Presisi Bertenaga AI untuk Mengubah Pencetakan Logam 3D Berbasis Laser

Dalam dunia pencetakan 3D atau manufaktur aditif, pemrosesan logam berbasis laser merupakan teknik populer yang memungkinkan produksi komponen rumit secara otomatis, tepat, dan cepat.

Pemrosesan logam berbasis laser melibatkan penggunaan laser sebagai sumber energi untuk memanipulasi logam. Laser adalah berkas cahaya atau radiasi elektromagnetik yang diperkuat yang dapat merambat dalam garis lurus dengan sedikit divergensi. 

Hal ini membuat laser sangat berguna dalam pemrosesan material, yang digunakan untuk pemesinan, penyambungan, dan rekayasa permukaan. Dalam manufaktur aditif, laser digunakan untuk melelehkan material dan membuat komponen berlapis-lapis.

Manufaktur aditif hanya membuat produk lapis demi lapis. Awalnya menggunakan plastik sebagai bahan, berkat kemudahan pemrosesan. Namun kini telah berkembang hingga mencakup semua jenis bahan, termasuk bahan logam.

Bahan logam dikenal karena sifat-sifatnya yang menarik, seperti konduktivitas listrik yang sangat baik dan kekuatan, keuletan, dan titik leleh yang tinggi, membuatnya sangat berguna dalam aplikasi biomedis, energi, arsitektur, dan militer. 

Sementara itu, pemrosesan logam dengan laser menawarkan manfaat unik berupa kepadatan energi tinggi, zona yang terpengaruh panas sempit, dan sedikit kontaminasi. Itulah sebabnya proses laser digunakan di banyak sektor, terutama yang memerlukan presisi maksimum dan kustomisasi tinggi. Namun, proses ini memiliki komplikasi dan tantangan teknis tersendiri. 

“Untuk memastikan bahwa proses berbasis laser dapat digunakan secara fleksibel dan mencapai hasil yang konsisten, kami berupaya untuk lebih memahami, memantau, dan mengendalikan proses ini.”

– Elia Iseli, Pemimpin kelompok penelitian di laboratorium Pemrosesan Material Lanjutan Empa

Dengan tujuan ini, peneliti Giulio Masinelli dan Chang Rajani dari Empa di Thun membuat teknik manufaktur berbasis laser lebih mudah diakses, terjangkau, dan efisien, menggunakan pembelajaran mesin.

Memahami Keunggulan dan Tantangan Laser Powder Bed Fusion (PBF-LB)

Dalam bidang pemrosesan logam berbasis laser yang lebih luas, Powder Bed Fusion merupakan salah satu yang populer, yang melibatkan penggunaan laser untuk melelehkan lapisan tipis bubuk logam di titik-titik yang tepat dan mengelas semuanya bersama-sama untuk menghasilkan komponen akhir.

Powder Bed Fusion with Laser Beam (PBF-LB), sementara itu, merupakan teknik khusus yang telah menarik banyak perhatian dalam beberapa tahun terakhir. Dalam teknologi manufaktur aditif yang menonjol ini, laser yang memancarkan daya sangat tinggi digunakan untuk melelehkan serbuk logam secara khusus berlapis-lapis sebelum mencampurnya menjadi komponen yang disesuaikan dan sangat presisi. 

Teknik ini memungkinkan produksi geometri kompleks sambil menawarkan kemampuan penyesuaian dan memastikan efisiensi material. 

Karakteristik ini menjadikan PBF-LB khususnya bermanfaat bagi industri seperti otomotif, medis, kedirgantaraan, dan produk konsumen, di mana kita masing-masing memerlukan komponen yang ringan dan rumit, desain yang dipersonalisasi, presisi, pengurangan bobot, dan pembuatan prototipe yang cepat. 

Meskipun serbaguna dan efisien, teknik ini menghadapi beberapa kendala dalam mencapai adopsi yang lebih luas dan mencapai pengoptimalan.

Ini termasuk kesulitan dalam mengidentifikasi kerangka kerja pemrosesan ideal untuk bubuk logam yang digunakan.

“Bahkan batch baru dari bubuk awal yang sama dapat memerlukan pengaturan yang benar-benar berbeda.”

