Perpustakaan Digital ITB

Penelitian ini membahas tentang pengembangan model aproksimasi berdasarkan data berbasis jaringan saraf buatan untuk analisis material stokastik dan heterogen yang stokastisitas materialnya dimodelkan dengan Gaussian random field. Tujuan dari model aproksimasinya adalah untuk menerima Gaussian random field sebagai input dan memprediksi output yang sesuai untuk domain masalah tertentu. Dalam penelitian ini, terdapat dua jenis studi kasus yang disajikan yaitu masalah konduksi panas dan masalah aliran air dalam tanah. Optimasi hyperparameter pada model jaringan saraf buatan juga dilakukan dengan menggunakan metode optimasi Bayesian. Selain itu, arsitektur model jaringan saraf buatan yang dipertimbangkan dalam pekerjaan ini adalah jaringan saraf feedforward dan jaringan saraf convolutional. Beberapa investigasi dilakukan untuk jaringan saraf feedforward terhadap performanya seperti memperkenalkan konfigurasi feedforward berbasis ???? dan berbasis ???? yang merupakan variasi pada input modelnya dan akan mempengaruhi performa prediksi modelnya. Selain itu, skema yang fleksibel dan seragam dipertimbangkan untuk mengeksplorasi performa prediksi model dengan memberikan beberapa limitasi selama proses optimasi hyperparameter. Hasil penelitian menunjukkan bahwa untuk kasus dengan jumlah konstanta diskritisasi Gaussian random field yang berjumlah kecil, model feedforward dapat bersaing dengan model convolutional dan bahkan dapat sedikit mengunggulinya, sedangkan untuk masalah dengan jumlah konstanta diskritisasi yang besar dengan lengthscale Gaussian random field yang lebih kecil sehingga menghasilkan medan acak yang lebih kompleks, jaringan saraf convolutional memiliki performa prediksi yang jauh lebih baik daripada model jaringan saraf feedforward.