PENGARUH TIMBUNAN RINGAN MORTAR BUSA PENGGANTI TIMBUNAN BIASA PADA JEMBATAN MENGGUNAKAN KONSTRUKSI STRUKTUR BAJA BERGELOMBANG
Bibliographic record
Abstract
Terdapat tiga tipe struktur baja bergelombang yaitu tipe standar korugasi 152 by 51, deep korugasi 381 by 140 dan superdeep korugasi 500 by 237. Saat ini baru tipe standar dan deep yang sudah diproduksi di Indonesia. Struktur baja bergelombang dapat difungsikan sebagai struktur jembatan yang dikombinasikan dengan timbunan pengisi diatasnya menggunakan timbunan biasa. Namun, di Indonesia beberapa proyek flyover telah menggunakan struktur baja bergelombang bentang 22 meter s/d 26 meter dengan timbunan ringan mortar busa sebagai pengganti timbunan biasa. Kajian ini dilakukan untuk melihat seberapa jauh efek penggunaan timbunan ringan mortar busa terhadap kekuatan struktur. Evaluasi dilakukan dengan menyimulasikan penerapan struktur baja bergelombang bentang 22 meter dan tebal 9 mm dengan timbunan biasa maupun timbunan ringan mortar busa menggunakan perangkat lunak berbasis elemen hingga. Parameter kekuatan stuktur masing-masing jenis timbunan kemudian dihitung dengan mengacu pada Canadian Highway Bridges Design Code. Terdapat empat parameter kekuatan struktur utama yang ditinjau yaitu kuat tekuk, sendi plastis, kuat sambungan dan pergerakan. Nilai-nilai parameter tersebut harus lebih besar dari 100%, yang menunjukan bahwa gaya yang terjadi lebih kecil dari nilai izin, artinya struktur dalam kondisi aman. Hasil perhitungan yang diperoleh untuk nilai-nilai parameter kekuatan dengan menggunakan timbunan ringan mortar busa adalah 358% (kuat tekuk), 235% (kuat sambungan), 458% (sendi plastis) dan 319% (dispalacement), sedangkan evaluasi pada timbunan biasa yaitu 99% (kuat tekuk), 120% (kuat sambungan), 37% (sendi plastis) dan 27% (dispalacement). Hasil tersebut menunjukan bahwa penggunaan timbunan ringan mortar busa pada struktur baja bergelombang akan meningkatkan kekuatan struktur dan membuat jembatan lebih aman.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.004 |
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".