Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu syarat utama kendaraan taktis adalah mampu menahan penetrasi peluru sehingga menjamin keselamatan pasukan tentara yang berada di dalamnya. Saat ini material untuk kendaraan taktis berasal dari baja yang memiliki densitas tinggi sehingga cenderung berat dan menghambat mobilitas kendaraan taktis tersebut. Maka dikembangkan material yang lebih ringan namun memiliki ketangguhan yang sama dengan baja, yaitu material komposit bermatriks aluminium, sedangkan penguat ditambahkan adalah zirkonia (ZrO2) yang memiliki sifat ketangguhan terhadap retak yang tinggi. Untuk meningkatkan sifat mekanik komposit bermatriks aluminium tersebut juga diberi perlakuan panas. Pada penelitian ini, dikembangkan komposit bermatrik paduan Al-13.20Zn-6.38Mg-6.67Si-1.38Cu (wt.%) dengan variasi penguat 5, 7.5, dan 10 vol.% partikel ZrO2 yang difabrikasi melalui proses squeeze casting. Untuk meningkatkan ketangguhan terhadap beban balistik, komposit tersebut diberi laku pelarutan pada temperatur 450 0C selama 1 jam, dilanjutkan dengan laku penuaan pada temperatur 200 0C. Karakterisasi material yang dilakukan, antara lain pengujian kekerasan Rockwell B untuk mendapatkan kurva penuaan, pengujian impak, analisis fraktografi, analisis struktur mikro menggunakan mikroskop optik dan Scanning Electron Microscope (SEM), serta pengujian komposisi dengan Energy Dispersive X-Ray (EDX). Terakhir, dilakukan pengujian balistik dengan menggunakan senjata SPR-1 dan proyektil kaliber 7.62 mm dari jarak 15 m. Dari hasil pengujian, diperoleh bahwa komposit yang difabrikasi tidak homogen. Namun berdasarkan pengujian yang telah dilakukan, saat penuaan puncak kekerasan tertinggi dicapai saat penambahan 7.5 vol.% ZrO2, yaitu 71.48 HRB. Penambahan partikel penguat ZrO2 tidak memberikan pengaruh yang signifikan terhadap harga impak. Pengamatan struktur mikro melalui mikroskop optik menunjukkan bahwa tidak tampak partikel ZrO2 tersebar dalam matirks. Berdasarkan pengamatan menggunakan SEM, partikel ZrO2 mengelompok dan menginisiasi rongga Pengujian balistik dilakukan pada tiga lapis pelat komposit bermatriks Al-Zn-Mg-Cu berpenguat 7.5 vol.% ZrO2 dengan kadar Si: 4.03 (lapisan 1), 6.94 (lapisan 2), dan 1.50 (lapisan 3). Tiga lapis pelat komposit tersebut tidak mampu menahan penetrasi peluru.

---

One of the main requirement for tactical vehicle is bulletproof to ensure the safety of troops inside the vehicle. Common material for tactical vehicle is steel-based material, that has high toughness but heavy, which impedes its mobility. Aluminum composite is being developed for tactical vehicle because it is lighter than steel but still having high toughness. Zirconia (ZrO2) particulate is added to aluminum matrix as reinforcement due to has high fracture toughness. Heat treatment is given to aluminum composite to improve mechanical properties.

In this research, Al-13.20Zn-6.38Mg-6.67Si-1.38Cu (wt.%) composite with addition of 5, 7.5, and 10 vol.% ZrO2 particulate were fabricated by squeeze casting. To gain higher toughness toward ballistic impact, the composite was solution treated at 450 0C for 1 hour, then aged at 200 0C. Material characterizations consisted of Rockwell B hardness testing to construct ageing curve, impact testing, fractography analysis, microstructure analysis using optical microscope and Scanning Electron Microscope (SEM), and microanalysis using Energy Dispersive X-Ray (EDX). The composite was then tested by SPR-1 rifle with 7.62 mm bullet from the distance of 15 m.

