Agus Daud

MSondir adalah aplikasi sederhana yang dibuat untuk keperluan interpretasi data pengujian sondir mekanikal.

Sondir mekanikal Bagemann sangat populer di Indonesia sampai saat ini. Akan tetapi, kebanyakan persamaan korelasi tanah dikembangkan untuk konus elektrik (CPTU), sehingga tidak valid untuk sondir mekanikal. Untuk itu, perlu adanya koreksi nilai tahanan konus (q_c) dan tahanan selimut (f_s) dari hasil pengujian sondir mekanis ke konus elektrik.

Koreksi tahanan konus (q_c) dan tahanan selimut (f_s) yang digunakan dalam aplikasi ini menggunakan persamaan dan faktor koreksi oleh Kulhawy & Mayne (1990). Aplikasi ini sepenuhnya dibuat menggunakan bahasa pemrograman python. Penulis mengharapkan masukkan dari pengguna, sehingga kedepannya dapat dikembangkan sesuai kebutuhan.

Link download aplikasi MSondir v0, contoh dan panduan dapat diakses di bawah ini. Semoga bermanfaat, terima kasih.

DOWNLOAD MSONDIR V0

Grafik Normalized Soil Behavior Type (SBTn) Roberson 2010, telah banyak digunakan dalam penentuan profil lapisan tanah. Yaitu dengan menggunakan korelasi data sondir (qc atau fs) dengan parameter SBTn index (Ic).

Menggunakan nilai SBTn index (Ic) untuk menentukan zona mempunyai akurasi sekitar 80%. Sedangkan 20% error sisanya dipengaruhi oleh tingkat sementasi, umur, OCR tanah. Selain itu menggunakan nilai Ic juga tidak dapat menentukan zona 1, 8, dan 9 pada Tabel SBT Robertson.

Mayne (2014) menggunakan persamaan dengan parameter Qtn untuk membatasi zona 1, 8 dan 9. Oleh karena itu masalah deteksi zona ini terselesaikan.

Namun, tetap saja masih ada kesalahan/error jika menggunakan nilai Ic. Seperti yang terlihat pada grafik Robertson di atas. Khususnya pada nilai Ic sekitar 2.6; 2.95; atau lebih besar; terlihat garis Ic (garis tegas dan putus-putus) ada celah perbedaan atau tidak behimpit satu sama lain. Akibatnya akan terjadi kesalahan penentuan zona pada daerah ini.

Kemudian, Denilson (2022) mengajukan persamaan baru untuk nilai Ic dan batasan nilai Ic; menggunakan persamaan natural logaritmik yang lebih mengikuti/berhimpit garis hitam tegas.; untuk mengatasi error ini. Namun tetap saja masih ada celah error.

Proposed SBTn zone by color

Untuk mengatasi masalah ini, dan untuk menghindari persamaan logaritmik yang agak sulit; Saya mencoba menggunakan package image/raster processing dengan bahasa python.

Strateginya sangat sederhana.

Grafik Robertson dibuat dalam gambar format jpg. Menggunakan package Pillow/PIL kita dapat meng-extract warna (r.g.b) pada zona menjadi numpy array [x,y].

Langkah terakhir tinggal meng-skalakan nilai (Qtn dan Rf) sesuai jumlah grid atau shape[N_gridx; N_gridy] array tersebut. Kemudian plotting/sampling rgb untuk zona bisa dilakukan pada array tersebut.

Berikut contoh aplikasinya dalam fungsi menggunakan bahasa python.

def zoneByColor(Rf,Qtn):
    x_logref = np.linspace(-1,1,1649)
    x_grid = np.arange(0,1649,1)
    y_logref = np.linspace(0,3,1823)
    y_grid = np.arange(0,1823,1)
    if y > 1000:
        y = 1000
    fx = interpolate.interp1d(x_logref, x_grid)
    fy = interpolate.interp1d(y_logref, y_grid)
    xg = int(fx(log10(Rf)))
    yg = int(fy(log10(Qtn)))

    while True:
        color = im[-yg,xg]
        if color[1] == 222:
            zone = 1
            break
        elif color[1] == 105:
            zone = 2
            break
        elif color[1] == 123:
            zone = 3
            break
        elif color[1] == 83:
            zone = 4
            break
        elif color[1] == 148:
            zone = 5
            break
        elif color[1] == 248:
            zone = 6
            break
        elif color[1] == 160:
            zone = 7
            break
        elif color[1] == 102:
            zone = 8
            break
        elif color[1] == 33:
            zone = 9
            break
        else:
            yg -= 1
    return zone

Adapaun eksekusi fungsi tersebut bisa dilakukan sebagai berikut. Namun, terlebih dahulu harus tersedia data Qtn atau Rf dalam dataframe Pandas; atau bisa juga menggunakan data list.

import numpy as np
from PIL import Image

im = np.array(Image.open('SBTlow.jpg'))
x_logref = np.linspace(-1,1,1649)
x_grid = np.arange(0,1649,1)

SBTcolor = [None]
for i, Qtn in enumerate(df['Qtn']):
    if i > 0:
        Rf = df.loc[i,'Rf']
        if Rf < 0.1:
            Rf = 0.1
        zone = zoneByColor(Rf,Qtn)
        SBTcolor.append(zone)
    else:
        pass

Dengan metode ini kita dapat melakukan plotting untuk semua zona. Tingkat akurasi akan sangat bergantung pada resolusi gambar yang digunakan. Pada contoh fungsi zoneByColor di atas saya menggunakan gambar jpg dengan grid (1823×1649).

Berikut tampilan profil lapisan tanah menggunakan strategi ini.

Jika diperhatikan dengan baik; pada kedalaman 2-3m terdapat lapisan Clay jika menggunakan SBTn by color. Sedangkan pada kedalaman ini; masih dideteksi sebagai lapisan Silt-mixtures jika menggunakan nilai Ic. Ini merupakan salah satu contoh error jika menggunakan nilai Ic dalam menentukan zona SBT/jenis tanah menggunakan data sondir.

Boleh jadi, dengan strategi ini (image processing) dapat dilakukan plotting data untuk grafik apapun tidak terbatas hanya untuk kasus/topik ini.

Baik demikian artikel kali ini. Semoga bermanfaat. Salam