Nama:Achmad Satrio Mulyo Ridho

NPM:23036010043

Pendekatan prediksi terpadu dari kehidupan kelelahan

yang cocok untuk material teknik yang beragam

Abstrak
Studi tentang metode untuk memprediksi umur kelelahan las berbagai bahan sangat penting untuk
keandalan dan keamanan struktur teknik. Kumpulan data kinerja kelelahan dengan karakteristik lengkap
telah ditetapkan melalui pemrosesan dan peningkatan data. Mengubah fungsi kerugian dan faktor-faktor
yang mempengaruhi informasi fisik digunakan untuk melakukan intervensi fisik multi-level dalam model
prediktif. Pentingnya faktor-faktor yang mempengaruhi berbasis fisika dalam kumpulan data properti
mekanik dianalisis dan diintegrasikan ke dalam kerangka jaringan saraf konvolusional dalam (DCNN)
melalui model perhatian. Pentingnya intervensi menggunakan faktor-faktor yang mempengaruhi informasi
fisik dan identifikasi berdasarkan sifat mekanik ditunjukkan dengan membandingkan metode prediksi yang
berbeda. Selain itu, metode prediksi sifat mekanik untuk umur kelelahan beberapa material telah
ditetapkan, kesalahan prediksi rata-rata (30,5%) dan deviasi standar kesalahan prediksi (16,1%) dari
metode yang diusulkan secara signifikan lebih rendah dibandingkan metode lain. metode prediksi. metode.
. Dengan mengidentifikasi melalui sifat mekanik dan mengenali faktor-faktor yang mempengaruhi
informasi fisik, metode pembelajaran mesin dapat digunakan untuk mengevaluasi umur kelelahan beberapa
material dalam rekayasa bahan habis pakai.Energi rendah.

Pendahuluan
Kegagalan kelelahan adalah model kegagalan paling klasik dalam bidang teknik, dan sifat
kelelahan berbagai material sangatlah kompleks. Perbedaan struktur mikro, komposisi kimia
dan sifat mekanik berbagai area yang disebabkan oleh proses pengelasan mempunyai
pengaruh yang besar terhadap keadaan kelelahan, sehingga keadaan kelelahan pada
sambungan las lebih rumit dibandingkan dengan logam dasar. Oleh karena itu, prediksi umur
kelelahan material logam yang bervariasi sangat penting untuk keandalan dan keamanan
struktur teknik. Dalam banyak standar penilaian kelelahan las, pengaruh sifat material sering
diabaikan untuk material serupa, karena umur kelelahan ditentukan oleh karakteristik
perambatan retak dan perambatan retak.Retak tidak dipengaruhi secara signifikan oleh
struktur mikro. Namun, jika materialnya benar-benar berbeda, umur kelelahan harus
diprediksi berdasarkan sifat material yang bersangkutan. Dengan kemajuan ilmu
pengetahuan dan teknologi, komponen teknis dari berbagai material menimbulkan
persyaratan yang lebih rinci dan ketat dalam desain kelelahan. Oleh karena itu, memprediksi
umur kelelahan material yang berbeda sangat penting untuk memastikan keandalan
komponen teknik.

Hingga saat ini, sebagian besar model fisik didasarkan pada pengalaman, yang tidak dapat
sepenuhnya mencerminkan dampak faktor-faktor yang mempengaruhi kinerja kelelahan.
Selain itu, perbedaan material, dimensi, dan parameter proses pengelasan semuanya
mempunyai dampak signifikan terhadap perilaku kelelahan bagian yang dirancang.
Mengandalkan pengujian kelelahan menyebabkan konsumsi sumber daya yang tinggi dan
hasil yang tidak memuaskan, dan metode berbasis data dapat menjadi cara yang berguna
untuk mengatasi masalah di atas. Oleh karena itu, para peneliti mulai menganalisis sifat
kelelahan material yang berbeda dari perspektif berbeda menggunakan metode berbasis data.
Pleune dan Chopra mengembangkan model berbasis data melalui jaringan saraf tiruan (JST)
untuk melakukan prediksi umur kelelahan. Hasil yang diprediksi menunjukkan bahwa
kesesuaian data ANN sepenuhnya berdasarkan data dan bukan pra-desain, sehingga sulit
untuk menafsirkan mekanisme kelelahan dan memprediksi hasil menggunakan metode
konvensional. Ravi dkk. menyimpulkan bahwa menganalisis pentingnya faktor-faktor yang
mempengaruhi kinerja kelelahan adalah pendekatan yang efektif untuk membuat prediksi
umur kelelahan yang akurat. Gan dan rekannya mengusulkan model pembelajaran mesin
(ML) berbasis fisika yang secara komprehensif menggunakan pengetahuan domain dan
informasi data mentah untuk mempelajari perilaku kelelahan. Model yang diusulkan
memiliki stabilitas tinggi, sehingga menginspirasi metode untuk membangun kumpulan data
kinerja kelelahan berbasis fisika dunia nyata. Dia dkk. membuat prediksi tentang umur
kelelahan material yang berbeda menggunakan algoritma ML yang berbeda. Namun,
kesalahan prediksi material yang berbeda relatif besar, dan model umum untuk memprediksi
umur kelelahan material yang berbeda masih perlu dikembangkan lebih lanjut. Berdasarkan
Deep Convolutional Neural Network (DCNN), ia melakukan analisis kinerja kelelahan yang
andal pada struktur las lepas pantai melalui analisis faktor-faktor yang mempengaruhi kinerja
kelelahan. Namun, sulit untuk membuat prediksi yang akurat dan stabil mengenai umur
kelelahan berbagai material teknik. Penelitian yang disebutkan di atas menunjukkan bahwa
model prediksi umur kelelahan melalui algoritma berbasis data saat ini sangat beragam,
sedangkan umur kelelahan material teknik yang berbeda tidak dapat diprediksi secara akurat
dengan menggunakan model terintegrasi.

