Metode Numerik 3 – Kezia Aletha R – 2406362904 – Progress 02

Assalamualaikum Wr. Wb, Selamat siang Prof. DAI 5 dan rekan-rekan semua. Perkenalkan, saya Kezia Aletha Regina dengan NPM 2406362904. Pada pertemuan minggu ini, saya akan menyampaikan rangkuman proses kurang lebih proses metode numerik project dan menganalisis constraintsnya.

I. Kerangka Konseptual Proyek (The Why)

Sebelum masuk ke metode numerik, penting untuk mendefinisikan fungsi objektif (objective function) yang ingin Anda maksimalkan.

Tujuan Utama: Menemukan sudut serang ( $\alpha$ α) optimal yang memaksimalkan rasio Lift-to-Drag ( $L/D$ L/D), yang merupakan tolok ukur efisiensi aerodinamis tertinggi.

$\text{Objective Function} = \text{Maximize} \left( \frac{L}{D} \right) \text{ subject to } \text{Angle of Attack} (\alpha)$ Objective Function=Maximize(DL) subject to Angle of Attack(α)

Variabel Input:

Sudut Serang ( $\alpha$ α)
Kecepatan Udara ( $V$ V)
Densitas ( $\rho$ ρ)
Profil Airfoil (Airfoil Geometry)

II. Aspek Numerik dan Metode Perhitungan (The How)

CFD Solver dan Optimization Algorithm

A. Metode CFD Solver (Menghitung L dan D)

Anda harus memecahkan persamaan Navier-Stokes (Navier-Stokes Equations) yang merupakan persamaan konservasi momentum fluida. Karena ini terlalu kompleks untuk diselesaikan secara analitis, Anda memerlukan metode numerik:

Discretization Method (Metode Diskretisasi): Anda akan membagi domain fluida menjadi sel-sel kecil (grid/mesh). Metode yang umum digunakan adalah Finite Volume Method (FVM), yang merupakan standar industri.
Governing Equations: Persamaan Navier-Stokes dan persamaan kontinuitas.
Turbulence Modeling: Udara di sekitar airfoil biasanya bersifat turbulen. Anda harus memilih model turbulensi yang sesuai, seperti k−ωk-\omegak−ω SST (Shear Stress Transport), karena model ini terkenal akurat untuk prediksi transisi aliran dan pemisahan aliran (flow separation), yang sangat krusial pada sudut serang tinggi.
Solver: Setelah mesh dan model turbulensi ditetapkan, Anda akan menggunakan solver (misalnya, ANSYS Fluent, OpenFOAM) untuk menghasilkan nilai koefisien $C_L$ CL dan $C_D$ CD untuk setiap $\alpha$ α yang diuji.

B. Metode Optimasi (Mencari $\alpha$ α Optimal)

Setelah CFD memberi Anda $L/D$ L/D untuk satu $\alpha$ α, Anda perlu mengulangi proses ini untuk $\alpha$ α di sekitarnya hingga menemukan maksimum global. Ini adalah tugas Optimisasi.

Metode optimisasi yang dapat Anda terapkan pada loop CFD adalah:

Gradient-Based Methods (Jika Turunan Mudah Didapat): Seperti Newton’s Method. Namun, ini sulit diterapkan pada sistem CFD yang kompleks.
Gradient-Free/Global Search Methods (Paling Direkomendasikan):
- Genetic Algorithm (GA): Sangat efektif untuk masalah optimasi yang kompleks, non-linear, dan noisy (seperti hasil simulasi CFD). GA secara iteratif “berevolusi” mencari kombinasi parameter ( $\alpha$ α) terbaik.
- Response Surface Methodology (RSM): Membangun model regresi berdasarkan beberapa titik simulasi untuk memperkirakan hasil pada titik yang belum diuji.

💡 Sintesis: Anda membuat outer loop (Optimization Algorithm, misal GA) yang memanggil inner loop (CFD Solver). GA akan menyarankan beberapa nilai $\alpha$ α kepada CFD Solver. CFD Solver menjalankan simulasi, menghitung $L/D$ L/D, dan mengembalikan nilai tersebut ke GA untuk menentukan $\alpha$ α berikutnya yang lebih baik.

