Hasil Pencarian  ::  Simpan CSV :: Kembali

"Proyek ini bertujuan untuk menentukan peringkat tahan api dari dinding baja ringan di bawah kondisi api menggunakan aplikasi kecerdasan buatan. Dua bagian bagian saluran yang diberi lipatan (LCS) dan bagian saluran berongga flange (HFC) grade 500 dan kelas 250 disajikan dalam penelitian ini. LCS adalah jenis konvensional yang digunakan dalam bingkai baja ringan, sementara HFC memperkenalkan memiliki kinerja api yang unggul. Baru-baru ini pemodelan elemen hingga dan uji skala penuh telah digunakan untuk menentukan kinerja api dinding LSF. Meskipun demikian, pemodelan elemen hingga ditemukan memiliki prosedur yang rumit, dan uji skala penuh adalah eksperimen yang memakan waktu. Oleh karena itu, opsi alternatif sebagai pembelajaran mesin diperlukan untuk mengatasi situasi ini. Pendekatan jaringan saraf pembelajaran mesin akan diadopsi untuk melatih data. Masukan akan menjadi data aktual dari FEA dan proyek uji penuh skala sebelumnya. Temperatur dan suhu flensa dan flensa dingin seksi dari suatu bagian diperoleh sebagai input. Kapasitas pengurangan rasio bertindak sebagai output yang akan diprediksi dalam pembelajaran yang diawasi. Pelatihan dan uji coba dilakukan melalui jaringan saraf tiruan dengan menggabungkan parameter yang berbeda seperti fungsi kehilangan, menjaga faktor probabilitas, tingkat pembelajaran, jumlah lapisan, dan neuron. Rasio pengurangan kapasitas yang diperoleh dari pelatihan mesin dapat diplot dan dibandingkan keakuratannya dengan hasil FEA sebelumnya.

---

This project aims to determine fire resistance rating of Light Gauge Steel Frame (LSF) walls under fire condition using artificial intelligence application. Two section of lipped channel section (LCS) and hollow flange channel section (HFC) grade 500 and grade 250 is presented in this research. LCS is a conventional section used in LSF framing, while HFC introduced having superior fire performance. Recently finite element modelling and a full-scale test have been employed to determine fire performance of LSF walls. Nonetheless, finite element modelling was found to have a complicated procedure, and the full-scale test was a time-consuming experiment. Therefore, an alternative option as machine learning is necessary to overcome this situation. A neural network approach of machine learning will be adopted to train the data. The input would be the actual data from FEA and full-scale test previous project. Hot flange and cold flange temperature and dimension of a section are obtained as the input. Capacity reduction ratio act as an output that will be predicted in supervised learning. Training and testing trialare done through the artificial neural network by combining different parameters such as loss function, keep probability factor, learning rate, the number of layers, and neurons. Capacity reduction ratio attained from machine training can be plotted and compared its accuracy with previous FEA results."

"Mobile robot seringkali mengalami slip dalam pembacaan sensor odometri. Kendala ini sangat mempengaruhi kinerja mobile robot, terlebih jika beberapa mobile robot bekerja secara kooperatif. Masing-masing mobile robot memiliki slipnya tersendiri yang dapat mempengaruhi perhitungan trajectory planning kerja kooperatif. Sehingga dibutuhkan koreksi dengan sensor lain, pada penilitian ini digunakan sistem deteksi lokasi mobile robot dengan kamera webcam. Sistem deteksi akan di implementasikan pada quadcopter ketika terbang diatas mobile robot. Tentu pengambilan gambar akan mengalami perubahan sudut pandang akibat pergerakan sudut pitch atau roll dari quadcopter. Motor penggerak quadcopter juga menghasilkan getaran yang dapat mengakibatkan blur pada pengambilan gambar. Selain itu untuk melakukan pendeteksian berbasis citra dibutuhkan komputasi yang cukup besar, khususnya jika dilakukan pada sistem embedded quadcopter. Oleh karena itu dibutuhkan sistem deteksi yang dapat diterapkan pada quadcopter dengan ketahanan derau dan proses yang cukup cepat. Pada perancangan sistem deteksi penilitian ini, digunakan suatu pola yang terdiri dari markah buatan. Markah bulat hitam memiliki fitur yang mudah untuk dikenali dengan algoritma sederhana. Pola yang terdiri dari markah bulat dapat disisipkan informasi identitas dan pose sehingga cocok untuk diterapkan pada sistem deteksi lokasi multi mobile robot. Untuk menguji kemampuan pendeteksian, selain diuji pada dunia riil juga dirancang pengujian simulasi. Pengembangan simulasi quadcopter untuk mendeteksi pola markah dirancang dengan simulator Gazebo yang di integrasikan dengan perangkat lunak ROS Robotic Operating System.

---

Mobile robots often experience slippage in odometry sensor readings. These problems greatly affect the performance of mobile robots, especially if some mobile robots work cooperatively. Each mobile robot has its own slip that can affect the calculation of cooperative work cooperative trajectory. So that needed correction with other sensors, the research is used mobile robot location detection system with webcam camera.

The detection system will be implemented on the quadcopter when flying over the mobile robot. Of course the camera angle of view due to movement of pitch or roll angle from quadcopter. The quadcopter motors also produce vibrations that can lead to blur on shooting. In addition to perform image based detection required considerable computation, especially if done on the embedded quadcopter system. Therefore, a detection system that can be applied to the quadcopter with noise and process resistance is fast enough.

In the design of this research detection system, a pattern consisting of artificial markers is used. The black round marker has features that are easy to recognize with simple algorithms. Patterns consisting of rounded markers can be inserted identity and pose information making it suitable to be applied to mobile robot location detection systems. To test the detection ability, in addition to tested in the real world also designed simulation testing. The development of a quadcopter simulation to detect the markup pattern is designed with a Gazebo simulator integrated with ROS Robotic Operating System software."