ccitonline.com

1. Pendahuluan

Konduksi panas merupakan salah satu mekanisme utama perpindahan panas dalam berbagai sistem fisika dan teknik, termasuk dalam bidang teknik mesin, elektronika, dan ilmu material. Fenomena ini sering dimodelkan menggunakan persamaan diferensial parsial (PDE) yang menggambarkan perubahan temperatur dalam suatu medium sebagai fungsi waktu dan ruang. Dalam kasus satu dimensi (1D), persamaan panas.

di mana:

• u(x,t) adalah suhu sebagai fungsi dari posisi x dan waktu t,
• α adalah difusivitas termal dari material.

Metode tradisional untuk menyelesaikan persamaan ini biasanya menggunakan pendekatan numerik seperti metode beda hingga (Finite Difference Method, FDM) atau metode elemen hingga (Finite Element Method, FEM). Namun, metode numerik ini memiliki beberapa keterbatasan, seperti ketergantungan pada mesh dan stabilitas yang bergantung pada parameter diskritisasi.

Untuk mengatasi keterbatasan tersebut, pendekatan Physics-Informed Neural Networks (PINN) dikembangkan sebagai metode berbasis pembelajaran mesin yang dapat menyelesaikan PDE tanpa memerlukan mesh eksplisit. Dalam studi ini, kita akan membahas prinsip PINN dan penerapannya pada masalah konduksi panas 1D dengan pendekatan DAI5 (Deep Adaptive Integration dengan akurasi orde-5) untuk meningkatkan akurasi solusi.

2. Prinsip Physics-Informed Neural Networks (PINN)

2.1 Konsep Dasar PINN

Physics-Informed Neural Networks (PINN) adalah metode yang mengintegrasikan hukum fisika langsung ke dalam proses pelatihan jaringan saraf tiruan (Artificial Neural Network, ANN). Alih-alih hanya mengandalkan data untuk melatih model, PINN memanfaatkan persamaan diferensial yang mengatur sistem fisika tersebut sebagai bagian dari fungsi loss.

Dalam kasus heat conduction 1D, PINN menggunakan jaringan saraf tiruan dengan beberapa lapisan tersembunyi (hidden layers) untuk memodelkan solusi u(x,t). Fungsi aktivasi yang umum digunakan adalah tanh, karena sifatnya yang halus dan dapat menangkap karakteristik solusi diferensial dengan baik.

2.2 Fungsi Loss dalam PINN

Fungsi loss dalam PINN terdiri dari beberapa komponen, yaitu:

1. Loss dari PDE
   PINN memastikan bahwa solusi yang dihasilkan mematuhi persamaan panas dengan meminimalkan error residu diferensial: Loss dari PDE
   PINN memastikan bahwa solusi yang dihasilkan mematuhi persamaan panas dengan meminimalkan error residu diferensial:
2. Loss dari Kondisi Batas (Boundary Conditions, BCs)
   Untuk memastikan solusi memenuhi kondisi batas, sebagai fungsi kondisi batas di kedua ujung domain.
3. Loss dari Kondisi Awal (Initial Condition, ICs)
   Selain kondisi batas, solusi harus memenuhi kondisi awal

3. Pendekatan DAI5 dalam PINN

3.1 Konsep Deep Adaptive Integration (DAI5)

DAI5 adalah pendekatan adaptif dalam jaringan saraf yang bertujuan untuk meningkatkan akurasi dengan metode integrasi adaptif berbasis error lokal. Pendekatan ini mengadaptasi orde-5 dalam integrasi numerik, yang berarti memiliki akurasi lebih tinggi dibanding metode standar.

Keunggulan utama DAI5 dalam PINN meliputi:

1. Distribusi adaptif titik sampel: Memfokuskan sampel pada area dengan error tinggi untuk meningkatkan akurasi.
2. Stabilitas numerik lebih baik: Mengurangi osilasi yang sering terjadi dalam pendekatan berbasis ANN.
3. Efisiensi komputasi lebih tinggi: Mengurangi jumlah iterasi yang dibutuhkan untuk konvergensi.

3.2 Implementasi DAI5 dalam PINN

Dalam konteks PINN untuk heat conduction 1D, DAI5 diterapkan melalui langkah-langkah berikut:

1. Inisialisasi Model
   • Gunakan jaringan saraf tiruan dengan beberapa hidden layers.
   • Pilih fungsi aktivasi yang sesuai, seperti tanh.
2. Sampling Adaptif
   • Titik-titik sampel dipilih berdasarkan estimasi error lokal dari solusi sebelumnya.
   • Algoritma orde-5 digunakan untuk memperbaiki solusi pada titik dengan error tinggi.
3. Optimasi Jaringan
   • Gunakan metode optimasi seperti Adam Optimizer untuk melatih jaringan.
   • Lakukan penyesuaian bobot dengan mempertimbangkan loss dari PDE, kondisi batas, dan kondisi awal.
4. Evaluasi dan Validasi
   • Setelah jaringan terlatih, evaluasi hasilnya dengan solusi analitik atau numerik.
   • Lakukan iterasi tambahan jika error masih tinggi.

4. Hasil dan Analisis

Pendekatan PINN dengan DAI5 memberikan beberapa keuntungan dibandingkan metode numerik tradisional:

1. Akurasi tinggi tanpa perlu mesh eksplisit
   • Tidak seperti metode FDM atau FEM yang memerlukan grid tetap, PINN dengan DAI5 memungkinkan adaptasi solusi berdasarkan error lokal.
2. Kemampuan menangani berbagai kondisi batas
   • PINN dapat dengan mudah menyesuaikan solusi untuk berbagai jenis kondisi batas, seperti kondisi Dirichlet, Neumann, dan Robin.
3. Efisiensi komputasi lebih baik dibanding PINN standar
   • Dengan pendekatan orde-5, jumlah iterasi yang dibutuhkan untuk mencapai akurasi tinggi berkurang secara signifikan.

Namun, metode ini juga memiliki tantangan, seperti:

• Memerlukan tuning parameter yang optimal, termasuk jumlah neuron dan lapisan dalam jaringan.
• Waktu pelatihan lebih lama dibanding metode numerik langsung, meskipun hasil akhirnya lebih presisi.

5. Kesimpulan

Physics-Informed Neural Networks (PINN) adalah metode canggih untuk menyelesaikan masalah heat conduction 1D dengan menggabungkan prinsip pembelajaran mesin dan hukum fisika. Dengan menerapkan pendekatan DAI5, akurasi solusi dapat ditingkatkan secara signifikan melalui integrasi adaptif berbasis error lokal.

Pendekatan ini memiliki potensi besar untuk diterapkan dalam berbagai masalah fisika dan teknik yang memerlukan solusi PDE yang akurat dan efisien. Namun, penelitian lebih lanjut masih diperlukan untuk meningkatkan efisiensi komputasi dan memahami dampak parameter jaringan terhadap konvergensi solusi.