PEMODELAN NUMERIK FONDASI DANGKAL DI ATAS TANAH LEMPUNG YANG DIPENGARUH BEBAN DINAMIK
Bibliographic record
Abstract
Gempa bumi merupakan bencana alam yang sulit diprediksi dan dicegah. Selain itu, gempa bumi dapat menimbulkan tekanan tambahan dan kehancuran infrastruktur. Gerakan tanah yang ditimbulkan oleh gempa bumi harus diperhitungkan ketika merancang bangunan, khususnya untuk struktur geoteknik seperti fondasi. Fondasi sangat penting dalam mendukung bangunan atas. Oleh karena itu, perlu dilakukan penelitian terhadap fondasi yang terkena beban gempa. Penelitian ini bertujuan untuk mengetahui pengaruh beban dinamis yang bersumber dari gerakan tanah, secara bervariasi, yang dikenai fondasi dangkal dengan Analisis Respon Situs Non Linier dengan Metode Numerik. Gerakan tanah yang digunakan berdasarkan data yang tercatat di Jepang (2007), Taiwan (1999), dan Italia (1980). Selain itu, lapisan tanahnya terdiri dari lempung homogen dengan tiga konsistensi yaitu lunak, sedang, dan keras yang dimodelkan dengan material Hardening-Soil Small. Penelitian kami mencakup pengamatan deformasi dan waktu yang menunjukkan terjadinya gerakan tanah terbesar. Hasil analisis menunjukkan bahwa deformasi tertinggi, baik vertikal maupun horizontal, terjadi pada tanah lunak. Gempa Taiwan menghasilkan deformasi horizontal tertinggi dibandingkan gempa lainnya. Namun, deformasi vertikal tertinggi dihasilkan oleh gerakan tanah pada gempa Italia. Berdasarkan hasil intensitas arias terlihat bahwa durasi gempa antara 10% hingga 90% adalah lebih dari 9 detik untuk seluruh gempa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".