AI Mempermudah Pencetakan 3D Paduan Antariksa NASA

Pencetakan 3D logam dapat membuat komponen mesin roket dengan saluran pendingin internal dan geometri yang sulit diproduksi oleh manufaktur konvensional. Namun, kemampuan menggambar komponen canggih di komputer tidak berarti produsen tahu cara mencetaknya dengan sukses.

Setiap kombinasi daya laser, kecepatan pemindaian, pengiriman serbuk, aliran gas, dan tinggi lapisan dapat mengubah hasilnya. Kombinasi yang buruk dapat menghasilkan pori‑pori, retak, atau ikatan yang lemah. Menemukan pengaturan yang tepat seringkali memerlukan berbulan‑bulan percobaan dan kesalahan yang mahal.

Peneliti dari Washington State University dan University of Minnesota telah menunjukkan¹ bahwa kecerdasan buatan dapat membuat pencarian ini jauh lebih efisien. Sistem mereka mengidentifikasi beberapa cara untuk mencetak GRCop-42, sebuah paduan tembaga yang dikembangkan NASA dan sulit diproduksi, menggunakan printer 3D logam berdaya lebih rendah dan lebih banyak tersedia.

Pencapaian ini penting di luar satu paduan saja. Hal ini menunjukkan AI dapat membantu produsen mempercepat pengenalan material baru ke produksi, menurunkan biaya pengembangan proses, dan memperluas jumlah fasilitas yang mampu memproduksi komponen antariksa khusus.

Mengapa GRCop-42 Berharga untuk Manufaktur Antariksa

GRCop-42 adalah paduan tembaga, krom, dan niobium yang dikembangkan untuk lingkungan di mana komponen harus bertahan pada suhu ekstrem. Paduan ini menggabungkan konduktivitas termal tinggi dengan kekuatan, ketahanan terhadap oksidasi, creep, dan kelelahan termal.

Sifat‑sifat tersebut membuatnya sangat berguna dalam ruang bakar mesin roket, penukar panas, dan sistem aliran panas tinggi lainnya. Tembaga menghantarkan panas dengan baik, namun paduan tembaga konvensional dapat kehilangan kekuatan pada suhu tinggi. GRCop-42 dirancang untuk menyeimbangkan kedua persyaratan tersebut.

Karakteristik yang membuat paduan ini berharga juga membuatnya sulit untuk dicetak. Tembaga memantulkan sebagian besar energi inframerah yang dihasilkan oleh laser serat umum. Selain itu, tembaga memindahkan panas yang diserap dari kolam leleh dengan sangat cepat. Jika printer tidak dapat menciptakan dan mempertahankan kolam leleh yang stabil, material yang dideposit mungkin tidak terikat dengan baik.

Produsen dapat mengimbanginya dengan menggunakan peralatan yang lebih kuat, tetapi hal itu meningkatkan biaya masuk. Oleh karena itu, peneliti menanyakan apakah GRCop-42 dapat dideposit secara berhasil di bawah 900 watt, dengan minat khusus pada rentang 500 hingga 700 watt yang didukung oleh lebih banyak mesin.

Bagaimana AI Menggantikan Proses Percobaan‑dan‑Kesalahan yang Mahal

Tim mengembangkan kerangka kerja yang disebut Bayesian Experimental Design for Additive Manufacturing, atau BEAM. Kerangka ini tidak mengoperasikan printer secara otonom atau menciptakan sebuah bagian. Sebaliknya, ia memutuskan konfigurasi pencetakan mana yang paling berguna untuk diuji selanjutnya.

BEAM memulai dengan eksperimen sebelumnya, termasuk cetakan yang gagal. Ia membangun model probabilistik yang menghubungkan pengaturan printer dengan kemungkinan menghasilkan struktur yang dapat diterima, kemudian memilih batch kecil lainnya untuk pengujian fisik. Hasil tersebut kembali ke model dan siklus berulang.

Ini adalah penggunaan AI yang praktis karena tetap melibatkan eksperimen fisik dalam siklus. Peneliti lain juga menerapkan AI untuk meningkatkan presisi pemrosesan logam berbasis laser. Model tidak perlu mensimulasikan setiap interaksi metalurgi secara sempurna. Ia hanya perlu membuat setiap percobaan yang mahal menjadi lebih informatif dibandingkan tebakan manual yang sebagian besar.

