Perpustakaan Digital ITB

Perkembangan machine learning dalam beberapa dekade terakhir telah merevolusi berbagai bidang ilmu pengetahuan dan rekayasa melalui kemampuannya dalam memproses data kompleks, mengidentifikasi pola tersembunyi, serta menghasilkan prediksi akurat. Dalam penerapannya pada bidang rekayasa geoteknik, studi terkini telah menunjukkan keberhasilan model machine learning untuk memprediksi kurva konsolidasi tanah (kurva e-logP) dengan kinerja statistik yang baik. Namun, model tersebut seringkali gagal dalam mematuhi prinsip fisik yang berlaku, seperti tidak tepatnya prediksi titik awal kurva dan terjadinya peningkatan void ratio seiring bertambahnya tekanan. Hal ini menyoroti pentingnya pengembangan model machine learning yang tidak hanya mengandalkan pembelajaran data, tetapi juga mengintegrasikan batasan fisik (physics-informed). Penelitian ini mengembangkan model hibrida Physics-Informed Long Short-Term Memory (PI-LSTM) yang menggabungkan keunggulan model LSTM dalam menangani data sekuensial dengan integrasi batasan fisik. Dua soft constraints diterapkan dalam fungsi loss, yaitu batasan kondisi awal untuk menjamin kesesuaian dengan nilai initial void ratio dan batasan decreasing gradient untuk memastikan gradien kurva cenderung menurun seiring bertambahnya tekanan. Selain itu, hard constraint diterapkan untuk memastikan void ratio tidak meningkat seiring bertambahnya tekanan. Hasil penelitian menunjukkan bahwa model PI-LSTM memberikan peningkatan akurasi sekaligus menjaga konsistensi fisik dibandingkan model berbasis data murni. Penyesuaian bobot pada komponen loss physics-informed terbukti berpengaruh signifikan dalam menjaga keseimbangan antara akurasi dan kepatuhan terhadap perilaku fisik. Model PI-LSTM-H memberikan nilai galat kurva yang paling rendah dan prediksi kurva yang berimpit baik pada bagian awal, tetapi cenderung terlalu curam pada tekanan tinggi. Pola ini memengaruhi ketepatan estimasi parameter konsolidasi seperti indeks kompresibilitas (Cc) dan tekanan prakonsolidasi (Pc’), karena titik-titik data pada tekanan tinggi memiliki peran krusial dalam penentuannya. Meskipun demikian, hasil ini menunjukkan potensi pendekatan physics-informed untuk menghasilkan prediksi yang secara umum lebih konsisten terhadap hukum mekanika tanah, serta membuka ruang untuk penyempurnaan lebih lanjut pada tahap pelatihan model dan formulasi batasan fisiknya.