Ansatz von Künstlichen Neuronalen Netzen zur Bewertung der mechanischen Eigenschaften und der Schlagleistung von Naturfaserverbunden, die UV-Strahlung ausgesetzt sind

Vor dem Hintergrund zunehmender Umweltbedenken haben sich thermoplastische Biokomposite mit kurzen Naturfasern (SNFT) als nachhaltige Materialien für die umweltfreundliche Herstellung von mechanischen Bauteilen etabliert. Ihre begrenzte Haltbarkeit hat jedoch zu Forschungen über die experimentelle Bewertung der Verschlechterung der mechanischen Eigenschaften von SNFT-Biokompositen geführt, insbesondere unter dem Einfluss von Ultraviolettstrahlen. Die Durchführung von Tests zur Bewertung der mechanischen Eigenschaften kann jedoch zeitaufwendig und kostspielig sein. In dieser Studie wurde ein Modell eines künstlichen neuronalen Netzwerks (ANN) eingesetzt, um die mechanischen Eigenschaften (Zugfestigkeit) und die Schlagleistung (Widerstand und aufgenommene Energie) von mit 30 Gew.-% kurzen Flachs- oder Kiefernholzfasern verstärktem Polypropylen (PP30-F bzw. PP30-P) vorherzusagen. Acht Parameter wurden aus experimentellen Studien gesammelt. Die Eingabeparameter des ANN umfassten zerstörungsfreie Testergebnisse, darunter Masse, Härte, Rauheit und natürliche Frequenzen, während die Ausgabeparameter die Zugfestigkeit, die maximale Schlaglast und die aufgenommene Energie waren. Das Modell wurde mithilfe des ANN-Toolbox in MATLAB entwickelt. Der lineare Korrelationskoeffizient und der mittlere quadratische Fehler wurden als Kennzahlen zur Bewertung der Leistungsfunktion und der Genauigkeit des ANN-Modells ausgewählt. Sie berechnen die Beziehung und den durchschnittlichen quadratischen Unterschied zwischen den prognostizierten und den tatsächlichen Werten. Die von den Modellen durchgeführte Datenanalyse zeigte eine außergewöhnliche Vorhersagefähigkeit mit einer Genauigkeitsrate von über 96 %, die als zufriedenstellend angesehen wurde. Für sowohl die PP30-F- als auch die PP30-P-Biokomposite wichen die Vorhersagen des ANN um 3, 5 und 6 % von den experimentellen Daten bezüglich der Schlaglast, der aufgenommenen Energie und der Zugfestigkeit ab.