Assalamualaikum Warrahmatullahi Wabarakatuh, pada kesempatan kali ini, Saya ingin menjelaskan kepada para pembaca blog Saya terkait prinsip & algoritma PINN Heat Conduction 1D dengan framework DAI5. Disini Saya juga akan menjelaskan korelasi antara PINN (Physical Informed Neural Network) dengan Heat Conduction pada sebuah beam 1D.
- Deep Awareness of I:
Saya sadar bahwa pada kali ini Saya akan mengerjakan sebuah essay untuk membantu pemahaman Saya lebih lanjut terkait dengan adanya konsep PINN dan kaitannya dengan framework DAI5 pada sebuah beam 1D. Hal ini berguna untuk memudahkan Saya belajar serta berbagi informasi kepada para pembaca untuk materi yang ingin Saya bahas. Selain itu, Saya sadar bahwa distribusi panas dalam konsep fisika yang dihadirkan serta dipertemukan pada alam semesta ini sungguh menakjubkan, karena hal ini pun merupakan hasil dari hukum fisika, yaitu termodinamika dan persamaan fourier yang mendukung hal tersebut. Namun, distribusi suhu dalam suatu sistem seringkali sulit diamati, terutama di dalam medium. Di sinilah PINN (Physics-Informed Neural Networks) berperan. - Intention
Pada kali ini Saya berniat untuk mencari serta mempelajari ilmu dasar dan penerapan serta penyelesaian masalah dari Heat Conduction 1D yang dilakukan dengan pendekatan melalui metode PINN. Selain itu, pada penyelesaian menggunakan PINN, tentunya Saya harus mempelajari berbagai bahasa pemrograman, salah satu contohnya adalah phyton. Hal ini berguna untuk membantu Saya untuk mensimulasikan berbagai solusi pendekatan konduksi atau distribusi panas serta bisa juga memvisualisasikan berbagai persamaan melalui grafik, kontur distribusi panas, dan heatmap panas yang sesuai dengan data yang ada. - Initial Thinking About The Problem
Permasalahan yang mungkin bisa dibahas, yaitu seperti ini: “Bagaimana Physics-Informed Neural Networks (PINN) dapat digunakan untuk menyelesaikan persamaan konduksi panas satu dimensi (1D) dengan akurat, terutama dalam memodelkan distribusi suhu di sepanjang batang logam dengan kondisi awal dan batas tertentu, tanpa memerlukan diskritisasi spasial seperti metode numerik tradisional?” - Idealization
Metode PINN menjelaskan pendekatan baru dalam menyelesaikan permasalahan 1D Heat Conduction dengan menggabungkan kekuatan neural networks dan prinsip fisika dasar, memungkinkan solusi yang akurat, efisien, dan konsisten dengan hukum termodinamika, bahkan dalam kondisi data yang terbatas atau tidak lengkap. Hal ini juga dapat memvisualisasikan dari hasil simulasi nya dengan mematuhi segala hukum fisika yang berlaku - Instruction-Set
a. Tulis terlebih dahulu model matematika dari sebuah permasalahan tersebut dengan menetapkan hukum dasar fisika yang berlaku
b. Tentukan segala kondisi atau aspek yang diinginkan dari awal hingga akhir pada saat ingin mencoba simulasi melalui pendekatan PINN
c. Tentukan boundary conditions seperti contoh tiap ujung dari batang nya tetap pada suhu nol
d. Modelisasi dari neural network yang di dalamnya terdapat 3 aspek, yaitu input, proses, dan output melalui berbagai bahas pemrograman yang dapat dipilih satu saja
e. Lakukan dan buatlah fungsi error atau loss function, karena dengan mengurangi nilai loss, dapat dipastikan bahwa solusi tidak hanya sesuai dengan data yang ada, tetapi juga selaras dengan hukum fisika yang menjadi dasarnya. Dalam kasus konduksi panas 1D steady-state, hal ini menghasilkan distribusi suhu yang tepat tanpa bergantung pada metode numerik konvensional.
f. Input berbagai data yang diperlukan
g. Lakukan iterasi sebanyak yang diinginkan, semakin banyaknya iterasi atau perhitungan dengan pendekatan PINN, maka akan semakin berkurangnya error sehingga simulasi tersebut dapat dikatakan akurat dan tepat
h. Lakukan analisis dan visualisasi mendalam dengan dibantunya oleh validasi melalui grafik, kontur distribusi panas, dan juga heatmap
