ANN Surrogate Model untuk Prediksi Nilai Uniformity dan Pressure Drop Duct Kereta

Fariz Galang Nusantara Putra Setiawan
Program Studi Magister Teknik Mesin
Fakultas Teknik
Universitas Indonesia, Depok, Jawa Barat

Abstract

Saluran udara (duct) kereta merupakan salah satu komponen utama dalam proses pendinginan kabin karena berfungsi untuk mendistribusikan udara secara merata. Sistem ini berkaitan langsung dengan kenyamanan termal penumpang yang telah diatur dalam Peraturan Menteri Perhubungan No 7 Tahun 2022. Di samping itu, proses CFD berulang dalam proses desain duct memakan waktu yang lama, sehingga diperlukan surrogate model untuk mempercepat proses iterasi. Artificial Neural Network (ANN) merupakan surrogate model yang telah banyak digunakan karena kemampuannya dalam menghasilkan prediksi untuk sistem yang kompleks. Studi ini mengadopsi sistem ANN yang digunakan dalam mempercepat proses desain duct kereta. Hasil training menunjukkan bahwa sistem ANN dengan hidden layer 5 dan neurons sebanyak 16 per hidden layer mampu menghasilkan prediksi yang akurat dengan loss sebesar 0.00083 dan selisih nilai prediksi maksimal adalah 1. Sistem ini kemudian dapat digunakan dalam proses iterasi desain tanpa melibatkan CFD secara langsung.

A. Deklarasi Penulis

1. Deep Awareness of I

Dalam mengerjakan proyek ini, saya memahami bahwa melakukan iterasi desain sangat memakan waktu, terutama jika data yang diperoleh harus melalui simulasi CFD yang tidak singkat. Maka dari itu, diperlukan model yang dapat memprediksi nilai yang diambil dari hasil CFD. Di sinilah Artificial Neural Network (ANN) mendapatkan perannya sebagai model prediksi yang secara langsung membuat jalan pintas, sehingga desain baru tidak perlu melewati proses CFD yang memakan waktu.

Penulis, dalam penelitian ini, menyadari keterbatasan diri dalam memahami kode secara menyeluruh, dan menggunakan ChatGPT plus dalam proses pembuatan kode ANN. Namun, algoritma yang menjadi landasan bagi ChatGPT dalam membuat kode adalah murni dari pikiran saya, dan ChatGPT hanya menerjemahkannya ke dalam bentuk kode.

2. Niat Kegiatan Proyek

Kegiatan ini bertujuan untuk membuat model prediksi yang dapat mempermudah dan mempercepat proses desain saluran udara kereta. Dalam hal ini, saya berniat untuk memudahkan rekan-rekan saya yang berada di research grup UGM, baik dalam proses desain pada tahun ini maupun pada tahun berikutnya.

Perlu diperhatian bahwa geometri yang digunakan pada studi ini bersifat kredibel bagi mitra, sehingga gambar-gambar terkait tidak disertakan.

B. Introduction

1. Latar Belakang

Sistem saluran udara (duct) merupakan sistem yang krusial dalam memberikan kenyamanan termal manusia, tak terkecuali dalam sistem HVAC kereta api. Kenyamanan termal sendiri merupakan hal yang bersifat subjektif, namun banyak lembaga telah melakukan standarisasi seperti ASHRAE, untuk international, dan Peraturan Kementrian Perhubungan No 7 Tahun 2022 Pasal 74.

Tim riset UGM bersama PT INKA melakukan kerja sama melalui sistem ajakan industri yang diselenggarakan oleh Kemendiktisaintek, dengan judul “Pengembangan Kontrol Suhu Dan Kelembaban Adaptif (Adaptive Temperature and Humidity Control), Kebisingan Rendah (Low Noise) pada sistem pendinginan (HVAC) untuk Kereta Uji.” Fokus utama dari riset ini adalah melakukan optimasi terhadap sistem HVAC tak terkecuali duct itu sendiri.

Masalah yang muncul dari Mitra adalah terlalu tingginya pressure drop pada duct sehingga udara terkondisi tidak dapat kembali ke unit AC. Hal ini menyebabkan Unit AC mengkompensasi kekurangan udara lewat frersh air kotor dari luar, yang nantinya akan menyebabkan filter lebih mudah kotor. Ketika filter mudah kotor, maka unit AC akan lebih sulit lagi dalam menarik udara terkondisi kembali ke unit AC.

