MESIN!!!
BERSYUKUR!
BERSYUKUR!!
BERSYUKUR!!!
Salam sejahtera dan salam sehat untuk Pak DAI dan teman-teman. Perkenalkan saya Angelica Esther Trihartati dengan NPM 2306247276 dari kelas Metode Numerik 01. Pada kesempatan ini ijinkan saya menuliskan sedikit apa yang saya pahami tentang prinsip dan algoritma dari Physics Informed Neural Network (PINN) untuk Heat Conduction 1D dengan framework DAI5.
Persamaan diferensial dapat memodelkan berbagai bidang fisika dalam jumlah data yang besar dan persamaan yang kompleks. Metode PINN digunakan untuk memecahkan permasalahan dengan memasukan persamaan fisika ke dalam neural network. Metode ini bekerja dengan memprediksi solusi pada langkah waktu selanjutnya dengan asumsi solusi pada langkah waktu.
Deep Awareness of I
Saya menyadari bahwa PINN merupakan metode untuk memahami fenomena alam yang diciptakan oleh Tuhan salah satunya persamaan konduksi panas 1D :
Saya juga sadar bahwa pendekatan ini berbeda dari metode numerik biasa seperti finite difference, karena PINN menggabungkan data dengan fisika langsung di jaringan sarafnya. Namun saya berkomitmen untuk memahami metode ini secera menyeluruh agar dapat menggunakan metode ini sebaik-baiknya. Saya berfikir dengan belajar metode PINN memudahkan saya dalam mempelajari desain material atau sistem termal. Dalam proses memahami PINN saya terus menjaga fokus agar tidak lupa dengan tujuan utama saya yaitu memahami prinsip PINN
Intention
Saya berniat untuk memahami prinsip PINN dan algoritmanya untuk menyelesaikan masalah Heat Conduction 1D dengan akurat dan bermakna. Saya harap dengan mempelajari metode ini tidak hanya bermanfaat untuk saya melainkan untuk lingkungan sekitar saya. Saya ingin hasilnya tidak hanya menjadi angka, namun juga memberi gambaran nyata tentang distribusi temperatur di sepanjang batang 1D—misalnya, dari 273 K di ujung sampai 400 K di tengah, seperti data CFDSOF yang didapat dari simulasi sebelumnya. Niat ini membuat saya fokus untuk membuat model yang bermanfaat dan sesuai hukum fisika.
Initial Thinking
Panas bergerak dalam satu arah f(x) dan diatur oleh persamaan
dengan kondisi batas seperti yang dijelaskan pada pertemuan dikelas, Tb = 100∘C pada x=0 x, T1=0∘C pada x=1 ). Dalam konteks batang 1D, dimana panas mengalir dari ujung panas ke dingin, mirip dengan simulasi CFDSOF. Saya menganalisis penyebab perubahan suhu, yaitu adanya gradien suhu akibat perbedaan batas dengan fokus pada distribusi suhu tanpa menyimpang ke aspek yang tidak relevan menggunakan informasi yang telah disampaikan sebelumnya guna memahami kasus steady-state.
Idealization
Dengan mengasumsikan batang memiliki panjang 1 meter, konduktivitas termal k konstan, dan suhu awal seragam, sehingga modelnya lebih mudah diterapkan. Saya membandingkan PINN dengan NN biasa. Hasil yang saya peroleh PINN lebih cenderung lebih akurat karena memasukkan hukum fisika, dan sebagai inovasi, saya mencoba menjalankan simulasi di Google Colab meskipun Pak DAI menyarankan VSCode. Hal ini saya lakukan karena saya memiliki rasa penasaran apakah bisa menggunakan coding yang diberikan oleh Pak DAI di Goofle Colab. Walaupun hasil akhir nya saya namun di Google Colab diperlukan beberapa perubahan coding dan kita tidak dapat merubah T0, T1 dan Epochs kecuali merubahnya dalam coding. Ini menyimpulkan bahwasannya VSCode cenderung lebih mudah digunakan sekalipun Colab memiliki fitur AI untuk codingan yang error.
Saya memastikan hasil PINN realistis, dengan suhu yang tidak negatif dan gradien yang sesuai hukum fisika . Model ini selaras dengan niat saya untuk memberikan solusi akurat, dapat diperluas untuk kasus lain seperti simulasi 2D dengan menambahkan variabel, dan sederhana namun efektif karena tidak memerlukan grid seperti metode numerik tradisional.
Instruction Set
Berikut merupakan tahapan dalam mengimplementasikan PINN :
1. Membangun jaringan saraf menggunakan PyTorch
2. Mendefinisikan loss berdasarkan persamaan panas,
3. Melatih model,
4. Memvisualisasikan hasil dengan Matplotlib.
Kesimpulan
Melalui pendekatan DAI5 , saya memahami bahwa prinsip PINN untuk Heat Conduction 1D adalah mengintegrasikan jaringan saraf dengan hukum fisika untuk menghasilkan solusi yang akurat, sementara algoritmanya meliputi pembuatan model di PyTorch, pendefinisian loss (seperti physics_loss + bc_loss dalam kode), training, dan visualisasi dengan Matplotlib. Pendekatan ini terbukti lebih unggul dibandingkan NN biasa karena memastikan hasil yang konsisten dengan hukum fisika, seperti suhu yang menurun linier dari 100°C ke 0°C sepanjang batang, di mana NN biasa sering kali gagal menghasilkan solusi yang realistis karena tidak mempertimbangkan hukum fisika.
