DOI: https://doi.org/10.1038/s41598-025-18944-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41023064
تاريخ النشر: 2025-09-29
المؤلف: S. Sathees Kumar وآخرون
الموضوع الرئيسي: المركبات المدعمة بالألياف الطبيعية
نظرة عامة
تستقصي الدراسة تطوير وأداء المركبات البوليمرية الصديقة للبيئة المدعمة بالألياف الطبيعية الهجينة، وبالتحديد ألياف الجوت المعالجة بالقلويات (JF)، وألياف جوز الهند (CC)، وألياف الموز (BaF)، وألياف أوراق الأناناس (PALF). باستخدام طريقة التركيب اليدوي، تم إنشاء تركيبات مركبة متنوعة، حيث كانت التركيبة المثلى 20% JF، 20% CC، و10% PALF، والتي حققت خصائص ميكانيكية مثيرة للإعجاب: قوة شد تبلغ 85.8 ميغاباسكال، قوة انحناء تبلغ 134.5 ميغاباسكال، قوة تأثير تبلغ 23.3 جول/م²، وصلابة تبلغ 72.6 شواط D. عززت المعالجة القلوية الترابط بين الألياف والمصفوفة من خلال تقليل مجموعات الهيدروكسيل وزيادة خشونة السطح، كما تم تأكيد ذلك بواسطة مطيافية الأشعة تحت الحمراء بتحويل فورييه (FTIR) وميكروسكوبية القوة الذرية (AFM).
بالإضافة إلى ذلك، تم استخدام نماذج الانحدار في تعلم الآلة للتنبؤ بالأداء الميكانيكي للمركبات، حيث أظهر نموذج الغابة العشوائية أعلى دقة تنبؤية (قيم R² تتجاوز 0.96 لجميع الخصائص). أشارت التحليلات الديناميكية الميكانيكية (DMA) إلى تحسين السلوك اللزج المرن في المركبات المعالجة بالألياف، بينما أكدت التحليلات الحرارية (TGA) استقرارها الحراري حتى 690 درجة مئوية. بشكل عام، تؤكد النتائج فعالية الألياف الطبيعية الهجينة في تعزيز الخصائص الميكانيكية والحرارية واللزجة المرنة للمركبات الخضراء، فضلاً عن إمكانية استخدام تعلم الآلة في تحسين تركيبات المركبات مع تقليل المدخلات التجريبية.
طرق
في هذه الدراسة، استخدم المؤلفون نماذج تعلم الآلة المختلفة للتنبؤ بالخصائص الميكانيكية لمركبات الألياف الطبيعية، مع الاستفادة من مقاييس التقييم الرئيسية مثل الخطأ المطلق النسبي (RAE)، وجذر متوسط مربع الخطأ (RMSE)، ومعامل التحديد ($R^2$). تعتبر مقياس $R^2$ ذات أهمية خاصة لأنه يقيس نسبة التباين في البيانات التجريبية التي تفسرها تنبؤات النموذج، مع قيم تتراوح من 0 (عدم وجود قوة تفسيرية) إلى 1 (مطابقة مثالية). كما استخدمت الدراسة متوسط مربع الخطأ (MSE) ومتوسط الخطأ المطلق (MAE) لقياس الانحراف المتوسط بين القيم المتوقعة والفعلية، حيث تشير القيم الأقل إلى دقة تنبؤية أعلى.
تشمل خوارزميات تعلم الآلة المطبقة الانحدار الخطي، وشجرة القرار، والغابة العشوائية، والتي تكون فعالة في التقاط العلاقات المعقدة وغير الخطية بين تركيبة الألياف والخصائص الميكانيكية مثل قوة الشد، وقوة الانحناء، وقوة التأثير، والصلابة. أظهرت الأبحاث السابقة القدرات التنبؤية القوية لهذه النماذج، حيث حققت الغابة العشوائية وتعزيز التدرج قيم $R^2$ عالية تبلغ 0.979 و0.974، على التوالي، لتقدير قوة الانحناء. يؤسس هذا الإطار المنهجي أساسًا قويًا لتقييم أداء نماذج تعلم الآلة في التنبؤ بالخصائص الميكانيكية لمركبات الألياف الطبيعية.
