Aplicação de redes neurais artificiais no desenvolvimento de formulações de compósitos elastoméricos com negro de carbono recuperado de pneus inservíveis

Abstract

Em 2023, a produção mundial de pneus foi de 2,3 bilhões de unidades. Após seu uso, os pneus inservíveis representam um desafio ambiental, devido à sua elevada resistência à degradação e ao potencial poluente dos reagentes utilizados na vulcanização da borracha. A pirólise de pneus surge como alternativa sustentável, gerando gases, óleos de alto poder calorífico e negro de carbono recuperado (rCB), este último aplicável como carga em formulações elastoméricas. Apesar de o rCB apresentar propriedades próximas às do negro de carbono virgem (CB), a variação na composição dos pneus originais compromete a padronização e o desempenho mecânico dos compósitos. Diversos estudos visam melhorar o desempenho do rCB por meio de formulações para borracha desenvolvidas a partir de métodos empíricos baseados em tentativa e erro, que demandam tempo, materiais, mão-de-obra qualificada e alto consumo de energia. Para otimizar esse processo, este trabalho propõe o uso de redes neurais artificiais (ANNs) na predição de propriedades reométricas e mecânicas de compósitos elastoméricos com rCB, reduzindo custos e evitando a geração desnecessária de resíduos durante o desenvolvimento de formulações. Foram produzidos compósitos de polibutadieno (BR) com teores de rCB variando entre 0 e 50 phr. Os dados experimentais obtidos foram utilizados para treinar nove ANNs, projetadas para prever: tempo ótimo de cura (t90), dureza, densidade, resistência à abrasão, densidade de ligações cruzadas, resistência à tração (tensão e deformação na ruptura) e resistência ao rasgo (força e deslocamento no rasgo). O treinamento foi realizado utilizando o algoritmo Levenberg-Marquardt com regularização bayesiana. As predições apresentaram baixa margem de erro quando comparadas aos ensaios de validação, confirmando a eficácia da abordagem. O uso de ANNs mostrou-se uma ferramenta promissora para o desenvolvimento sustentável de compósitos elastoméricos com rCB, promovendo economia de recursos e maior eficiência no processo de vulcanização.

In 2023, global tire production reached approximately 2.3 billion units. After their service life, end-of-life tires pose a significant environmental challenge due to their high resistance to degradation and the pollutant potential of the reagents employed in rubber vulcanization. Tire pyrolysis has emerged as a sustainable alternative, generating gases, high-calorific-value oils, and recovered carbon black (rCB), the latter of which can be used as a filler in elastomeric formulations. Although rCB exhibits properties similar to those of virgin carbon black (CB), variations in the composition of the original tires hinder standardization and compromise the mechanical performance of the resulting composites. Several studies have aimed to improve rCB performance through rubber formulations developed empirically by trial and error, a time-consuming process that demands significant material, labor, and energy resources. To optimize this process, the present work proposes the use of artificial neural networks (ANNs) to predict the rheometric and mechanical properties of elastomeric composites containing rCB, thereby reducing costs and preventing unnecessary waste generation during formulation development. Composites based on polybutadiene rubber (BR) were prepared with rCB contents ranging from 0 to 50 phr. The experimental data obtained were used to train nine ANNs designed to predict the following properties: optimum cure time (t90), hardness, density, abrasion resistance, crosslink density, tensile strength (stress and strain at break), and tear strength (force and displacement at tear). The training process employed the Levenberg–Marquardt algorithm with Bayesian regularization. The predictions exhibited low error margins when compared with validation test results, confirming the effectiveness of the proposed approach. The use of ANNs proved to be a promising tool for the sustainable development of elastomeric composites reinforced with rCB, enabling resource savings and improved efficiency in the vulcanization process.