– Masinelli

Input energi tinggi yang dibutuhkan untuk peleburan logam dalam teknik ini sebenarnya menciptakan mekanisme fisik kompleks yang berdampak negatif pada kualitas komponen. Mekanisme ini meliputi ketidakkonsistenan dalam sifat material, pengaruh gas atmosfer, dan interaksi laser dengan gumpalan uap. Semua fenomena ini menimbulkan masalah dalam mengidentifikasi parameter.

Hal ini terutama disebabkan oleh dua mode. Salah satunya adalah mode konduksi di mana logam hanya dicairkan, dan ini ideal untuk komponen yang tipis dan presisi. Pilihan lainnya adalah mode lubang kunci, di mana logam dapat diuapkan dalam beberapa kasus. Ini lebih cepat tetapi juga kurang presisi, sehingga cocok untuk komponen yang lebih tebal.

Namun, batas antara semua mode ini bergantung pada parameter yang berbeda, dan untuk mencapai kualitas terbaik pada produk akhir diperlukan pengaturan yang tepat, yang bervariasi bergantung pada bahan yang diproses. 

Interaksi yang rumit antara material dan laser juga membuat proses menjadi sensitif terhadap variasi yang sangat kecil, yang kemudian dapat menyebabkan masalah dalam produksi, dan ini membuat teknik ini memakan banyak waktu dan sumber daya. Akibatnya, PBF-LB memerlukan penyempurnaan parameter yang melelahkan untuk mencapai hasil yang konsisten.

Tidak hanya sampai di situ saja. Sampel yang dihasilkan pada tahap ini kemudian dianalisis menggunakan berbagai teknik seperti analisis mikrostruktur, pengukuran kepadatan, dan computed tomography (CT) sinar-X. 

Metode ini memberikan informasi terperinci tentang struktur internal dan menemukan cacat, yang penting untuk mengevaluasi kualitas dan kinerja komponen PBF-LB, tetapi sekali lagi, metode ini memerlukan peralatan khusus dan pengetahuan ahli, selain mahal dan memakan waktu.

“Itulah sebabnya banyak perusahaan tidak mampu melakukan PBF sejak awal.”

– Masinelli

Untuk mengatasi semua masalah ini, para peneliti dari Empa memanfaatkan pembelajaran mesin untuk membuat proses laser lebih efisien, hemat biaya, dan tepat.

Klik di sini untuk mempelajari bagaimana manufaktur aditif membentuk kembali industri.

Memanfaatkan AI untuk Kontrol Real-Time dalam Percetakan 3D Logam

Untuk analisis sampel, para peneliti telah beralih ke metode pemantauan waktu nyata menggunakan sensor seperti emisi akustik (AE), pencitraan termal berkecepatan tinggi, dan sensor optik.

Pemantauan waktu nyata dipilih karena kemampuannya mendeteksi kejadian yang tidak diinginkan selama proses produksi. Hal ini memungkinkan penyesuaian segera, yang pada gilirannya menghemat sumber daya dengan menghilangkan dan melelehkan kembali cacat. 

Teknik pemantauan waktu nyata ini biasanya didasarkan pada algoritma pembelajaran mesin (ML).

Bidang studi kecerdasan buatan, ML berkaitan dengan pengembangan algoritma statistik yang belajar dari data. Algoritma ini mengekstrak pola yang bermakna dari data berdimensi tinggi dan kemudian membuat prediksi, dalam kasus pemrosesan logam, yang merupakan bagian dari kualitas, tanpa perlu memprogram model fisik yang rumit secara eksplisit.

Namun, pendekatan AI ini bukannya tanpa keterbatasan. Tantangannya meliputi pembelajaran model untuk mendeteksi perubahan dalam parameter proses, bukan pada rezim proses dan pembentukan cacat.

Penyimpangan alami dalam parameter mesin dari waktu ke waktu juga menghadirkan hambatan bagi generalisasi model-model ini, yang membatasi penerapan praktis model AI dalam lingkungan manufaktur dunia nyata. Kemudian ada masalah dengan otomatisasi, yang memerlukan peralatan khusus dan menjadi rumit karena banyaknya parameter, yang juga sulit dijelajahi dan membutuhkan banyak sumber daya.

