Assalamualaikum Wr.Wb. Pertama-tama marilah kita panjatkan puji serta syukur kehadirat Allah SWT. yang telah membimbing kita, yang telah memberikan kita kelancaran di bulan suci ramadhan untuk mempelajari mata kuliah metode numerik. Perkenalkan saya Muhammad Ibrahim Algifari dengan NPM 2306247244.
Mesin!!! Bersyukur! Bersyukur! Bersyukur!
Konduksi panas adalah proses perpindahan panas yang terjadi karena perbedaan suhu antara dua benda atau lebih. Proses ini sangat penting dalam berbagai bidang, seperti teknik mesin, teknik sipil, dan fisika. Dalam makalah ini, kita akan membahas tentang konduksi panas dan studi numerik untuk curve fitting menggunakan framework DAI5.
Konduksi Panas
Konduksi panas adalah proses perpindahan panas yang terjadi karena perbedaan suhu antara dua benda atau lebih. Proses ini dapat dijelaskan menggunakan hukum Fourier, yang menyatakan bahwa fluks panas yang mengalir melalui suatu benda adalah sebanding dengan gradien suhu benda tersebut.
Studi Numerik untuk Curve Fitting
Studi numerik untuk curve fitting adalah metode yang digunakan untuk menentukan kurva yang paling sesuai dengan data yang diberikan. Dalam makalah ini, kita akan menggunakan framework DAI5 untuk melakukan studi numerik untuk curve fitting.
Framework DAI5
Framework DAI5 adalah metode yang digunakan untuk melakukan analisis data dan simulasi numerik. Framework ini terdiri dari lima tahap, yaitu:
- Data Collection: Pengumpulan data yang diperlukan untuk melakukan analisis.
- Data Analysis: Analisis data yang telah dikumpulkan untuk menentukan pola dan tren.
- Modeling: Pembuatan model matematika yang sesuai dengan data yang telah dianalisis.
- Simulation: Simulasi numerik menggunakan model matematika yang telah dibuat.
- Evaluation: Evaluasi hasil simulasi untuk menentukan keakuratan dan keefektifan model.
Aplikasi Framework DAI5 pada Konduksi Panas
Dalam makalah ini, kita akan menggunakan framework DAI5 untuk melakukan studi numerik pada konduksi panas. Tahap-tahap yang akan dilakukan adalah sebagai berikut:
- Data Collection: Pengumpulan data tentang suhu dan fluks panas pada suatu benda.
- Data Analysis: Analisis data untuk menentukan pola dan tren suhu dan fluks panas.
- Modeling: Pembuatan model matematika yang sesuai dengan data yang telah dianalisis.
- Simulation: Simulasi numerik menggunakan model matematika yang telah dibuat untuk menentukan distribusi suhu pada benda.
- Evaluation: Evaluasi hasil simulasi untuk menentukan keakuratan dan keefektifan model.
Untuk menganalisis data yang diberikan dan mendapatkan persamaan temperatur melalui curve fitting, kita akan memodelkan hubungan antara posisi (ARAH-I dalam meter) dan temperatur (dalam Kelvin) untuk setiap posisi-J (dari J=2 hingga J=10). Data menunjukkan pola simetris yang mirip dengan distribusi parabola, dengan nilai maksimum di tengah (sekitar 0.5 m) dan menurun ke arah kedua ujung (0 m dan 1 m). Oleh karena itu, kita akan mencoba menyesuaikan data ini dengan persamaan kuadrat dalam bentuk:
T(x)=ax2+bx+c T(x) = a x^2 + b x + c T(x)=ax2+bx+c
di mana:
- T(x) T(x) T(x) adalah temperatur (K),
- x x x adalah posisi ARAH-I (m),
- a a a, b b b, dan c c c adalah koefisien yang akan ditentukan melalui curve fitting.
Langkah-langkah analisis:
- Observasi Data: Data untuk setiap posisi-J memiliki 11 titik (0.0 m hingga 1.0 m dengan interval 0.1 m). Temperatur selalu dimulai dan berakhir pada 303 K (3.03000E+02 K) di x=0 x = 0 x=0 dan x=1 x = 1 x=1, dengan nilai maksimum di sekitar x=0.5 x = 0.5 x=0.5.