Di sisi lain, pembuatan dan pemrosesan kumpulan data kinerja kelelahan penting untuk
prediksi umur kelelahan. Kami telah mengembangkan model ekspresi simbol berbasis data
untuk memperkirakan umur kelelahan sisa material yang berbeda melalui integrasi regresi
simbol dan pengetahuan domain, yang mengungkapkan kemungkinan yang baik. dan akurasi.
Namun metode ini memerlukan sumber daya komputasi yang besar. Selanjutnya,
membangun database kinerja kelelahan multi-skala dengan merangkum data kelelahan dari
literatur dan melakukan prediksi akurat terhadap bagian yang dilas melalui metode asosiatif
berbasis data. Namun, sulit untuk menggambarkan secara seragam sifat kelelahan material
rekayasa yang berbeda. Dan keseragaman database yang berbeda yang tidak memuaskan
membuat sulit untuk mengevaluasi kekuatan prediksi dari model yang berbeda. Oleh karena
itu, diperlukan database terintegrasi yang berisi sifat-sifat bahan logam yang berbeda untuk
prediksi masa pakai yang andal.

Pada penelitian sebelumnya, umur kelelahan suatu material (EH36) dapat diprediksi dengan
akurasi yang tinggi. Berdasarkan hal tersebut, umur kelelahan berbasis fisika diprediksi
melalui metode yang sama untuk mempelajari perbedaan sifat kelelahan material yang
berbeda. Umur kelelahan suatu material (EH36) dapat diprediksi dengan akurasi tinggi, yang
menunjukkan keandalan penelitian. model DCNN. Dan pertimbangkan ketebalan pelat,
tingkat tegangan, metode pengelasan, jenis sambungan, dan rentang tegangan efektif. Namun,
akurasi prediksi dan stabilitas umur kelelahan material yang berbeda relatif buruk karena
kinerja kelelahan material yang berbeda berbeda secara signifikan bahkan dalam kondisi
yang sama, yang menunjukkan bahwa informasi database yang ada tidak cukup untuk
mencapai perkiraan yang sangat akurat. Dan terdapat perbedaan yang signifikan dalam
kinerja kelelahan antara material yang berbeda, dan kumpulan data yang ada saat ini tidak
dapat dengan jelas mencerminkan perbedaan antara material yang berbeda dan kerangka
yang digunakan untuk prediksi.Masa kelelahan masing-masing material tidak dapat secara
akurat memahami karakteristik kelelahan material yang berbeda. Oleh karena itu, model
yang dibuat pada penelitian sebelumnya tidak cocok untuk memprediksi umur kelelahan
beberapa material. Oleh karena itu, berbagai sifat (struktur mikro, komposisi kimia dan sifat
mekanik) diintegrasikan ke dalam database. Namun demikian, prediksi umur kelelahan
material yang berbeda masih memiliki kesalahan yang besar, yang menunjukkan bahwa
diperlukan pendekatan yang sesuai untuk memprediksi umur kelelahan material yang berbeda
untuk mencapai prediksi yang valid dan presisi tinggi.

