Hasil Pencarian  ::  Simpan CSV :: Kembali

"Rancang campur beton merupakan proses bertahap dan kompleks untuk mencoba menemukan komposisi bahan terbaik guna menghasilkan beton dengan performa terbaik. Kuat tekan beton merupakan sifat terpenting dalam kualitas beton dibandingkan sifat-sifat lain. Dalam proses pembuatannya, banyak variabel terutama jumlah komposisi material penyusun yang dapat memengaruhi kuat tekan beton. Terdapat beberapa metode konvensional dalam memprediksi beton yang terkadang memberikan hasil prediksi lebih atau kurang dari kuat tekan yang ditargetkan. Diperlukan metode yang akurat dalam memprediksi kuat tekan beton agar dapat memberikan keuntungan secara signifikan terhadap penggunaan bahan. Oleh karena itu, penelitian ini menggunakan Deep Neural Network (DNN) sebagai subbidang dari Machine Learning (ML) dan Artificial Intelligence (AI), untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan properti materialnya. Penelitian ini menghasilkan formula matematika berupa persamaan yang dihasilkan dari model DNN terbaik dengan melihat aspek error model dan grafik model loss. Terdapat total 2048 model yang dianalisis dengan variasi jumlah variabel input (feature) yang berbeda-beda. Model 280 pada kasus 1 dan model 23 pada kasus 5 merupakan model terbaik yang dihasilkan penelitian ini, dengan masing-masing nilai error model 43,8028 dan 5778,5850 untuk Mean Squared Error (MSE) serta 5,0073 dan 59,8225 Maen Absolute Error (MAE).

---

Concrete mix design is a gradual and complex process of trying to find the best ingredient composition to produce the best performing concrete. The compressive strength of concrete is the most important property in concrete quality compared to other properties. In the manufacturing process, many variables, especially the amount of material composition, can affect the compressive strength of concrete. There are several conventional methods of predicting concrete that sometimes give predictive results more or less than the targeted compressive strength. An accurate method of predicting the compressive strength of concrete is needed in order to significantly benefit the use of materials. Therefore, this research utilizes Deep Neural Network (DNN), a subfield of Machine Learning (ML) and Artificial Intelligence (AI), to predict the compressive strength of concrete based on its mix composition and material properties. This research produces mathematical formulas in the form of equations generated from the best DNN model by looking at the aspects of model error and model loss graphs. There are a total of 2048 models analyzed with different variations in the number of input variables (features). Model 280 in case 1 and model 23 in case 5 are the best models produced by this study, with model error values of 43.8028 and 5778.5850 for Mean Squared Error (MSE) and 5.0073 and 59.8225 Maen Absolute Error (MAE), respectively."

