Perpustakaan Digital ITB

Logam dan paduan telah berevolusi dari material dengan komposisi sederhana menjadi material dengan komposisi kompleks untuk meningkatkan fungsi dan performansi. Setelah penemuan paduan entropi tinggi pada tahun 2004, beragam studi dan penelitian terkait paduan ini. Perkembangan sosial dan ekonomi yang cepat membawa kebutuhan baru dan tantangan dalam dunia industri, khususnya industri transportasi dan energi. Hal tersebut membutuhkan pengembangkan material baru yang memiliki sifat mekanik yang luar biasa seperti keuletan dan kekuatan. Nilai stacking fault energy (SFE) mempengaruhi sifat mekanik paduan melalui mekanisme deformasi yang terjadi. Nilai SFE berdasarkan beberapa parameter dapat diperoleh melalui beberapa simulasi seperti perhitungan termodinamika dan machine learning. Penelitian ini memiliki tujuan untuk menentukan pengaruh komposisi dan temperatur dari paduan, menentukan model machine learning yang paling baik dan memberikan panduan dalam mendesain paduan entropi sedang FeCrNiAl. Simulasi dimulai dengan menentukan parameter dan mengumpulkan data termodinamika dari beberapa literatur. Lalu parameter dan perhitungan dimasukkan ke dalam program MATHLAB untuk dilakukan perhitungan. Hasil perhitungan adalah nilai SFE, lalu data hasil perhitungan termodinamika menjadi database untuk model machine learning, yaitu logistic regression, random forest and support vector machine. Data dari database dibagi menjadi data training dan data test dengan rasio 80:20. Data training berfungsi untuk mempelajari setiap model machine learning sedangkan data test dan data independen digunakan untuk memprediksi klasifikasi nilai SFE. Performa model machine learning diukur menggunakan nilai precision, recall, accuracy dan dengan menggunakan kurva ROC-AUC. Berdasarkan hasil simulasi, dengan meningkatnya temperatur, nilai SFE akan juga meningkat. Berdasarkan perhitungan termodinamika pada temperatur 270 K: penambahan atom Al akan meningkatkan nilai SFE dari 27,92 menjadi 120,4 mJ/m2, penambahan atom Cr akan mengurangi nilai SFE dari 146,31 menjadi 52,23 mJ/m2, penambahan atom Ni akan meningkatkan nilai SFE dari 70,91 menjadi 104,65 mJ/m2, penambahan atom Fe akan mengurangi nilai SFE dari 103,10 menjadi 79,49 mJ/m2. Model machine learning terbaik yang diperoleh adalah model support vector machine, dengan nilai accuracy 0,999; nilai makro precision 0,9914; makro recall score 0,9995 dan nilai AUC 1. Untuk mendesain paduan entropi sedang FeCrNiAl pada temperatur 300 K, dapat mengikuti rentang at-Al 5-25%, at-Cr 22-35%, at-Ni 5-35%, at-Fe 15-35%.