Mengapa Kita Perlu Ubah Cara Pandang terhadap Common Cause Failure?
Common Cause Failures (CCFs) atau kegagalan sebab sama adalah mimpi buruk dalam sistem teknis modern, terutama di bidang energi nuklir, penerbangan, dan manufaktur kritis. Selama puluhan tahun, Probabilistic Risk Analysis (PRA) mengandalkan pendekatan statistik historis untuk memperkirakan risiko akibat CCF, namun pendekatan ini punya kelemahan besar: tidak menjelaskan penyebab fisik kegagalan.
Dalam artikel revolusioner ini, Mohaghegh, Modarres, dan Christou dari University of Maryland mengusulkan pendekatan baru: menggabungkan model Physics-of-Failure (POF) ke dalam PRA. Tujuannya jelas—mengubah PRA dari reaktif menjadi proaktif dengan mendeteksi dan memahami interaksi kegagalan sejak level material.
Apa Itu Physics-Based CCF Modeling?
Masalah dalam PRA Tradisional:
- Parametrik dan bergantung pada data historis.
- Tidak bisa menjelaskan interaksi antar kegagalan (seperti wear dan fatigue).
- Sulit diaplikasikan ke sistem baru yang belum punya riwayat kegagalan.
Solusi yang Ditawarkan:
Physics-based CCF modeling memadukan:
- Model probabilistik wear & fatigue dari level material ke sistem.
- Causal modeling & Bayesian updating untuk memperhitungkan ketidakpastian dan hubungan sebab-akibat.
- Finite Element Analysis (FEA) untuk memetakan interaksi kompleks antar kegagalan.
Studi Kasus Ilustratif: Wear & Fatigue di Komponen A1 dan B2
Penulis menggunakan contoh dua komponen:
- B2 gagal karena wear.
- A1 gagal karena kombinasi wear dan fatigue.
Keduanya berada dalam lingkungan kerja yang sama: suhu, tekanan, gesekan, desain geometri—faktor-faktor ini menjadi penyebab kegagalan terhubung (dependent failures).
Tahapan Model:
- Wear Model untuk B2
Formula wear mengikuti hubungan gaya gesek, tegangan geser, dan viskositas pelumas:Nf−B2=K1(τypτmax)n1N_{f-B2} = K_1 \left(\frac{\tau_{yp}}{\tau_{max}}\right)^{n_1}Di mana τ\tau bergantung pada suhu, tekanan, geometri, dan gaya gesek. - Interaksi Wear-Fatigue untuk A1
Menggunakan pendekatan:- Damage-based: akumulasi kerusakan dari wear → mengubah stress → memicu fatigue.
- Crack-based: model inisiasi dan propagasi retak akibat wear & fatigue.
- Konversi ke Model Probabilistik
Dengan Bayesian inference, parameter seperti konstanta wear (K1,n1K_1, n_1) diubah menjadi distribusi probabilitas berdasarkan data uji. - Causal Modeling
Model kausal dibentuk untuk menunjukkan bagaimana faktor lingkungan (misalnya suhu, gaya, viskositas) memengaruhi keausan dan kelelahan komponen. Ini memungkinkan integrasi langsung ke PRA.
Kelebihan Paradigma Baru Ini
➕ Apa yang Membuatnya Unggul?
- Tidak perlu data historis yang lengkap: sangat cocok untuk sistem baru.
- Lebih realistis: mempertimbangkan lingkungan nyata dan desain aktual.
- Cocok untuk PRA generasi baru: seperti reactor modular kecil (SMR), sistem otonom, dan infrastruktur energi terbarukan.
➕ Manfaat Aplikatif:
- Menentukan interval perawatan optimal.
- Mendeteksi potensi kegagalan besar dari interaksi kecil.
- Menilai ketahanan sistem pasca-accident (seperti di pembangkit nuklir).
- Menekan biaya perawatan dan downtime.
Tantangan yang Harus Dihadapi
- Model FEA masih deterministik: perlu dikembangkan versi probabilistiknya.
- Validasi data lapangan masih terbatas.
- Kesulitan ekspansi dari material-level ke sistem-level.
Namun penulis telah mengusulkan solusi seperti:
- Penggunaan Bayesian Belief Network (BBN) untuk menghubungkan model FE ke PRA sistem.
- Agent-based modeling sebagai teknik untuk menyimpan dan menyebarkan data antar level komponen.
Perbandingan dengan Pendekatan Sebelumnya
Pendekatan prediktif berbasis physics-based cumulative damage modeling (CCF) menawarkan keunggulan signifikan dibandingkan metode parametrik tradisional. Sementara pendekatan tradisional sangat bergantung pada data historis kegagalan dan cenderung menghasilkan prediksi makro yang umum, model berbasis fisika mengandalkan teori mekanika dan eksperimen untuk membangun prediksi yang lebih spesifik dan mendetail hingga level komponen. Hal ini membuat pendekatan CCF jauh lebih relevan untuk sistem atau desain baru, yang belum memiliki banyak data historis. Selain itu, model CCF bersifat dinamis dan kausal, memungkinkan penyesuaian terhadap variasi kondisi lingkungan dan operasional secara real-time, berbeda dengan model parametrik yang statis dan kurang fleksibel. Dengan demikian, physics-based CCF memberikan fondasi yang lebih kuat dan adaptif untuk prediksi umur pakai dan manajemen keandalan produk teknik modern.
Relevansi terhadap Industri & Edukasi
Industri Nuklir, Energi, Otomotif, hingga Penerbangan bisa mengambil manfaat besar:
- Evaluasi risiko desain baru tanpa menunggu kegagalan aktual.
- Pengembangan sistem predictive maintenance berbasis fisika.
- Desain sistem dengan daya tahan tinggi namun efisien biaya.
Untuk platform pembelajaran dan edukasi teknik, artikel ini bisa menjadi:
- Modul lanjutan untuk mata kuliah Reliability Engineering.
- Studi kasus simulasi interaktif (menggabungkan FEA, Bayesian, dan probabilistik).
- Konten unggulan di bootcamp teknologi nuklir atau industri energi masa depan.
Kritik & Catatan Lanjutan
- Perlu lebih banyak studi eksperimen untuk validasi parameter model wear-fatigue.
- Model interaksi antar mekanisme kegagalan masih dalam tahap awal—ke depan harus diperluas ke lebih banyak kombinasi kegagalan.
- Implementasi ke PRA aktual butuh kolaborasi erat antar disiplin: teknik mesin, statistik, hingga informatika.
Kesimpulan: Menuju PRA Generasi Baru yang Lebih Cerdas
Makalah ini bukan sekadar pengembangan metodologi, tapi pergeseran paradigma dalam mengelola risiko teknis. Dengan memasukkan mekanisme fisik kegagalan ke dalam model PRA, kita membuka peluang besar untuk:
- Memahami kegagalan lebih dalam,
- Mengantisipasi risiko lebih cepat,
- dan mengoptimalkan sistem tanpa overdesign.
Pendekatan physics-based CCF ini menandai awal era baru “causality-driven reliability” yang tidak lagi sekadar menunggu data kegagalan, tapi memprediksinya sebelum terjadi.
Referensi : Zahra Mohaghegh, Mohammad Modarres, Aris Christou. Physics-Based Common Cause Failure Modeling in Probabilistic Risk Analysis: A Mechanistic Perspective. Proceedings of the ASME 2011 Power Conference, POWER2011-55324.