Pasukan dari Universiti Teknologi dan Reka Bentuk Singapura telah membangunkan kaedah dipacu AI yang lebih pantas untuk menjalankan penilaian kitaran hayat (LCA), dengan ketara mengurangkan masa dan kerumitan yang terlibat dalam mengukur kesan alam sekitar produk.
Penyelidik dari Universiti Teknologi dan Reka Bentuk Singapura (SUTD) telah membangunkan model dipacu AI baharu untuk memendekkan masa yang diambil untuk mengukur kesan produk terhadap alam sekitar.
Penemuan, diterbitkan dalam jurnal Proceedings of the Design Society, tandakan satu langkah penting ke arah menjadikan penilaian kesan alam sekitar sebagai bahagian penting dalam reka bentuk produk, yang berpotensi mengubah cara industri mendekati kemampanan.
Latar Belakang
Pilihan yang dibuat semasa reka bentuk produk boleh mempengaruhi kesan alam sekitar produk akhir. Daripada pemilihan bahan kepada kaedah pembuatan, keputusan awal meninggalkan kesan yang berkekalan pada ekosistem dan rantaian bekalan.
Walau bagaimanapun, penilaian kitaran hayat (LCA), alat utama untuk mengukur impak ini, selalunya tidak boleh diakses kerana kerumitan, kos dan keperluan masanya.
LCA menyediakan gambaran menyeluruh tentang jejak alam sekitar produk — daripada pengekstrakan bahan mentah, melalui penggunaannya, hingga pelupusan akhirnya.
Di sebalik meritnya, LCA tradisional ialah proses intensif sumber yang menuntut pengumpulan dan analisis data berbulan-bulan oleh pakar, menjadikannya tidak realistik untuk kebanyakan perusahaan kecil dan sederhana atau syarikat yang lebih besar yang beroperasi pada kitaran pembangunan produk yang pantas.
"Pereka produk menghadapi banyak cabaran: kesukaran dalam menilai kesan bahan yang berbeza kerana kekurangan data yang boleh dipercayai, leverage terhad dengan rantaian bekalan untuk mendapatkan maklumat, dan pemahaman yang tidak lengkap tentang penggunaan tenaga. Tanpa garis panduan yang jelas, mereka sering akhirnya membuat pilihan dalam gelap," kata Arlindo Silva, profesor bersekutu SUTD, dalam satu kenyataan akhbar.
Kaedah Pasukan
Dalam usaha untuk mengatasi halangan ini, Silva dan pasukannya telah memperkenalkan kaedah Penilaian Kitaran Hayat Terperinci (SLCA).
Pendekatan terobosan ini memanfaatkan kecerdasan buatan, pemodelan 3D dan pangkalan data sedia ada untuk memudahkan proses LCA sambil memastikan hasil yang boleh dipercayai.
Daripada bermula dari awal, SLCA menggunakan AI dan pangkalan data sekunder untuk menentukan komponen paling berkesan dalam kitaran hayat produk. Elemen utama ini kemudiannya dimodelkan dalam 3D untuk mengekstrak data penting seperti berat dan isipadu. Sistem AI seterusnya menyokong dengan mengaitkan ciri-ciri ini dengan prosedur pembuatan biasa dan memilih data yang sesuai daripada repositori seperti Ecoinvent.
Hasilnya ialah LCA yang bukan sahaja lebih pantas tetapi juga memerlukan input data yang jauh lebih sedikit.
"SLCA membina pengetahuan sedia ada untuk memahami perkara yang paling penting, bukannya menuntut setiap butiran terakhir. Ia menggunakan pemodelan 3D untuk memperoleh ciri bahagian asas dan AI untuk memadankannya dengan proses dan bahan yang paling berkemungkinan," tambah Silva.
Mengesahkan kaedah mereka melalui kajian kes alat bantu pendengaran elektronik kecil, pasukan itu memerhatikan kecekapan yang luar biasa. Proses LCA konvensional untuk peranti itu mengambil masa tiga bulan dan memerlukan 86 input data yang berbeza. Sebaliknya, SLCA menyelesaikan tugas hanya dalam satu minggu dengan hanya 26 input data, mengurangkan keperluan input sebanyak hampir 70% dan masa sebanyak lebih 90%. Keputusan SLCA menunjukkan ketepatan purata 90% berbanding penilaian penuh.
"Kami memastikan bahawa LCA penuh berfungsi sebagai 'kebenaran asas' kami. Apa yang kami dapati ialah penjimatan besar dalam masa yang dibelanjakan hanya membawa kepada sisihan minimum dalam keputusan - di luar titik tertentu, lebih banyak usaha tidak diterjemahkan kepada ketepatan yang lebih besar," tambah Silva.
Dengan kemunculan SLCA, pereka kini boleh menguji pelbagai konsep dengan pantas, mengenal pasti bahan atau proses yang membebankan alam sekitar pada awal peringkat reka bentuk. Keupayaan ini amat bermanfaat untuk industri yang mempunyai produk yang berkembang pesat, seperti elektronik pengguna dan boleh pakai.
"Pendekatan kami amat sesuai untuk reka bentuk peringkat awal, di mana ketidakpastian adalah tinggi. Ia membolehkan pasukan mengesan titik panas tanpa menunggu setiap spesifikasi dimuktamadkan, mengelakkan kejutan kemudian apabila LCA penuh menunjukkan impaknya lebih tinggi daripada yang diharapkan," tambah Silva.
Langkah Seterusnya
Pasukan penyelidik berusaha untuk meningkatkan metodologi mereka dengan mengujinya merentasi pelbagai jenis produk dan memperhalusi kemesraan penggunanya. Mereka membayangkan masa depan di mana AI terus maju dalam domain ini, menggabungkan automasi dengan ketelusan dan membenamkan kemampanan ke dalam proses reka bentuk sejak awal lagi.
“Pada masa ini, LCA amat sukar untuk disepadukan pada peringkat reka bentuk — ia biasanya dilakukan apabila sudah terlambat untuk melakukan sesuatu mengenainya,” tambah Silva. "Kami berharap kerja ini menyumbang kepada membenamkan kemampanan ke dalam reka bentuk dari awal lagi, di mana ia boleh membuat perbezaan terbesar."