Singkatnya, ketidakseimbangan saat melatih kumpulan data kinerja kelelahan dan

heterogenitas model prediksi umur kelelahan merupakan kesulitan utama yang menghambat
pembentukan model prediksi umur kelelahan. Kelelahan berlaku untuk material yang berbeda
dan kondisi kerja yang berbeda. Akibatnya, metode berbasis data saat ini tidak dapat
memprediksi umur material yang berbeda secara andal. Dalam studi ini, model terintegrasi
untuk bagian-bagian yang dilas dari berbagai bahan teknik diuji, memberikan pendekatan
praktis untuk menganalisis perilaku kelelahan dan memprediksi umur kelelahan dari
komponen-komponen struktur yang dilas. Secara khusus, database kinerja kelelahan yang
mempertimbangkan beberapa faktor yang mempengaruhi telah dibuat dan hubungan antara
kinerja kelelahan dan faktor-faktor yang mempengaruhi dianalisis. Di sini, kumpulan data
kinerja kelelahan diproses melalui persamaan informasi fisik klasik untuk meningkatkan
makna fisik dari metode yang diusulkan. Dan modifikasi fungsi kerugian diperkenalkan
untuk mewujudkan intervensi fisik multi-level ke dalam model prediksi. Di sini, model
prediksi berbasis fisika dapat menghindari terjadinya hasil prediksi yang berkaitan dengan
hukum fisika dan sampai batas tertentu dapat mengatasi ketidakpastian terkait kelelahan. .
Dan dengan mempertimbangkan sifat mekanik akan mendorong identifikasi material yang
berbeda secara efektif dan meningkatkan kinerja prediksi. Selain itu, metode Synthetic
Minority Marginal Oversampling Technique (SMOTE) diterapkan untuk meningkatkan
kualitas kumpulan data kinerja kelelahan, membantu menghindari ketidakseimbangan sampel
dan meningkatkan kemampuan generalisasi model prediksi. Kemudian, analisis pentingnya
faktor-faktor yang mempengaruhi dimasukkan ke dalam model DCNN dan dilakukan
prediksi umur kelelahan berbagai material yang dapat diandalkan. Melalui perbandingan
kinerja prediksi berbagai metode prediksi, metode prediksi terpadu untuk bagian yang dilas
dari bahan berbeda dievaluasi. Metode yang diusulkan dapat mengevaluasi masa pakai
berbagai material secara komprehensif dan mendorong digitalisasi dan intelektualisasi
industri dengan konsumsi sumber daya yang rendah.

Metode
Memprediksi umur kelelahan material yang berbeda merupakan tugas penting dalam rekayasa
kelelahan. Saat ini, baja, paduan titanium, paduan aluminium dan paduan magnesium adalah bahan
logam yang paling umum digunakan dalam bidang teknik. Oleh karena itu, makalah ini mencoba
menganalisis perilaku kelelahan secara komprehensif dan membuat prediksi tentang umur kelelahan
komponen yang dilas dari berbagai material melalui model terintegrasi. Algoritma yang digunakan
dalam artikel ini diimplementasikan menggunakan scikit-learn
Hasil

Untuk menyoroti pentingnya menggabungkan faktor-faktor yang mempengaruhi informasi fisik yang
diusulkan dan mempertimbangkan sifat mekanik, tiga metode prediksi yang sesuai dirancang. Metode
1 merupakan prediksi yang memperhitungkan faktor-faktor yang mempengaruhi informasi
konvensional, metode 2 mempertimbangkan sifat mekanik, dan metode 3 memperhitungkan faktor-
faktor yang mempengaruhi informasi fisika dan sifat mekanik. Hasil yang diharapkan dari ketiga
program tersebut disajikan pada

Perbandingan Metode Identifikasi yang Berbeda

rata-rata kesalahan prediksi dan deviasi standar kesalahan prediksi dari berbagai model berdasarkan
struktur mikro, komposisi kimia, dan sifat masing-masing dibandingkan. Di sini, kolom biru mewakili
kesalahan rata-rata (Ea) dan bintang merah mewakili deviasi standar kesalahan prediksi (Se). Selain
itu juga terdapat informasi detail mengenai Eas dan Sester. Seperti yang ditunjukkan oleh umur
kelelahan yang diharapkan dari baja dan paduan Ti.

Kesimpulan

● 1.Kumpulan data kinerja kelelahan yang lengkap dihasilkan melalui augmentasi data,
yang diproses menggunakan model semi-empiris untuk memperkirakan umur
kelelahan berbagai material.
● 2.Analisis faktor yang berpengaruh berdasarkan informasi fisik menyoroti pentingnya
jenis material, keadaan tegangan, geometri las dan pengaruh ukuran terhadap umur
kelelahan material yang berbeda. Dan pentingnya faktor berdasarkan sifat mekanik
dapat disusun sebagai berikut: elastisitas > kekuatan luluh > perpanjangan > rasio
tarik