"Studi numerik untuk mempelajari efek dari nilai strain rate, jumlah partikel, confinemnet stress, kekakuan partikel, sudut geser partikel, serta gradasi dan ukuran partikel terhadap sudut geser dalam pasir. Pasir merupakan material granular yang tersusun dari kumpulan partikel yang sangat kecil (partikel diskrit), sehingga untuk mempelajari sifat mekanisnya diperlukan pengamatan secara mikroskopik. Metode elemen diskrit dua-dimensi mampu menghitung pergerakan dan efek dari sejumah besar kumpulan partikel dimana setiap partikel dimodelkan sebagai satu elemen berbentuk lingkaran. Penelitian dimulai dengan melakukan validasi model DEM dengan menggunakan YADE. Partikel dengan sudut geser partikel sebesar 35 disusun di dalam kotak domain tertutup (gesekan dinding domain diabaikan) dengan pembebanan berupa uji biaksial terdrainasi dengan conifinement stress sebesar 100kPa dan strain rate sebesar 0.01 s-1. Studi parametrik nilai strain rate menunjukkan bahwa semakin besar nilai strain rate-nya maka semakin besar pula sudut geser dalamnya, dimana peningkatan nilai strain rate dari 1% s-1 menjadi 5% s-1, 10% s-1, 25% s-1, dan 50% s-1 akan terjadi peningkatan pada sudut geser dalamnya masing-masing sebesar 5%, 5%, 14%, dan 18%. Studi parametrik jumlah partikel menunjukkan bahwa sudut geser dalam yang dihasilkan dari simulasi dengan jumlah partikel sebanyak 1,000; 10,000; dan 20,000 masing-masing adalah sebesar 22, 23, dan 25. Studi parametrik nilai confinement stress menunjukkan bahwa sudut geser dalam yang dihasilkan dari simulasi dengan confinement stress sebesar 100 kPa, 300 kPa, dan 500 kPa masing-masing adalah 22.1, 22.2, dan 22.5 dengan nilai kohesi yang dihasilkan adalah 0. Studi parametrik kekakuan partikel menunjukkan bahwa semakin kecil kekakuan partikel, maka akan semakin besar axial strain yang dibutuhkan untuk mencapai tegangan deviatorik puncaknya dan sudut geser dalam yang dihasilkan tidak menunjukkan perubahan yang signifikan. Studi parametrik nilai sudut geser partikel menunjukkan bahwa semakin besar sudut geser partikelnya maka akan semakin besar pula sudut geser dalamnya, dimana dengan meningkatkan sudut geser partikel dari 20 menjadi 40 akan meningkatkan sudut geser dalamnya sebesar 8%. Studi parametrik ukuran dan gradasi partikel menunjukkan bahwa partikel berdiameter 1 mm di dalam kotak domain berukuran 198198 mm (rasio diameter partikel dengan ukuran kotak domain sebesar  1 : 40,000) menghasilkan sudut geser dalam yang relatif sama. Sehingga, sudut geser dalam yang dihasilkan dari DE model 2D baik dengan tipe gradasi monodisperse maupun polydisperse tidak akan berbeda secara signifikan.

---

Numerical study to investigate the effect of various strain rates, number of particles, confinement stress, particle stiffness, local friction angle, and particle sizes on global friction angle in the sand has been performed. Sand is a granular material composed of discrete particles that the most refined microscopic techniques are needed to study its mechanical properties. The two-dimensional discrete element method (DEM) is capable to calculate the motion and interparticle contacts of large number of small particles, and each particle is modeled as a rigid circular element. The study started with the validation of the DEM model using YADE. Particles with a local friction angle of 35 are arranged in a closed rectangular box (frictionless wall). The validation model simulation was done by a drained biaxial test with confinement stress of 100 kPa and strain rate of 0.01 s-1. It is found that the different value of strain rate affects its global friction angle. Increasing the value of the strain rate can increase the material global friction angle, which increases the strain rate from 1% s-1 to 5% s-1, 10% s-1, 25% s-1, and 50% s-1 will increase its global friction angle by 5%, 5%, 14%, and 18%, respectively. Parametric study on number of particles shows that the global friction angle value results from 1,000; 10,000; and 20,000 particles are 22, 23, and 25, respectively. Parametric study results on confinement stress of 100 kPa, 300 kPa, and 500 kPa are 22.1, 22.2, and 22.5, respectively. Also, it shows that the material is cohesionless soil (c = 0). Parametric study results on the particle stiffness indicates that the smaller the particle stiffness, the greater the axial strain required to reach the peakdeviatoric stress and the difference of global friction angle is not significant. Parametric study on local friction angle shows that the global friction angle increases as the local friction angle increases, whereby increasing the particle shear angle from 20 to 40 will increase the global friction angle by 8%. Parametric study on the particle size shows that particles with diameter of 1 mm in a 198198 mm domain box (ratio of particle’s diameter to domain box size is  1 : 40,000) produce relatively the same global friction angle value. Thus, the global friction angle resulting from the 2D DE model with both monodisperse and polydisperse types will be the same."