Evaluasi Metode Image-to-Image Translation untuk Rekonstruksi Geometri Korosi Besi Beton dari Sinyal Ground Penetrating Radar

Widyatama, Yurrys Alfredo Bagas (2023) Evaluasi Metode Image-to-Image Translation untuk Rekonstruksi Geometri Korosi Besi Beton dari Sinyal Ground Penetrating Radar. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940000071_Yurrys Alfredo B. W._Buku.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (22MB) | Request a copy

Abstract

Ground penetrating radar (GPR) adalah salah satu metode non-intrusif yang digunakan untuk melakukan imaging tanah menggunakan RADAR. GPR sangat berguna dalam melakukan pengetesan tanah untuk kerusakan yang tidak dapat dilihat secara semata maupun pencarian benda terpendam. Salah satu penggunaan GPR adalah pada pengecekan korosi besi beton yang susah untuk dilakukan secara visual, namun metode GPR masih memerlukan evaluasi secara manual oleh ahli dan teknisi. Oleh karena itu diselidiki kemampuan dari metode image-to-image translation untuk merekonstruksi geometri bawah tanah dari sinyal GPR untuk membantu pengecekan korosi besi beton.
=====================================================================================================================================
Ground penetrating radar (GPR) is a non-intrusive method used for sub-surface imaging of the ground using radar. GPR is useful in checking for sub-surface damage that cannot be visually seen or for detection of buried objects. One use of GPR is in the checking of rebar corrosion, which is normally difficult to assess visually, however the usage of GPR still requires manual evaluation of the data by a technician or an expert. Therefore, we seek to explore the capabilities of image-to-image translation methods in producing sub-surface geometry from GPR signals.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Image-to-image translation, ground penetrating radar, generative adversarial network, korosi, corrosion
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Electrical Technology > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Yurrys Alfredo Bagas Widyatama
Date Deposited:	17 Oct 2023 04:02
Last Modified:	17 Oct 2023 04:02
URI:	http://repository.its.ac.id/id/eprint/101737

Actions (login required)

View Item