The results showed that the composite fabricated did not have uniform characteristics all over the sample. Based on the material testings which had done, highest hardness was achieved by 7.5 vol.% ZrO2, with the value of 71.48 HRB. Addition of ZrO2 did not affect significantly to the impact value. Observation of microstructure by using optical microscope showed that there was no zirconia found in the matrix. Based on the SEM observation, ZrO2 clustered and initiated porous. Ballistic testing was done to three layers of 7.5 vol.% ZrO2 strengthened with silicon content: 4.03 (layer 1), 6.94 (layer 2), dan 1.50 (layer 3). Those composite were not able to withstand 7.62 mm bullet penetration."

"Material untuk aplikasi peralatan militer (balistik) didesain untuk menahan tembakan peluru yang pada aplikasinya dibutuhkan sifat tangguh terhadap beban impak balistik. Selain itu diperlukan sifat yang kuat dan ringan. MMC dengan matriks aluminium sangat populer untuk dikembangkan karena aluminium memiliki berat yang ringan dan sifat mekanis yang baik. Untuk mendapatkan kekerasan tanpa mengorbankan ketangguhan, diperlukan penambahan elemen paduan pada matriks. Dalam penelitian ini dikembangkan material variasi paduan 1, 3.85 dan 4 wt.% Si pada matriks Al–12Zn–6Mg-1Cu dengan penguat 7.5 vol.% ZrO2 hasil squeeze casting. Untuk meningkatkan ketangguhan komposit, dilakukan laku pelarutan pada suhu 450oC selama 1 jam kemudian dilakukan pengerasan penuaan pada suhu 200°C. Karakterisasi material dilakukan untuk melihat efek penambahan Cu pada komposit. Karakterisasi material yang dilakukan diantaranya pengujian kekerasan dengan metode Rockwell B, pengujian impak, analisis struktur mikro menggunakan mikroskop optik dan Scanning Electron Microscopy (SEM), kemudian dilakukan pengujian balistik dengan peluru tipe III berkaliber 7.62 mm. Hasil pengujian menunjukkan bahwa semakin tinggi kadar Si yang diberikan maka kekerasan menurun mencapai 67.26 HRB yang diikuti dengan turunnya keuletan sehingga harga impak menurun menjadi 0.469 J/mm2 akibat kegetasan material. Komposisi komposit belum mampu menahan beban impak balistik akibat sifat yang terlalu getas. Kegagalan ini juga diakibatkan oleh partikel ZrO2 yang menginisiasi porositas.

---

Materials for military equipment application (ballistic) designed to withstand bullets, so that they need high toughness. Beside that, they also need strong and light weight materials. MMC with aluminum matrix is very popular to be developed because aluminum has a light weight and good mechanical properties. To obtain high hardness without sacrifiying the toughness, alloying elements are added in the matrix.

This study evaluate Al-12Zn-6Mg-1Cu alloy added with 1, 3.85 and 4 wt. % Si with 7.5 vol. % ZrO2 as reinforcement. Manufacturing process was squeeze casting to assume good mixing of ZrO2 particulates. To improve the toughness, composite were solution treated at 450 oC for 1 hour and the aged at 200°C.

Materials characterization included composition analysis using Optical Emission Spectroscopy (OES), hardness testing (Rockwell B), impact testing (charpy method), microstructure analysis using optical microscopy and Scanning Electron Microscopy (SEM), then ballistic testing with type III bullets of 7.62 mm callibre.

The results show that the higher the Si content, the higher peak hardness of the composite decrease which is proceeded by 67.26 HRB, and impact energy of the composite decrease which is proceeded by 0.469 J/mm2 . With age hardening, the toughness of the composite higher than as-cast condition. This composite were not able to resist penetration of projectile with 7.62 mm bullet."