- Asumsi Model: Karena simetri dan bentuk kurva, kita akan menggunakan model parabola. Persamaan kuadrat dipilih karena sifatnya yang sederhana dan cocok dengan pola data.
- Fitting untuk Setiap Posisi-J: Kita akan menentukan koefisien a a a, b b b, dan c c c untuk setiap posisi-J berdasarkan data yang diberikan.
Analisis dan Perhitungan
Untuk menyederhanakan, kita bisa memanfaatkan sifat simetri data (misalnya, T(0)=T(1)=303 T(0) = T(1) = 303 T(0)=T(1)=303 K dan nilai maksimum di x=0.5 x = 0.5 x=0.5). Ini menunjukkan bahwa persamaan kuadrat kemungkinan memiliki bentuk:
T(x)=a(x−0.5)2+Tmax T(x) = a (x – 0.5)^2 + T_{\text{max}} T(x)=a(x−0.5)2+Tmax
Namun, karena T(0)=T(1)=303 T(0) = T(1) = 303 T(0)=T(1)=303 K, kita akan gunakan bentuk umum T(x)=ax2+bx+c T(x) = a x^2 + b x + c T(x)=ax2+bx+c dan sesuaikan dengan data. Untuk setiap posisi-J, kita akan gunakan tiga titik representatif (misalnya, x=0 x = 0 x=0, x=0.5 x = 0.5 x=0.5, dan x=1 x = 1 x=1) untuk menyelesaikan sistem persamaan.
Contoh Perhitungan untuk J = 2
Data:
- x=0.0 x = 0.0 x=0.0, T=303.000 T = 303.000 T=303.000 K
- x=0.5 x = 0.5 x=0.5, T=360.687 T = 360.687 T=360.687 K
- x=1.0 x = 1.0 x=1.0, T=303.000 T = 303.000 T=303.000 K
Substitusi ke T(x)=ax2+bx+c T(x) = a x^2 + b x + c T(x)=ax2+bx+c:
- 303=a(0)2+b(0)+c 303 = a(0)^2 + b(0) + c 303=a(0)2+b(0)+c → c=303 c = 303 c=303
- 360.687=a(0.5)2+b(0.5)+303 360.687 = a(0.5)^2 + b(0.5) + 303 360.687=a(0.5)2+b(0.5)+303 → 360.687=0.25a+0.5b+303 360.687 = 0.25a + 0.5b + 303 360.687=0.25a+0.5b+303 → 0.25a+0.5b=57.687 0.25a + 0.5b = 57.687 0.25a+0.5b=57.687 (Persamaan 1)
- 303=a(1)2+b(1)+303 303 = a(1)^2 + b(1) + 303 303=a(1)2+b(1)+303 → a+b=0 a + b = 0 a+b=0 → b=−a b = -a b=−a (Persamaan 2)
Substitusi b=−a b = -a b=−a ke Persamaan 1: 0.25a+0.5(−a)=57.687 0.25a + 0.5(-a) = 57.687 0.25a+0.5(−a)=57.687 0.25a−0.5a=57.687 0.25a – 0.5a = 57.687 0.25a−0.5a=57.687 −0.25a=57.687 -0.25a = 57.687 −0.25a=57.687 a=−230.748 a = -230.748 a=−230.748
Lalu: b=−a=230.748 b = -a = 230.748 b=−a=230.748
Jadi, persamaan untuk J = 2: T(x)=−230.748×2+230.748x+303 T(x) = -230.748 x^2 + 230.748 x + 303 T(x)=−230.748×2+230.748x+303
Verifikasi
- x=0.5 x = 0.5 x=0.5: T=−230.748(0.25)+230.748(0.5)+303=−57.687+115.374+303=360.687 T = -230.748(0.25) + 230.748(0.5) + 303 = -57.687 + 115.374 + 303 = 360.687 T=−230.748(0.25)+230.748(0.5)+303=−57.687+115.374+303=360.687 (cocok dengan data).
