DESAIN PADUAN ENTROPI TINGGI COCRFEMNNI DENGAN PERMODELAN STACKING FAULT ENERGY MENGGUNAKAN PERHITUNGAN TERMODINAMIKA DAN MACHINE LEARNING

• Main Author: Mahira Nahdi, Dwina
• Format: Final Project
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/85628
• Institution: Institut Teknologi Bandung

Paduan telah berevolusi secara progresif. Paduan entropi tinggi,???? yang terdiri dari setidaknya lima elemen dengan masing-masing berkisar antara 5—35 at.% dan ?Smix ? 1,5R, menawarkan sifat mekanik yang menjanjikan. CoCrFeMnNi, paduan entropi tinggi yang pertama kali ditemukan, dikenal karena sifat mekaniknya yang sangat baik. Paduan ini cocok untuk aplikasi suhu tinggi di aerospace dan nuklir, elektronik, kesehatan, dan coating pada suhu kamar, serta tangki penyimpanan LNG pada suhu rendah. Kekerasan merupakan sifat penting dari paduan yang nilainya berkaitan dengan stacking-fault energy (SFE). Optimalisasi komposisi paduan berdasarkan SFE di berbagai suhu memerlukan eksperimen yang masif sehingga diperlukan pendekatan yang lebih efisien. Studi ini bertujuan untuk memberikan panduan desain paduan CoCrFeMnNi berdasarkan hasil analisis SFE melalui perhitungan termodinamika dan pendekatan machine learning yang sebelumnya hanya dilakukan pada komposisi dan temperatur terbatas. Pada studi ini, SFE dari paduan CoCrFeMnNi dihitung secara termodinamika menggunakan persamaan Olsen-Cohen dalam MATLAB pada rentang komposisi 5—40 at.% dan suhu dari 1 hingga 1200 K. Hasil yang diperoleh dianalisis untuk mempelajari pengaruh komposisi elemen, suhu, dan kontribusi magnetik terhadap SFE dan digunakan sebagai input untuk model machine learning—random forest (RF), support vector machine (SVM), dan neural network (ANN)—yang dilatih di Google Colaboratory. Root mean square error (RMSE) dan accuracy digunakan untuk menentukan model terbaik, sedangkan features importance dan spearman correlation digunakan untuk mengidentifikasi pengaruh dan korelasi suhu serta komposisi terhadap SFE. Hasil analisis menghasilkan rekomendasi desain praktikal untuk paduan CoCrFeMnNi. RF, SVM, and ANN dapat memprediksi nilai SFE dengan baik. ANN merupakan model terbaik dengan nilai RMSE terendah sebesar 1,02 dan akurasi tertinggi sebesar 98,8%. SFE menunjukkan korelasi positif dengan peningkatan suhu dan kontribusi magnetik sangat tinggi pada suhu rendah tetapi menurun signifikan seiring dengan peningkatan suhu. Penambahan unsur Fe dan Ni meningkatkan nilai SFE, sedangkan penambahan unsur Co, Cr, dan Mn menurunkan nilai SFE. Dengan demikian, komposisi yang direkomendasikan pada suhu kamar (300 K) untuk mencapai deformasi twinning terdiri dari 5—40 at.% Co, 5—37 at.% Cr, 13—40 at.% Fe, 5—36 at.% Mn, dan 5—40 at.% Ni. Komposisi paduan juga dapat merujuk pada rumus CrFeNi(100-x-y)CoxMny, FeMnNi(100-x-y)CoxCry, dan CoCrFe(100- x-y)NixMny. Co16Cr36Fe16Mn16Ni16 dan Co19Cr24Fe19Mn19Ni19 (tinggi Cr), serta Co19Cr19Fe19Mn24Ni19 dan Co18Cr18Fe18Mn28Ni18 (tinggi Mn), adalah contoh komposisi menarik dengan SFE lebih rendah daripada komposisi equiatomik dan deformasi twinning pada suhu kamar.