombinasyonunu bir XGBoost modeline sorabilirler. Bu çalışma gerilme ve bükülmeye odaklansa da aynı çerçeve daha sonra basma ve kesme gibi diğer pratik özelliklere de genişletilebilir; bu da daha güvenli, daha hafif ve daha verimli kompozit malzemelerin geliştirilmesini hızlandırmaya yardımcı olur.

Atıf: 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

Anahtar kelimeler: metal takviyeli plastik, polimer kompozitler, makine öğrenimi malzemeleri, XGBoost modelleme, mekanik özellikler