Pembelajaran mendalam sebagai alat yang ampuh dalam fotoelastisitas digital: Perkembangan, tantangan, dan implementasi

Nama : Novelia Ardani Suteja

Program Studi : S1 Teknologi Pendidikan

NIM : 24010024074

Judul : Pembelajaran mendalam sebagai alat yang ampuh dalam fotoelastisitas digital: Perkembangan, tantangan, dan implementasi

 

》Manfaat Pembelajaran Mendalam dalam Studi Fotoelastisitas Digital

Pembelajaran mendalam semakin banyak diterapkan dalam studi fotoelastisitas digital, dan menawarkan beberapa manfaat, termasuk:

1. Peningkatan akurasi: Model pembelajaran mendalam, seperti VGG, ResNet, dan DenseNet, dapat digunakan untuk menganalisis gambar fotoelastik digital, memberikan prediksi yang lebih akurat dan mengungkap pola kompleks dalam perilaku struktural 3.

2. Analisis gambar yang ditingkatkan: Pembelajaran mendalam dapat mengoptimalkan proses demodulasi pinggiran, menghasilkan prediksi yang lebih akurat dan pemahaman yang lebih baik tentang properti objek berukuran mikro di bawah gaya variasional 4.

3. Memecahkan masalah invers: Jaringan saraf konvolusional yang dalam dapat memecahkan masalah invers dalam pencitraan komputasi, memulihkan distribusi tegangan pada material 5.

》Tantangan Pembelajaran Mendalam dalam Studi Fotoelastisitas Digital

Terlepas dari manfaatnya, terdapat juga tantangan yang terkait dengan penggunaan pembelajaran mendalam dalam studi fotoelastisitas digital, termasuk:

1. Ketergantungan pada bagan warna referensi: Metode fotoelastisitas tradisional mengandalkan bagan warna referensi, yang mungkin menjadi batasannya 1.

2. Sensitivitas terhadap skema pemindaian dan resolusi gambar: Keakuratan model pembelajaran mendalam dapat dipengaruhi oleh skema pemindaian dan resolusi gambar yang digunakan1.

3. Kebutuhan akan kumpulan data yang besar: Model pembelajaran mendalam memerlukan kumpulan data yang besar untuk dilatih dan divalidasi, yang dapat menjadi tantangan dalam studi fotoelastisitas digital 8.

Secara keseluruhan, pembelajaran mendalam mempunyai potensi untuk merevolusi studi fotoelastisitas digital, namun penting untuk mengatasi tantangan yang terkait dengan penerapannya agar dapat sepenuhnya memanfaatkan manfaatnya.

Pendahuluan menyoroti pentingnya penilaian lapangan stres dalam bidang teknik dan keterbatasan teknik konvensional. Hal ini juga memperkenalkan fotoelastisitas digital sebagai metode yang unggul dalam memberikan penilaian stres kuantitatif di seluruh lapangan.

• Teknik Konvensional 

Bagian ini membahas berbagai teknik konvensional yang digunakan dalam fotoelastisitas digital, termasuk pelacakan fase teratur (RPT) dan fotoelastisitas tiga pinggiran (TFP). Hal ini juga menyebutkan tantangan yang terkait dengan teknik ini, seperti kompleksitas komputasi dan kebutuhan keahlian.

• Pembelajaran Mendalam dalam Fotoelastisitas Digital

Bagian ini mengeksplorasi integrasi model pembelajaran mendalam dalam fotoelastisitas digital, termasuk jaringan saraf konvolusional (CNN). Ini menyoroti keunggulan CNN dalam demodulasi tatanan pinggiran dan kemampuannya untuk belajar dari kumpulan data yang luas. Namun, juga disebutkan tantangan yang terkait dengan CNN, seperti overfitting dan generalisasi yang terbatas.

• Tantangan dan Arah Masa Depan

Tinjauan ini diakhiri dengan menyoroti tantangan yang terkait dengan pembelajaran mendalam dalam fotoelastisitas digital, termasuk kebutuhan akan data pelatihan yang ekstensif dan keterbatasan kumpulan data yang ada. Hal ini juga menimbulkan pertanyaan penting bagi para peneliti, seperti bagaimana meningkatkan model pembelajaran⁷ mendalam untuk menangani kompleksitas dunia nyata dan bagaimana meningkatkan kumpulan data yang ada.

Secara keseluruhan, tinjauan ini memberikan gambaran komprehensif tentang kondisi pembelajaran mendalam fotoelastisitas digital saat ini, menyoroti kemajuan dan tantangannya. Ini berfungsi sebagai sumber daya berharga bagi para peneliti di bidangnya, memberikan landasan untuk penelitian dan inovasi di masa depan.

dibuat oleh : Novelia Ardani Suteja