Struktur baja adalah tulang punggung banyak infrastruktur vital di Indonesia, mulai dari jembatan megah hingga menara turbin angin. Namun, struktur ini terus-menerus dihadapkan pada tantangan kelelahan material (fatigue), yaitu kerusakan yang terjadi akibat beban berulang dalam jangka waktu lama. Memprediksi dan mengelola kekuatan lelah, terutama pada sambungan las seperti transverse stiffener, sangat krusial untuk memastikan keamanan, durabilitas, dan efisiensi biaya jangka panjang.
Metode tradisional untuk menilai kekuatan lelah sering kali didasarkan pada tabel umum (seperti EN 1993-1-9) yang cenderung konservatif. Pendekatan ini tidak sepenuhnya memperhitungkan faktor-faktor spesifik seperti geometri lokal sambungan, proses pengelasan, properti material, atau perlakuan pasca-las. Akibatnya, desain bisa menjadi terlalu aman (over-conservative), yang berujung pada biaya material yang lebih tinggi dan potensi pemborosan sumber daya. Di sinilah teknologi kecerdasan buatan (AI) menawarkan potensi besar untuk prediksi yang lebih akurat dan berbasis data.
Tantangan Prediksi Kekuatan Lelah Struktural
Memprediksi kekuatan lelah sambungan las adalah tugas yang kompleks karena dipengaruhi oleh banyak variabel. Selain beban siklik, faktor-faktor seperti kualitas pengelasan, bentuk kampuh las, jenis material baja, kondisi lingkungan, dan bahkan perlakuan tambahan setelah pengelasan (misalnya TIG dressing) semuanya memainkan peran penting. Mengintegrasikan semua faktor ini dalam model prediksi yang akurat dan dapat diandalkan secara tradisional sangat sulit.
Pendekatan berbasis simulasi numerik telah berkembang, namun data pengujian fisik tetap menjadi sumber informasi yang paling andal, terutama untuk memahami pengaruh detail produksi dan material. Ketersediaan data pengujian kelelahan dari berbagai skenario inilah yang membuka jalan bagi penerapan metode berbasis data seperti Machine Learning (ML) dan Deep Learning (DL).
Pendekatan Inovatif: AI, AutoML, dan XAI
Penelitian terbaru menunjukkan bahwa kombinasi Automated Machine Learning (AutoML) dan Explainable Artificial Intelligence (XAI) dapat menjadi solusi efektif. AutoML memungkinkan pembangunan model ML secara otomatis dan efisien, mengeksplorasi berbagai algoritma (seperti gradient boosting machines, random forests, dan neural networks) untuk menemukan model terbaik dari data yang ada. Ini mempercepat proses pengembangan model yang biasanya memakan waktu.
Sementara itu, XAI (AI yang dapat dijelaskan) adalah kunci untuk membangun kepercayaan pada model AI, terutama di bidang kritis seperti rekayasa struktural. XAI membantu kita memahami mengapa model AI membuat prediksi tertentu dengan mengidentifikasi faktor-faktor input (fitur) mana yang paling berpengaruh terhadap hasil prediksi. Ini menjembatani kesenjangan antara model “kotak hitam” (black box) dan pemahaman rekayasa yang mendalam.
Rekayasa Fitur dan Temuan Kunci
Dalam penelitian ini, pendekatan gabungan digunakan: rekayasa fitur berbasis pengetahuan ahli (expert-based feature engineering) digabungkan dengan pembuatan fitur algoritmik. Data pengujian kelelahan yang ekstensif dikurasi dan diharmonisasikan sesuai standar (EN 1993-1-9) sebelum digunakan untuk melatih model AI.