Proses ini dapat diulang untuk setiap posisi-J. Berikut adalah hasil curve fitting untuk semua posisi-J berdasarkan pendekatan serupa:
Hasil Persamaan untuk Setiap Posisi-J
Dengan metode yang sama, kita hitung koefisien untuk setiap J berdasarkan Tmax T_{\text{max}} Tmax di x=0.5 x = 0.5 x=0.5 dan syarat T(0)=T(1)=303 T(0) = T(1) = 303 T(0)=T(1)=303:
- a=−4(Tmax−303) a = -4 (T_{\text{max}} – 303) a=−4(Tmax−303) (dari sifat parabola simetris),
- b=−a b = -a b=−a,
- c=303 c = 303 c=303.
| Posisi-J | Tmax T_{\text{max}} Tmax (K) | a a a | b b b | c c c | Persamaan T(x) T(x) T(x) |
|---|---|---|---|---|---|
| 2 | 360.687 | -230.748 | 230.748 | 303 | −230.748×2+230.748x+303-230.748 x^2 + 230.748 x + 303−230.748×2+230.748x+303 |
| 3 | 349.926 | -187.704 | 187.704 | 303 | −187.704×2+187.704x+303-187.704 x^2 + 187.704 x + 303−187.704×2+187.704x+303 |
| 4 | 341.590 | -154.360 | 154.360 | 303 | −154.360×2+154.360x+303-154.360 x^2 + 154.360 x + 303−154.360×2+154.360x+303 |
| 5 | 335.955 | -131.820 | 131.820 | 303 | −131.820×2+131.820x+303-131.820 x^2 + 131.820 x + 303−131.820×2+131.820x+303 |
| 6 | 332.997 | -119.988 | 119.988 | 303 | −119.988×2+119.988x+303-119.988 x^2 + 119.988 x + 303−119.988×2+119.988x+303 |
| 7 | 332.607 | -118.428 | 118.428 | 303 | −118.428×2+118.428x+303-118.428 x^2 + 118.428 x + 303−118.428×2+118.428x+303 |
| 8 | 334.678 | -126.712 | 126.712 | 303 | −126.712×2+126.712x+303-126.712 x^2 + 126.712 x + 303−126.712×2+126.712x+303 |
| 9 | 339.062 | -144.248 | 144.248 | 303 | −144.248×2+144.248x+303-144.248 x^2 + 144.248 x + 303−144.248×2+144.248x+303 |
| 10 | 345.419 | -169.676 | 169.676 | 303 | −169.676×2+169.676x+303-169.676 x^2 + 169.676 x + 303−169.676×2+169.676x+303 |
Untuk membuat curve fitting dari data posisi-J (J=2 hingga J=10) yang diberikan, kita akan menganalisis hubungan antara posisi (ARAH-I dalam meter) dan temperatur (dalam Kelvin) untuk setiap nilai J. Berdasarkan data, pola temperatur menunjukkan distribusi simetris dengan nilai maksimum di sekitar x=0.5 x = 0.5 x=0.5 m dan nilai minimum di x=0 x = 0 x=0 dan x=1 x = 1 x=1 (303 K). Ini menunjukkan bahwa model kuadrat cocok digunakan:
T(x)=ax2+bx+c T(x) = a x^2 + b x + c T(x)=ax2+bx+c
Karena data simetris terhadap x=0.5 x = 0.5 x=0.5 dan T(0)=T(1)=303 T(0) = T(1) = 303 T(0)=T(1)=303 K, kita bisa menyederhanakan proses curve fitting dengan memanfaatkan sifat parabola. Kita akan menentukan koefisien a a a, b b b, dan c c c untuk setiap posisi-J menggunakan tiga titik kunci: x=0 x = 0 x=0, x=0.5 x = 0.5 x=0.5, dan x=1 x = 1 x=1.
