Presisi Bertenaga AI untuk Mengubah Pencetakan Logam 3D Berbasis Laser

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

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 penyebaran.

Hal ini membuat laser sangat berguna dalam pemrosesan material, di mana ia digunakan untuk pemesinan, penyambungan, dan rekayasa permukaan. Dalam manufaktur aditif, laser digunakan untuk melelehkan material dan membuat komponen secara berlapis.

Manufaktur aditif secara sederhana adalah menciptakan produk lapis demi lapis. Awalnya menggunakan plastik sebagai material, berkat kemudahan prosesnya. Namun kini telah berkembang mencakup semua jenis material, termasuk material logam.

Material logam dikenal karena sifat menariknya, seperti konduktivitas listrik yang sangat baik, kekuatan tinggi, ductility, dan titik leleh tinggi, menjadikannya sangat berguna dalam aplikasi biomedis, energi, arsitektur, dan militer.

Pemrosesan logam dengan laser sekaligus menawarkan manfaat unik berupa kepadatan energi tinggi, zona panas yang sempit, dan sedikit kontaminasi. Itulah mengapa proses laser digunakan di banyak sektor, terutama di mana presisi maksimum dan kustomisasi tinggi diperlukan. Namun proses ini memiliki komplikasi dan tantangan teknisnya sendiri.

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

– Elia Iseli, pemimpin kelompok riset di laboratorium Advanced Materials Processing 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 Keuntungan dan Tantangan Laser Powder Bed Fusion (PBF-LB)

Dalam bidang pemrosesan logam berbasis laser yang lebih luas, Powder Bed Fusion adalah teknik populer, yang melibatkan penggunaan laser untuk melelehkan lapisan tipis bubuk logam pada titik-titik yang tepat dan menyatukannya untuk menghasilkan komponen akhir.

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

Teknik ini memungkinkan produksi geometri kompleks sekaligus menawarkan kemampuan kustomisasi dan memastikan efisiensi material.

Karakteristik ini membuat PBF-LB khususnya menguntungkan bagi industri seperti otomotif, medis, dirgantara, dan produk konsumen, di mana diperlukan bagian ringan dan kompleks, desain yang dipersonalisasi, presisi, pengurangan berat, dan prototyping cepat.

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

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

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

– Masinelli

Masukan energi tinggi yang diperlukan untuk peleburan logam dalam teknik ini sebenarnya menciptakan mekanisme fisik kompleks yang berdampak negatif pada kualitas bagian. Mekanisme ini mencakup inkonsistensi dalam sifat material, pengaruh gas atmosfer, dan interaksi laser dengan pluma uap. Semua fenomena ini menimbulkan masalah dalam mengidentifikasi parameter.

Hal ini terutama disebabkan oleh dua mode. Satu adalah mode konduksi di mana logam hanya meleleh, dan ideal untuk komponen tipis dan presisi. Pilihan lain adalah mode keyhole, di mana logam dapat menguap dalam beberapa kasus. Mode ini lebih cepat namun kurang presisi, sehingga cocok untuk komponen yang lebih tebal.

Batas antara kedua mode ini, bagaimanapun, bergantung pada berbagai parameter, dan mencapai kualitas terbaik pada produk akhir memerlukan pengaturan yang tepat, yang bervariasi tergantung pada material yang diproses.

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

Tidak berhenti di situ saja. Sampel yang dihasilkan pada tahap ini kemudian dianalisis menggunakan berbagai teknik seperti analisis mikrostruktur, pengukuran densitas, dan tomografi terkomputasi sinar-X (CT).

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

“Itulah mengapa banyak perusahaan tidak mampu menggunakan PBF pada awalnya.”

– Masinelli

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

Klik di sini untuk mempelajari bagaimana manufaktur aditif mengubah industri.

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

Untuk analisis sampel, peneliti beralih ke metode pemantauan real-time menggunakan sensor seperti emisi akustik (AE), pencitraan termal berkecepatan tinggi, dan sensor optik.

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

Teknik pemantauan real-time ini biasanya berbasis pada algoritma pembelajaran mesin (ML).

Sebagai bidang studi dalam kecerdasan buatan, ML berfokus pada pengembangan algoritma statistik yang belajar dari data. Algoritma ini mengekstrak pola bermakna dari data berdimensi tinggi dan kemudian membuat prediksi, dalam kasus pemrosesan logam, tentang kualitas bagian, tanpa perlu memprogram secara eksplisit model fisik yang kompleks.

Namun pendekatan AI ini tidak tanpa keterbatasan. Tantangannya termasuk model yang belajar mendeteksi perubahan pada parameter proses alih-alih regime proses dan pembentukan cacat.

Perubahan alami pada parameter mesin seiring waktu juga menjadi penghalang bagi generalisasi model ini, membatasi penerapan praktis model AI dalam lingkungan manufaktur dunia nyata. Selanjutnya terdapat masalah dengan otomasi, yang memerlukan peralatan khusus dan menjadi rumit karena banyaknya parameter, yang eksplorasinya juga menantang dan memakan sumber daya.

