Hasil Pencarian  ::  Simpan CSV :: Kembali

"Beton busa (Foamed Concrete) adalah salah satu jenis beton ringan yang terdiri dari pasta semen atau mortar, dimana ruang udara atau pori-pori strukturnya terbentuk dengan menambahkan foaming agent kedalam campuran. Penelitian ini bertujuan untuk mengetahui pengaruh penggunaan abus ampas tebu sebagai bahan pengganti semen dalam pembuatan beton busa ringan (lightweight foamed concrete). Bahan-bahan yang digunakan dalam penelitian ini adalah semen Portland tipe I, abu ampas tebu, pasir, foaming agent dan air. Mix design yang digunakan dalam penelitian ini sesuai dengan ASTM C796-97 dengan kuat tekan yang diharapkan sebesar 1,4 MPa. Kuat tekan tertinggi yang dihasilkan pada umur 28 hari sebesar 1,2 MPa sampai 1,9 MPa. Kuat tekan terbesar didapat pada beton busa ringan dengan kadar abu ampas tebu 12%. Sedangkan berat jenis sebesar 1014 - 1037 kg/m3 dan kuat lenturnya sebesar 0,69 - 1,38 MPa."

"Roket reusable menjadi solusi dari tingginya biaya peluncuran roket. Dengan adanya roket yang dapat digunakan kembali, produsen roket tidak harus membuat roket baru untuk tiap peluncuran. Namun dengan banyaknya aspek yang perlu dikendalikan dalam pendaratan roket, diperlukan pengendalian yang rumit dengan pengetahuan mendalam mengenai model roket untuk menghasilkan pendaratan roket yang baik. Pada penelitian ini diajukan pengendali dengan proses perancangan yang lebih sederhana menggunakan reinforcement learning dengan algoritma Deep Deterministic Policy Gradient (DDPG) dengan fokus perancangan pada pencarian fungsi reward. Hasil pengendalian kemudian dibandingkan dengan pengendali PID dan pengendali DDPG dari penelitian terdahulu.

---

Reusable rocket is the ultimate solution of high rocket launch cost. With rockets being reusable, companies don’t have to make new rockets for every flight. But controlling rocket landing is not easy. With so many aspects needed to be controlled, complicated control system and in-depth knowledge about each rocket models are inevitable. This research proposes a controller with simpler design method using reinforcement learning with Deep Deterministic Policy Gradient (DDPG) algorithm which focuses on reward shaping. The result is then compared with PID and DDPG controllers from previous research."