Sebuah proyek yang didanai oleh Yayasan Ilmu Pengetahuan Nasional AS di Universitas Lehigh bertujuan untuk menghitung prediksi pembentukan struktur mikro dalam pencetakan 3D logam dengan lebih efisien. Kelompok penelitian yang dipimpin oleh Parisa Khodabakhshi, Asisten Profesor Teknik Mesin dan Mekanika, sedang mengembangkan model orde tereduksi (ROM) berbasis fisika dan berbasis data yang menangkap pembentukan struktur mikro selama pemadatan paduan biner dan dengan demikian menghubungkan parameter proses secara langsung dengan sifat material yang diinginkan. Jangka waktu pendanaan adalah tiga tahun, dengan volume sebesar USD 350.000.
Manufaktur aditif menghasilkan komponen lapis demi lapis dan memungkinkan geometri yang sering kali sulit diakses secara konvensional. Pada saat yang sama, berbagai parameter – seperti daya laser, strategi pemindaian, dan laju pendinginan – memengaruhi sifat termomekanik bagian akhir.
“Pendekatan lapis demi lapis ini memungkinkan fabrikasi komponen dengan geometri kompleks yang seringkali sulit, atau bahkan tidak mungkin, dicapai dengan metode manufaktur konvensional,” kata Parisa Khodabakhshi, asisten profesor Teknik Mesin dan Mekanika di Sekolah Tinggi Teknik dan Sains Terapan P.C. Rossin Universitas Lehigh. “Namun, sifat termomekanis dari komponen akhir yang diproduksi secara aditif dipengaruhi oleh sejumlah besar parameter proses, sehingga membuat pengoptimalan desain menjadi sangat menantang.”
Menetapkan peta antara variasi parameter proses dan sifat komponen akhir membutuhkan beberapa simulasi di berbagai skala panjang, sehingga membuat tugas ini menjadi mahal secara komputasi. “Tuntutan komputasi untuk melakukan semua simulasi yang diperlukan membuatnya tidak praktis,” kata Khodabakhshi. Akibatnya, produsen sering menggunakan metode coba-coba untuk mencapai sifat termal atau mekanis yang diinginkan pada produk akhir. “Namun, Anda tidak dapat sepenuhnya menjelajahi seluruh ruang desain dengan cara itu untuk menemukan desain yang optimal, itulah sebabnya saat ini kami tidak dapat memanfaatkan potensi penuh dari manufaktur aditif.”
ROM yang direncanakan dimaksudkan untuk memberikan apa yang disebut peta maju – dari parameter proses ke struktur mikro pemadatan dan kemudian ke properti bagian – kira-kira tetapi secara signifikan lebih cepat. Berdasarkan hal ini, peta terbalik dapat dibuat yang menyimpulkan kombinasi parameter dari properti yang diperlukan. Secara metodologis, tim ini mengandalkan kerangka kerja pembelajaran mesin ilmiah yang secara eksplisit memasangkan algoritme pembelajaran dengan hukum konservasi dan kondisi batas.
“Sebagai contoh, katakanlah saya menginginkan komponen yang memiliki sifat termal tertentu,” katanya. “Saya tidak tahu apa parameter proses yang harus saya gunakan untuk mencapai sifat-sifat tersebut. Simulasi yang menghubungkan parameter proses yang diberikan dengan struktur mikro pemadatan yang dihasilkan, dan akibatnya sifat akhir dari komponen yang dibuat, sangat tidak linier. Kami menyebut simulasi ini sebagai peta maju. Dari sana, saya dapat membuat peta kebalikannya, yang menghubungkan properti yang diinginkan kembali ke parameter proses.” Proyek NSF berfokus pada pengembangan model yang efisien secara komputasi untuk hubungan struktur-proses (PS).
Pendekatan timnya menggunakan kerangka kerja pembelajaran mesin ilmiah yang memadukan algoritme pembelajaran mesin berbasis data dengan hukum fisika. “Sebagai insinyur, kami tidak ingin hanya melatih algoritme kotak hitam,” kata Khodabakhshi. “Kami ingin memasukkan fisika ke dalam masalah untuk memenuhi persamaan yang mengatur fenomena fisika sehingga kami yakin dengan hasil yang kami terima dari algoritme. Itulah perbedaan antara pembelajaran mesin konvensional dan pembelajaran mesin ilmiah.”
Tujuannya adalah desain proses yang lebih kuat untuk industri dengan persyaratan kualifikasi tinggi seperti aerospace, otomotif, dan teknologi medis. Jika pengurangan biaya komputasi berhasil, studi desain dapat dilakukan lebih sering dengan dukungan simulasi dan lebih sedikit secara empiris.
