//

Menyederhanakan pengujian material menggunakan pembelajaran mesin

Pembelajaran mesin telah mengubah cara pengujian material. MAD3, sebuah algoritma dari Laboratorium Nasional Sandia, mempercepat evaluasi, menjanjikan efisiensi di seluruh industri manufaktur dan dirgantara.

Manufaktur dan produksi telah lama berhadapan dengan pengujian jaminan kualitas yang memakan waktu untuk memastikan keandalan material. Saat ini, kita berada di ambang pergeseran paradigma - di mana pembelajaran mesin dapat mengubah cara kita melakukan pendekatan terhadap pengujian dan penelitian di berbagai industri, mulai dari manufaktur mobil hingga dirgantara.

Revolusi pembelajaran mesin dalam pengujian material

Berasal dari Laboratorium Nasional Sandia, sebuah algoritma pembelajaran mesin baru dapat menawarkan kepada beberapa industri cara yang lebih cepat dan lebih ekonomis untuk menilai material dalam jumlah besar. Teknik inovatif ini baru-baru ini dipamerkan dalam jurnal ilmiah terkemuka, Materials Science and Engineering: A.

Bagi produsen, menghentikan produksi karena masalah tak terduga dengan material dapat menimbulkan beban keuangan yang besar. Secara tradisional, material seperti lembaran logam menjalani penyaringan yang ketat untuk menentukan kemampuan bentuknya, memastikan material tersebut tahan terhadap berbagai proses manufaktur tanpa kompromi dalam integritasnya. Meskipun perangkat lunak simulasi komersial membantu dalam evaluasi ini, mengkalibrasinya melalui beberapa pengujian mekanis dapat memakan waktu beberapa bulan.

Selain itu, meskipun simulasi dengan ketelitian tinggi yang ada saat ini dapat mempercepat prosesnya, simulasi ini membutuhkan superkomputer dan keahlian khusus untuk mengoperasikannya. Dalam perkembangan yang signifikan, penemuan terbaru dari Laboratorium Nasional Sandia menunjukkan bahwa pembelajaran mesin dapat menjadi sebuah terobosan baru dalam bidang ini.

Algoritma MAD3

Algoritma baru ini, yang dikenal sebagai MAD3 (Material Data Driven Design/Desain Berbasis Data Material), siap untuk menggantikan pengujian mekanis tradisional. Pada intinya, MAD3 berfungsi berdasarkan prinsip sederhana: paduan logam terdiri dari butiran "kristalografi" yang sangat kecil, yang jika digabungkan akan menghasilkan tekstur, yang memberikan kekuatan yang berbeda-beda pada logam ke arah yang berbeda, yang disebut sebagai "anisotropi mekanis."

Dr. David Montes de Oca Zapiain, penulis utama studi terobosan ini, mengatakan, "Kami telah menyusun model untuk menguraikan hubungan yang rumit antara tekstur kristalografi dan respons mekanis anisotropik." Secara sederhana, hanya dengan menggunakan mikroskop elektron untuk melihat tekstur logam, data ini dapat dimasukkan ke dalam MAD3. Selanjutnya, algoritma ini memberikan data yang diperlukan untuk perangkat lunak simulasi, tanpa memerlukan pengujian mekanis yang menyeluruh.

Bekerja sama dengan Universitas Negeri Ohio, Sandia memfasilitasi pelatihan MAD3 berdasarkan hasil dari 54.000 pengujian material yang disimulasikan, dengan memanfaatkan metode yang dikenal sebagai jaringan saraf feed-forward. Untuk menentukan ketepatannya, 20.000 mikrostruktur baru kemudian dimasukkan ke dalam algoritma tersebut, dan hasilnya disandingkan dengan data yang berasal dari eksperimen dan simulasi berbasis superkomputer.

MAD3: Standar emas yang baru?

Hojun Lim, seorang ilmuwan di Sandia dan kontributor untuk penelitian perintis ini, menguraikan efisiensi MAD3, dengan menyatakan, "Algoritma yang diformulasikan beroperasi pada kecepatan sekitar 1.000 kali lebih cepat daripada simulasi dengan ketelitian tinggi." Ambisi tim tidak berhenti sampai di sini, karena upaya yang sedang berlangsung bertujuan untuk meningkatkan model dengan mengintegrasikan fungsionalitas canggih untuk menangkap evolusi anisotropi yang sangat penting untuk memprediksi batas patahan material.

Dengan berakar pada keamanan nasional, penelitian Sandia kini telah memperluas cakrawala untuk mengetahui apakah MAD3 dapat mempercepat proses penjaminan kualitas, terutama untuk persediaan nuklir AS. Mengingat ketatnya kriteria yang harus dipenuhi oleh material-material tersebut sebelum mendapatkan izin produksi, implikasi dari keberhasilan integrasi ini sangatlah besar.

Berbagi terobosan

Laboratorium Nasional Sandia tidak menyimpan teknologi terobosan ini untuk dirinya sendiri. Dalam upaya untuk memberdayakan institusi lain, mereka telah membentuk tim lintas disiplin yang didedikasikan untuk merancang perangkat lunak Desain Berbasis Data Material (MD3). Perangkat lunak yang berpusat pada pengguna dan kaya akan grafis ini terwujud setelah melalui konsultasi ekstensif, yang mencakup lebih dari 75 wawancara dengan calon pengguna, yang difasilitasi oleh program Energy I-Corps dari Departemen Energi.

Pada intinya, penyatuan pembelajaran mesin dan pengujian material, seperti yang ditunjukkan oleh algoritma MAD3, dapat menandai era baru dalam manufaktur dan produksi, sehingga memastikan bahwa industri tidak perlu lagi menapaki garis tipis antara efisiensi waktu dan jaminan kualitas. 

Implikasi yang lebih luas dari MAD3 dan AI generatif untuk jaminan kualitas

Kemunculan MAD3 sebagai alat transformatif tidak hanya terbatas pada bidang manufaktur dan dirgantara. Di era di mana efisiensi dan presisi menjadi hal yang terpenting, pengenalan algoritma pembelajaran mesin, serta AI generatif untuk jaminan kualitas, menandakan potensi yang sangat besar di berbagai sektor. Berbagai industri mulai dari farmasi, di mana jaminan kualitas dari senyawa sangat penting, hingga manufaktur elektronik, di mana hal-hal kecil dari material bisa mempengaruhi umur produk, dapat memperoleh manfaat yang besar. Dengan semakin banyaknya sektor yang mulai memanfaatkan kemampuan algoritma canggih tersebut, kita dapat menyaksikan perubahan paradigma yang signifikan, tidak hanya dalam pengujian kualitas, namun juga dalam esensi penelitian dan pengembangan di berbagai industri.