Ada kebutuhan jelas akan algoritma yang dapat secara otonom menavigasi ruang parameter PBF, mempertimbangkan banyak variabel proses, untuk mengidentifikasi kondisi optimal dan memahami regime lelehan yang mendasarinya.

Kebutuhan ini kini ditangani oleh peneliti dari Empa, yang mengusulkan metode baru yang menggunakan pengumpulan data optik tanpa pengawasan dengan fokus pada identifikasi regime lelehan 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 peneliti Empa berfokus pada dua parameter utama: daya laser dan kecepatan pemindaian, yang diidentifikasi memiliki dampak paling signifikan pada regime lelehan.

Meskipun fokus studi¹ adalah pada dua parameter ini, teknik ini juga dapat digunakan untuk parameter proses tambahan. Di masa depan, peneliti akan memasukkan laju aliran gas, jarak hatch, dan ketebalan lapisan ke dalam algoritma mereka untuk memungkinkan eksplorasi yang lebih komprehensif dari ruang parameter PBF-LB.

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

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

Studi ini sebenarnya membangun atas fondasi ini dan memperkenalkan metode orisinal yang menggabungkan bagian dari active learning (memilih titik data paling informatif) dan Bayesian optimization (strategi sampling iteratif menggunakan model probabilistik) untuk menghasilkan peta proses secara efisien.

Yang membuat pendekatan ini berbeda adalah bahwa ia dimulai tanpa data dan kemudian secara progresif membangun dataset dengan memutuskan di mana melakukan setiap eksperimen baru, sehingga memungkinkan proses eksperimental untuk dioptimalkan.

Secara mencolok, meskipun menggunakan pendekatan iteratif untuk penyempurnaan, model tetap tanpa pengawasan sepanjang proses, karena tidak memerlukan data berlabel. Untuk mengidentifikasi regime lelehan, algoritma mengandalkan fitur yang diekstrak dari data optik, dan hasilnya kemudian digunakan untuk melatih Gaussian Process Classifier (GPC) guna memberikan estimasi probabilistik dari peta.

Sedangkan untuk aspek iteratif, algoritma memilih pengaturan percobaan baru berdasarkan bidang yang memiliki ketidakpastian tinggi dalam prediksi, yang meningkatkan estimasi peta proses.

Pada dasarnya, algoritma diajarkan untuk mendeteksi mode pengelasan mana yang sedang digunakan laser selama percobaan, menggunakan data dari sensor optik yang sudah terpasang dalam mesin laser. Berdasarkan hal ini, algoritma menetapkan parameter untuk percobaan berikutnya.

“Kami berharap algoritma kami akan memungkinkan non-ahli untuk menggunakan perangkat PBF,” kata Masinelli. Itu hanya perlu diintegrasikan ke dalam firmware mesin pengelasan laser oleh produsen.

Mengevaluasi Efektivitas Model AI dalam Aplikasi PBF-LB

Algoritma baru yang diperkenalkan oleh peneliti untuk menghilangkan kebutuhan penyetelan parameter yang ekstensif, yang membatasi adopsi PBF-LB yang lebih luas, secara mandiri mengidentifikasi regime lelehan menggunakan data dari fotodioda.

Dan ketika diuji di laboratorium, tim menemukan metode ini sangat akurat, mencapai skor F1 sebesar 89,2% pada dua material. Untuk mengevaluasi kinerja, peneliti mencetak beberapa bagian pada dua material.

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

Secara khusus, tim melakukan inspeksi melt pool untuk memverifikasi prediksi algoritma.

Evaluasi menunjukkan bahwa pendekatan ini mengurangi kebutuhan percobaan eksperimental sebesar 67% pada kedua logam sambil mempertahankan kinerja yang kuat. Hal ini dapat secara signifikan menurunkan biaya eksplorasi parameter. Sementara itu, hanya terjadi penurunan maksimum 8,88% pada skor F1 dibandingkan dengan desain percobaan faktorial penuh tradisional.

“Hasil ini menegaskan efisiensi metode kami dalam konteks derivasi peta proses otonom untuk proses manufaktur lanjutan.”

Metode yang diperkenalkan di sini, menurut peneliti, dapat “meningkatkan secara signifikan” baik efisiensi maupun keandalan PBF-LB, yang dapat mengarah pada adopsi yang lebih luas dengan meningkatkan efektivitas keseluruhan di berbagai sektor. Menurut studi:

“Hasil kami menunjukkan potensi metode ini untuk menyederhanakan optimasi PBF-LB, menjadikannya lebih layak untuk aplikasi industri dan membuka jalan bagi adopsi yang lebih luas.”

Meningkatkan Proses Pengelasan Laser melalui Integrasi AI dan FPGA

Selain mengoptimalkan percobaan awal, peneliti juga meningkatkan proses pengelasan dalam proyek lain.

