Analisis Tingkat Akurasi Uji Pemadatan dengan Pendekatan Numerik Berbasis Elemen Hingga
Notice bibliographique
Résumé
ABSTRAK Penelitian ini membahas tentang simulasi model pemadatan antara uji laboratorium dibandingkan lapangan menggunakan PLAXIS 2D 2017 berbasis elemen hingga. Simulasi model kedua pengujian tersebut dilakukan dengan variasi beban energi yang sama untuk membandingkan perbedaan hasilnya. Simulasi model pemadatan di lapangan dilakukan dengan variasi beban, siklus dan tebal lapis pemadatan, sedangkan di laboratorium hanya variasi beban energi dan tebal lapis pemadatan berdasarkan berat isi kering. Hasil uji pemadatan berat isi kering di laboratorium sebesar 1,546 kN/m2, sedangkan hasil simulasi model sebesar 1,6 kN/m2, sehingga tingkat akurasi perbedaannya sebesar 3,49%. Simulasi model pemadatan lapangan dengan variasi beban pada tebal lapis pemadatan yang sama menunjukan bahwa semakin besar beban pemadatan akan menghasilkan jumlah lintasan (siklus) lebih sedikit, sehingga dapat disimpulkan bahwa semakin tebal lapis pemadatan nilai penurunannya akan semakin besar. Kata Kunci: simulasi model analisis pemadatan, pemadatan laboratorium dan lapangan, tebal lapis pemadatan, nilai penurunan. ABSTRACT This research studied compaction modelling between laboratory simulation test and field test using PLAXIS 2D 2017 based on finite element method. Each tests was carried out with the same energy variations to compare the discrepancy of the result. A model with the variation in load energy, cycle and thickness of compaction layer was made to simulate the field test, while for the laboratory test, only variation in load energy and thickness of compaction layer is used based on dry unit weight. The results of the laboratory compaction test of dry unit weight was 1.546 kN/m2, while the model simulation were 1.6 kN/m2. So the accuracy difference between both is 3.49%. Simulation of field model with variations in load at the same thickness of compaction layer shows that the greater load of compaction will produced less number of cycles. It can be concluded that the thicker compaction layer will increased settlement value. Keywords: compaction model analysis, field and laboratory compaction, thickness compaction and settlement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».