"Kendaraan taktis (rantis) merupakan kendaraan yang digunakan dalam dunia militer dengan komponen penyusun utama berupa baja yang berat dengan sifat balistik yang baik. Diperlukan material pengganti yang lebih ringan dengan sifat balistik yang endekati. Aluminium komposit merupakan material yang diharapkan mampu menjadi pengganti baja pada kendaraan taktis dikarenakan sifatnya yang ringan, mudah dipadu dan dapat dilaku panas. Penelitian menggunakan paduan Al-12Zn-5Mg-1Cu-1Si dengan variasi penguat ZrO2 sebesar 5, 7,5 dan 10 vol. % hasil squeeze casting dengan proses laku pelarutan pada temperatur 450 oC selama 1 jam kemudian dlakukan pendinginan cepat menggunakan media air pada temperatur ruang dan dilakukan penuaan selama 200 jam. Karakterisasi yang dilakukan berupa pengujian kekerasan, impak, pengamatan struktur makro dan mikro, SEM, EDX dan pengujian balistik tipe IIIA. Hasil penelitian menunjukkan bahwa pengerasan penuaan akan meningkatkan kekerasan komposit. Semakin tinggi kandungan ZrO2 akan menyebabkan turunnya kekerasan dan naiknya harga impak dikarenakan dua faktor yang mempengaruhi, yaitu porositas dan peningkatan ketangguhan oleh penguat ZrO2. Hasil pengujian balistik didapatkan bahwa lapisan pelat ketiga mampu menahan beban peluru akan tetapi pelat mengalami hancur disebabkan harga impak pelat yang rendah dan hadirnya porositas yang mempercepat terjadinya kegagalan.

---

Tactical vehicle is used in military need with steel as the main component that is heavy with good ballistic property, so we need a subtitution material which is lighter and having good ballistic property. Aluminium composite is designed to subtitute the use of steel in tactical vehicle due to its low weight and strength.

This study used Al-12Zn-5Mg-1Cu-1Si with the variation of ZrO2 by 5, 7,5 and 10 vol. % that was produced by squeeze casting. The composite were solution treated at 450 oC for 1 hour and then quenched in water at room temperature and aged for 200 oC. The characterization included hardness and impact tests, analysis of microstructure and macrostructure, SEM, EDX and type IIIA of ballistic test.

The results show that by the increase in ZrO2 led to the decrease in hardness and the impact. These were due to two affecting factors, they are porosity and the ZrO2 that will increase the toughness. The ballistic test showed that the third plate could resist the bullet but the plate was broken due to the low impact value and the presence of porosity."

"Detailing tulangan pengekang kolom balok persegi pada struktur kolom beton bertulang yang dibangun di daerah rawan gempa memerlukan perhatian khusus mengingat banyaknya kegagalan struktur yang terjadi di lapangan akibat kurangnya pemahaman yang benar mengenai konsep desainnya maupun kesalahan implementasinya di lapangan. Building Code Requirements for Reinforced Concrete and Comentary (ACI 318-14) yang diikuti oleh SNI 2847-2019 melakukan perubahan signifikan pada perhitungan luas tulangan pengekang yang memasukkan unsur tulangan longitudinal khususnya pada kolom dengan beban aksial yang tinggi atau mutu beton diatas 70 MPa untuk sistem rangka pemikul momen khusus dalam rangka meningkatkan kemampuan daktilitasnya. Penelitian ini merupakan studi parametrik menggunakan data eksperimental yang tersedia. 22 kolom persegi beton bertulang dari mutu beton 29-88 MPa serta konfigurasi tulangan mulai dari konfigurasi tanpa pengikat silang (cross ties) hingga kolom dengan 3 kaki pengikat silang pada tiap sisinya. Data penelitian yang ada dievaluasi dan analisis untuk mendapatkan daktilitas lateral maupun kurvaturnya. Hasil dari studi ini menekankan perlunya penggunaan pengikat silang yang mengekang secara lateral tulangan longitudinal, penggunaan pengikat silang memberikan peningkatan daktilitas yang signifikan, standar luas tulangan pengekang terbaru memberikan tingkat daktilitas yang lebih baik dari sebelumnya."