III. Struktur Proyek Penelitian/Pengembangan (The What)

Jika ini adalah proyek akademis atau profesional, urutan kerja yang logis adalah:

Tahap	Fokus Utama	Keluaran (Output)	Tujuan Ilmiah
1. Pre-Processing	Pembuatan Mesh & Setting Model	Domain CFD yang terisi mesh (grid).	Memastikan simulasi dapat berjalan stabil.
2. CFD Solving	Simulasi Dinamika Fluida	Set data ( $C_L, C_D$ CL,CD) untuk rentang $\alpha$ α tertentu.	Memverifikasi hukum fisika (Navier-Stokes).
3. Post-Processing	Analisis Data	Kurva $C_L$ CL vs $\alpha$ α dan $C_D$ CD vs $\alpha$ α.	Mengidentifikasi area potensi $\alpha$ α optimal.
4. Optimization Loop	Integrasi CFD $\rightarrow$ → GA/RSM	Nilai $\alpha$ α yang secara numerik memaksimalkan $L/D$ L/D.	Menemukan solusi efisiensi tertinggi.
5. Validation	Perbandingan Hasil	Grafik perbandingan antara hasil numerik Anda dengan data uji (wind tunnel data) atau literatur.	Membuktikan validitas metode.

I. Constraints Konseptual dan Spiritual (Lapisan Dasar Kesadaran)

Ini adalah batasan paling mendasar. DAI5 tidak akan berfungsi tanpa menerima bahwa proses pemecahan masalah harus berlandaskan kesadaran batin.

1. Constraint of Universal Purpose (Tujuan Agung):

Batasan: Setiap solusi yang dihasilkan tidak boleh hanya didorong oleh motif ego, keuntungan semata, atau kepentingan jangka pendek.
Implikasi: Harus selalu ada penyejajaran dengan Intention yang lebih tinggi—yaitu, niat yang selaras dengan kebaikan, etika, dan kehendak yang universal.
(Merujuk pada: Deep Awareness of I & Intention)

2. Constraint of Self-Inquiry (Introspeksi Diri):

Batasan: Analis/pemecah masalah harus secara terus-menerus sadar akan bias, asumsi pribadi, dan sudut pandang emosional mereka sendiri.
Implikasi: Solusi harus melewati saringan kritis diri (Self-Correction) sebelum dianggap valid.
(Merujuk pada: Self-awareness dan Critical Reflection)

3. Constraint of Continuous Awareness (Kesadaran Berkelanjutan):

Batasan: Fokus kesadaran harus dijaga secara konstan selama seluruh proses (dari Deep Awareness hingga Instruction Set).
Implikasi: Tidak boleh ada “zona nyaman” dalam analisis; kesadaran harus terus diperbarui dan diperdalam.

II. Constraints Metodologis (Pemikiran dan Pemodelan)

Ini adalah batasan yang mengatur bagaimana logika dan data harus digunakan dalam proses berpikir.

4. Constraint of Root Causality (Penyebab Akar):

Batasan: Analisis tidak boleh berhenti pada gejala (symptom). Seluruh proses harus didorong untuk menggali hingga menemukan penyebab utama masalah.
Implikasi: Jika analisis hanya menangani gejalanya, solusi yang dibuat hanyalah band-aid sementara.
(Merujuk pada: Root Cause Analysis dan Problem Understanding)

5. Constraint of Assumption Clarity (Kejelasan Asumsi):

Batasan: Seluruh asumsi yang digunakan dalam tahap Idealization harus dinyatakan secara eksplisit, diuji kewajarannya, dan dipertimbangkan dampaknya jika asumsi tersebut terbukti salah.
Implikasi: Model ideal tidak boleh menjadi “kotak hitam”; semua variabel harus transparan.
(Merujuk pada: Assumption Clarity)

6. Constraint of Empirical Validation (Validasi Empiris):

Batasan: Semua instruksi dan solusi harus didukung oleh data, bukti (data dan evidence), dan harus dapat diuji di dunia nyata (physical realism).
Implikasi: Tidak boleh ada solusi yang hanya berbasis pada teori indah atau harapan semata. Harus melalui proses Verifikasi dan Validasi.
(Merujuk pada: Use of Data and Evidence; Verification & Validation)

Prinsip Keberlanjutan (Sustainability Constraints)

Karena DAIAI (dan konteks pembangunan) sangat menekankan pada keberlanjutan, batasan eksternal ini harus selalu diperhatikan:

Keterbatasan Sumber Daya: Solusi tidak boleh bertentangan dengan batas daya dukung lingkungan dan sumber daya lokal (ekonomi, energi, lahan).
Inklusivitas Sosial: Solusi harus memastikan bahwa tidak ada kelompok masyarakat yang terpinggirkan atau dirugikan secara sosial.
Adaptabilitas: Solusi harus bersifat adaptive—mampu berubah dan bertahan dalam menghadapi ketidakpastian (misalnya, perubahan iklim atau krisis ekonomi mendadak).

Sekian dari progress saya,

Assalamualaikum Wr. Wb.

ccitonline.com