Voorspellen van de buigsterkte van bio-based composieten

Hoe kunnen we de ontwikkeling van bio-based composieten op basis van drie ingrediënten versnellen, zonder elke formulering experimenteel te hoeven testen?

Bio-based composieten vormen een veelbelovend en duurzaam alternatief voor conventionele technische materialen; ze bieden de mogelijkheid om de milieu-impact te verminderen en tegelijkertijd hoge mechanische prestaties te behouden. De productie en het testen ervan vergt echter veel tijd, waardoor het onpraktisch is om alle mogelijke combinaties en verhoudingen van natuurlijke vulstoffen, vezels en harsen experimenteel te onderzoeken. Voorspellende modellen zijn daarom essentieel, al vormen natuurlijke materialen een uitdaging vanwege variaties tussen batches, heterogene chemische samenstellingen, complexe morfologieën en interacties tussen matrix, vulstof en vezel. Micromechanische modellen bieden een fysisch interpreteerbaar verband tussen de eigenschappen van de bestanddelen, de microstructuur en het gedrag van het composiet, maar vereenvoudigde aannames kunnen de nauwkeurigheid ervan beperken. Datagestuurde modellen kunnen complexe relaties en variabiliteit uit hun trainingsdata vastleggen, maar vereisen vaak omvangrijke datasets. Het combineren van deze benaderingen in een 'grey-box'-raamwerk kan de voorspellende nauwkeurigheid en data-efficiëntie verbeteren met behoud van fysische interpreteerbaarheid, waardoor de experimentele inspanning voor materiaaloptimalisatie afneemt. Om de basis voor een dergelijk raamwerk te verkennen, onderzocht Alex Pravin, masterstudent Materials Science & Engineering aan de TU Delft, twee onafhankelijke modelleringsroutes voor het voorspellen van de buigsterkte van deze composieten. Dit onderzoek maakt deel uit van het CBE-Ssuchy-Next-project. Dit project heeft financiering ontvangen van de Circular Bio-based Europe Joint Undertaking (CBE JU). De JU wordt ondersteund door het onderzoeks- en innovatieprogramma Horizon Europe van de Europese Unie en het Bio Based Industries Consortium.

Route 1: Klassieke micromechanica

Bij de eerste route werden klassieke micromechanische modellen (Rule of Mixtures, Halpin-Tsai, Mori-Tanaka en Lewis-Nielsen) getoetst aan experimentele buiggegevens. Deze modellen bleken echter onbetrouwbaar als voorspellers wanneer ze gebaseerd waren op onafhankelijk gemeten vulstoffeigenschappen: uit een omgekeerde Lewis-Nielsen-fitprocedure bleek dat de vulstofstijfheid die nodig is om het composietgedrag te verklaren, aanzienlijk verschilt van de intrinsieke vulstofmodulus die via nano-indentatie is gemeten. Deze route bracht de fysische grenzen en beperkingen van klassieke micromechanica voor sterk gevulde, morfologisch complexe bio-based systemen in kaart. Deze bevindingen benadrukken de beperkingen van de geteste modellen voor sterk gevulde biobased systemen met complexe vulstofmorfologieën, terwijl de noodzaak openblijft om alternatieve micromechanische benaderingen te identificeren en te evalueren die beter geschikt zijn voor deze materialen.

Route 2: Interpreteerbare datagestuurde modellering

De tweede route ontwikkelde Sparse Symbolic Regression (SISSO)-modellen, een symbolische regressiemethode die compacte wiskundige vergelijkingen identificeert uit een grote set kandidaatcombinaties van invoerkenmerken. Het produceert interpreteerbare modellen die materiaalkenmerken zoals vulstofvolumefractie, porositeit, dichtheid en deeltjesgrootte koppelen aan doeleigenschappen, zoals buigsterkte. Het model werd aanvankelijk onafhankelijk van elkaar gebruikt voor twee verschillende vulstoffen. Vervolgens werd een gewogen gelijkeniskader geïntroduceerd om de vergelijkingen aan te passen aan nieuwe vulstoffen, waarbij Bayesiaanse optimalisatie werd gebruikt om de gelijkenisgewichten te bepalen; de resulterende gecombineerde voorspellingen werden gevalideerd. Het belangrijkste doel is om de nauwkeurigheid van de modelvoorspelling te bepalen wanneer deze wordt voorzien van een volledig nieuwe vulstof met bekende materiaalkenmerken.

De resultaten tonen aan dat eenvoudige, fysiek betekenisvolle beschrijvers stabiele, interpreteerbare SISSO-vergelijkingen opleveren. De op gelijkenis gewogen mix van deze vergelijkingen geeft redelijke eerste-orde voorspellingen voor nieuwe vulstoffen, hoewel de prestaties matig blijven. Dit motiveert de uitbreiding van het raamwerk naar een drievoudige formulering, waarbij de nieuwe vulstof wordt behandeld als een onafhankelijke referentievulstof in plaats van een geïnterpoleerd punt tussen bekende vulstoffen. Deze uitbreiding is beschreven als toekomstig werk, maar is niet geïmplementeerd of gevalideerd in dit project.

Wat volgt?

De volgende stap is het uitbreiden van de dataset met meer formuleringen, extra natuurlijke vulstoffen, vezels en verschillende harssystemen. Door deze bredere experimentele gegevens te combineren met relevante materiaal- en verwerkingsbeschrijvers kunnen de modellen een breder scala aan composietgedrag vastleggen. Validatie op onbekende formuleringen is essentieel om vast te stellen of dit zich vertaalt in betrouwbaardere voorspellingen en efficiëntere materiaalscreening. Bovendien zou het identificeren en valideren van micromechanische modellen die de experimentele datasets kunnen aanvullen met op natuurkunde gebaseerde voorspellingen en beschrijvingen, en het integreren hiervan in SISSO, de data-efficiëntie en voorspellingen kunnen verbeteren. Het resultaat zal een interpreteerbare, data-efficiënte hybride voorspellingsengine zijn, gebaseerd op micromechanische modellen en SISSO.