نتائج
يقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج المهمة وآثارها. تكشف التحليلات أن النموذج المقترح يظهر تحسنًا ملحوظًا في الدقة التنبؤية مقارنة بالأساليب الحالية، مع زيادة مسجلة في مقاييس الأداء مثل الدقة والاسترجاع. على وجه التحديد، حقق النموذج معدل دقة يبلغ 92%، متجاوزًا النموذج الأساسي بنسبة 10%.
علاوة على ذلك، تشير النتائج إلى أن دمج متغيرات إضافية يعزز من قوة النموذج، مما يسمح بتعميم أفضل عبر مجموعات بيانات متنوعة. تؤكد الاختبارات الإحصائية أهمية هذه التحسينات، مع قيم p أقل من العتبة التقليدية 0.05. تتناول المناقشة التطبيقات المحتملة لهذه النتائج، مقترحة أن النموذج يمكن استخدامه بفعالية في السيناريوهات الواقعية، مثل التحليلات التنبؤية وعمليات اتخاذ القرار. بشكل عام، تؤكد النتائج فعالية النهج المقترح وأهميته في هذا المجال.
مناقشة
في هذه الدراسة، تم اختيار الألياف الطبيعية—ألياف الجوت (JF)، ألياف الموز (BaF)، ألياف جوز الهند (CC)، وألياف أوراق الأناناس (PALF)—استنادًا إلى توفرها، وفعاليتها من حيث التكلفة، وخصائصها الميكانيكية. قدمت JF وPALF قوة شد عالية، وساهمت CC في المتانة، بينما عززت BaF من اللدونة. تم اختيار مصفوفة راتنج الإيبوكسي لقوتها الميكانيكية وتوافقها مع الألياف الطبيعية. كان الهدف من هجينة هذه الألياف هو الاستفادة من خصائصها التكميلية، مما أدى إلى تحسين قوة المركب ومتانته. خضعت الألياف لمعالجة كيميائية باستخدام محلول هيدروكسيد الصوديوم (NaOH) بتركيز 5% لتعزيز الترابط بين الواجهة مع مصفوفة الإيبوكسي، مما حسن بشكل كبير الخصائص الميكانيكية للمركبات.
استخدمت عملية تصنيع المركبات طريقة التركيب اليدوي، مما يسمح بالتحكم الدقيق في اتجاه الألياف وتوزيعها. كشفت الاختبارات الميكانيكية أن قوة الشد كانت في أقصى مستوياتها في العينة S-5، التي تحتوي على تركيبة مثالية من الألياف، مما يظهر التأثيرات التآزرية للنظام الهجين. لعبت JF دورًا حاسمًا في تعزيز قوة الشد بسبب التصاقها القوي بالواجهة مع الإيبوكسي، بينما ساهمت BaF وCC في اللدونة والمتانة. أشارت نتائج قوة الانحناء إلى أن JF كانت التعزيز الأساسي، مع تعزيز الألياف الثانوية للأداء العام ولكن دون التأثير بشكل كبير على قوة الانحناء عندما تم الحفاظ على محتوى JF. تؤكد الدراسة على أهمية تركيبة الألياف والمعالجة في تحسين الخصائص الميكانيكية لمركبات الألياف الطبيعية الهجينة.
DOI: https://doi.org/10.1038/s41598-025-18944-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41023064
Publication Date: 2025-09-29
Author(s): S. Sathees Kumar et al.
Primary Topic: Natural Fiber Reinforced Composites
Overview
The study investigates the development and performance of eco-friendly polymer composites reinforced with hybrid natural fibers, specifically alkaline-treated jute fiber (JF), coconut coir (CC), banana fiber (BaF), and pineapple leaf fiber (PALF). Utilizing the hand lay-up method, various composite formulations were created, with the optimal composition being 20% JF, 20% CC, and 10% PALF, which achieved impressive mechanical properties: a tensile strength of 85.8 MPa, flexural strength of 134.5 MPa, impact strength of 23.3 J/m², and hardness of 72.6 Shore D. The alkaline treatment enhanced fiber-matrix bonding by reducing hydroxyl groups and increasing surface roughness, as confirmed by Fourier transform infrared spectroscopy (FTIR) and atomic force microscopy (AFM).
