Perpustakaan Digital ITB

Mensimulasikan kontur tegangan pada suatu representasi mikrostruktur dari polimer berpenguat serat (FRP) menggunakan metode elemen hingga (FEM) tradisional terbukti kompleks, memerlukan komputasi yang tinggi, dan memakan waktu banyak. Penelitian ini mengintegrasikan pendekatan deep learning yang mampu mengatasi permasalahan tersebut dan menawarkan alternatif yang lebih efisien untuk prediksi kontur tegangan pada FRP dengan berbagai fraksi volume serat dan variasi penempatan serat. Untuk memperoleh model deep learning yang terlatih dengan baik, dataset pelatihan dibuat menggunakan skrip Python yang dikombinasikan dengan metode elemen hingga. Proses pelatihan dilakukan melalui pendekatan transfer learning, yang dibagi menjadi dua fase: fase pelatihan awal dan fase fine-tuning. Fase pelatihan awal difokuskan untuk memungkinkan model mempelajari pengaruh variasi jarak dan orientasi antar serat. Sebaliknya, fase fine-tuning ditujukan untuk meningkatkan pemahaman model terhadap interaksi yang lebih kompleks saat banyak serat terdapat dalam satu RVE. Kontur tegangan yang diprediksi kemudian dibandingkan dengan hasil FEM yang telah divalidasi berdasarkan intensitas piksel pada gambar. Hasil menunjukkan bahwa model yang telah dilatih mampu memprediksi kontur tegangan dari beberapa data uji dengan tingkat kesalahan yang sangat rendah, yaitu 7,8%, dalam waktu yang sangat singkat. Ditemukan pula bahwa semakin tinggi fraksi volume serat, maka galat prediksi menjadi semakin tinggi.