Kecerdasan Buatan Berbasis Fisika dari Nanjing: Terobosan Prediksi Suhu Real-Time dalam Manufaktur Aditif Logam

Para peneliti dari Universitas Teknologi Nanjing telah berhasil mengembangkan sebuah model kecerdasan buatan (AI) yang inovatif, menandai kemajuan signifikan dalam bidang manufaktur aditif. Sistem ini, yang dirancang berdasarkan prinsip-prinsip fisika, bertujuan untuk memprediksi rezim suhu secara operasional selama proses Manufaktur Aditif Busur Kawat (Wire Arc Additive Manufacturing, WAAM).

Publikasi temuan penting ini dalam jurnal bergengsi Communications Engineering menjadi tonggak penting dalam upaya meningkatkan kualitas dan stabilitas komponen logam yang dicetak. Inti dari pengembangan ini adalah penciptaan jaringan saraf rekuren geometris yang diinformasikan secara fisik (physically-informed recurrent geometric neural network). Pendekatan hibrida ini secara efektif menggabungkan hukum-hukum dasar fisika dengan kekuatan pembelajaran mendalam (deep learning), memungkinkannya memodelkan perilaku termal material secara dinamis.

Pencapaian yang sangat krusial terletak pada kecepatan operasionalnya. Sementara metode konvensional, seperti pemodelan elemen hingga (finite-element modeling), mungkin memerlukan waktu hingga satu jam untuk menghasilkan hasil yang akurat, model baru ini menunjukkan kinerja yang luar biasa. Ia mampu memberikan prediksi hanya dalam 12 milidetik. Kecepatan ini sangat penting dan menjadi prasyarat mutlak untuk penerapan siklus umpan balik tertutup (closed-loop feedback) dalam proses industri modern.

Tim yang dipimpin oleh Mingxuan Tian dari Sekolah Mekanika dan Energi, berhasil mengatasi dua tantangan utama: mengatasi kelambatan komputasi simulasi klasik dan meminimalkan akumulasi kesalahan yang menjadi ciri khas model yang hanya berbasis data. Dalam serangkaian eksperimen yang melibatkan pencetakan struktur baja berdinding tipis lapis demi lapis menggunakan instalasi robotik WAAM, model tersebut menunjukkan margin kesalahan prediksi maksimum sekitar 4,5% dalam simulasi dan 13,9% dalam pengujian dunia nyata.

Sistem ini secara stabil mampu memprediksi evolusi suhu untuk jangka waktu hingga 10 detik. Jendela waktu ini sangat vital untuk mengelola aliran panas dan mengurangi tegangan sisa (residual stress) yang tidak diinginkan. Pengendalian suhu dalam pencetakan 3D logam adalah landasan utama, karena pemanasan atau pendinginan yang tidak merata pasti akan menyebabkan cacat seperti retakan dan deformasi, yang pada akhirnya merusak integritas produk akhir.

Memasukkan batasan fisik langsung ke dalam arsitektur jaringan saraf memastikan bahwa semua prediksi tetap memiliki dasar fisik yang kuat. Hal ini memungkinkan sistem untuk menggeneralisasi data secara efektif untuk berbagai bentuk geometris dan mode proses. Lebih lanjut, para peneliti mencatat bahwa pengurangan waktu pelatihan melalui pembelajaran transfer (transfer learning) secara signifikan meningkatkan penerapan praktis dan adaptabilitas teknologi ini terhadap beragam kondisi manufaktur. Lompatan metodologis ini membuka prospek untuk implementasi sistem kontrol umpan maju (feed-forward control) dalam manufaktur aditif, memungkinkan mesin untuk menyesuaikan parameter, seperti masukan panas atau kecepatan umpan kawat, bahkan sebelum masalah muncul.