"Kebiasaan belajar adalah teknik yang menetap pada diri siswa pada waktu menerima pelajaran, mcmbaca buku, mengeujakan tugas, dan mengatur waktu untuk menyelesaikan kegiatan (Djaali, 2008). Kebiasaan belajar di ruma11 yang efelctifditandai dengan: melakukan kegiatan belajar secara teratur, mempersiapkan semua kcperluan bclajar sebelum keesokan harinya berangkat ke sekolah, dan terbiam belajar hingga benar-benar memahami materi yang dipelajari (Liang Gie, 1995). Program ini bertujuan mengubah kebiasaan belzgiar di rumah yang tidak teramr menjadi teratur melalui moditikasi perilalcu yang menerapkan prinsip-prinsip posilive reinforcement. Suhyek dalam penelitian ini bernama P, ia adalah seorang murid kelas 1 SD yang ‘berusia 6 tahum 8 bulan. Setelah dilakukan intcrvensi, P dapat belajar secara temmr, sehingga bisa disimpulkan bahwa positive reinjbrcemenf efektif untuk membentuk kebiasaan belajar. Untuk penelitian selanjutnya disarankan agar materi yang dipelajari hendaknya fokus pada satu mata pelajaran, dibuat program untuk menumbuhkan motivasi intemal, tingkatkan pnoporsi belqjar selain mengerjakan PR, libatkzm kedua kakak P dalam kegiatan belajar, dan lakukanjbllow agp.

---

Study habit is a technique which is attained in a student by the time he gets study materials, reading books, does school works and manages his time in order to iinish his work (Djaali, 2008). Effective study habit at home is marked by: studying regularly, preparing everything which is needed before going to school the next day, and being used to study for understanding the study topic (Liang Gie, 1995).

The aim ofthis program is to modify unregular study habit at home into regular study habit by behavior modification wh ich uses the principal of positive reinforcement. Subject in this research is P, a first grader who is 6 years 8 months old.

After intervention, P succeeded in studying regularly, so it can be concluded that positive reinforcement is effective in shaping study habit. For tirture research the suggestions are the learning material studied should focus on only one sujea, an additional program should be designed to develop intemal motivation, time for leaming new materiats should be increased besides doing homework, the program should be implemented on both P’s sibling, and follow up is needed."

"Sistem coupled tank merupakan salah contoh penerapan sistem kontrol level industri yang memiliki karakteristik yang kompleks dengan non linieritas yang tinggi. Pemilihan metode pengendalian yang tepat perlu dilakukan untuk dapat diterapkan dalam sistem coupled tank agar dapat memberikan kinerja dengan presisi tinggi. Sejak awal kemunculannya, Reinforcement Learning (RL) telah menarik minat dan perhatian yang besar dari para peneliti dalam beberapa tahun terakhir. Akan tetapi teknologi ini masih belum banyak diterapkan secara praktis dalam kontrol proses industri. Pada penelitian ini, akan dibuat sebuah sistem pengendalian level pada sistem coupled tank dengan menggunakan Reinforcement Learning dengan menggunakan algoritma Twin Delayed Deep Deterministic Policy Gradient (TD3). Reinforcement Learning memiliki fungsi reward yang dirancang dengan sempurna yang diperlukan untuk proses training agent dan fungsi reward tersebut perlu diuji terlebih dahulu melalui trial and error. Performa hasil pengendalian ketinggian air pada sistem coupled tank dengan algoritma TD3 mampu menghasilkan pengendalian yang memiliki keunggulan pada rise time, settling time, dan peak time yang cepat serta nilai steady state eror sangat kecil dan mendekati 0%.

---

The coupled tank system is an example of the application of an industrial level control system that has complex characteristics with high non-linearity. It is necessary to select an appropriate control method to be applied in coupled tank systems in order to provide high-precision performance. Since its inception, Reinforcement Learning (RL) has attracted great interest and attention from researchers in recent years. However, this technology is still not widely applied practically in industrial process control. In this research, a level control system in a coupled tank system will be made using Reinforcement Learning using the Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm. Reinforcement Learning has a perfectly designed reward function that is required for the agent training process and the reward function needs to be tested first through trial and error. The performance of the results of controlling the water level in the coupled tank system with the TD3 algorithm is able to produce controls that have advantages in rise time, settling time, and peak time which are fast and the steady state error value is very small and close to 0%."

