Struktur Bangunan Gridshell Elastis GFRP Memakai Pembelajaran Mesin(ML)

Abstract

Puji  syukur  penulis  panjatkan  ke  hadirat  Tuhan  Yang  Maha  Esa  atas  rahmat-Nya sehingga buku “Struktur Bangunan Gridshell Elastis GFRP memakai Pembelajaran Mesin (ML)” ini  dapat  terselesaikan dengan baik.  Dalam  landskap  rekayasa  struktur  abad  ke-21,  struktur gridshell  elastis  berbasis  Glass  Fiber  Reinforced  Polymer  (GFRP)  muncul  sebagai  paradigma baru  yang  memadukan  keindahan  bentuk  organik,  efisiensi  material,  dan  adaptabilitas konstruksi. Buku ini, secara khusus menjawab kebutuhan mendesak akan metodologi desain cerdas  yang  mengintegrasikan  Pembelajaran  Mesin  (ML)  untuk  memprediksi,  menganalisis, dan mengoptimalkan perilaku struktur GFRP selama proses pengangkatan dan  pemasangan. Inspirasi  utama  berasal  dari  proyek-proyek  pionir  seperti  gridshell  kayu  elastis  di  Weald  & Downland Museum, yang kini ditingkatkan dengan material komposit GFRP untuk ketahanan lebih tinggi terhadap korosi dan beban dinamis, khususnya di iklim tropis seperti Indonesia. 

Tantangan  utama  gridshell  GFRP  terletak  pada  sifat  elastisnya  yang  menyebabkan deformasi  signifikan  saat  pengangkatan,  memerlukan  prediksi  akurat  untuk  memastikan bentuk akhir sesuai desain. Buku ini mengusung solusi inovatif melalui ML, mulai dari model prediksi deformasi hingga optimasi multi-objektif, yang dapat mengurangi iterasi desain secara drastis dan meningkatkan keamanan struktural. Struktur buku dirancang progresif, dari fondasi teori hingga aplikasi praktis, dengan setiap bab membangun atas yang sebelumnya. 

Bab 1: Struktur Gridshell Elastis GFRP dan Pembelajaran Mesin membuka pintu dengan pendahuluan mendalam tentang latar belakang evolusi gridshell, definisi masalah deformasi elastis, serta tujuan utama: peningkatan ML untuk desain GFRP. Kerangka desain berbasis ML dan  struktur  buku  keseluruhan  diuraikan  di  sini,  menyiapkan  pembaca  untuk  perjalanan analitis yang sistematis. 

Bab 2: Struktur Gridshell GFRP dan Algoritma Pembelajaran Mesin menyajikan tinjauan komprehensif tentang aplikasi ML dalam gridshell, desain cangkang grid elastis GFRP, proses pemasangan, serta peluang dan tantangan inovasi. Bab ini juga mendalami kecerdasan buatan, model  ML  (termasuk  pendekatan  yang  dapat  diinterpretasikan),  metode  pengembangan algoritma,  indikator  kinerja  akurasi,  algoritma  optimasi  Swarm  Partikel  Multi-Objektif (MOPSO), analisis elemen hingga, dan desain gridshell elastis dengan ML—menjadi pondasi teori yang kokoh. 

Bab 3: Prediksi Bentuk Batang Ramping Diskrit fokus pada konstruksi pengangkatan dan analisis diskrit gridshell, dengan metodologi rinci untuk proses pengangkatan. Analisis balok kantilever  (analitik  vs.  ML)  dan  prediksi  deformasi  menggunakan  WL-Ε-TSVM  dieksplorasi secara  mendalam,  memberikan  alat  prediksi  presisi  untuk  elemen  dasar  gridshell.  Bab  4: Prediksi  Bentuk  Gridshell  GFRP  saat  Pengangkatan melanjutkan  dengan  kemajuan  prediksi bentuk, analisis diskrit deformasi pengangkatan, serta contoh numerik konkret seperti kubbah tong  dan  struktur  gridshell  lainnya.  Prediksi  menggunakan  WL-Ε-TSVM  divalidasi  melalui simulasi, menunjukkan akurasi tinggi dalam skenario real-world.