Essay Prinsip & Algoritma PINN HC 1D dengan Framework DAI5 | Aloysius Lesmono – 2306206995

بسم الله الرحمن الرحيم، السلام عليكم ورحمة الله وبركاته
Integrasi Framework DAI5 dalam Physics-Informed Neural Networks (PINN) untuk Simulasi Konduksi Panas 1D

Physics-Informed Neural Networks (PINN) telah menjadi pendekatan inovatif dalam menyelesaikan persamaan diferensial, termasuk pada kasus konduksi panas satu dimensi (1D). Integrasi prinsip DAI5 dalam algoritma PINN dapat memberikan pendekatan sistematis dalam memahami dan mengoptimalkan solusi yang dihasilkan. Tahapan Deep Awareness of I dalam framework ini mengajak untuk memahami hubungan antara model matematika, hukum fisika, dan kesadaran terhadap keberadaan Sang Pencipta dalam setiap pemecahan masalah. Kesadaran ini menjadi landasan dalam menganalisis permasalahan dan menghubungkan solusi teknis dengan dampak yang lebih luas, baik secara sosial maupun spiritual.

Tahap Intention dalam DAI5 menekankan pentingnya memiliki niat yang jelas dalam merancang algoritma PINN untuk simulasi konduksi panas 1D. Kejelasan tujuan penelitian, seperti meningkatkan efisiensi solusi numerik atau mengurangi error dalam aproksimasi, harus selaras dengan prinsip keberlanjutan dan kualitas yang tinggi. Dalam konteks ini, PINN tidak hanya sekadar alat numerik tetapi juga bagian dari upaya memahami dan mengaplikasikan hukum alam secara lebih optimal.

Pada tahap Initial Thinking (about the problem), pendekatan PINN terhadap konduksi panas 1D diawali dengan pemahaman mendalam mengenai fenomena fisik yang terjadi. Persamaan diferensial yang menggambarkan perpindahan panas dikaji secara menyeluruh dengan mempertimbangkan faktor-faktor seperti kondisi batas dan kondisi awal. Selain itu, pemanfaatan data yang valid dan relevan menjadi aspek krusial dalam memastikan solusi yang dihasilkan oleh PINN memiliki akurasi tinggi.

Selanjutnya, tahap Idealization dalam DAI5 berperan dalam penyederhanaan model sehingga lebih mudah diterapkan dalam simulasi PINN. Salah satu aspek penting dalam tahap ini adalah merumuskan asumsi yang tepat, seperti homogenitas material dan linieritas konduksi panas, guna memastikan model tetap realistis. Kreativitas dalam menyusun arsitektur jaringan saraf PINN juga menjadi bagian dari inovasi dalam menyelesaikan masalah ini secara lebih efektif dan efisien.

Sebagai contoh studi kasus, kita dapat mempertimbangkan perancangan sistem pendingin pada baterai kendaraan listrik. Konduksi panas 1D menjadi faktor utama dalam mengontrol suhu optimal agar baterai tidak mengalami overheating. Dalam studi ini, PINN digunakan untuk memprediksi distribusi suhu di sepanjang material pendingin berdasarkan persamaan diferensial konduksi panas. Dengan menerapkan framework DAI5, setiap tahapan dalam perancangan dan implementasi PINN dipastikan sesuai dengan nilai keberlanjutan, kesadaran lingkungan, dan optimasi energi.

Tahap Instruction-Set memastikan bahwa algoritma PINN dapat diterapkan secara sistematis dan hasilnya dapat diinterpretasikan secara fisik. Setiap tahapan perhitungan dalam PINN, mulai dari pemilihan fungsi aktivasi, pelatihan jaringan menggunakan metode optimasi, hingga validasi hasil terhadap solusi analitik atau numerik, harus dilakukan dengan cermat. Proses iteratif dalam pelatihan model juga perlu diperhatikan untuk mengoptimalkan performa jaringan saraf.

Evaluasi solusi berdasarkan 33 kriteria DAI5 memastikan bahwa setiap langkah dalam pengembangan PINN sejalan dengan prinsip-prinsip kesadaran dan keberlanjutan. Kriteria seperti minimisasi error, verifikasi hasil, dan dokumentasi yang jelas menjadi indikator penting dalam menilai keberhasilan algoritma. Selain itu, komunikasi yang efektif mengenai temuan penelitian juga perlu diperhatikan agar solusi yang dihasilkan dapat diaplikasikan secara luas di berbagai disiplin ilmu.

Integrasi pendekatan DAI5 dalam pengembangan algoritma PINN untuk konduksi panas 1D bukan hanya memberikan struktur yang lebih sistematis, tetapi juga memastikan bahwa solusi yang dihasilkan memiliki nilai lebih dari sekadar akurasi numerik. Dengan mempertimbangkan aspek etika, kesadaran spiritual, serta relevansi praktis, pendekatan ini dapat menjadi landasan dalam mengembangkan teknologi yang tidak hanya canggih tetapi juga bermanfaat secara holistik bagi masyarakat dan lingkungan.

Penyelesaian Permasalahan Konduksi Panas Menggunakan PINN

Pendahuluan

Dalam menyelesaikan masalah konduksi panas, metode Physics-Informed Neural Networks (PINN) harus mematuhi Hukum Kesetimbangan Energi. Prinsip ini menyatakan bahwa dalam kondisi steady-state, laju perubahan panas harus bernilai nol.

Pemikiran Awal (Initial Thinking)

Sebelum membangun model PINN, pemahaman dasar mengenai konduksi panas perlu diperjelas. Untuk kasus satu dimensi, fenomena ini dinyatakan melalui persamaan panas:

dengan:

u(x,t)u(x,t) menyatakan suhu sebagai fungsi dari posisi dan waktu,
α\alpha merupakan koefisien difusi termal.

