FRAMEWORK PENGGUNAAN KALMAN FILTER DALAM KONSEP DIGITAL TWIN

Abstract

Rekayasa struktur telah lama mengandalkan penerapan Metode Elemen Hingga (Finite Element Method/FEM) untuk mensimulasikan kinerja struktur di bawah berbagai kondisi pembebanan. Namun, model FEM tradisional tidak memiliki umpan balik waktu nyata, yang membatasi efektivitasnya dalam pemantauan adaptif dan pemeliharaan prediktif. Makalah ini menyajikan kerangka konseptual untuk mengintegrasikan data Structural Health Monitoring (SHM) dengan hasil FEM guna menerapkan pendekatan Digital Twin (DT) dalam penilaian struktural. Untuk menerapkan DT, data SHM digunakan sebagai masukan dalam simulasi FEM, memungkinkan pembaruan struktur secara waktu nyata. Metode pembaruan berbasis Kalman filter diterapkan untuk menyaring data SHM, mengurangi derau (noice) pengukuran, dan meningkatkan akurasi prediksi. Metodologi ini diilustrasikan menggunakan data fabrikasi, yang menunjukkan bagaimana simulasi numerik dapat memproses input SHM, menyelaraskannya dengan perpindahan yang diprediksi oleh FEM, serta mendeteksi potensi anomali struktural. Hasil penelitian ini menyoroti bagaimana pembaruan data-driven pada FEM dapat meningkatkan pemeliharaan prediktif dan mengurangi ketidakpastian dalam pemantauan struktur. Studi konseptual ini menekankan pentingnya Digital Twin dalam rekayasa struktur serta memberikan landasan bagi penelitian lebih lanjut dalam diagnostik struktural berbasis machine learning. Pengembangan di masa depan dapat mencakup integrasi sensor waktu nyata, deteksi kerusakan berbasis kecerdasan buatan (AI), dan pembaruan model FEM secara otomatis guna memungkinkan sistem penilaian struktur yang sepenuhnya adaptif.