Assalamualaikum Warahmatullahi Wabarakatuh
Halo semuanya! Saya, Herdi Agusta (NPM 2306229531) dari kelas Metnum 01, akan membahas tugas yang telah diberikan dalam blog ini. Sebelumnya, saya ingin mengucapkan syukur kepada Allah SWT atas nikmat sehat dan kesempatan untuk belajar serta menyelesaikan tugas ini.
Mengenal PINN dalam Heat Conduction 1D
Physics-Informed Neural Network (PINN) adalah pengembangan dari Neural Network (NN) yang menggabungkan prinsip fisika ke dalam proses pelatihan model. Dengan metode ini, model tidak hanya mengandalkan data seperti pada NN konvensional, tetapi juga tetap mematuhi hukum fisika yang berlaku. Ini membuat PINN lebih akurat dan efisien dalam menyelesaikan permasalahan di bidang sains dan teknik, termasuk dalam kasus konduksi panas satu dimensi.
Menggunakan DAI-5 dalam Analisis PINN
DAI-5 adalah framework yang membantu dalam berpikir secara sistematis untuk memahami dan menyelesaikan masalah teknik. Mari kita aplikasikan DAI-5 dalam analisis PINN pada heat conduction.
1. Deep Awareness – Kesadaran Mendalam
Konduksi panas adalah fenomena alam yang bisa kita manfaatkan dalam berbagai aplikasi, mulai dari desain alat pendingin hingga sistem pemanas dalam industri. Dengan memahami bagaimana panas berpindah dalam suatu material, kita bisa mengoptimalkan penggunaannya untuk efisiensi energi dan performa sistem.
2. Intention – Niat yang Sadar
Saya tidak hanya ingin menyelesaikan tugas ini, tetapi juga ingin memahami lebih dalam bagaimana PINN bekerja dan bagaimana metode ini dapat diterapkan untuk berbagai kasus lainnya di bidang teknik dan sains.
3. Initial Thinking – Pemikiran Awal
Sebelum menggunakan PINN, kita perlu mempertimbangkan cara lain dalam menyelesaikan masalah konduksi panas 1D, seperti metode numerik konvensional (Finite Difference, Finite Element, dll.). Namun, PINN menawarkan beberapa keunggulan yang membuatnya menarik:
- Solusi kontinu, tidak bergantung pada grid seperti metode numerik.
- Efisiensi data, bisa bekerja dengan jumlah data yang lebih sedikit.
- Fleksibilitas, bisa menangani persamaan diferensial yang kompleks.
- Inferensi parameter, dapat memperkirakan parameter yang tidak diketahui dalam sistem.
4. Idealization – Pembentukan Model
Agar PINN dapat memberikan hasil yang mendekati eksak, ada beberapa faktor yang perlu diperhatikan:
- Kualitas data yang digunakan untuk training
- Struktur jaringan neural (jumlah lapisan dan neuron di tiap lapisan)
- Jumlah epoch pelatihan untuk mencapai konvergensi
- Algoritma optimasi yang digunakan
- Bobot dalam loss function (λ) yang mengatur keseimbangan antara data dan hukum fisika
5. Instruction Set – Langkah Penyelesaian
Berikut adalah langkah-langkah dalam menerapkan PINN untuk menyelesaikan masalah konduksi panas 1D:
- Menentukan Arsitektur Neural Network
- Input: x (posisi dalam material)
- Output: u(x) (prediksi suhu)
- Menentukan jumlah hidden layers dan jumlah neuron di tiap lapisan
- Memasukkan Hukum Fisika sebagai Kendala
- Menggunakan Automatic Differentiation untuk menghitung turunan suhu sesuai dengan persamaan konduksi panas.
- Membuat Loss Function
- Loss Data: Kesalahan antara prediksi model dengan data observasi.
- Loss Fisika: Penyimpangan terhadap persamaan diferensial yang menggambarkan fenomena konduksi panas.
- Total loss dihitung sebagai: Total Loss=Loss Data+λ×Loss Fisika\text{Total Loss} = \text{Loss Data} + \lambda \times \text{Loss Fisika}
- Melatih Model
- Optimasi loss function dengan metode gradient descent.
- Semakin banyak epoch, semakin kecil loss yang dihasilkan.
- Evaluasi Hasil
- Awalnya, loss masih tinggi dan solusi masih acak.
- Seiring dengan pelatihan, loss akan menurun dan solusi mendekati eksak.
- Hasil akhir dibandingkan dengan solusi analitik untuk melihat keakuratan model.
Implementasi PINN pada Heat Conduction 1D
Sekarang, mari kita lihat bagaimana PINN bekerja dalam kasus konduksi panas satu dimensi.
- Inisialisasi Neural Network
- Input: x (posisi dalam material)
- Output: u(x) (prediksi suhu)
- Menentukan jumlah hidden layers dan jumlah neuron di tiap lapisan
- Mendefinisikan Loss Function
- Loss Data: ∑∣u(xi)−u_data(xi)∣2\sum |u(xᵢ) – u\_data(xᵢ)|^2
- Loss Fisika: ∑∣d2u/dx2∣2\sum |d²u/dx²|^2
- Pelatihan Model
- Dilatih dengan jumlah epoch yang cukup untuk memastikan solusi mendekati eksak.
- PINN membutuhkan keseimbangan antara loss fisika dan loss data agar hasilnya akurat.
Dengan memahami prinsip kerja PINN, saya semakin yakin bahwa metode ini adalah solusi yang menjanjikan untuk berbagai permasalahan fisika dan teknik, termasuk dalam heat conduction.
Semoga tulisan ini bisa membantu kalian yang ingin memahami lebih dalam tentang PINN dan penerapannya!
Terima kasih sudah membaca, dan semoga dapat bermanfaat
