Apakah deep leaning dapat bertindak sebagai penjelajah data untuk mewujudkan visi dan misi industri dan bisnis? Rekayasa material menggunakan pembelajaran mendalam seperti pengklasifikasian material baja secara objektif.
Penulis/editor: Rayendra L Toruan
TechnoMachinews.id – Fraunhofer IWM (sumber): Gunakan konsep deep learning sebagai mesin penjelajah data yang akan digunakan untuk mewujudkan visi dan misi industri atau bisnsis.
Contohnya bantalan gelinding dipasang di mana pun maka sesuatu berputar.
Berbagai macam aplikasinya mencakup mulai dari turbin angin besar hingga sikat gigi elektrik kecil.
Bantalan ini, yang terdiri dari komponen baja, harus dipilih dan diuji dengan cermat terkait kualitas dan aplikasi yang dimaksud.
Ukuran butiran memiliki efek penting pada sifat mekanis baja. Hingga saat ini, ukuran kristalit mikroskopis telah dinilai oleh ahli metalografi melalui inspeksi visual — metode yang subjektif dan rawan kesalahan.
Para peneliti di Fraunhofer Institute for Mechanics of Materials IWM, bekerja sama dengan ahli di perusahaan Schaeffler Technologies AG & Co. KG, yang mengembangkan model pembelajaran mendalam atau deep learning yang dengan konsep itu memungkinkan penilaian dan penentuan ukuran butiran secara objektif dan otomatis.
Material yang biasanya digunakan untuk bantalan gelinding adalah baja yang diperkeras permukaannya dan diperkaya dengan karbon.
Pengerasan permukaan digunakan untuk membuat material tahan lama sehingga dapat mencegah kegagalan, kelelahan, dan pertumbuhan retak kritis pada komponen karena beban siklik, sehingga mencegah kecelakaan serius.
Karakteristik mikrostruktur yang penting dalam paduan baja biasanya berupa inklusi non-logam dan butiran yang lebih besar dari rata-rata.
Kristalit ini terbentuk selama proses produksi baja dan mengalami perubahan konstan di seluruh rantai nilai. Sifat mekanis baja sebagian besar ditentukan oleh ukuran butiran, di antara hal-hal lainnya.
Oleh karena itu, untuk tujuan pengendalian kualitas, sangat penting untuk menilai sifat-sifat tersebut secara andal.
Para peneliti di Fraunhofer IWM di Freiburg, Jerman, bekerja sama dengan Schaeffler Technologies AG & Co. KG, mengembangkan model pembelajaran mendalam atau konsep deep learning yang digunakan untuk menentukan ukuran butiran baja martensit dan bainitik, yaitu baja dengan struktur mikro yang mengeras akibat pendinginan mendadak.
Model ini dirancang untuk melengkapi atau menggantikan inspeksi visual yang membutuhkan waktu lama yang dilakukan oleh ahli metalografi terlatih, dan hingga saat ini telah menentukan dan mengklasifikasikan cacat secara visual.
Mereka bertujuan terutama untuk mencari butiran yang lebih besar dan cacat lainnya karena pada butiran itulah kemungkinan terjadi kegagalan paling besar.
Akan tetapi, seperti yang terungkap dalam uji round robin antarlaboratorium, evaluasi ukuran butiran yang dilakukan oleh para ahli berbeda satu sama lain.
Selain klasifikasi ukuran butiran yang pada dasarnya subjektif, penilaian pakar terkadang terbukti tidak akurat dan karenanya tidak cukup andal — terutama untuk aplikasi yang relevan dengan keselamatan.
Prosedur pemeriksaan standar juga rentan terhadap kesalahan karena didasarkan pada sampel kecil dan, karena banyaknya pekerjaan yang terlibat, pemeriksaan seluruh komponen tidak memungkinkan.
Otomatisasi tingkat tinggi, akurasi dan reproduktifitas yang ditingkatkan dalam deteksi cacat
Di sisi lain, model deep learning atau pembelajaran mendalam untuk penentuan ukuran butiran dapat digunakan untuk menilai area komponen yang sangat besar dan menunjukkan akurasi tinggi dan reproduktifitas yang ideal.
Deep learning adalah cabang dari kecerdasan buatan (AI) yang menggunakan jaringan saraf tiruan atau neural networks untuk memproses data yang kompleks dan tidak terstruktur.
Teknologi ini sangat berguna dalam berbagai industri dan bisnis karena kemampuannya untuk mengenali pola, membuat prediksi, dan mengoptimalkan proses berdasarkan data historis.
Cara kerja deep learning dengan memberikan data yang prosesnya dimulai dengan penyediaan data pada jaringan saraf tiruan. Data ini bisa berupa gambar, teks, suara, atau data lainnya.
Selanjutnya, data mengalir n melalui berbagai lapisan jaringan, di mana setiap lapisan melakukan transformasi atau forward propagation terhadap data tersebut.
Setiap lapisan melakukan perhitungan berdasarkan parameter-parameter yang dimilikinya untuk menghasilkan output yang diinginkan. Jaringan saraf belajar dari kesalahan dengan menyesuaikan bobot dan bias melalui proses yang disebut backpropagation demikian laman cs.ui.ac.id
Penerapan penjelajah data di industri
Untuk mencapai hal ini, model tersebut dilengkapi dengan data gambar yang sebelumnya telah diklasifikasikan oleh para ahli.
Gambar-gambar dari mitra industri ini digunakan untuk melatih model untuk mengenali dan mengklasifikasikan struktur mikro dalam baja. Inovasi di sini adalah bahwa ukuran butiran dapat dinilai secara konsisten secara objektif dan otomatis.
Data tersebut rentan terhadap gangguan anotasi karena perbedaan dalam cara ahli metalografi menilai ukuran butiran.
Namun, saat mengoptimalkan model, noise, yaitu penilaian yang salah, disaring. Dengan terus-menerus menerima gambar yang diberi anotasi dengan estimasi ukuran butiran yang berlebihan dan kurang, model mempelajari representasi rata-rata dan dilatih untuk menilai struktur mikro dengan lebih percaya diri.
“Dalam kasus ini, tidak diperlukan data yang sangat bersih atau volume data yang besar untuk pelatihan,” kata Dr. Ali Riza Durmaz, seorang ilmuwan di Fraunhofer IWM.
Aplikasi web yang dikembangkan oleh Dr. Durmaz dan timnya memvisualisasikan hasilnya. Dalam prosesnya, pendekatan kecerdasan buatan yang dapat dijelaskan memberikan transparansi yang lebih besar dalam penurunan model Proses pembuatan ision.
Semakin kecil ukuran butiran, semakin kuat baja
Model pembelajaran mendalam digunakan untuk mengklasifikasikan gambar mikrostruktur ke dalam rentang ukuran butiran yang berbeda.
“Bantalan gelinding harus memenuhi persyaratan mikrostruktur, yang berarti butiran tidak boleh melebihi ukuran tertentu. Semakin kecil ukuran butiran, semakin besar kekuatan baja,” jelas Dr. Ali Riza Durmaz.
Apa perbedaan cara deep learning dengan machine learning menjelajah data? Apa contoh penerapan deep learning yang sukses sesuai dengan visi dan misi suatu industri dan bisnis?
