Perpustakaan Digital ITB

Prediksi kerusakan transversal pada komposit termoplastik yang diperkuat serat searah (FRTP) merupakan tantangan karena perilaku matriksnya yang nonlinier dan bergantung pada tekanan, serta tingginya biaya komputasi dari simulasi mikromekanik berbasis finite element method (FEM). Penelitian ini memperkenalkan kerangka kerja hierarchical transfer learning yang mengintegrasikan data hasil FEM dengan machine learning (ML) untuk memperoleh prediksi cepat dan akurat terhadap respons tegangan–regangan transversal dari citra mikrostruktur. Model hibrid CNN–LSTM yang diusulkan dilatih secara bertahap: tahap awal menggunakan kontur tegangan hasil FEM untuk menangkap pola deformasi fundamental, kemudian disempurnakan dengan citra mikrostruktur biner guna meningkatkan kemampuan prediksi. Validasi terhadap hasil FEM menunjukkan kesesuaian yang sangat baik (MARE < 0,05) dengan waktu komputasi yang lebih efisien. Kerangka pembelajaran hierarkis terbukti efektif dalam mengurangi variasi error dalam prediksi, menghasilkan nilai R² hampir empat kali lebih tinggi (0,6708) dibandingkan kerangka non-hierarkis (0,1689). Kerangka ini menawarkan pengganti yang andal dan skalabel untuk simulasi mikromekanik berbasis FEM serta memajukan analisis berbasis data pada komposit termoplastik.