Prediksi Kuat Tekan Kolom Beton Persegi dengan Perkuatan FRP Menggunakan Machine Learning

Sari

ABSTRAK

Analisis secara teoritis kuat tekan kolom beton persegi dengan perkuatan FRP masih mengandalkan pendekatan seperti yang digunakan untuk kolom lingkaran dengan modifikasi. Sesuai dengan kemajuan teknologi saat ini pendekatan menggunakan machine learning diharapakan dapat memberikan perspektif  berbeda sekaligus hasil yang lebih akurat. Tujuan dari penelitian ini adalah menggunakan beberapa teknik machine learning untuk memprediksi kuat tekan aksial kolom persegi yang diperkuat dengan FRP dengan berbagai radius kelengkungan pada sudutnya dan membandingkan metode machine learning dengan pendekatan analitik dan mekanik yang sudah ada. Tiga algoritma digunakan dalam pendekatan machine learning: Jaringan Syaraf Tiruan (JST), Categorical Boost (CatBoost), dan M5-Tree.  Ensemble Machine Learning membuat kinerja yang lebih baik dibandingkan dengan tiga model individual JST, CatBoost, dan M5-Tree dengan nilai R-squared sebesar 0,9557. Penggunaan machine learning untuk memprediksi dibandingkan dengan beberapa usulan teori tegangan terkekang, memberikan hasil yang paling mendekati dengan nilai R-squared sebesar 0,8276.

Kata kunci: tegangan, kolom beton, FRP, prediksi, pembelajaran mesin

ABSTRACT

Theoretically analyzing the compressive strength of square concrete columns with FRP reinforcement still relies on the approach as used for circular columns with modifications. In accordance with current technological advances, machine learning approaches are expected to provide a different perspective as well as more accurate results. The objective of this research is to use several machine learning techniques to predict the axial compressive strength of square columns reinforced with FRP with various radii of curvature at the corners and compare the machine learning methods with existing analytical and mechanical approaches. Three algorithms were used in the machine learning approach: Artificial Neural Network (ANN), Categorical Boost (CatBoost), and M5-Tree.  The machine learning ensemble performed better than the three individual models JST, CatBoost, and M5-Tree with an R-squared value of 0.9557. The use of machine learning to predict, compared to some proposed confined stress theories, gave the closest results with an R-squared value of 0.8276.

Keywords: stress, concrete column, FRP, prediction, machine learning