Perpustakaan Digital ITB

Kebutuhan material suhu tinggi terus meningkat tiap tahunya. High Entropy Superalloy (HESA) atau paduan super entropi tinggi merupakan paduan baru yang sedang dikembangkan untuk mencapai kekuatan yang tinggi dengan biaya manufaktur yang lebih murah. Salah satu karakteristik utama dari material adalah ketahanan terhadap perayapan yang dapat dideskripsikan oleh Stacking Fault Energy (SFE) melalui mekanisme deformasi. Pendekatan dalam mengukur nilai SFE dapat dilakukan dengan beberapa cara, salah satunya adalah dengan machine learning dan perhitungan termodinamika. Penelitian ini bertujuan untuk menentukan pengaruh dari komposisi, temperatur, kontribusi magnetik, dan entropi pencampuran terhadap SFE, menentukan model machine learning terbaik, dan memberikan panduan dalam mendesain paduan super entropi tinggi FeNiCrAlCu. Simulasi dilakukan dengan menentukan parameter yang digunakan untuk perhitungan termodinamika. Parameter tersebut digunakan untuk menghitung nilai SFE dengan memanfaatkan perangkat lunak Matlab. Hasil dari perhitungan tersebut menjadi basis data untuk model machine learning random forest, support vector machine, dan neural network. Basis data dibagi menjadi data train dan data test dengan rasio 75:25. Model dilatih menggunakan data train sedangkan data test digunakan untuk mengevaluasi performa dari model yang telah terlatih. Performa model diukur melalui beberapa metrik evaluasi seperti root mean square error (RMSE) dan accuracy. Berdasarkan simulasi yang dilakukan, peningkatan temperatur meningkatkan nilai SFE. Pada suhu 300 K, penambahan atom Ni meningkatkan SFE dari 56,35 mJ/m2 ke 100,53 mJ/m2, penambahan atom Al meningkatkan SFE dari 33,11 mJ/m2 ke 124,42 mJ/m2, peningkatan Cr menurunkan SFE dari 107,89 mJ/m2 ke 17,97 mJ/m2, peningkatan Fe menurunkan SFE dari 79,93 mJ/m2 ke 56,14 mJ/m2 dan peningkatan Cu menurunkan SFE dari 82,26 mJ/m2 ke 63,18 mJ/m2 yang terjadi karena pengaruh dari paduan lain. Kontribusi magnetik terhadap SFE terjadi secara signifikan pada suhu rendah, dan secara umum peningkatan entropi pencampuran dapat menurunkan nilai SFE. Model Machine learning terbaik adalah Neural Network dengan RMSE 1,75 dan accuracy 0,98. Panduan desain untuk HESA FeNiCrAlCu pada suhu 300 K, dapat mengikuti rentang Ni 20-25 at%, Cr 15-36 at%, Al 5-20 at%, Cu 9-20 at%, dan Fe 20-35 at%.