Electronic Theses and Dissertation

Korosi pada baja tulangan dalam beton merupakan permasalahan serius yang dapat mengurangi umur pakai struktur dan meningkatkan risiko kegagalan material. Simulasi korosi menjadi metode yang penting dalam memprediksi distribusi potensial dan memahami pola degradasi material akibat proses elektrokimia. Metode tradisional seperti Finite Element Method (FEM) banyak digunakan, tetapi memiliki keterbatasan dalam efisiensi waktu komputasi, terutama untuk domain yang kompleks. Penelitian ini mengusulkan pendekatan Physics-Informed Neural Network (PINN) sebagai metode alternatif untuk mempercepat simulasi distribusi potensial korosi. PINN mengintegrasikan hukum fisika ke dalam arsitektur neural network, sehingga dapat memperkirakan distribusi potensial tanpa perlu melakukan meshing atau penyelesaian numerik secara eksplisit seperti pada metode FEM. Model yang dikembangkan dalam penelitian ini menggunakan empat hidden layer dengan 64 neuron, yang dipilih berdasarkan hasil hyperparameter tuning yang menunjukkan keseimbangan antara akurasi dan efisiensi komputasi. Hasil penelitian menunjukkan bahwa relative L2 Loss antara PINN dan FEM hanya sebesar 1,10%, menandakan bahwa PINN mampu mereplikasi solusi FEM dengan tingkat akurasi yang tinggi. Selain itu, dari segi efisiensi waktu komputasi, simulasi menggunakan PINN hanya membutuhkan 0,809 ms, yang setara dengan 99,79% dari waktu komputasi FEM, tetapi dengan struktur komputasi yang lebih fleksibel dan tidak bergantung pada pembuatan geometri serta proses mesh.

Corrosion in reinforced concrete steel is a serious issue that can reduce the service life of structures and increase the risk of material failure. Corrosion simulation has become an essential method for predicting potential distribution and understanding material degradation patterns caused by electrochemical processes. Traditional methods such as the Finite Element Method (FEM) are widely used but have limitations in computational efficiency, especially for complex domains. This study proposes a Physics-Informed Neural Network (PINN) approach as an alternative method to accelerate the simulation of corrosion potential distribution. PINN integrates physical laws into the neural network architecture, allowing it to estimate potential distribution without the need for meshing or explicit numerical solutions as required in FEM. The model developed in this study uses four hidden layers with 64 neurons, selected based on hyperparameter tuning results that balance accuracy and computational efficiency. The results show that the relative L2 loss between PINN and FEM is only 1.10%, indicating that PINN can replicate FEM solutions with high accuracy. Furthermore, in terms of computational efficiency, the simulation using PINN requires only 0.809 ms, which is equivalent to 99.79% of FEM’s computation time, but with a more flexible computational structure that does not rely on geometry creation and meshing processes.