Insentif ekonomi sangat besar. Menurut makalah tersebut, satu proses deposisi energi terarah dapat menelan biaya antara $500 hingga $1.000. Analisis pasca‑cetak dapat memerlukan tambahan $500 per sampel dan memakan waktu satu hingga empat minggu. Menjelajahi jendela proses paduan baru dapat melampaui $100.000, bahkan sebelum memperhitungkan bulan‑bulan tenaga kerja spesialis.

Apa yang Diuji oleh Peneliti

Peneliti menggunakan sistem deposisi energi terarah lima sumbu yang dilengkapi dengan laser serat inframerah 1.000 watt. Deposisi energi terarah memasukkan serbuk logam ke dalam kolam leleh yang dihasilkan oleh laser, secara bertahap membangun material pada permukaan. Dalam kasus ini, sistem tersebut mendeposit GRCop-42 pada Inconel 718, sebuah paduan lain yang banyak digunakan dalam aplikasi suhu tinggi.

Kombinasi potensial dari laju umpan, aliran gas, kecepatan pemindaian, tinggi lapisan, dan daya laser menghasilkan kira‑kira satu juta konfigurasi kandidat pada setiap tingkat daya. Alih‑alih menjelajahi ruang yang sangat besar ini secara manual, BEAM hanya diberikan anggaran 10 percobaan untuk setiap daya laser yang dipilih.

Dalam tiga bulan, kerangka kerja menemukan setidaknya satu konfigurasi layak pada setiap tingkat daya. Sampel yang berhasil mencakup interior padat dengan cacat minimal dan transisi halus antara material GRCop-42 dan Inconel 718. Tim juga menemukan bahwa kecepatan pemindaian yang sangat tinggi dan lapisan yang lebih tipis dari biasanya penting untuk menghasilkan struktur padat.

Pencetakan Daya Rendah Dapat Memperluas Akses ke Paduan Canggih

Mencetak GRCop-42 dengan 500 watt tidak hanya mengurangi listrik yang dikonsumsi oleh satu laser. Hal ini mengubah peralatan mana yang dapat berpartisipasi. Makalah tersebut memperkirakan bahwa lebih dari 90 persen printer yang relevan beroperasi antara 500 hingga 1.000 watt. Menemukan pengaturan yang dapat diandalkan dalam rentang itu dapat memungkinkan universitas, produsen kecil, dan fasilitas riset khusus untuk bekerja dengan paduan yang sebaliknya memerlukan sistem yang lebih mahal.

Operasi daya rendah juga dapat mengurangi distorsi, meningkatkan kualitas permukaan, membatasi keausan pada optik laser, dan mengurangi kebutuhan pasca‑pemrosesan. Manfaat ini perlu diukur untuk proses produksi tertentu, tetapi mereka menunjukkan mengapa penemuan parameter memengaruhi ekonomi manufaktur sama pentingnya dengan kelayakan teknis.

Potensi keuntungan meliputi:

• Lebih sedikit kegagalan pembangunan selama pengembangan material
• Persyaratan peralatan dan pasca‑pemrosesan yang lebih rendah
• Kualifikasi material dan komponen baru yang lebih cepat
• Produksi bagian logam khusus yang lebih terdistribusi

Poin terakhir ini sangat relevan bagi industri antariksa dan pertahanan. Industri-industri ini membutuhkan volume rendah bagian khusus dan sering menghadapi rantai pasokan dengan sedikit pemasok yang memenuhi syarat. Proses yang dapat dipindahkan ke lebih banyak mesin dapat membuat produksi dalam jumlah terbatas tidak terlalu bergantung pada satu fasilitas.

AI Dapat Menjadi Alat Komersialisasi Material

Peluang yang lebih besar tidak terbatas pada GRCop-42. Manufaktur aditif logam mendukung banyak paduan yang berpotensi berharga, tetapi setiap kombinasi material dan mesin baru memerlukan jendela prosesnya masing‑masing. Pengaturan yang berhasil pada satu printer mungkin tidak dapat dipindahkan secara sempurna ke printer lain karena perbedaan laser, serbuk, atmosfer, geometri, dan perilaku termal.

