PRINSIP PINN UNTUK 1D HEAT CONDUCTION DENGAN FRAMEWORK DAI5 – MUHAMMAD IBRAHIM ALGIFARI 2306247244

Assalamualaikum Wr.Wb

Salam sejahtera bagi kita semua, pertama-tama marilah kita panjatkan puji serta syukur kehadirat Allah SWT. atas nikmat dan karunia-Nya karena kita telah diberi kesehatan sehingga bisa mempelajari mata kuliah Metode Numerik ini.

Perkenalkan nama saya Muhammad Ibrahim Algifari dengan NPM 2306247244, pada kesempatan kali ini saya akan menjelaskan tentang Prinsip Algoritma PINN Heat 1D Conduction dengan menggunakan framework DAI5.

PINN (Physics-Informed Neural Networks) adalah sebuah teknik pembelajaran mesin (machine learning) yang menggabungkan pengetahuan fisika dengan jaringan saraf tiruan (neural networks) untuk memecahkan masalah-masalah kompleks dalam bidang fisika dan teknik. PINN bekerja dengan menggunakan jaringan saraf tiruan untuk memodelkan perilaku fisik sistem yang kompleks. Jaringan saraf ini dilatih dengan menggunakan data yang relevan dan persamaan-persamaan fisika yang menggambarkan sistem tersebut. PINN dapat digunakan untuk memodelkan sistem-sistem teknik, seperti sistem mekanik, sistem elektrik, dan sistem kimia. Dalam beberapa tahun terakhir, PINN telah menjadi sangat populer dalam komunitas ilmiah dan teknik karena kemampuannya untuk memecahkan masalah-masalah kompleks dengan akurasi yang tinggi.

Prinsip Physics-Informed Neural Networks (PINN) untuk 1D Heat Conduction

Physics-Informed Neural Networks (PINNs) adalah jenis jaringan saraf buatan yang mempelajari solusi persamaan diferensial parsial (PDE) dengan menggunakan hukum fisika langsung sebagai bagian dari fungsi loss-nya. Untuk masalah 1D steady-state heat conduction, prinsip PINN bekerja dengan menggabungkan persamaan fisika yang mendasari konduksi panas dengan data batas.

1. Persamaan Heat Conduction

Masalah konduksi panas 1 dimensi dalam keadaan tunak (steady-state) tanpa sumber panas mengikuti persamaan diferensial parsial berikut: d2T(x)dx2=0,x∈[0,1]\frac{d^2 T(x)}{dx^2} = 0, \quad x \in [0, 1]dx2d2T(x)=0,x∈[0,1]

Dengan T(x) adalah distribusi suhu dan xxx adalah posisi pada domain satu dimensi.

Boundary Conditions (Kondisi Batas):

T(0)=T0T(0) = T_0T(0)=T0 (suhu pada ujung kiri)
T(1)=T1T(1) = T_1T(1)=T1 (suhu pada ujung kanan)

2. Pendekatan PINN untuk Heat Conduction

PINN bekerja dengan cara mempelajari solusi T(x)T(x)T(x) menggunakan neural network T(x;θ)T(x; \theta)T(x;θ), di mana θ\thetaθ adalah parameter jaringan saraf yang akan dioptimasi.

Komponen Utama PINN:

Jaringan Neural (Neural Network):
- Input: xxx (posisi)
- Output: T(x)T(x)T(x) (perkiraan suhu pada posisi xxx)
- Arsitektur jaringan bisa berupa multilayer perceptron (MLP) dengan beberapa lapisan dan fungsi aktivasi, seperti tanh.
Physics Loss (Loss Fisika): PINN meminimalkan kesalahan terhadap persamaan diferensial. Untuk kasus ini: Physics Loss=(d2T(x)dx2)2\text{Physics Loss} = \left( \frac{d^2 T(x)}{dx^2} \right)^2Physics Loss=(dx2d2T(x))2 Karena kita tahu bahwa d2T(x)dx2=0\frac{d^2 T(x)}{dx^2} = 0dx2d2T(x)=0 dalam masalah steady-state heat conduction. Derivatif ini dihitung menggunakan fitur autograd di PyTorch.
Boundary Condition Loss: PINN juga menghormati kondisi batas: BC Loss=(T(0)−T0)2+(T(1)−T1)2\text{BC Loss} = (T(0) – T_0)^2 + (T(1) – T_1)^2BC Loss=(T(0)−T0)2+(T(1)−T1)2
Total Loss: Fungsi loss keseluruhan adalah kombinasi dari loss fisika dan loss boundary: L=Physics Loss+BC Loss\mathcal{L} = \text{Physics Loss} + \text{BC Loss}L=Physics Loss+BC Loss Neural network akan dioptimasi untuk meminimalkan fungsi loss ini.