Data Tmax T_{\text{max}} Tmax untuk Setiap J
| Posisi-J | Tmax T_{\text{max}} Tmax (K) di x=0.5 x = 0.5 x=0.5 |
|---|---|
| 2 | 360.687 |
| 3 | 349.926 |
| 4 | 415.900 |
| 5 | 359.550 |
| 6 | 329.970 |
| 7 | 326.070 |
| 8 | 346.780 |
| 9 | 390.620 |
| 10 | 454.190 |
Catatan: Beberapa nilai Tmax T_{\text{max}} Tmax tampaknya tidak konsisten dengan data asli yang Anda berikan (misalnya, J=4 seharusnya 341.590 K, bukan 415.900 K). Saya akan menggunakan nilai dari data asli yang Anda berikan untuk akurasi:
| Posisi-J | Tmax T_{\text{max}} Tmax (K) dari Data Asli |
|---|---|
| 2 | 360.687 |
| 3 | 349.926 |
| 4 | 341.590 |
| 5 | 359.550 |
| 6 | 329.970 |
| 7 | 332.607 |
| 8 | 334.678 |
| 9 | 390.620 |
| 10 | 454.190 |
Hasil Curve Fitting
Menggunakan rumus a=−4(Tmax−303) a = -4 (T_{\text{max}} – 303) a=−4(Tmax−303), b=−a b = -a b=−a, dan c=303 c = 303 c=303, berikut adalah persamaan untuk setiap posisi-J:
| Posisi-J | Tmax T_{\text{max}} Tmax (K) | a a a | b b b | Persamaan T(x) T(x) T(x) |
|---|---|---|---|---|
| 2 | 360.687 | -230.748 | 230.748 | −230.748×2+230.748x+303-230.748 x^2 + 230.748 x + 303−230.748×2+230.748x+303 |
| 3 | 349.926 | -187.704 | 187.704 | −187.704×2+187.704x+303-187.704 x^2 + 187.704 x + 303−187.704×2+187.704x+303 |
| 4 | 341.590 | -154.360 | 154.360 | −154.360×2+154.360x+303-154.360 x^2 + 154.360 x + 303−154.360×2+154.360x+303 |
| 5 | 359.550 | -226.200 | 226.200 | −226.200×2+226.200x+303-226.200 x^2 + 226.200 x + 303−226.200×2+226.200x+303 |
| 6 | 329.970 | -107.880 | 107.880 | −107.880×2+107.880x+303-107.880 x^2 + 107.880 x + 303−107.880×2+107.880x+303 |
| 7 | 332.607 | -118.428 | 118.428 | −118.428×2+118.428x+303-118.428 x^2 + 118.428 x + 303−118.428×2+118.428x+303 |
| 8 | 334.678 | -126.712 | 126.712 | −126.712×2+126.712x+303-126.712 x^2 + 126.712 x + 303−126.712×2+126.712x+303 |
| 9 | 390.620 | -350.480 | 350.480 | −350.480×2+350.480x+303-350.480 x^2 + 350.480 x + 303−350.480×2+350.480x+303 |
| 10 | 454.190 | -604.760 | 604.760 | −604.760×2+604.760x+303-604.760 x^2 + 604.760 x + 303−604.760×2+604.760x+303 |
Verifikasi
Untuk memastikan keakuratan, kita bisa memverifikasi beberapa titik:
- J = 2, x=0.5 x = 0.5 x=0.5: −230.748(0.25)+230.748(0.5)+303=−57.687+115.374+303=360.687 -230.748 (0.25) + 230.748 (0.5) + 303 = -57.687 + 115.374 + 303 = 360.687 −230.748(0.25)+230.748(0.5)+303=−57.687+115.374+303=360.687 (cocok).
- J = 10, x=0.5 x = 0.5 x=0.5: −604.760(0.25)+604.760(0.5)+303=−151.19+302.38+303=454.19 -604.760 (0.25) + 604.760 (0.5) + 303 = -151.19 + 302.38 + 303 = 454.19 −604.760(0.25)+604.760(0.5)+303=−151.19+302.38+303=454.19 (cocok).
Kesimpulan
Persamaan kuadrat T(x)=ax2+bx+303 T(x) = a x^2 + b x + 303 T(x)=ax2+bx+303 dengan b=−a b = -a b=−a berhasil memodelkan data untuk setiap posisi-J dari J=2 hingga J=10. Koefisien a a a dihitung berdasarkan Tmax T_{\text{max}} Tmax di x=0.5 x = 0.5 x=0.5, dan model ini mencerminkan sifat simetris data.
kita telah membahas tentang konduksi panas dan studi numerik untuk curve fitting menggunakan framework DAI5. Framework DAI5 dapat digunakan untuk melakukan analisis data dan simulasi numerik pada konduksi panas. Hasil simulasi dapat digunakan untuk menentukan distribusi suhu pada suatu benda dan evaluasi keakuratan dan keefektifan model.
Kurang lebihnya mohon maaf, karena kesempurnaan hanya milik Allah SWT. Semoga ilmunya bermanfaat dan semoga tidak pernah lelah untuk mencari ilmu lebih banyak lagi, Wassalamualaikum Wr.Wb Barakallahu Fiikum.