Ada kebutuhan yang jelas untuk algoritma yang dapat secara mandiri menavigasi ruang parameter PBF, dengan mempertimbangkan berbagai variabel proses, untuk mengidentifikasi kondisi optimal dan memahami rezim peleburan yang mendasarinya.

Kebutuhan ini sekarang sedang ditangani oleh para peneliti dari Empa, yang telah mengusulkan metode baru yang menggunakan pengumpulan data optik tanpa pengawasan dengan fokus pada identifikasi rezim peleburan tanpa memerlukan data berlabel atau analisis pasca-pemrosesan yang ekstensif.

Menerapkan Pembelajaran Tanpa Pengawasan untuk Mengoptimalkan Parameter PBF-LB

Teknik tanpa pengawasan baru yang dikembangkan oleh para peneliti Empa berfokus pada dua parameter utama: daya laser dan kecepatan pemindaian, yang diidentifikasi memiliki dampak paling signifikan pada rezim peleburan.

Meskipun fokus dari belajar¹ Berdasarkan kedua parameter ini, teknik ini juga dapat digunakan untuk parameter proses tambahan. Di masa mendatang, para peneliti akan menggabungkan laju aliran gas, jarak palka, dan ketebalan lapisan ke dalam algoritma mereka untuk memungkinkan eksplorasi ruang parameter PBF-LB yang lebih komprehensif.

Untuk saat ini, metode yang diusulkan secara akurat menunjukkan transisi antara mode konduksi dan mode lubang kunci.

Pendekatan tanpa pengawasan juga menyediakan dasar untuk mengekstrak peta pemrosesan tanpa bergantung pada data berlabel, yang menawarkan keuntungan besar dalam PBF-LB, di mana mendapatkan data berlabel mahal dan menantang.

Penelitian ini sebenarnya dibangun di atas fondasi ini dan memperkenalkan metode asli yang menggabungkan bagian pembelajaran aktif (memilih titik data yang paling informatif) dan optimasi Bayesian (strategi pengambilan sampel berulang yang memanfaatkan model probabilistik) untuk memperoleh peta pemrosesan secara efisien.

Hal yang membuat pendekatan ini berbeda adalah pendekatan ini dimulai tanpa data dan kemudian secara progresif membangun kumpulan data dengan memutuskan di mana melakukan setiap percobaan baru, sehingga memungkinkan proses percobaan menjadi optimal.

Patut dicatat, meskipun menggunakan pendekatan iteratif untuk penyempurnaan, model ini tetap tanpa pengawasan selama proses berlangsung, karena tidak memerlukan data berlabel. Untuk mengidentifikasi rezim peleburan, algoritma ini mengandalkan fitur yang diekstraksi dari data optik, dan hasilnya kemudian digunakan untuk melatih Gaussian Process Classifier (GPC) guna memberikan estimasi probabilistik peta. 

Sedangkan untuk aspek iteratif, algoritma memilih pengaturan uji coba baru berdasarkan bidang-bidang yang memiliki ketidakpastian tinggi dalam prediksi, yang meningkatkan estimasi peta pemrosesan.

Pada dasarnya, algoritme diajarkan untuk mendeteksi mode pengelasan yang digunakan laser selama uji coba, menggunakan data dari sensor optik yang sudah terpasang di mesin laser. Berdasarkan data ini, algoritme menetapkan parameter untuk pengujian berikutnya.

"Kami berharap algoritme kami akan memungkinkan orang awam untuk menggunakan perangkat PBF," kata Masinelli. Algoritme ini hanya perlu diintegrasikan ke dalam firmware mesin las laser oleh produsen.

Mengevaluasi Efektivitas Model AI dalam Aplikasi PBF-LB

Algoritma baru yang diperkenalkan oleh para peneliti untuk menghilangkan kebutuhan penyetelan parameter yang ekstensif, yang membatasi adopsi PBF-LB yang lebih luas, secara independen mengidentifikasi rezim peleburan menggunakan data dari fotodioda.

Dan ketika diuji di laboratorium, tim menemukan metode itu sangat akurat, mencapai skor F1 sebesar 89.2% pada dua bahan. Untuk mengevaluasi kinerjanya, para peneliti mencetak beberapa bagian dalam dua bahan. 

