UGMUGM

JCEFJCEF

Pemantauan Kesehatan Struktur (SHM) adalah hal yang krusial untuk menjaga keberlanjutan dan keselamatan infrastruktur sipil. Jembatan Z24 di Swiss tetap menjadi salah satu dataset acuan yang digunakan untuk memvalidasi metode deteksi kerusakan berbasis getaran. Pendekatan tradisional yang berdasarkan sepenuhnya pada parameter modal sering kali terbatas oleh kekurangan data dan variasi lingkungan. Kemajuan terbaru dalam kecerdasan buatan telah memungkinkan jaringan saraf data-driven untuk mempelajari fitur diskriminatif langsung dari pengukuran mentah. Sementara itu, metode hibrida seperti Jaringan Saraf Fisika-Informed (PINNs) menggabungkan hukum fisik yang mengatur ke dalam proses pembelajaran. Studi ini menyajikan analisis komparatif dari tiga model Jaringan Saraf Artifisial (NN V1-V3) dan satu Jaringan Saraf Fisika-Informed (PINN V1), semua diterapkan pada dataset Jembatan Z24. Model NN secara bertahap meningkatkan kedalaman, strategi optimasi, dan regulasi, mencapai akurasi validasi ≈97,7% dan AUC makro ≈1,00 dengan NN V3. Namun, mereka tetap sepenuhnya bergantung pada kualitas dan kuantitas data pelatihan. Sebaliknya, PINN mengintegrasikan persamaan diferensial dari osilator yang terkendali ke dalam fungsi kerugiannya, menyeimbangkan istilah data-driven dengan residu berbasis fisika. Pendekatan ini memungkinkan pembelajaran yang lebih stabil dengan data terlabel terbatas dan memastikan konsistensi dengan dinamika struktur. Hasil eksperimental menunjukkan trade-off antara akurasi dan ketahanan: sementara NN V3 menghasilkan kinerja prediktif tertinggi (≈97,7% akurasi validasi, AUC makro ≈1,00), PINN V1 mencapai akurasi yang sedikit lebih rendah (≈92%) tetapi menawarkan ketahanan dan interpretabilitas yang ditingkatkan.

Studi ini menyajikan analisis komparatif antara tiga model Jaringan Saraf Artifisial (NN V1-V3) dan satu Jaringan Saraf Fisika-Informed (PINN V1) yang diterapkan pada dataset Jembatan Z24.Model NN secara bertahap meningkatkan kedalaman, strategi optimasi, dan regulasi, mencapai akurasi validasi ≈97,7% dan AUC makro ≈1,00 dengan NN V3.PINN V1, meskipun sedikit kurang akurat (≈92%), menawarkan keunggulan dalam ketahanan dan interpretabilitas.Temuan ini menegaskan bahwa pendekatan hibrida yang menggabungkan pembelajaran mesin dengan pengetahuan fisik menawarkan dasar yang lebih andal untuk pengambilan keputusan dalam SHM.

Berdasarkan analisis komparatif, studi ini menyarankan beberapa arah penelitian lanjutan: Pertama, pengembangan Jaringan Saraf Fisika-Informed Hierarkis (HPINNs) atau Jaringan Saraf Fisika-Informed Parsial (SPINNs) yang mampu menangani struktur multi-derajat-kebebasan. Kedua, integrasi data multi-sensor untuk menangkap tanda getaran yang lebih kaya. Ketiga, optimasi bobot wdata/wphys melalui strategi adaptif atau Bayesian. Keempat, eksploitasi lebih lanjut infrastruktur HPC untuk mempercepat pelatihan. Dengan menggabungkan kekuatan dari model data-driven dan fisika-informed, penelitian masa depan dapat meningkatkan generalisasi dan ketahanan dalam penerapan SHM di dunia nyata.

  1. Structural Health Assessment of Kretek II Bridge using Enhanced Frequency Domain Decomposition | Journal... doi.org/10.22146/jcef.9151Structural Health Assessment of Kretek II Bridge using Enhanced Frequency Domain Decomposition Journal doi 10 22146 jcef 9151
  2. [2306.13575] Scaling MLPs: A Tale of Inductive Bias. scaling mlps tale inductive bias computer science... arxiv.org/abs/2306.135752306 13575 Scaling MLPs A Tale of Inductive Bias scaling mlps tale inductive bias computer science arxiv abs 2306 13575
  3. Bringing Intelligence to the Edge for Structural Health Monitoring: The Case Study of the Z24 Bridge... doi.org/10.1109/OJIES.2024.3434341Bringing Intelligence to the Edge for Structural Health Monitoring The Case Study of the Z24 Bridge doi 10 1109 OJIES 2024 3434341
Read online
File size2.52 MB
Pages13
DMCAReport

Related /

ads-block-test