Perpustakaan Digital ITB

Komposit polimer yang diperkuat serat (FRP) tenun sangat bernilai dalam bidang kedirgantaraan, otomotif, dan teknik struktur karena kekakuan dan kekuatan spesifiknya yang luar biasa. Namun, arsitekturnya yang kompleks, yang dihasilkan dari pola tenun, membuat analisis elemen hingga (FEA) konvensional menjadi mahal dan memakan waktu komputasi. Studi ini mengembangkan kerangka kerja pembelajaran mesin untuk memprediksi fraksi volume serat dan sifat elastis efektif komposit karbon/PPS tenun polos menggunakan citra elemen volume representatif (RVE) skala mesoskala dan data fraksi volume benang. Sekumpulan data yang terdiri dari 999 model RVE dengan geometri benang acak dihasilkan menggunakan TexGen dan disimulasikan di Abaqus untuk membuat set pelatihan, validasi, dan pengujian untuk pembelajaran mesin. Kerangka kerja ini menggunakan jaringan saraf tiruan konvolusional (CNN) multitugas yang diimplementasikan di Keras/TensorFlow, yang mengintegrasikan lapisan konvolusional bersama untuk citra tampilan ganda dengan cabang padat untuk input skalar. Hasilnya menunjukkan bahwa model pembelajaran mendalam secara akurat memprediksi sifat elastis komposit tenun, sebagaimana dibuktikan oleh koefisien determinasi yang tinggi, kesalahan kuadrat rata-rata yang rendah, dan waktu prediksi yang jauh lebih cepat dibandingkan dengan simulasi FE konvensional.