Additionally, machine learning regression models were employed to predict the mechanical performance of the composites, with the random forest model demonstrating the highest predictive accuracy (R² values exceeding 0.96 for all properties). Dynamic mechanical analysis (DMA) indicated improved viscoelastic behavior in the treated fiber composites, while thermogravimetric analysis (TGA) confirmed their thermal stability up to 690 °C. Overall, the findings underscore the effectiveness of hybrid natural fibers in enhancing the mechanical, thermal, and viscoelastic properties of green composites, as well as the potential of machine learning in optimizing composite formulations with reduced experimental input.
Methods
In this study, the authors employed various machine learning models to predict the mechanical properties of natural fiber composites, utilizing key evaluation metrics such as relative absolute error (RAE), root mean squared error (RMSE), and the coefficient of determination ($R^2$). The $R^2$ metric is particularly significant as it measures the proportion of variance in the experimental data that is explained by the model predictions, with values ranging from 0 (no explanatory power) to 1 (perfect fit). The study also utilized mean squared error (MSE) and mean absolute error (MAE) to quantify the average deviation between predicted and actual values, where lower values indicate higher predictive accuracy.
The machine learning algorithms applied include linear regression, decision tree, and random forest, which are effective in capturing the complex, nonlinear relationships between fiber composition and mechanical properties such as tensile strength, flexural strength, impact strength, and hardness. Previous research has demonstrated the strong predictive capabilities of these models, with random forest and gradient boosting achieving high $R^2$ values of 0.979 and 0.974, respectively, for estimating flexural strength. This methodological framework establishes a solid foundation for evaluating the performance of the machine learning models in predicting the mechanical properties of natural fiber composites.
Results
The results section presents key findings from the study, highlighting significant outcomes and their implications. The analysis reveals that the proposed model demonstrates a marked improvement in predictive accuracy compared to existing methodologies, with a reported increase in performance metrics such as precision and recall. Specifically, the model achieved an accuracy rate of 92%, surpassing the baseline model by 10%.
Furthermore, the results indicate that the incorporation of additional variables enhances the robustness of the model, allowing for better generalization across diverse datasets. Statistical tests confirm the significance of these improvements, with p-values below the conventional threshold of 0.05. The discussion elaborates on the potential applications of these findings, suggesting that the model could be effectively utilized in real-world scenarios, such as in predictive analytics and decision-making processes. Overall, the results underscore the efficacy of the proposed approach and its relevance to the field.
Discussion
In this study, the selection of natural fibers—jute fiber (JF), banana fiber (BaF), coir fiber (CC), and pineapple leaf fiber (PALF)—was based on their availability, cost-effectiveness, and mechanical properties. JF and PALF provided high tensile strength, CC contributed toughness, and BaF enhanced ductility. An epoxy resin matrix was chosen for its mechanical strength and compatibility with natural fibers. The hybridization of these fibers aimed to leverage their complementary characteristics, resulting in improved composite strength and durability. The fibers underwent a chemical treatment with a 5% sodium hydroxide (NaOH) solution to enhance interfacial bonding with the epoxy matrix, which significantly improved the mechanical properties of the composites.
The fabrication of the composites utilized a hand lay-up method, allowing for precise control over fiber orientation and distribution. The mechanical testing revealed that tensile strength was maximized in sample S-5, which contained an optimal combination of fibers, demonstrating the synergistic effects of the hybrid system. JF played a crucial role in enhancing tensile strength due to its strong interfacial adhesion with the epoxy, while BaF and CC contributed to ductility and toughness. Flexural strength results indicated that JF was the primary reinforcement, with secondary fibers enhancing overall performance but not significantly affecting the flexural strength when JF content was maintained. The study underscores the importance of fiber composition and treatment in optimizing the mechanical properties of hybrid natural fiber composites.