Model AI menguraikan pola tetesan dengan presisi tinggi

Dampak jatuh pada permukaan padat merupakan fenomena penting yang memiliki berbagai penerapan. Apalagi jika tetesannya terciprat, hal ini dapat menyebabkan penurunan kualitas cetakan dan cat, erosi, penyebaran virus di udara, dan lain-lain. Oleh karena itu, penting untuk mengamati dan memahami karakteristik percikan tetesan cairan yang berbeda.

Namun, sifat multifase dari fenomena tersebut membuat observasi menjadi sulit jika dilakukan hanya dengan mata telanjang. Meskipun perkembangan kecerdasan buatan (AI) baru-baru ini menunjukkan harapan dalam mengatasi masalah ini, model AI sering kali beroperasi sebagai kotak hitam (black box), yang proses pengambilan keputusannya tidak diketahui.

Di Universitas Pertanian dan Teknologi Tokyo, tim peneliti dari Departemen Teknik Sistem Mekanik telah mengembangkan AI yang dapat dijelaskan untuk mengamati dan memahami percikan berbagai cairan dari perspektif AI.

Tim peneliti yang dipimpin oleh Prof Yoshiyuki Tagawa dan Prof Akinori Yamanaka, antara lain Jingzu Yee (mantan asisten profesor), Pradipto (mantan asisten profesor), Shunsuke Kumagai (mahasiswa magister tahun pertama), dan Daichi Igarashi (mantan mahasiswa magister), menerbitkan mereka rekomendasi di dalam Mengalir pada tanggal 20 Desember 2024.

Tim peneliti mengadopsi arsitektur jaringan saraf feedforward untuk mengembangkan model AI guna mengklasifikasikan video percikan dan tetesan non-percikan yang direkam dengan kamera berkecepatan tinggi.

Setelah pelatihan, model AI berhasil mengklasifikasikan video percikan dan non-percikan dengan a tingkat keberhasilan 92% untuk cairan dengan viskositas rendah dan 100% untuk cairan dengan viskositas tinggi. Para peneliti kemudian menerapkan metode visualisasi AI yang diusulkan untuk menganalisis dan menafsirkan proses klasifikasi.

Hasilnya menunjukkan bahwa AI mengklasifikasikan tetesan percikan dan non-percikan berdasarkan kontur bagian utama tetesan, tetesan yang dikeluarkan, dan lembaran tipis yang dikeluarkan dari sisi tetesan yang disebut lamella. Selanjutnya, metode visualisasi yang diusulkan berhasil menentukan frame video mana yang memiliki pengaruh paling besar terhadap klasifikasi AI.

Hasilnya menunjukkan bahwa perbedaan antara tetesan yang memercik dan yang tidak memercik pada cairan dengan viskositas rendah lebih terlihat jelas pada tahap awal tumbukan, sedangkan perbedaannya lebih jelas pada tahap selanjutnya tumbukan pada cairan dengan viskositas tinggi.

“Metode AI baru kami yang dapat dijelaskan dan dapat dijelaskan memberikan alternatif terhadap metode penelitian konvensional untuk penelitian dampak musim gugur,” kata Jingzu Yee, mantan asisten profesor di Universitas Pertanian dan Teknologi Tokyo.

“Metode kami mengungkapkan aspek mendasar dari dampak kejatuhan bumi, yang dapat dimanfaatkan untuk mengaktifkan berbagai perangkat dan sistem yang bermanfaat bagi umat manusia.”