Perpustakaan Digital ITB

Kekuatan transversal komposit polimer diperkuat serat searah ditentukan oleh konsentrasi tegangan yang berkembang pada ligamen matriks sempit di antara serat-serat yang berdekatan. Meskipun analisis elemen hingga pada Representative Volume Element (RVE) mampu memprediksi medan tegangan tersebut secara akurat, simulasi kerusakan progresif hingga penghapusan elemen (element deletion) memerlukan waktu komputasi mulai dari beberapa jam hingga beberapa hari, sehingga membatasi pelaksanaan studi parametrik berskala besar maupun kuantifikasi ketidakpastian. Model surrogate berbasis deep learning telah dikembangkan sebagai alternatif, namun pendekatan yang ada umumnya memprediksi pola kerusakan berdasarkan medan tegangan pascakegagalan, hanya memprediksi lokasi terjadinya kerusakan tanpa memperkirakan regangan saat inisiasi kerusakan, serta membutuhkan ribuan simulasi sebagai data pelatihan. Penelitian ini mengembangkan suatu kerangka kerja konvolusional berbasis kendala fisika (physics-constrained convolutional framework) yang mampu memprediksi inisiasi kerusakan transversal secara langsung dari kondisi prakegagalan dengan memanfaatkan kurang dari dua ratus simulasi elemen hingga yang mempertimbangkan kerusakan. Sebanyak 188 RVE periodik kondisi plane strain dengan fraksi volume serat antara 0,3 hingga 0,6 dibangkitkan menggunakan Abaqus dengan model matriks Drucker–Prager, kriteria inisiasi kerusakan ulet yang bergantung pada triaxialitas tegangan, serta antarmuka kohesif serat– matriks. Sebuah U-Net yang dikondisikan terhadap regangan digunakan untuk memprediksi tensor tegangan matriks medan penuh (full-field) dan regangan plastis terakumulasi, dengan regularisasi menggunakan residual keseimbangan statik pada bagian interior matriks. Selanjutnya, jaringan kedua memprediksi i medan regangan plastis setelah cutoff serta medan regangan menuju kegagalan (strain-to-failure field), sehingga lokasi inisiasi kerusakan, regangan saat inisiasi, dan urutan propagasi kerusakan dapat ditentukan secara bersamaan. Perumusan ulang target pembelajaran dari masker retak biner yang jarang menjadi medan regangan menuju kegagalan yang kontinu berhasil menurunkan selisih train– validation overlap dari 0,45 menjadi 0,02. Evaluasi terhadap 26 mikrostruktur yang sepenuhnya tidak terlihat selama pelatihan menunjukkan bahwa model prediksi tegangan mencapai koefisien determinasi sebesar 0,966 dengan mean absolute error sebesar 0,619 MPa (2.9% dari tegangan alir matriks), sedangkan model prediksi kerusakan mampu menentukan lokasi inisiasi dengan galat periodik median sebesar 0,6 ?m, menempatkannya dalam radius 5 ?m pada 81% kasus, serta memprediksi regangan inisiasi dengan mean absolute error sebesar 0,00041, atau meningkat 40% dibandingkan prediktor dasar terbaik yang hanya memanfaatkan fraksi volume serat. Metode Monte Carlo dropout selanjutnya digunakan untuk membangun koridor retak probabilistik, meskipun estimasi ketidakpastiannya terbukti terlalu percaya diri (overconfident) dan memberikan informasi prediktif yang terbatas pada tingkat mikrostruktur. Hasil penelitian ini menunjukkan bahwa lokasi dan waktu terjadinya inisiasi kerusakan transversal dapat diprediksi secara bersamaan dari medan mekanik pra-kegagalan dalam suatu kerangka pembelajaran yang terpadu dan efisien terhadap keterbatasan data.