Berangkat dari permasalahan tersebut, Tim riset UGM melakukan optimasi untuk mengurangi pressure drop. namun, tak hanya itu, flow uniformity juga menjadi salah satu pertimbangan. Untuk itu, penerapan Computational Fluid Dynamics (CFD) dilakukan terhadap berbagai variasi. Akan tetapi, penerapan CFD terhadap berbagai variasi akan memakan waktu lama, sehingga diperlukan surrogate model yang mampu memprediksi hasil simulasi tanpa secara langsung melakukan simulasi.

Di sinilah peran Artificial Neural Network (ANN) digunakan. ANN telah banyak diadopsi oleh berbagai bidang sebagai alat bantu mempermudah proses desain, karena modelnya yang dapat memprediksi berbagai korelasi kompleks dengan akurat. Maka dari itu, penerapan ANN pada proses desain duct perlu diadopsi.

2. Initial Thinking

Dalam pembuatan design sistem duct, terdapat beberapa batasan yang harus diperhatikan: luas ruang yang tersedia, besar laju udara yang keluar dari unit AC, letak unit AC, posisi penumpang, dan lain-lain. Penelitian ini merupakan penelitian kerja sama dengan PT INKA, selaku perusahaan manufaktur kereta api, sehingga batasan-batasan yang disebutkan bersumber dari data-data perusahaan. Masalah-masalah yang telah disebutkan pada subbab latar belakang, dapat diuraikan menjadi dua variabel utama: pressure drop dan flow uniformity.

Semakin besar luas penampang duct maka pressure drop semakin menurun. Terdapat pula pola desain duct tapered yang memanfaatkan hukum bernouli untuk mendapatkan pola aliran yang lebih seragam, dan meminimalisir turbulensi. Selain itu, dari desain existing yang diperoleh dari PT INKA, ditemukan adanya mekanisme plat yang berfungsi untuk mengurangi aliran udara yang keluar (Q_out) di dekat unit AC, sehingga dapat lebih merata ke penjuru kabin. Namun, terdapat batasan ruang yang membatasi besar geometri desain duct. Optimasi dalam batasan-batasan inilah yang saya coba lakukan melalui CFD dan model ANN.

C. Metode

1. Deskripsi Sistem ANN

ANN merupakan salah satu algoritma deep learning yang menggunakan hidden layer neural network. Setiap hidden layer mengandung beberapa neurons yang menyelesaikan persamaan aljabar sederhana berikut

dengan:

$x_i$ : nilai input ke-$i$.

$w_{ij}^{(1)}$ : bobot dari input ke-$i$ menuju hidden neuron ke-$j$.

$b_j^{(1)}$ : bias pada hidden neuron ke-$j$

$f(\cdot)$ : fungsi aktivasi hidden layer.

$h_j$ : output dari hidden neuron ke-$j$.

Nilai bobot (weight) dan bias dalam ANN pada mulanya merupakan nilai random. Namun, seiring waktu, nilai kedua ini berubah melalu mekanisme backpropagation yaitu kemampuan ANN untuk mengoreksi nilai prediksinya berdasarkan nilai error terhadap nilai aktual.

Dalam studi ini, model ANN dapat dirangkum pada Tabel 1

Input	3
Output	2
Jumlah Hidden Layer	5
Jumlah Neurons	16
Fungsi Aktivasi	Rectified Linear Unit (ReLU)
Fungsi error / loss	Mean Squared Error (MSE)
Optimizer	Adaptive moment estimation (Adam)
Scaler	StandardScaler

2. Deskripsi Sistem Duct

Geometri duct dalam studi ini tidak dibuat dari nol, melainkan merupakan desain yang telah ada. Terdapat tiga variabel variasi yang telah dilakukan yaitu tinggi duct, tinggi plenum, dan lebar taper. Variasi ini dilakukan dalam CFD untuk diperoleh dua output, yaitu flow uniformity dan pressure drop. Rentang nilai data untuk tiga variabel variasi dapat dilihat pada Tabel 2.

Tinggi Duct	106 – 156
Tinggi Plenum	0 – 50
Lebar Taper	0 – 40

3. Idealisasi dan Asumsi Model

CFD dilakukan dengan model steady RANS Realizable k-epsilon dan menggunakan energy equation untuk memodelkan efek boussinesq. Selain itu, gravity equation dimasukkan dengan nilai 9.81 $m/s^2$. Kemudian, SIMPLEC digunakan dalam sebagai solver dengan second-order upwind. Untuk boundary condition sendiri, duct wall dianggap besi galvanis yang dilapisi menggunakan armaflex (0.033 W/m.K) setebal 2 mm. Dalam hal ini, asumsi-asumsi yang digunakan dalam model CFD adalah sebagai berikut:

• Incompressible dengan udara masih di bawah Mach 1.
• Radiasi tidak diperhitungkan karena duct beroperasi di bawah atap kereta secara aktual.
• Densitas dengan temperatur dihubungkan melalui model boussinessq.
• Simulasi dilakukan dengan kasus steady dengan inlet duct sebesar 1 kg/s

4. Instruction Set

Model workflow ANN yang digunakan dalam studi ini dapat dilihat pada gambar di bawah.

