Assalamualaikum WR. Wb , izin kan saya bercerita terkait alasan saya untuk memilih topik project, saya memilih untuk menganalisis aliran internal dalam pipa dengan karakteristik incompressible, transien, laminar, dan isothermal menggunakan Physics Informed Neural Networks (PiNN) karena topik ini memiliki relevansi tinggi dalam berbagai aplikasi teknik serta tantangan numerik yang menarik.
Mengapa Aliran Internal dalam Pipa?
Aliran internal dalam pipa adalah salah satu sistem fluida paling fundamental dalam rekayasa, digunakan dalam industri energi, manufaktur, sistem pendingin, hingga transportasi fluida dalam proses industri. Studi ini tidak hanya relevan secara akademik tetapi juga memiliki dampak praktis besar dalam dunia nyata. Pipa membatasi aliran di dalamnya, menyebabkan efek gesekan yang lebih dominan dibandingkan dengan aliran eksternal. Ini memberikan tantangan tersendiri dalam pemodelan numerik, terutama saat menggunakan metode berbasis machine learning seperti PiNN, yang harus mampu menangkap pola aliran dengan akurasi tinggi.
Mengapa Incompressible?
Saya memilih incompressible flow karena sebagian besar sistem perpipaan air dalam dunia nyata bekerja dalam kondisi ini. Meskipun fluida sejatinya dapat sedikit terkompresi, dalam banyak kasus, perubahan densitasnya sangat kecil sehingga dapat diabaikan. Dengan asumsi incompressible, simulasi dapat lebih fokus pada dinamika tekanan dan kecepatan aliran tanpa harus mempertimbangkan efek kompresibilitas yang lebih kompleks. Hal ini juga memungkinkan pendekatan PiNN untuk lebih efisien dalam menyelesaikan persamaan Navier-Stokes, karena tidak perlu memasukkan persamaan kontinuitas yang lebih kompleks akibat efek kompresibilitas.
Mengapa Transien?
Aliran dalam sistem perpipaan jarang berada dalam kondisi steady-state. Misalnya, saat pompa dinyalakan atau dimatikan, atau ketika terjadi perubahan tekanan akibat perubahan kondisi operasi. Oleh karena itu, saya memilih karakteristik transien untuk menangkap dinamika aliran yang lebih realistis dan menantang PiNN dalam memprediksi pola aliran seiring waktu. Pendekatan ini juga membuka peluang untuk memahami bagaimana metode berbasis neural networks dapat menangani perubahan kondisi batas yang terjadi secara dinamis.
Mengapa Laminar?
Saya memilih aliran laminar karena lebih mudah untuk divalidasi dibandingkan dengan aliran turbulen, yang memerlukan model tambahan seperti Reynolds-Averaged Navier-Stokes (RANS) atau Large Eddy Simulation (LES). Selain itu, dalam sistem perpipaan industri dengan diameter kecil atau kecepatan rendah, aliran sering kali berada dalam kondisi laminar, sehingga studi ini masih sangat relevan untuk aplikasi nyata. Pemodelan laminar menggunakan PiNN dapat menjadi langkah awal sebelum nantinya dikembangkan lebih lanjut untuk kasus yang lebih kompleks.
Mengapa Isothermal?
Saya mengasumsikan isothermal flow agar simulasi lebih fokus pada dinamika fluida tanpa perlu mempertimbangkan efek perpindahan panas, yang bisa memperumit perhitungan dan memerlukan tambahan persamaan energi. Dalam banyak aplikasi rekayasa, sistem perpipaan memang dirancang untuk mempertahankan suhu konstan melalui isolasi termal atau pengendalian temperatur, sehingga asumsi ini masih realistis. Dengan demikian, analisis dapat lebih berfokus pada validasi metode PiNN dalam menyelesaikan persamaan momentum dan kontinuitas tanpa distraksi dari efek termal.
Kesimpulan
Pemilihan aliran internal dalam pipa dengan karakteristik incompressible, transien, laminar, dan isothermal adalah keputusan yang didasarkan pada keseimbangan antara relevansi praktis dan tantangan numerik. Dengan menggunakan Physics-Informed Neural Networks (PiNN), saya ingin mengeksplorasi bagaimana metode ini dapat mengatasi keterbatasan pendekatan CFD tradisional dalam menyelesaikan persamaan Navier-Stokes. Jika metode ini terbukti efektif, penelitian ini dapat membuka jalan bagi optimasi simulasi fluida yang lebih cepat dan hemat komputasi dalam berbagai aplikasi industri.