3. Proses Pelatihan PINN

Selama pelatihan:

Neural network akan mencoba menghasilkan solusi T(x)T(x)T(x) yang mematuhi baik persamaan diferensial maupun kondisi batas.
Optimizer (misalnya Adam) digunakan untuk meng-update bobot dan bias jaringan guna meminimalkan total loss.

4. Solusi Analytical vs PINN Solution

Solusi analitis dari masalah ini adalah: T(x)=T0+(T1−T0)⋅xT(x) = T_0 + (T_1 – T_0) \cdot xT(x)=T0+(T1−T0)⋅x

Neural network dalam PINN akan mencoba mendekati solusi ini melalui pelatihan.

Kelebihan PINN:

Tidak Memerlukan Data Banyak: Tidak membutuhkan banyak data observasi; cukup dengan persamaan fisika.
Generalizable: Bisa diaplikasikan ke berbagai jenis PDE (misalnya, heat equation, fluid dynamics).
Kompatibel dengan Data Parsial: Dapat menggabungkan data eksperimental dengan loss fisika.

Dengan PINN, Anda pada dasarnya mengajarkan neural network untuk “mengerti” hukum fisika yang berlaku, sehingga ia mampu memprediksi solusi bahkan di domain yang belum dilihat selama pelatihan. Untuk kasus ini, PINN akan mempelajari distribusi suhu T(x)T(x)T(x) yang sesuai dengan persamaan konduksi panas satu dimensi.

PINN 1D Heat Conduction dengan DAI5 :

Deep awareness of I

Deep Awareness of I” atau “Kesadaran Mendalam tentang Diri” adalah sebuah konsep yang terkait dengan pengembangan diri, spiritualitas, dan psikologi. Berikut adalah beberapa aspek yang terkait dengan konsep ini:

Definisi
Deep Awareness of I adalah kemampuan untuk memahami dan mengenali diri sendiri secara mendalam, termasuk pikiran, perasaan, dan perilaku.

Aspek-aspek

Kesadaran diri: Kemampuan untuk memahami dan mengenali diri sendiri, termasuk kekuatan, kelemahan, nilai, dan tujuan.
Kesadaran emosi: Kemampuan untuk memahami dan mengenali emosi diri sendiri, termasuk sumber, intensitas, dan dampaknya.
Kesadaran pikiran: Kemampuan untuk memahami dan mengenali pola pikir diri sendiri, termasuk asumsi, keyakinan, dan persepsi.
Kesadaran perilaku: Kemampuan untuk memahami dan mengenali perilaku diri sendiri, termasuk motif, tujuan, dan dampaknya.

Manfaat

Pengembangan diri: Deep Awareness of I dapat membantu individu mengembangkan diri secara lebih efektif.
Peningkatan kesadaran: Deep Awareness of I dapat membantu individu meningkatkan kesadaran diri dan lingkungan sekitar.
Pengambilan keputusan: Deep Awareness of I dapat membantu individu membuat keputusan yang lebih tepat dan efektif.
Peningkatan kualitas hidup: Deep Awareness of I dapat membantu individu meningkatkan kualitas hidup secara keseluruhan.