Data yang dimasukkan ke dalam sistem ANN di-extract melalui excel menggunakan package Pandas. Data dimulai dari kolom 2 – 4 dan baris 3 hingga 78, seperti yang ditunjukkan pada Gambar 3. Data-data CFD dibagi menjadi dua, yaitu data training dan data prediksi. Hal ini dilakukan untuk melihat apakah hasil training ANN mampu memprediksi dengan akurat. Training dilakukan hingga command EarlyStopping terpenuhi, di mana pada kasus ini jika loss tidak berubah setidaknya 10^-6 dalam 200 epoch ke depan maka training akan otomatis terhenti.

D. Hasil dan Pembahasan

1. Training ANN

Kode ANN dapat berjalan dengan mudah dengan setiap epoch dikalkulasi selama rata-rata 8ms. Pada mulanya, nilai loss/error MSE yang didapat adalah 1.03 dan berkurang seiring waktu berjalannya training, hingga mencapai 0.000817. Karena dalam kode digunakan command EarlyStopping, maka training yang berhenti pada epoch 3137 mengindikasikan bahwa tidak ada perubahan signifikan pada loss lebih dari 10^-6. Nilai error ini sudah cukup kecil sehingga hasil training diharapkan memiliki nilai yang akurat.

2. Prediksi ANN

Setelah dilakukan training, selanjutnya ANN secara otomatis akan melakukan prediksi terhadap input-input yang telah disiapkan. Dapat dilihat pada Gambar 5 bahwa Predicted Uniformity dan Predicted Pressure drop memiliki nilai yang sangat dengan dengan Reference Uniformity dan Reference Pressure drop dengan selisih paling besar 1. Hal ini menunjukkan nilai yang sangat dengan dan hasil prediksi ANN yang akurat.

Selanjutnya, dari hasil training ini dapat digunakan sebagai surrogate model untuk memprediksi nilai uniformity dan pressure drop pada bentuk geometri yang lain, seperti yang ditunjukkan pada Gambar 7.

3. Interpretasi Hasil Training dan Keterbatasan Model

Dengan error prediksi hanya 0.00083, ANN dapat dikatakan sangat akurat dalam melakukan prediksi pada efek ketiga variasi tersebut terhadap flow uniformity dan pressure drop. Namun, dalam menemukan geometri terbaik, sistem ANN saja masih belum cukup karena bukan merupakan algoritma optimasi melainkan hanya surrogate model yang memprediksi nilai output tanpa perlu melakukan simulasi CFD yang memakan waktu.

Dari keterbatasan tersebut, sistem ANN ini masih dapat disambung (coupled) dengan Genetic Algorithm (GA) ataupun Algoritma Multi-Objektif lainnya. Hal ini dapat menjadi pengembangan selanjutnya dalam topik ini.

E. Penutup

1. Kesimpulan

Sistem ANN dengan menggunakan hidden layer sejumlah 5 dan neurons 16 pada setiap hidden layernya, kemudian melakukan scaling terhadap data, dapat memprediksi nilai flow uniformity dan pressure drop dengan loss sebesar 0.00083.

2. Saran

Studi ini dilakukan dengan berbagai batasan, salah satunya adalah penggunaan hyperparameter ANN yang arbitrary sejak awal. Sehingga, untuk studi selanjutnya disarankan untuk menggunakan algoritma optimasi dalam menentukan hyperparameter agar proses training dapat lebih cepat dan akurat.

F. Ucapan Terimakasih

Melalui tulisan ini, penulis mengucapkan terima kasih kepada dosen pengampu mata kuliah komputasi teknik, yaitu Prof. Dr. Ir. Ahmad Indra Siswantara, atas arahannya dalam pembelajaran mata kuliah ini, sehingga saya dapat menyelesaikan tugas besar ini.

Saya mengucapkan terima kasih pula atas rekan-rekan saya di UGM yang telah berluas hati memberikan data-data yang saya perlukan dalam tugas besar ini.

G. Reference

ANSYS, Inc. (2010). ANSYS FLUENT user’s guide (Release 13.0).

Bhatia, A. (n.d.). HVAC: How to size and design ducts (Course No. M06-032). Continuing Education and Development, Inc.

Kementerian Perhubungan Republik Indonesia. (2022). Peraturan Menteri Perhubungan Republik Indonesia Nomor PM 7 Tahun 2022 tentang penyelenggaraan kereta api kecepatan tinggi.