Hasil Pencarian  ::  Simpan CSV :: Kembali

"Fatik menjadi salah satu indikator utama yang menjadi perhatian pada penggunaan paduan alumunium sebagai aplikasi struktural pesawat terbang, dimana sebanyak lebih dari 50% kecelakaan dirgantara disebabkan oleh kegagalan fatik material. Metode eksperimental trial and error untuk mendesain material memerlukan waktu panjang, biaya tinggi, serta efisiensi penelitian yang dipengaruhi oleh intuisi dan keberuntungan dari peneliti menimbulkan urgensi pendekatan lain dalam penelitian mekanika material. Penelitian mekanika material berbasis Pembelajaran Mesin (PM) dapat memanfaatkan data-data eksperimen dan penelitian terdahulu, sehingga dapat memangkas biaya dan waktu penelitian. Pada penelitian ini telah berhasil dikembangkan dua model deep learning yang mampu memetakan dengan baik hubungan antara data paduan alumunium dengan sifat fatik yang dihasilkan. Model dibuat dengan arsitektur Deep Neural Network menggunakan TensorFlow. Model S2P (Structure to Performance) dapat memprediksi performa fatik suatu paduan alumunium dari data komposisi, perlakuan panas, sifat mekanis, dan pembebanan fatik yang diterima. Model P2S (Performance to Structure) dapat memprediksi komposisi paduan alumunium yang dapat memenuhi performa fatik yang diharapkan. Kedua model menghasilkan performa baik berdasarkan pada metrik penilaian R2, yaitu senilai 0,92 untuk model S2P dan 0,96 untuk model P2S. Formula matematika sifat mekanis dan sifat fatik paduan alumunium dibuat sebagai fungsi dari variabel unsur paduan dan perlakuan panas. Pengembangan model deep learning prediksi sifat paduan alumunium berbasis fitur atomik menunjukkan bahwa total elektronegatifitas berpengaruh besar terhadap sifat mekanis dan sifat fatik.

---

Fatigue is one of the main concern of the utilization of aluminum alloys as aircraft structural applications, since more than 50% of aerospace accidents are caused by material fatigue failure. The experimental trial and error method for designing materials requires long time and high costs. Research efficiency is also influenced by intuition and luck of the researcher. These condition raises the urgency of other approaches in material mechanics research. Machine Learning (ML) based material mechanics research can take advantage of experimental data and previous research, which ables reduce research costs and time. In this research, two deep learning models have been successfully developed. The models are able to map the relationship between aluminum alloy data and the resulting fatigue properties. The model is built on a fully connected Deep Neural Network architecture using TensorFlow. The S2P (Structure to Performance) model can predict the fatigue performance of an aluminum alloy from the data of composition, heat treatment, mechanical properties, and fatigue loading condition. The P2S (Performance to Structure) model can predict the composition of aluminum alloys that can meet the expected fatigue performance. Both models produce good performance based on the R2 scoring metric, which is 0.92 for the S2P model and 0.96 for the P2S model. Mathematical formulas for mechanical properties and fatigue properties of alloys are made as a function of alloying and heat treatment variables. The development of atomic feature based deep learning model shows that the total electronegativity has a large impact on the mechanical properties and fatigue properties."

"Demam berdarah merupakan penyakit yang disebarkan melalui virus DEN-V dengan perantara nyamuk. Penyakit ini berbahaya karena belum ada obat, vaksin, ataupun antiviral khusus terhadap virus DEN-V, sehingga perlu dilakukan penemuan obat untuk demam berdarah. Enzim RNA dependent RNA polymerase (Rdrp) pada DEN-V dapat dijadikan target obat karena berperan penting pada proses replikasi virus. Pada penelitian ini dilakukan simulasi in silico terhadap tiga senyawa bioflavonoid, sub-kelas flavanon, yaitu Hesperetin, Hesperidin, dan Naringenin. Simulasi penambatan molekuler dan dinamika molekuler dilakukan untuk mengetahui kebolehjadian senyawa tersebut sebagai inhibitor target Rdrp. Hasil simulasi senyawa flavanon dibandingkan dengan Quercetin, dengan parameter penilaian penambatan molekuler, energi ikatan, RMSD, RMSF, dan kontak ligan-target. Hasil nilai penambatan molekuler untuk masing-masing ligan terendah yaitu Hesperidin, Quercetin, Hesperetin, dan Naringenin dengan nilai berturut-turut yaitu -9,842 kcal/mol, -8,513 kcal/mol, -7,761 kcal/mol, dan -5,634 kcal/mol. Hasil MM-GBSA energi ikatan terbaik adalah ligan Hesperidin, Naringenin, Hesperetin, dan Quercetin dengan nilai ikatan energi bebas secara berturut-turut yaitu -69,31 kcal/mol, -64,90 kcal/mol, -60,93 kcal/mol, dan -57,83 kcal/mol. Hasil dari studi ini memprediksi bahwa Hesperidin dapat menjadi inhibitor terhadap target Rdrp yang lebih baik dibandingkan Quercetin, sementara Hesperetin dan Naringenin juga memiliki aktivitas inhibisi tetapi tidak sebaik Quercetin.

---

Dengue fever is a disease spread by the DEN-V virus through mosquitoes. This disease is dangerous because there is no specific drug, vaccine, or antiviral against the DEN-V virus, insisting the need of drug discovery for dengue fever. RNA dependent RNA polymerase (Rdrp) enzyme in DEN-V can be a drug target because it has an important role in the virus replication process. In this research, in silico simulations were carried out on bioflavonoid compounds, flavanone sub-class, namely Hesperetin, Hesperidin, and Naringenin. Molecular docking simulations and molecular dynamics were carried out to determine the probability of these compounds to be inhibitors of Rdrp targets. The results obtained from the simulation of the flavanones was compared with quercetin, which are docking score, energy binding, RMSD, RMSF, and ligand-target contact. The molecular docking results, docking score, for each of all ligands from the lowest were Hesperidin, Quercetin, Hesperetin, and Naringenin with values of -9.842 kcal/mol, -8.513 kcal/mol, -7.761 kcal/mol, and -5.634 kcal/mol, respectively. The best bond energy MM-GBSA results were Hesperidin, Naringenin, Hesperetin, and Quercetin with the value of free energy bonding respectively, namely -69.31 kcal/mol, -64.90 kcal/mol, -60.93 kcal/mol , and -57.83 kcal/mol. The results of this study predict that Hesperidin can be a better inhibitor to target Rdrp than Quercetin, while Hesperetin and Naringenin also have inhibitory activity but not as well as Quercetin."