Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Cincin korona lazim digunakan untuk meratakan medan listrik pada ujung batang insulator. Desain dari cincin korona pada umumnya dipengaruhi oleh factor mekanis ketika tegangannya mencapai 170 kV. Namun, kekuatan medan listrik pada permukaan cincin korona menjadi kriteria tambahan dalam desain untuk tegangan yang lebih tinggi. Perhitungan medan listrik sepanjang batang insulator yang dipasang cincin korona dapat disederhanakan dengan mengasumsikan simetri rotasi yang mana dapat dianalisa menggunakan charge simulation method, yaitu sebuah metode numerik yang digunakan dalam skripsi ini. Program di skripsi ini ditulis dalam C++. Simulasi pertama akan mensimulasikan muatan pada sudut yang bervariasi untuk menemukan titik yang mengalami kekuatan medan listrik yang terkuat. Simulasi kedua hanya akan dilakukan pada titik tersebut dengan dua variasi: radius sebagai variabel konstan dan ketebalan tabung sebagai variabel yang divariasikan dan sebaliknya. Tujuan dari simulasi tersebut adalah untuk mengobservasi kaitan antara dimensi cincin korona dan kekuatan medan listrik. Hasil simulasi pertama menunjukkan bahwa kekuatan medan listrik terkuat terjadi pada sudut 50 derajat. Hasil simulasi kedua memperlihatkan bahwa memperkecil baik radius maupun ketebalan tabung akan memperkuat medan listrik dan sebaliknya. Hasil simulasi tersebut juga menunjukkan bahwa kekuatan medan listrik lebih sensitif terhadap parameter ketebalan tabung dibandingkan dengan radius.

---

Corona rings are commonly used to smooth the electric field on the ends of long rod insulators. The design of the corona rings is mainly influenced by mechanical factors when the voltage is up to 170 kV. However, the electric field strength on the surface of the corona rings is an additional design criterion for higher voltage. For the field calculation, the electric field across a long rod insulator with corona rings can be simplified by assuming a rotational symmetry, which can be analyzed by charge simulation method, a numerical method implemented in this thesis. The program in this thesis is written in C++. The first simulation will simulate the charge at various angle to find at which point the strongest electric field strength occurs. The second simulation will be done at that point only, with two variation: varied radius and constant tube thickness and vice versa. The purpose of this simulation is to observe the relation between the corona ring dimensions and the electric field strength. The first simulation reveals that the strongest electric field strength occurs at angle 50 degree. The second simulation shows that either decreasing the radius or the tube thickness will increase the electric field strength and vice versa. It also shows that the electric field strength is more sensitive to the tube thickness parameter compared to the radius.

"

"Sifat lingkungan bawah air yang kompleks menjadi sebuah tantangan untuk analisis citra bawah air. Citra bawah air sering mengalami distorsi warna dan visibilitas buruk karena penyerapan dan penghamburan. Hal ini menyebabkan kualitas citra menjadi buruk dan sulit dimengerti, sehingga membuat sistem analisis citra sulit diterapkan di bawah air. Banyak metode yang telah dikembangkan untuk mengatasi tantangan ini. Akan tetapi, setiap metode memiliki keterbatasannya masing-masing. Metode konvensional, seperti metode berbasis physical dan non-physical, sering kali tidak cukup untuk mencakup beragam kondisi bawah air. Sementara itu, metode deep learning cenderung memiliki beban komputasi berat. Metode ini juga berpotensi untuk tidak dapat beradaptasi pada data yang berbeda karena parameter yang sudah tetap setelah pelatihan. Untuk mengatasi keterbatasan kedua metode, penelitian ini mengadopsi pendekatan hybrid GL-Net+CHE yang merupakan model restorasi yang menggabungkan metode konvensional dan deep learning. Modifikasi dari model tersebut, Mod GL-Net+CHE, dilakukan pada komponen deep learning. Dari hasil evaluasi kuantitatif pada data uji UIEB, Mod GL-Net+CHE memperoleh nilai terbaik dengan SSIM 0.9015, PSNR 21.6835, dan 00 9.4205. Namun, berdasarkan hasil evaluasi kualitatif pada data UIEB dan uji robustness pada data UCCS, perbedaan antara model baseline (GL-Net+CHE) dan model modifikasi (Mod GL-Net+CHE) tidak signifikan. Pada ablation studies, ditemukan bahwa hasil kuantitatif Mod GL-Net+CHE lebih baik ketika hanya menggunakan komponen deep learning saja. Akan tetapi, observasi dari beberapa sampel menunjukkan bahwa hasil kuantitatif tidak selalu merefleksikan hasil kualitatif. Hingga saat ini, membandingkan performa model restorasi dan mengukur kualitas citra masih menjadi tantangan.

---

The complex nature of underwater environments poses a challenge in underwater image understanding. Underwater images often have color distortion and poor visibility due to absorption and scattering. These phenomenons negatively affect the quality and the interpretability of the images, which becomes a hindrance in underwater vision-related tasks. Many methods have been developed to overcome this problem. However, each of them has its own limitations. Conventional methods, such as physical-based and non-physical based, are often not sufficient enough to cover a wide variety of underwater scenes. Deep learning methods, on the other hand, have a heavy computational cost. It might also be unable to adapt to different datasets due to its fixed parameters after training. To overcome the limitations of both approaches, this research adopts a hybrid approach, GL-Net+CHE, a restoration model that combines conventional and deep learning methods. A modification of this model, named Mod GL-Net+CHE, is proposed, which modifies the deep learning component of the baseline model. Based on the quantitative evaluation on the UIEB dataset, Mod GL-Net achieves the best SSIM, PSNR, and ΔE₀₀ with value 0.9015, 21.6835, and 9.4205 respectively. However, based on the qualitative evaluation, there are no significant differences between the baseline and modified model. Ablation studies also show that Mod GL-Net+CHE performs better when only the deep learning component is used. However, further observation shows that quantitative results do not always reflect qualitative result. To this day, comparing the performance of underwater images restoration models and measuring the quality of underwater images remains challenging."