Perpustakaan Digital ITB

Kemajuan teknologi telah menyebabkan munculnya berbagai material baru. Persyaratan efisiensi energi serta pengurangan emisi karbon menjadi faktor pendorong untuk menciptakan material yang ringan dan efisien. Salah satunya adalah Fiber Metal Laminates (FML). FML merupakan struktur hibrida yang terdiri dari lapisan logam yang diperkuat dengan lapisan komposit. FML dibuat untuk menggabungkan keunggulan yang dimiliki oleh logam maupun komposit. Berdasarkan beberapa penelitian yang telah dilakukan, material hibrida logam komposit terbukti dapat meningkatkan kinerja penyerapan energi jika dibandingkan logam dan biaya yang lebih rendah dibandingkan komposit. Machine Learning berkembang pesat digunakan untuk mengidentifikasi struktur data yang kompleks yang biasanya bersifat nonlinier. Dengan digunakannya machine learning, dapat dihasilkan model prediksi yang akurat. Pada penelitian ini, dilakukan validasi dan optimisasi performa kelaiktabrakan kolom hibrida aluminum-komposit berdinding tipis dengan sudut jamak pada kasus pembebanan aksial dengan fungsi aproksimasi yang didekati oleh artificial neural network (ANN), kemudian proses optimisasi dilakukan dengan menggunakan algoritma nondominated sorting genetic algorithm II (NSGA-II). Proses validasi menunjukan korelasi yang baik antara hasil simulasi dengan eksperimen. Untuk model aluminum error rata-rata adalah 4%. Sementara itu pada model hibrida, error rata-rata untuk orientasi [30/-30]s, [45/-45]s, dan [60/-60]s masing-masing sebesar 9%, 6%, dan 8%. Selanjutnya apabila dilihat dari modus kegagalan yang terjadi, model simulasi numerik dapat menggambarkan fenomena fisik yang terjadi dengan baik. Dari proses verifikasi yang telah dilakukan, diperoleh bahwa model optimisasi yang dibuat bisa memprediksi dengan baik dengan nilai error terbesar pada parameter SEA sebesar 12%. Sementara itu jika dibandingkan dengan Baseline Model, maka model optimal dapat memberikan peningkatan secara signifikan pada parameter Specific Energy Absorption (SEA), Crushing Force Efficiency (CFE), dan Mean Crushing Force (MCF) sebesar 5%, 36%, dan 37%. Sementara itu besar penurunan parameter Peak Force hanya sebesar 0.4%.