"Sistem coupled tank merupakan salah contoh penerapan sistem kontrol level industri yang memiliki karakteristik yang kompleks dengan non linieritas yang tinggi. Pemilihan metode pengendalian yang tepat perlu dilakukan untuk dapat diterapkan dalam sistem coupled tank agar dapat memberikan kinerja dengan presisi tinggi. Sejak awal kemunculannya, Reinforcement Learning (RL) telah menarik minat dan perhatian yang besar dari para peneliti dalam beberapa tahun terakhir. Akan tetapi teknologi ini masih belum banyak diterapkan secara praktis dalam kontrol proses industri. Pada penelitian ini, akan dibuat sebuah sistem pengendalian level pada sistem coupled tank dengan menggunakan Reinforcement Learning dengan menggunakan algoritma Twin Delayed Deep Deterministic Policy Gradient (TD3). Reinforcement Learning memiliki fungsi reward yang dirancang dengan sempurna yang diperlukan untuk proses training agent dan fungsi reward tersebut perlu diuji terlebih dahulu melalui trial and error. Performa hasil pengendalian ketinggian air pada sistem coupled tank dengan algoritma TD3 mampu menghasilkan pengendalian yang memiliki keunggulan pada rise time, settling time, dan peak time yang cepat serta nilai steady state eror sama dengan 0%.

---

The coupled tank system is an example of the application of an industrial level control system that has complex characteristics with high non-linearity. It is necessary to select an appropriate control method to be applied in the coupled tank system in order to provide high-precision performance. Since its inception, Reinforcement Learning (RL) has attracted great interest and attention from researchers in recent years. However, this technology is still not widely applied practically in industrial process control. In this research, a level control system in a coupled tank system will be created using Reinforcement Learning using the Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm. Reinforcement Learning has a perfectly designed reward function that is required for the agent training process and the reward function needs to be tested first through trial and error. The performance of the results of controlling the water level in the coupled tank system with the TD3 algorithm is able to produce controls that have advantages in rise time, settling time, and peak time which are fast and the steady state error value is equal to 0%."

"Proses industri banyak melibatkan penggunaan coupled tank, salah satu proses yang dilakukan adalah pengendalian ketinggian cairan. Pada penelitian ini dilakukan pengendalian ketinggian air pada sistem coupled tank menggunakan Reinforcement Learning berbasis algoritma Soft Actor Critic (SAC) menggunakan MATLAB dan Simulink. Sebelum diimplementasikan ke dalam sistem coupled tank dilakukan serangkaian proses training pada algoritma SAC. Hasil dari proses training ini merupakan action dalam bentuk besar bukaan control valve. Kinerja pengendali dievaluasi menggunakan nilai rise time, settling time, overshoot, dan steady state error. Berdasarkan parameter ini, algoritma SAC dapat mengendalikan sistem dengan baik dengan rise time kurang dari 47 sekon, settling time kurang dari 62 sekon, overshoot dibawah 10%, dan steady state error kurang dari 1%. Ketika diberikan gangguan algoritma SAC dapat kembali ke keadaan stabil dalam waktu kurang dari 45 sekon.

---

A lot of industrial processes utilize the use of coupled tanks, with one of the processes being liquid level control. In this study, Reinforcement Learning is implemented to control the water level in the coupled tank system using Soft Actor Critic (SAC) algorithm through MATLAB and Simulink. Before being implemented into the coupled tank system, the SAC algorithm went through a series of training processes. The result of this training process is an action in the form of adjusting control valve opening percentage. The controller performance is evaluated using parameters such as rise time, settling time, overshoot, and steady state error. Based on these parameters, the SAC algorithm manages to perform well in controlling the system with a rise time of less than 47 seconds, a settling time of less than 62 seconds, overshoot of less than 10%, and steady state error below 1%. When the system received a disturbance the SAC algorithm can return to a steady state in less than 45 seconds."