Yang pertama adalah Ti-6Al-4V, yang merupakan salah satu paduan titanium (alfa-beta) yang paling umum digunakan, memiliki ketahanan korosi yang sangat baik dan kekuatan spesifik yang tinggi. Yang lainnya adalah baja tahan karat 316L, versi rendah karbon dari baja tahan karat 316, yang umum digunakan dalam pengolahan makanan, peralatan farmasi, perangkat medis, perhiasan, jam tangan mewah, pengolahan air limbah, dan dalam industri kimia.

Secara khusus, tim melakukan inspeksi kolam lebur untuk memverifikasi prediksi algoritma. 

Evaluasi menunjukkan bahwa pendekatan tersebut mengurangi kebutuhan untuk uji coba eksperimental sebesar 67% pada kedua logam sambil mempertahankan kinerja yang kuat. Hal ini dapat menurunkan biaya eksplorasi parameter secara signifikan. Sementara itu, hanya ada penurunan maksimum sebesar 8.88% pada skor F1 dibandingkan dengan desain eksperimen faktorial penuh tradisional.

Studi tersebut menyatakan:

“Hasil ini menggarisbawahi efisiensi metode kami dalam konteks derivasi peta pemrosesan otonom untuk proses manufaktur tingkat lanjut.” 

Para peneliti percaya bahwa metode yang diperkenalkan di sini dapat "sangat meningkatkan" efisiensi dan keandalan PBF-LB, yang dapat mengarah pada adopsi yang lebih luas dengan meningkatkan efektivitas keseluruhannya di berbagai sektor. Menurut penelitian tersebut:

“Hasil penelitian kami menunjukkan potensi metode ini untuk menyederhanakan pengoptimalan PBF-LB, sehingga lebih layak untuk aplikasi industri dan membuka jalan bagi penerapannya yang lebih luas.” 

Meningkatkan Proses Pengelasan Laser Melalui Integrasi AI dan FPGA

Selain mengoptimalkan percobaan awal, para peneliti juga memperbaiki proses pengelasan di proyek lainnya. 

Jika menyangkut pengelasan laser, bahkan dengan pengaturan ideal, prosesnya masih dapat menghasilkan penyimpangan yang tidak dapat diprediksi, dan penyimpangan kecil pun dapat mengakibatkan cacat serius pada produk.

"Saat ini, tidak mungkin untuk memengaruhi proses pengelasan secara langsung," kata peneliti Rajani. "Hal ini berada di luar kemampuan para ahli manusia."

– Peneliti Rajani

Faktanya, bahkan komputer pun kesulitan dengan kecepatan saat data perlu diperiksa dan keputusan harus dibuat. Para peneliti menggunakan jenis chip komputer khusus di sini.

Chip ini disebut field-programmable gate array (FPGA), yang dirancang untuk keperluan komputasi kinerja tinggi (HPC) dan pembuatan prototipe. Chip ini dapat diprogram setelah dirilis oleh produsen dan disesuaikan untuk berbagai kasus penggunaan tanpa perlu mengubah perangkat keras secara fisik. Fleksibilitasnya, dipadukan dengan kinerja tinggi, membuatnya sangat berharga dalam industri kedirgantaraan, otomotif, dan telekomunikasi.

Masinelli mencatat:

“Dengan FPGA, kita tahu persis kapan perintah akan dijalankan dan berapa lama waktu yang dibutuhkan untuk menjalankannya – yang tidak terjadi pada PC konvensional.” 

Para peneliti menghubungkan FPGA ke PC untuk berfungsi sebagai "otak cadangan". Saat chip mengamati dan mengendalikan parameter laser, data ini juga digunakan oleh algoritma pada PC untuk pembelajaran.

“Jika kami puas dengan kinerja algoritma di lingkungan virtual pada PC, kami dapat 'mentransfernya' ke FPGA dan sekaligus membuat chip tersebut lebih cerdas.”

– Masinelli

Para peneliti percaya bahwa ML dan AI berpotensi memberikan kontribusi yang signifikan terhadap pemrosesan logam berbasis laser. Oleh karena itu, mereka akan terus mengembangkan algoritme dan model mereka, serta memperluas area penerapannya, bekerja sama dengan kelompok penelitian lain dan mitra industri.

Menjelajahi Peluang Investasi dalam Teknologi Percetakan 3D

Saat ini, pemain kunci dalam desain dan manufaktur aditif logam adalah Colibrium Additive. Ini adalah bagian dari Perusahaan Umum Listrik (GE ), yang sekarang menjalankan bisnis sebagai GE Aerospace. 

