Perpustakaan Digital ITB

Batuan merupakan material alami yang tersusun atas agregat mineral dan sistem pori dengan tingkat heterogenitas struktural yang sangat kompleks. Aktivitas pembebanan di kerak bumi menghasilkan distribusi tegangan yang direspons batuan dalam bentuk regangan. Pemahaman mendalam mengenai properti mekanis ini, khususnya parameter brittleness index, sangat penting dalam studi geomekanika guna memprediksi secara akurat kapan batuan akan mengalami kegagalan akibat tekanan. Mengingat metode karakterisasi melalui pengujian laboratorium konvensional umumnya memakan waktu lama, berbiaya tinggi, serta bersifat destruktif terhadap fisik sampel, penelitian ini menerapkan pendekatan digital rock physics berbasis komputasi machine learning. Citra digital CT-scan batuan pasir disegmentasi menggunakan machine learning algoritma k-means clustering guna memisahkan ruang pori dan fraksi mineral berdasarkan intensitas densitasnya. Model komputasi ini berhasil menghasilkan nilai porositas sebesar 19,71% yang terbukti sangat selaras dengan data well log sebesar 18%, serta persentase komposisi mineralogi yang tervalidasi kesesuaiannya dengan data x-ray diffraction. Hasil segmentasi tersebut kemudian diintegrasikan sebagai parameter input simulasi numerik elemen hingga garboczi. Berdasarkan komputasi algoritma tersebut, properti elastik sampel berhasil diestimasi dengan perolehan modulus bulk 20,28 GPa, modulus shear 14,69 GPa, modulus young 35,50 GPa, serta poisson's ratio pada angka 0,21. Selanjutnya, perhitungan brittleness index yang dinormalisasi menghasilkan angka sebesar 0,43. Nilai tersebut menempatkan sampel batuan pada kategori less brittle, mengindikasikan bahwa batuan cenderung mengakomodasi tegangan melalui fase deformasi plastis secara terbatas sebelum akhirnya pecah. Secara keseluruhan, metode komputasi ini menawarkan alternatif karakterisasi mekanis yang efisien dan bersifat non destruktif terhadap fisik sampel batuan.