"Peminimalisasian luasan tulangan minimum dalam pengedaannya erat kaitannya dengan keterbatasan sumber daya material yang tersedia di pasaran dan keterbatasan biaya yang hares dikeluarkan. Namun, peminimalisasian iuas tulangan ini jugs harus tetap dapat menahan gaya yang mungkin tedadi sesuai dengan rencana. Dalam pelaksanaannya balok (struktur) yang aman adalah yang dapat menahm daktilitas yang cukup besar tanpa menimbulkan keruntuhan yang membahayakan dan memberikan nilai layan yang baik. Daktilitas itu sendiri adalah kemampuan suatu struktur untuk melakukan perubahan bentuk tanpa mengalami kenmtuhan. Pada penelitian ini akan diteliti mengenai pengaruh underrienforced terhadap daktilitas balok. Underreinforced adalah balok yang memiliki persentase tulangan dibawah atau sama dengan tulangan balok dalam kondisi balance. Dalarn penelitian ini digunakan balok beton fc'=33,2 MPa, dengan penampang 200x150 mm dan bentang 2010 mm. Untuk tulangan baja pada balok digunakan tulangan baja ?8 nun polos dengan fy=321,2 MPa dan D10 mm ulir dengan fy=535,3 MPa."

"Skripsi ini mengatasi tantangan pelatihan agen Deep Reinforcement Learning (DRL) untuk mengemudi otonom dengan mengembangkan filter keselamatan prediktif berbasis model untuk mencapai pelatihan yang aman. Efektivitas pendekatan ini dievaluasi melalui analisis komparatif dari masalah mengemudi otonom yang diselesaikan menggunakan tiga skenario implementasi yang berbeda: pengendali berbasis pembelajaran konvensional, pengendali berbasis pembelajaran dengan filter keselamatan prediktif, dan pengendali prediktif berbasis model. Tujuan utama dari masalah mengemudi optimal dalam penelitian ini adalah meminimalkan waktu putaran pada lintasan tertutup, di mana agen tidak dibatasi oleh lintasan yang telah ditentukan tetapi dibatasi oleh batas lintasan. Oleh karena itu, filter keselamatan prediktif bertujuan untuk mempertahankan posisi agen dalam batas lintasan selama pelatihan, dengan intervensi minimal. Penelitian ini menyediakan desain dan implementasi dari pengendali prediktif berbasis model, pengendali berbasis pembelajaran konvensional, dan pengendali berbasis pembelajaran dengan filter keselamatan prediktif untuk masalah mengemudi optimal. Ditemukan bahwa filter keselamatan secara efektif mengurangi potensi kerusakan perangkat keras akibat tabrakan selama pelatihan dan meningkatkan efisiensi sampel. Dari segi kinerja, pengendali dengan filter keselamatan mencapai waktu putaran yang lebih cepat dibandingkan pengendali prediktif berbasis model, tetapi sedikit lebih lambat dibandingkan pengendali berbasis pembelajaran konvensional, terutama karena pendekatannya yang konservatif terhadap tikungan akibat penggunaan filter keselamatan prediktif berbasis model.

---

This thesis addresses the challenge of training Deep Reinforcement Learning (DRL) agents for autonomous driving with an emphasis on optimal performance and safety. The primary objective is to develop a model-based predictive safety filter to achieve safe training. The effectiveness of this approach is evaluated through a comparative analysis of an autonomous driving problem solved using three distinct implementation scenarios: a conventional learning-based controller, a learning-based controller with a predictive safety filter, and a model predictive controller. The core goal of the optimal driving problem in this research is to minimize lap times on a closed-loop track, where the agent is not restricted to predefined trajectories but is constrained by track boundaries. Consequently, the predictive safety filter aims to maintain the agent’s position within track boundaries throughout training, with minimal intervention This research provides implementation of a model predictive controller, a conventional learning-based controller, and a learning-based controller with a predictive safety filter for optimal driving problems. The findings reveal that the safety filter effectively reduces potential hardware damage from crashes during training and increases sample efficiency. Performance-wise, the safety filter-equipped controller achieves faster lap times than the traditional model predictive controller but is marginally slower than the conventional learning-based controller, primarily due to its conservative approach to turns because of using the model-based predictive safety filter."