Sebelumnya dikenal sebagai GE Additive, diluncurkan kembali sebagai Colibrium Additive musim panas lalu, dan sebagai bagian dari perubahan merek, Concept Laser dan Arcam EBM dihentikan.

"Meskipun kami mengubah nama kami, kami tetap fokus pada pelanggan, kualitas, dan keandalan. Kami akan terus memimpin industri Manufaktur Aditif dari garis depan dan secara positif mengubahnya."

– Direktur Utama Alexander Schmitz

General Electric (GE )

Mengenai printer 3D yang ditawarkan oleh Colibrium Additive, meliputi printer Electron Beam Powder Bed Fusion (EB-PBF), printer Laser Powder Bed Fusion (L-PBF), dan Binder Jet. 

Mengenai kinerja pasar perusahaan, perusahaan ini telah berkembang pesat selama beberapa tahun terakhir. 

Dengan kapitalisasi pasar lebih dari $260 miliar, saham GE saat ini diperdagangkan di kisaran $244, naik 46% tahun ini. Saham perusahaan ini hampir mencapai puncaknya di kisaran $290, yang dicapai pada tahun 2000. EPS (TTM)-nya adalah 6.35, dan P/E (TTM) adalah 38.46, sementara imbal hasil dividen yang tersedia bagi pemegang saham adalah 0.59%.

Sementara itu, keuangan perusahaan menunjukkan Q1 2025 yang kuat di mana GE mencatat total pendapatan sebesar $9.9 miliar, peningkatan 11% sementara total pesanan melonjak 12% menjadi $12.3 miliar.

Awal yang kuat di tahun 2025 ini didorong oleh layanan komersial, kata CEO H. Lawrence Culp, Jr., sambil mencatat dinamika ekonomi makro yang mengharuskan perusahaan untuk mengambil tindakan strategis, seperti mengendalikan biaya dan memanfaatkan program perdagangan yang tersedia.

Laba operasi melonjak 38% pada 1Q25 menjadi $2.1 miliar sementara EPS yang disesuaikan mengalami peningkatan 60% menjadi $1.49. Selama periode ini, GE juga melaporkan $1.5 miliar dalam bentuk kas dari aktivitas operasi (GAAP) sementara arus kas bebas meningkat 14% menjadi $1.4 miliar. Perusahaan juga melaporkan tunggakan layanan komersial sebesar lebih dari $140 miliar.

Di tengah semua ini, Propulsion & Additive Technologies hanya tumbuh 1%, dengan perusahaan mencatat bahwa harga dan volume mengimbangi pengiriman yang lebih rendah yang diakibatkan oleh rencana awal yang lunak dalam penjualan peralatan.

Dalam laporan tahunannya tahun ini, GE menyatakan “penurunan dalam industri Manufaktur Aditif disebabkan oleh lambatnya adopsi teknologi,” tetapi pada saat yang sama, GE juga mencatat bahwa Colibrium Additive merupakan “bisnis penting bagi teknologi masa kini dan masa depan di GE Aerospace karena kami terus berfokus pada bidang yang dapat menciptakan nilai paling besar.”

Berita dan Perkembangan Saham General Electric (GE) Terbaru

Kesimpulan

Seiring dengan terus berkembangnya dan mentransformasi berbagai industri, AI juga membantu mendefinisikan ulang apa yang mungkin dilakukan dalam manufaktur modern dengan mempercepat pengoptimalan proses dan memungkinkan adaptasi secara real-time. 

Dengan secara signifikan mengurangi waktu dan biaya yang terkait dengan penyetelan parameter dan deteksi cacat dalam PBF serta mencapai kontrol waktu nyata dalam pengelasan laser, manufaktur aditif berbasis laser siap untuk adopsi yang lebih luas, membuka jalan bagi era baru produksi yang efisien, mudah diakses, dan disesuaikan.

Klik di sini untuk daftar saham pencetakan 3d teratas.

Studi yang dirujuk:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Eksplorasi otonom ruang parameter PBF-LB: Algoritma berbasis ketidakpastian untuk pembuatan peta pemrosesan otomatis. Manufaktur Aditif, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}