Kondisi Batas (Boundary Conditions):

Dirichlet: Suhu tetap pada titik tertentu.
Neumann: Fluks panas konstan pada batas domain.

Idealisasi (Idealization)

Agar model PINN dapat bekerja secara optimal, penyederhanaan sistem diperlukan tanpa menghilangkan prinsip fisikanya.

Penyederhanaan Konduksi Panas:

Asumsi bahwa material bersifat homogen untuk menyederhanakan perhitungan.

Penetapan Boundary Conditions:

Dirichlet Boundary Condition: Menentukan suhu tetap di suatu titik batas domain.
Neumann Boundary Condition: Menentukan gradien suhu pada batas domain.

Contoh dalam simulasi konduksi panas pada plat logam:

Sisi kiri memiliki suhu tetap 100°C (Dirichlet).
Sisi kanan berfungsi sebagai isolator tanpa fluks panas (Neumann).

Dengan asumsi ini, model PINN dapat dirancang secara lebih efisien.

Instruction Set

1. Mendefinisikan Neural Network dengan Python

import torch
import torch.nn as nn
import torch.optim as optim

class PINN(nn.Module):
    def __init__(self):
        super(PINN, self).__init__()
        self.hidden = nn.Sequential(
            nn.Linear(2, 20),
            nn.Tanh(),
            nn.Linear(20, 20),
            nn.Tanh(),
            nn.Linear(20, 1)
        )
    
    def forward(self, x):
        return self.hidden(x)

2. Memasukkan Hukum Fisika dalam Fungsi Loss

def loss_function(model, x, physics_residual):
    prediction = model(x)
    loss_physics = torch.mean(physics_residual(prediction))
    return loss_physics

3. Optimasi Model

optimizer = optim.Adam(model.parameters(), lr=0.001)

for epoch in range(1000):
    optimizer.zero_grad()
    loss = loss_function(model, x_train, physics_residual)
    loss.backward()
    optimizer.step()

4. Evaluasi dan Validasi Model

mse = torch.mean((model(x_test) - ground_truth) ** 2).item()
print("MSE Error:", mse)

5. Implementasi PINN untuk Simulasi Konduksi Panas 1D

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
import tkinter as tk
from tkinter import ttk

# Define the PINN neural network
class PINN(nn.Module):
    def __init__(self):
        super(PINN, self).__init__()
        self.net = nn.Sequential(
            nn.Linear(1, 20),
            nn.Tanh(),
            nn.Linear(20, 20),
            nn.Tanh(),
            nn.Linear(20, 1)
        )

    def forward(self, x):
        return self.net(x)

# GUI Application
class PINNApp:
    def __init__(self, root):
        self.root = root
        self.root.title("PINN 1D Heat Conduction Solver")
        # Input fields
        ttk.Label(root, text="T0 (Left Boundary, °C):").grid(row=0, column=0, padx=5, pady=5)
        self.T0_entry = ttk.Entry(root)
        self.T0_entry.grid(row=0, column=1, padx=5, pady=5)
        self.T0_entry.insert(0, "100")

        ttk.Label(root, text="T1 (Right Boundary, °C):").grid(row=1, column=0, padx=5, pady=5)
        self.T1_entry = ttk.Entry(root)
        self.T1_entry.grid(row=1, column=1, padx=5, pady=5)
        self.T1_entry.insert(0, "0")

        ttk.Label(root, text="Epochs:").grid(row=2, column=0, padx=5, pady=5)
        self.epochs_entry = ttk.Entry(root)
        self.epochs_entry.grid(row=2, column=1, padx=5, pady=5)
        self.epochs_entry.insert(0, "1000")

        # Solve Button
        self.solve_button = ttk.Button(root, text="Solve & Plot", command=self.solve)
        self.solve_button.grid(row=3, column=0, columnspan=2, pady=10)

    def solve(self):
        try:
            T0 = float(self.T0_entry.get())
            T1 = float(self.T1_entry.get())
            epochs = int(self.epochs_entry.get())
            model = train_pinn(T0, T1, epochs)
            plot_results(model, T0, T1)
        except ValueError:
            tk.messagebox.showerror("Error", "Please enter valid numerical values.")

# Run the GUI
if __name__ == "__main__":
    root = tk.Tk()
    app = PINNApp(root)
    root.mainloop()

Hasil dan Analisis

Setelah menjalankan kode di atas, program meminta pengguna untuk memasukkan kondisi batas awal. Pengguna kemudian memasukkan nilai yang sesuai, dengan jumlah epoch sebanyak 1000. Setelah tombol “Solve & Plot” diklik, hasil simulasi ditampilkan.

Dengan meningkatkan jumlah epoch, akurasi solusi PINN terhadap solusi analitik meningkat. Berdasarkan percobaan yang dilakukan, jumlah epoch optimal untuk mendekati loss sebesar nol adalah 9000.

Kesimpulan

Physics-Informed Neural Networks (PINN) merupakan pendekatan numerik berbasis deep learning yang menggabungkan data dengan prinsip-prinsip fisika. Metode ini menjadi alternatif dari teknik numerik tradisional seperti Finite Difference Method (FDM) dan Finite Element Method (FEM), karena tidak membutuhkan proses meshing. Dengan demikian, PINN menawarkan fleksibilitas lebih tinggi dalam simulasi masalah dengan dimensi besar.

Sekian yang dapat saya sampaikan, mohon maaf atas kekurangan.

Wassalamualaikum Warahmatullahi Wabarakatuh

Lampiran

ccitonline.com