Kesadaran diri kita dalam membahas PINN ini ada hubungannya dengan sang pencipta Allah SWT. yang membantu kita memahami tentang Physical Informed Neural Networks (PINN)

PINN (Physics-Informed Neural Networks) dan Deep Awareness of I memiliki beberapa hubungan yang menarik:

Penggunaan Data
PINN menggunakan data untuk melatih jaringan saraf, sedangkan Deep Awareness of I menggunakan data tentang diri sendiri (pikiran, perasaan, perilaku) untuk meningkatkan kesadaran diri.
Analisis Pola
PINN menganalisis pola dalam data untuk memprediksi perilaku sistem, sedangkan Deep Awareness of I menganalisis pola pikiran, perasaan, dan perilaku untuk memahami diri sendiri lebih baik.
Pengembangan Model
PINN mengembangkan model matematika untuk memprediksi perilaku sistem, sedangkan Deep Awareness of I mengembangkan model mental untuk memahami diri sendiri dan meningkatkan kesadaran diri.
Integrasi Pengetahuan
PINN mengintegrasikan pengetahuan fisika dan matematika untuk memprediksi perilaku sistem, sedangkan Deep Awareness of I mengintegrasikan pengetahuan tentang diri sendiri dan psikologi untuk meningkatkan kesadaran diri.
Peningkatan Kesadaran
PINN dapat meningkatkan kesadaran tentang perilaku sistem, sedangkan Deep Awareness of I dapat meningkatkan kesadaran tentang diri sendiri dan meningkatkan kemampuan untuk mengambil keputusan yang lebih tepat.

Dalam beberapa tahun terakhir, telah ada beberapa penelitian yang menggabungkan PINN dan Deep Awareness of I untuk mengembangkan sistem yang lebih cerdas dan sadar akan diri sendiri.

def compute_loss(model, x, T0, T1):
x = x.requires_grad_(True)
T = model(x)

# Compute derivatives
dT_dx = torch.autograd.grad(T, x, grad_outputs=torch.ones_like(T), create_graph=True)[0]
d2T_dx2 = torch.autograd.grad(dT_dx, x, grad_outputs=torch.ones_like(dT_dx), create_graph=True)[0]

# Physics loss (d^2T/dx^2 = 0)
physics_loss = torch.mean(d2T_dx2**2)

# Boundary conditions
T_left = model(torch.tensor([[0.0]], dtype=x.dtype, device=x.device))
T_right = model(torch.tensor([[1.0]], dtype=x.dtype, device=x.device))
bc_loss = (T_left - T0)**2 + (T_right - T1)**2

return physics_loss + bc_loss

import deepxde as dde
import numpy as np

geom = dde.geometry.Interval(0, 1)

def pde(x, T):
dT_xx = dde.grad.hessian(T, x)
return dT_xx

bc_left = dde.DirichletBC(geom, lambda x: 100, lambda x, on_boundary: on_boundary and np.isclose(x[0], 0))
bc_right = dde.DirichletBC(geom, lambda x: 0, lambda x, on_boundary: on_boundary and np.isclose(x[0], 1))

data = dde.data.PDE(geom, pde, [bc_left, bc_right], num_domain=10, num_boundary=2)
net = dde.nn.FNN([1] + [20] * 3 + [1], “tanh”, “Glorot normal”)
model = dde.Model(data, net)

model.compile(“adam”, lr=0.001)
model.train(epochs=10000)

X = geom.uniform_points(100, True)
y_pred = model.predict(X)
import matplotlib.pyplot as plt
plt.plot(X, y_pred, label=”Predicted”)
plt.xlabel(“x”)
plt.ylabel(“Temperature”)
plt.legend()
plt.show()

PINN adalah paradigma baru dalam dunia komputasi ilmiah yang memungkinkan penyelesaian masalah berbasis persamaan diferensial dengan bantuan machine learning. Integrasi hukum fisika ke dalam pelatihan jaringan saraf memperkuat akurasi dan stabilitas solusi, membuat PINN relevan untuk tantangan di bidang teknik, fisika, kimia, dan keuangan. Meski menghadapi beberapa tantangan optimasi, potensi PINNs untuk memodelkan fenomena fisika yang kompleks menjadikannya salah satu alat yang sangat menjanjikan di era pembelajaran mesin ilmiah.

ccitonline.com