Predição das propriedades mecânicas e de cura de compósitos de borracha natural com negro de carbono recuperado de pneus inservíveis utilizando redes neurais artificiais

Abstract

Com a crescente necessidade de soluções sustentáveis e a grande quantidade de pneus em fim de vida descartados inadequadamente, investigou-se o uso do negro de carbono recuperado (NCR) proveniente da pirólise de pneus como reforço para compósitos de borracha. Este estudo considerou o NCR como uma alternativa ao negro de carbono comercial, devido à sua sustentabilidade e à redução das emissões de CO2. Foram produzidos compósitos com diferentes teores de NCR (0 a 50 partes por cem de borracha) e avaliadas suas propriedades mecânicas, tais como dureza, resistência à abrasão e testes reométricos. Os resultados foram utilizados para treinar Redes Neurais Artificiais (RNAs) com o software Matlab para prever os teores de NCR. Os parâmetros de entrada incluíram o tempo de cura ótimo, torque mínimo e máximo, e os resultados dos testes mecânicos, como dureza Shore A e perda por abrasão. O modelo foi treinado com dados de 90 amostras, sendo 10 reservados para validação. As previsões resultantes corresponderam estreitamente aos dados experimentais, com um erro máximo de previsão inferior a 3%. Isso indica que as RNAs são ferramentas eficazes para modelar de forma inteligente o processo de cura de misturas de borracha natural, minimizando o desperdício de material, otimizando o tempo de produção e determinando teores adequados de negro de fumo para alcançar as propriedades mecânicas desejadas.

Given the increasing need for sustainable solutions and the large amount of improperly discarded end-of-life tires, recovered carbon black (rCB) from tire pyrolysis was investigated as a filler for rubber composites. This study considered rCB as an alternative to commercial carbon black due to its sustainability and CO2 emissions reduction. Composites with varying rCB contents (0 to 50 per hundred rubber) were produced and assessed for mechanical properties such as hardness, abrasion resistance, and rheometric tests. The findings were used to train Artificial Neural Networks (ANNs) with Matlab software to predict rCB contents. Input parameters included optimal curing time, minimum and maximum torque, and results of mechanical tests like Shore A hardness and abrasion loss. The model was trained on data from 90 samples, with 10 reserved for validation. The predicted outcomes closely matched the experimental data, with a maximum prediction error of less than 3%. This indicates that ANNs are effective tools for intelligently modeling the curing process of natural rubber mixtures, minimizing material waste, optimizing production time, and determining suitable carbon black contents for desired mechanical properties.