Machine Learning · Self-Compacting Concrete

Prediksi Properti
Self-Compacting Concrete

Sistem prediksi berbasis Machine Learning untuk memperkirakan setting time dan kuat tekan Self-Compacting Concrete (SCC) berdasarkan komposisi material campuran. Dilatih pada 575 data uji laboratorium SCC dari Surabaya.

Mulai Prediksi Rekomendasi Campuran

Input

•••

Output

Arsitektur ANN: 6 → 64 → 32 → 16 → 2

575

Data Uji Lab

Fitur Input

Model ML

Output Prediksi

Fitur Utama

Tiga fungsi utama yang tersedia dalam sistem ini

Prediksi Properti SCC

Masukkan komposisi material SCC (semen, kerikil, pasir, fly ash, superplasticizer, FAS) untuk mendapatkan prediksi setting time (jam) dan kuat tekan (MPa) sekaligus.

Buka Prediksi

Rekomendasi Campuran

Tentukan target kuat tekan f'c SCC yang diinginkan — sistem mencari komposisi campuran optimal menggunakan Differential Evolution. Hasil juga menampilkan prediksi setting time campuran tersebut.

Buka Rekomendasi

Informasi Model

Pelajari arsitektur model ANN multi-output, metodologi pelatihan, dataset laboratorium SCC yang digunakan, dan perbandingan performa empat model ML untuk kedua target prediksi.

Buka Tentang

Klasifikasi Kuat Tekan SCC

Kategori mutu SCC berdasarkan data uji laboratorium Suryadi dkk. (2011)

Kelas Mutu	Kuat Tekan (f'c)	Setting Time	Keterangan
C25/C30	< 35 MPa	Bervariasi	SCC mutu rendah — bangunan non-struktural
C35/C45	35 – 55 MPa	Normal (60–80 jam)	SCC mutu sedang — struktur umum
C55	55 – 70 MPa	Normal–cepat	SCC mutu tinggi — kolom dan balok
C65+	≥ 70 MPa	Cepat (< 60 jam)	SCC mutu sangat tinggi — elemen pratekan