Ketika berbicara tentang pengelasan laser, bahkan dengan pengaturan ideal, proses masih dapat menghasilkan deviasi yang tidak dapat diprediksi, dan bahkan deviasi kecil dapat menyebabkan cacat serius pada produk.

“Saat ini tidak mungkin mempengaruhi proses pengelasan secara real-time,” kata peneliti Rajani. “Hal ini di luar kemampuan ahli manusia.”

– Peneliti Rajani

Faktanya, bahkan komputer kesulitan dengan kecepatan data yang harus diperiksa dan keputusan yang harus diambil. Peneliti menggunakan jenis chip komputer khusus di sini.

Chip ini disebut field-programmable gate array (FPGA), yang dirancang untuk komputasi berkinerja tinggi (HPC) dan prototyping. Chip dapat diprogram setelah dikeluarkan oleh produsen dan disesuaikan untuk berbagai kasus penggunaan tanpa perlu mengubah perangkat keras secara fisik. Fleksibilitasnya, dikombinasikan dengan kinerja tinggi, menjadikannya sangat berharga dalam industri dirgantara, otomotif, dan telekomunikasi.

“Dengan FPGA, kami tahu persis kapan mereka akan mengeksekusi perintah dan berapa lama eksekusinya – yang tidak terjadi pada PC konvensional.”

Peneliti menghubungkan FPGA ke PC untuk berfungsi sebagai “otak cadangan”. Saat chip mengamati dan mengendalikan parameter laser, data ini juga digunakan oleh algoritma di PC untuk pembelajaran.

“Jika kami puas dengan kinerja algoritma di lingkungan virtual pada PC, kami dapat ‘memindahkannya’ ke FPGA dan membuat chip menjadi lebih cerdas sekaligus.”

– Masinelli

Peneliti percaya bahwa ML dan AI memiliki potensi untuk berkontribusi secara signifikan pada pemrosesan logam berbasis laser. Oleh karena itu, mereka akan terus mengembangkan algoritma dan model mereka, serta memperluas area aplikasi, bekerja sama dengan kelompok riset lain dan mitra industri.

Menjelajahi Peluang Investasi dalam Teknologi Pencetakan 3D

Sekarang, pemain kunci dalam desain dan manufaktur aditif logam adalah Colibrium Additive. Ini merupakan bagian dari General Electric Company (GE.TO ) (GE ), yang kini beroperasi sebagai GE Aerospace.

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

“Meskipun kami mengubah nama kami, kami tetap fokus tanpa henti pada pelanggan, kualitas, dan keandalan kami. Kami akan terus memimpin industri Manufaktur Aditif dari depan dan mengganggu secara positif.”

– CEO Alexander Schmitz

General Electric (GE )

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

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

Dengan kapitalisasi pasar lebih dari $260 miliar, saham GE saat ini diperdagangkan sekitar $244, naik 46% tahun ini. Saham perusahaan mendekati puncaknya sekitar $290, yang tercapai pada tahun 2000. EPS (TTM)nya adalah 6,35, dan P/E (TTM) adalah 38,46, sementara dividen yang tersedia bagi pemegang saham adalah 0,59%.

Sementara itu, laporan keuangan perusahaan menunjukkan Q1 2025 yang kuat di mana GE mencatat total pendapatan $9,9 miliar, meningkat 11% sementara total pesanan naik 12% menjadi $12,3 miliar.

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

Operating profit surged 38% in 1Q25 to $2.1 billion while adjusted EPS had a 60% increase to $1.49. During this period, GE also melaporkan $1,5 miliar dalam kas dari aktivitas operasional (GAAP) sementara arus kas bebas meningkat 14% menjadi $1,4 miliar. Perusahaan juga melaporkan backlog layanan komersial lebih dari $140 miliar.

Di tengah semua ini, Propulsion & Additive Technologies hanya tumbuh 1%, dengan perusahaan mencatat bahwa harga dan volume menutupi penurunan pengiriman akibat peluncuran penjualan peralatan yang direncanakan secara perlahan.

Dalam laporan tahunan tahun ini, GE menyatakan “penurunan dalam industri Manufaktur Aditif karena adopsi teknologi yang lebih lambat,” namun pada saat yang sama, mencatat Colibrium Additive sebagai “bisnis kritis untuk teknologi saat ini dan masa depan di GE Aerospace karena kami terus fokus pada di mana ia dapat menciptakan nilai paling besar.”

Berita dan Perkembangan Saham General Electric (GE) Terbaru

Kesimpulan

Seiring AI terus berkembang dan mengubah industri, AI juga membantu mendefinisikan kembali apa yang mungkin dalam manufaktur modern dengan mempercepat optimasi proses dan memungkinkan adaptasi real-time. 

Dengan secara signifikan mengurangi waktu dan biaya yang terkait dengan penyetelan parameter dan deteksi cacat dalam PBF serta mencapai kontrol real-time 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 Generasi Peta Proses Otomatis. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}