Hasil dari model ML, khususnya metode ensemble seperti CatBoost dan LightGBM, menunjukkan performa yang kuat dalam memprediksi kekuatan lelah. Analisis XAI menggunakan teknik seperti SHAP (SHapley Additive exPlanations) dan feature importance mengkonfirmasi faktor-faktor kunci yang memengaruhi kekuatan lelah sambungan las transverse stiffener. Faktor paling dominan meliputi rasio tegangan (stress ratio R), rentang tegangan (stress range ∆σi), kekuatan luluh material (yield strength ReH), dan perlakuan pasca-las, terutama TIG dressing dibandingkan kondisi tanpa perlakuan (as-welded). Ini sejalan dengan prinsip mekanika kelelahan yang sudah ada.
Selain itu, analisis XAI juga menyoroti pengaruh sekunder dari deskriptor geometris seperti lebar pelat, tebal las (throat thickness), dan tinggi stiffener. Ini menunjukkan bahwa detail desain lokal juga penting dan dapat ditangkap oleh model AI. Pendekatan ini membuktikan bahwa AI dapat menghasilkan model prediksi kekuatan lelah yang akurat, dapat diinterpretasikan, dan tangguh untuk struktur baja las.
Dampak Praktis untuk Industri di Indonesia
Penerapan model prediksi kekuatan lelah berbasis AI ini memiliki potensi besar untuk berbagai industri di Indonesia yang mengandalkan struktur baja, seperti konstruksi, manufaktur, pertambangan, dan energi. Dengan prediksi yang lebih akurat:
Desain Lebih Efisien: Insinyur dapat merancang struktur dengan batas keamanan yang lebih tepat, menghindari over-engineering* yang mahal.
- Peningkatan Keamanan: Deteksi risiko kelelahan yang lebih dini dan akurat memungkinkan tindakan pencegahan atau perbaikan sebelum terjadi kegagalan fatal.
- Optimalisasi Perawatan: Pengetahuan tentang faktor-faktor yang paling berpengaruh memungkinkan strategi perawatan yang lebih terfokus dan hemat biaya.
- Durabilitas Struktur Lebih Lama: Struktur yang dirancang dan dipelihara berdasarkan prediksi yang lebih akurat cenderung memiliki umur layanan yang lebih panjang.
Ini semua berkontribusi pada efisiensi operasional, pengurangan biaya jangka panjang, dan mendukung praktik yang lebih berkelanjutan di sektor industri Indonesia.
Bagaimana ARSA Technology Dapat Membantu?
Sebagai perusahaan teknologi lokal yang berpengalaman sejak 2018 dalam solusi AI dan IoT, ARSA Technology memiliki kapabilitas untuk mengadaptasi dan mengimplementasikan pendekatan serupa untuk kebutuhan spesifik industri di Indonesia. Meskipun prediksi kekuatan lelah struktural adalah bidang yang sangat spesifik, metodologi yang digunakan (pengumpulan data, rekayasa fitur, pembangunan model AI dengan AutoML, dan interpretasi hasil dengan XAI) adalah inti dari layanan kami.
ARSA dapat membantu perusahaan mengumpulkan dan menganalisis data operasional, termasuk data visual dari CCTV melalui solusi analitik video AI, atau data sensor dari aset industri melalui solusi monitoring alat berat dan otomasi industri. Data ini kemudian dapat digunakan untuk membangun model prediktif yang relevan dengan tantangan spesifik Anda, seperti prediksi kegagalan komponen, optimasi proses, atau peningkatan keselamatan kerja. Kami fokus pada solusi yang memberikan dampak nyata dan terukur bagi bisnis Anda.
Kesimpulan
Penggunaan AI, khususnya kombinasi AutoML dan XAI, membuka era baru dalam rekayasa struktural. Prediksi kekuatan lelah sambungan las dapat dilakukan dengan lebih akurat dan transparan, memungkinkan desain yang lebih efisien, struktur yang lebih aman, dan operasional yang lebih optimal. ARSA Technology siap menjadi mitra Anda dalam memanfaatkan kekuatan AI untuk mengatasi tantangan kompleks di industri Anda, membangun masa depan yang lebih cerdas dan tangguh di Indonesia.
Konsultasikan kebutuhan AI Anda dengan tim ARSA Technology.