Hal ini menciptakan bottleneck tersembunyi. Ilmuwan material dapat merumuskan paduan dengan sifat mengesankan, sementara produsen mungkin masih kekurangan metode yang terjangkau dan dapat diulang untuk mengubahnya menjadi komponen jadi. Metode berbantuan AI serupa sudah digunakan untuk mengembangkan baja cetak 3D yang lebih kuat dan tahan korosi. Desain eksperimental yang dipandu AI dapat membantu menjembatani kesenjangan manufaktur yang tersisa dengan memperlakukan percobaan yang gagal sebagai data berguna dan mengarahkan sumber daya ke bagian ruang pencarian yang paling mungkin menghasilkan hasil yang layak.

Seiring perusahaan mengumpulkan data dari berbagai mesin dan material, model pada akhirnya dapat memulai proyek dengan pengetahuan yang dipelajari dari paduan serupa. Hal itu akan mengubah sejarah pengembangan proses menjadi aset manufaktur yang dapat digunakan kembali.

Namun, studi ini tidak boleh diartikan sebagai bukti bahwa komponen siap terbang kini dapat dicetak dengan 500 watt. Peneliti menghasilkan sampel laboratorium, bukan mesin roket bersertifikat. Adopsi di bidang antariksa tetap memerlukan studi keterulangan, pengujian mekanik, validasi pada tingkat komponen, dan persetujuan di bawah sistem kualitas yang ketat. BEAM mempercepat penemuan pengaturan yang layak, yang merupakan tahap awal namun mahal dari proses komersialisasi yang jauh lebih panjang.

Berinvestasi dalam Manufaktur Aditif Logam Berbasis AI

Bagi investor yang tertarik pada perusahaan yang beroperasi di persimpangan antariksa, AI, dan manufaktur aditif, Velo3D (VELO ) menawarkan contoh yang sangat relevan. Perusahaan ini mengembangkan keluarga sistem manufaktur aditif logam Sapphire untuk aplikasi antariksa dan pertahanan yang sangat penting.

Velo3D telah meluluskan GRCop-42 untuk platformnya. Teknologinya menggunakan laser powder bed fusion alih‑alih proses deposisi energi terarah yang diuji dalam makalah, sehingga konfigurasi BEAM tidak dapat langsung disalin ke printer Sapphire. Prinsip yang lebih luas tetap relevan: penemuan yang dipandu AI dapat membantu produsen printer meluluskan material sulit dan mengurangi biaya pengembangan.

Hal itu memberikan tesis investasi alami seputar akumulasi pengetahuan proses. Keunggulan kompetitif jangka panjang dalam pencetakan logam mungkin tidak hanya berasal dari daya laser atau volume cetak. Hal itu juga dapat bergantung pada perusahaan mana yang dapat secara andal mengubah beragam material canggih menjadi bagian yang dapat diulang dan disertifikasi.

Velo3D tetap menjadi perusahaan kecil spekulatif yang terpapar pada risiko eksekusi, pembiayaan, kompetisi, dan konsentrasi pelanggan. Namun, fokusnya pada antariksa dan kemampuan GRCop-42 yang ada menjadikannya perusahaan publik yang relevan untuk dipantau seiring AI semakin terintegrasi dalam pengembangan proses industri.

AI Mengubah Cara Teknologi Fisik Dikembangkan

Fitur paling konsekuensial dari BEAM adalah penerapan AI pada kendala industri fisik. Ia tidak menghasilkan konsep yang masih perlu diuji. Ia memilih tes dunia nyata mana yang harus dilakukan selanjutnya, belajar dari hasilnya, dan membuat percobaan berikutnya lebih terinformasi.

Loop tertutup itu dapat menjadi pola penentu bagi AI dalam manufaktur. Seiring material dan komponen menjadi lebih khusus, eksperimen menyeluruh menjadi terlalu lambat dan mahal. Sistem yang menggabungkan pembelajaran mesin dengan pengetahuan ahli dapat mempersempit pencarian tanpa mengeluarkan ilmuwan atau insinyur dari proses.

Bagi produsen antariksa, hasil langsungnya adalah cara yang lebih mudah untuk mencetak paduan NASA yang berharga. Implikasi yang lebih dalam adalah AI dapat mempersingkat jalur antara penemuan material canggih dan produksi bagian yang berguna darinya. Hal itu dapat memperluas manufaktur aditif melampaui kebebasan geometris dan menjadikannya platform yang lebih cepat untuk mengkomersialkan material itu sendiri.

Referensi:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). Discovery of feasible 3D printing configurations for metal alloys via AI-driven adaptive experimental design. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}