Perpustakaan Digital ITB

Selama lebih dari seratus tahun solusi deterministik kasus buckling silinder tipis memiliki hasil yang berbeda dengan hasil eksperimen. Kesenjangan antara teori klasik buckling dan hasil eksperimen mendorong studi untuk mengungkap alasan dibalik kesenjangan ini. Lebih lanjut, teori klasik buckling mungkin belum sepenuhnya menangkap kompleksitas dari hubungan antara properti material dan parameter geometri dengan beban kritikal buckling. Untuk itu, tugas akhir ini akan menggabungkan simulasi finite element dam explainable machine learning untuk mengungkap hubungan antara keduanya. Tugas akhir ini juga akan menggunakan Gaussian Process Regression (GPR) dengan 6 input yakni, modulus Young’s, rasio Poisson, panjang silinder, ketebalan silinder, jari-jari silinder, dan FTQC (Fabrication Tolerance Quality Class). Model dapat memprediksi dengan baik dengan galat ? 3% secara rata-rata terhadap model keseluruhan dan dapat dilanjutkan untuk tahap selanjutnya. Shapley additive explanation (SHAP) juga diperkenalkan dalam tugas akhir ini untuk menjelaskan model GPR dengan membiarkan pengguna memeriksa tiap variabel pada model dan interaksinya dengan variabel lain. Ketebalan silinder ditemukan adalah variabel yang memiliki dampak paling besar pada model, diikuti oleh modulus Young’s, jari-jari silinder, FTQC, panjang silinder, dan rasio Poisson. Luaran menunjukkan beberapa perbedaan dengan teori klasik, terlebih dalam bagaimana interaksi variabel dan terlepas dari linearitas.