Sebelum memulai analisis simulasi, saya ingin mengingatkan bahwa,
Deep Awareness of “I”
Saya menyadari bahwa simulasi CFD dan analisis curve fitting bukan sekadar alat bantu perhitungan, tetapi juga memiliki aplikasi yang luas dalam dunia teknik dan industri. Memahami bagaimana metode ini bekerja memungkinkan saya untuk menggunakannya dalam optimalisasi desain teknik, efisiensi energi, serta peningkatan kinerja sistem termal. Dengan pendekatan ini, saya dapat melihat bahwa analisis numerik bukan hanya sekadar angka, tetapi juga dapat memberikan solusi nyata dalam perancangan sistem yang lebih baik.
Intention
Tujuan utama dari simulasi ini adalah untuk memahami bagaimana melakukan analisis dan prediksi tanpa harus melakukan uji coba fisik secara langsung. Dengan memanfaatkan hubungan matematis antara posisi dan temperatur, saya dapat memperkirakan bagaimana distribusi panas akan terjadi dalam sistem tertentu. Kemampuan ini sangat berguna dalam dunia teknik, di mana perancangan harus mempertimbangkan banyak variabel sebelum implementasi nyata dilakukan.
Initial Thinking
Sebelum melakukan simulasi, saya mengidentifikasi bahwa salah satu tantangan utama adalah bagaimana memodelkan distribusi panas dalam suatu sistem secara akurat. Kesulitan ini muncul karena data numerik sering kali tersebar dan memerlukan pendekatan yang tepat untuk menghasilkan model yang representatif. Dengan menggunakan metode curve fitting, saya dapat memperoleh persamaan yang mendekati hasil simulasi, memungkinkan analisis lebih lanjut terhadap kondisi yang belum diuji secara langsung.
Idealization
Hasil yang saya harapkan dari simulasi ini adalah model matematis yang dapat diterapkan dalam berbagai skenario riil, seperti perancangan radiator, sistem pendinginan elektronik, dan optimasi bahan insulasi termal. Dengan adanya model yang akurat, perhitungan dapat dilakukan lebih cepat dan efisien, sehingga desain teknik dapat disempurnakan tanpa harus melalui banyak tahapan eksperimen fisik. Selain itu, pendekatan ini dapat menghemat biaya dan waktu dalam pengembangan teknologi termal.
Instruction Set
- Menganalisis data simulasi – Mengolah data dari hasil simulasi CFD dan memahami bagaimana distribusi panas terjadi dalam suatu sistem.
- Melakukan curve fitting – Menggunakan metode fitting polinomial atau lainnya untuk menemukan hubungan matematis antara variabel yang dianalisis.
- Menyimpan dan mengolah data – Menyimpan hasil dalam format JSON agar dapat digunakan kembali untuk analisis lebih lanjut atau optimasi desain teknik.
- Membuat visualisasi interaktif – Menggunakan grafik untuk memahami pola data secara lebih intuitif dan memastikan bahwa hasil fitting sesuai dengan fenomena fisis yang diamati.
- Menerapkan hasil dalam skenario nyata – Menggunakan model yang diperoleh untuk pengambilan keputusan dalam desain teknik, seperti perancangan sistem pendingin, pemanas, atau material insulasi yang lebih efisien.
Dengan bantuan AI Grok, saya memanfaatkannya untuk memvisualisasikan heatmaps dari data yang telah didapat dari curve fitting minggu lalu, setelah itu menghitung daya panas (P = ∫ q dA) menggunakan metode integral numerik.
Setelah mendapatkan curve fitting, saya menginput codingan pada google collab untuk mendapatkan hasil heatmaps visualisasi
# Import library yang dibutuhkan
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
# Data dari HTML yang diberikan (hanya menggunakan data asli, bukan fit)
data = {
‘plot2.csv’: [303.0, 338.0, 351.0, 357.0, 360.0, 361.0, 360.0, 357.0, 351.0, 338.0, 303.0],
‘plot3.csv’: [303.0, 324.0, 337.0, 345.0, 349.0, 350.0, 349.0, 345.0, 337.0, 324.0, 303.0],
‘plot4.csv’: [303.0, 317.0, 329.0, 336.0, 340.0, 342.0, 340.0, 336.0, 329.0, 317.0, 303.0],
‘plot5.csv’: [303.0, 314.0, 324.0, 331.0, 335.0, 336.0, 335.0, 331.0, 324.0, 314.0, 303.0],
‘plot6.csv’: [303.0, 313.0, 322.0, 328.0, 332.0, 333.0, 332.0, 328.0, 322.0, 313.0, 303.0],
‘plot7.csv’: [303.0, 313.0, 321.0, 328.0, 331.0, 333.0, 331.0, 328.0, 321.0, 313.0, 303.0],
‘plot8.csv’: [303.0, 315.0, 324.0, 330.0, 334.0, 335.0, 334.0, 330.0, 324.0, 315.0, 303.0],
‘plot9.csv’: [303.0, 319.0, 329.0, 335.0, 338.0, 339.0, 338.0, 335.0, 329.0, 319.0, 303.0],
‘plot10.csv’: [303.0, 328.0, 338.0, 343.0, 345.0, 345.0, 345.0, 343.0, 338.0, 328.0, 303.0],
‘plot11.csv’: [328.0, 353.0, 353.0, 353.0, 353.0, 353.0, 353.0, 353.0, 353.0, 353.0, 328.0]
}
# Membuat DataFrame
df = pd.DataFrame(data)
# Membuat label untuk posisi (x-axis)
positions = [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0]
# Membuat figure untuk heatmap
plt.figure(figsize=(12, 8))
# Membuat heatmap
sns.heatmap(df,
cmap=’viridis’, # Color scheme
annot=True, # Menampilkan nilai di setiap sel
fmt=’.1f’, # Format angka
xticklabels=list(data.keys()),
yticklabels=positions)
# Menambahkan judul dan label
plt.title(‘Heatmap Temperatur (K) untuk Berbagai Plot CFD’, fontsize=14)
plt.xlabel(‘Plot CSV’, fontsize=12)
plt.ylabel(‘Posisi (m)’, fontsize=12)
# Rotasi label x agar lebih mudah dibaca
plt.xticks(rotation=45, ha=’right’)
# Mengatur layout agar tidak terpotong
plt.tight_layout()
# Menampilkan plot
plt.show()
Heatmap ini menunjukkan distribusi suhu pada pelat 1m x 1m yang dibagi menjadi grid 12×12.
Warna: Skala warna menunjukkan suhu dari 300 K (Ungu) hingga +-360 K (Kuning). Suhu naik dari 303 K di bagian atas, mencapai 353 K di tengah, lalu turun ke 328 K di bawah.
Pola: Area terpanas (Kuning, ~360 K) ada di tengah (x=0,5, y=0,5). Suhu menurun ke tepi, terutama di atas dan samping (303 K) serta di bawah (328 K). Heatmap ini membantu memahami aliran panas. Data energi di batas pelat menunjukkan:
- Atas: 0 W
- Bawah: 0 W
- Kiri: -2380,16 W
- Kanan: 2380,16 W
Totalnya 0,000000019999999494757503 W, menunjukkan sedikit kehilangan panas atau ketidaksesuaian perhitungan.
Smoothness : Gradasi warna yang halus menunjukkan perubahan suhu secara jelas.
