Perpustakaan Digital ITB

Prediksi kurva stress-strain tanah lempung menggunakan machine learning telah berkembang pesat di bidang teknik geoteknik, meskipun sebagian besar pendekatan machine learning hanya melakukan curve fitting — pendekatan tersebut membutuhkan data yang masif, mengabaikan aspek mekanika tanah, dan jarang memperhitungkan pore stress. Sebagian besar penelitian sebelumnya juga berfokus pada tanah pasir dan hanya memprediksi perilaku deviatoric stress. Penelitian ini mengusulkan model neural network berupa Multifidelity–Physics-Informed (MPINN) dua tahap yang memprediksi baik deviatoric stress maupun pore stress tanah lempung berdasarkan index properties-nya. Tahap 1 menggunakan neural network berupa Artificial Neural Network (ANN) untuk mengkalibrasi parameter Modified Cam Clay (MCC) dan menghasilkan kurva low-fidelity yang konsisten secara fisika melalui batasan keras. Tahap 2 menggunakan LSTM atau BiLSTM untuk mempelajari residual antara kurva MCC tahap 1 dan data pengujian laboratoriun Triaxial CU sebagai target, sehingga menghasilkan mekanisme multifidelity berbasis residual. Dalam penelitian ini, hyperparameter dioptimasi menggunakan Bayesian Optimization dan 5-Fold Cross Validation, serta lima model — RF, LSTM-Only, BiLSTM-Only, LSTM-MPINN, dan BiLSTM-MPINN — dibandingkan performanya untuk 176 pasang kurva. LSTM-MPINN memberikan kinerja terbaik dan paling robust (R² = 0,869 pada data uji), dengan performa terbaik berada pada rentang water content 44–85%, plasticity index 58–80%, dan void ratio 1,15–2,17. Selain itu, analisis SHAP menunjukkan bahwa MPINN menggeser fitur penting dari parameter yang secara mekanik merupakan parameter yang lemah (berat jenis basah, gravitasi spesifik) ke parameter yang lebih sesuai dengan mekanika (PI, LI), sehingga menghasilkan prediksi yang tidak hanya lebih akurat tetapi juga dapat diinterpretasikan secara geoteknik. Kerangka ini memberikan model yang efisien dalam penggunaan data dan konsisten secara fisika untuk memprediksi perilaku tanah lempung pada tahap awal selagi menunggu hasil hasil laboratorium. Nilai error E50, puncak q, dan ????? ketika puncak q juga dievaluasi pada penelitian ini. Meskipun hasil penelitian ini tidak menunjukkan pola karakteristik tanah tertentu yang memberikan error terkecil, secara umum seluruh model menunjukkan bahwa error terhadap puncak q lebih kecil dibandingkan error E50 dan ????? ketika puncak q.