Model Pengganti Berbasis AI Mempercepat Simulasi Manufaktur Komposit Secara Real-Time
Sumber | IMDEA
Penelitian yang diterbitkan baru-baru ini dari IMDEA Materials Institute (Madrid, Spanyol) dan Technical University of Madrid (UPM) bertujuan untuk meningkatkan kemampuan simulasi real-time untuk proses manufaktur komposit.
Studi tersebut, “Model pengganti mendalam untuk simulasi pengisian dalam cetakan komposit cair pada kisi 3D tak terstruktur,” ditulis bersama oleh Prof. Carlos González, Dr. Davide Mocerino dan peneliti predoktoral Sofia Fernández León dari IMDEA Materials, dan Prof. Roberto Valle Fernández dan Luis Baumela.
Konten Unggulan
Para peneliti mengatakan penelitian mereka mengatasi keterbatasan utama model pengganti deep learning saat ini untuk mensimulasikan aliran fluida dalam proses manufaktur komposit, dan hasilnya menyoroti potensi pendekatan berbasis data untuk meningkatkan efisiensi, kemampuan beradaptasi, dan ketahanan dalam proses manufaktur tingkat lanjut.
Menurut para peneliti, simulasi pencetakan komposit cair (LCM) sangat penting untuk mengoptimalkan proses manufaktur dan mengurangi cacat seperti pembentukan rongga. Namun, biaya komputasi yang tinggi secara tradisional membatasi penggunaannya dalam aplikasi real-time. Penelitian ini mengatasi tantangan tersebut dengan memperkenalkan kerangka pemodelan pengganti berbasis pembelajaran mendalam yang mampu memberikan prediksi akurat dalam hitungan milidetik, membuka kemungkinan baru untuk kembaran digital, dan kontrol proses adaptif.
“Inovasi utama di sini terletak pada mengatasi salah satu hambatan utama dalam bidang ini dengan mencapai efisiensi komputasi, akurasi tinggi, dan ketahanan terhadap mesh yang tidak beraturan dan tidak terstruktur yang biasa ditemukan di lingkungan industri,” jelas Fernández León. “Persyaratan ini jarang dipenuhi secara bersamaan oleh pendekatan jaringan saraf yang ada.”
Para peneliti juga memperkenalkan arsitektur encoder-decoder multi-cabang untuk memodelkan geometri kompleks, seperti stringer berbentuk T, dengan memecahnya menjadi wilayah planar dan memastikan konsistensi di seluruh antarmuka.
Secara paralel, “Teknik pemetaan grid yang diusulkan memungkinkan penggunaan jaringan neural konvolusional pada domain 3D tidak terstruktur, menjaga akurasi sekaligus memperluas penerapan pada skenario manufaktur yang realistis,” tambah Fernández León.
Model pengganti yang dihasilkan dikatakan menunjukkan kesesuaian yang kuat dengan simulasi fidelitas tinggi dan data eksperimen, sekaligus mencapai kecepatan empat hingga lima kali lipat dibandingkan dengan metode konvensional. Tingkat performa ini bertujuan untuk memungkinkan penerapan real-time di lingkungan manufaktur digital, mendukung proses produksi komposit yang lebih efisien, adaptif, dan tangguh.
“Studi ini menyoroti potensi transformatif dari penggabungan manufaktur maju dengan kecerdasan buatan, yang membuka jalan menuju sistem produksi berbasis data yang sepenuhnya terintegrasi,” kata Fernández León.
