ุจูุณูู ู ุงูููููู ุงูุฑููุญูู ููู ุงูุฑููุญูููู ู
Assalamualaikum Warahmatullahi Wabarakatuh. Selamat Pagi, Prof. Dr. Ahmad Indra Siswantara selaku dosen pengampu mata kuliah Metode Numerik. Perkenalkan kembali, nama saya Muhammad Irsyad Hanif dengan NPM 2306227936 dari kelas Metode Numerik 03. Pada kesempatan kali ini saya akan membahas mengenai analisis curve fitting dan persamannya berdasarkan simulasi dari study case tugas sebelumnya yang telah dikerjakan melalui CFDSOF. Pada pengerjaan kali ini saya memanfaatkan dua tools, yaitu DAI5 dan AI.
Implementasi framework DAI5
- Deep Awareness of I
- Kesadaran kita terhadap keberadaan The One and Only bahwasannya segala ilmu yang ada di alam semesta dan ilmu yang sedang kita pelajari berada dalam genggaman-Nya.
- Kesadaran bahwasannya sebuah hasil simulasi berupa kumpulan data yang membentuk grafik dapat kita “poles” dengan metode curve fitting, serta hasil dari simulasi melalui software berkaitan dengan persamaan matematis.
- Intention
- Mengetahui cara mengolah curve fitting dan persamaan matematis yang dihasilkan dari sekumpulan data berdasarkan simulasi software.
- Initial Thinking
- Data mentah yang diberikan oleh software harus kita olah terlebih dahulu agar menghasilkan output yang maksimal. Dalam kasus ini, untuk memberikan grafik yang baik, diperlukan pengolahan pada data-data tersebut melalui curve fitting. Dalam kasus ini pula, kita diharuskan mengetahui coding pyton untuk curve fitting dan meghitung hasil persebaran daya melalui persamaan matematis yang didapatkan.
- Idealization
- Dalam pengerjaan ini saya menggunakan CFDSOF untuk mendapatkan kumpulan data mentahnya dalam format .csv kemudian saya impor data melalui excel terhadap data csv tersebut sebanyak range yang telah ditentukan, yaitu J2-J10. Setelahnya, saya memanfaatkan tekonogi AI DeepSeek untuk membantu saya mendapatkan coding pythonnya dan persamaan flux panas.
- Instruction Set
- Mendapatkan python code untuk curve fitting
- Mendapatkan grafik curve fitting
- Mendapatkan persamaan flux panas
- Mendapatkan daya
- Mendapatkan grafik persebaran dayanya
A. Python code untuk curve fitting
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
# Definisi fungsi model kuadratik
def quadratic_model(x, a, b, c):
return a * x**2 + b * x + c
# Data untuk J=2 sampai J=10
data = {
“J=2”: {
“x”: [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],
“y”: [30300000, 31418900, 32356900, 33034400, 33436400, 33569000, 33436600, 33034900, 32357400, 31419200, 30300000]
},
“J=3”: {
“x”: [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],
“y”: [30300000, 32377600, 33701800, 34464300, 34855600, 34976200, 34855800, 34464600, 33702100, 32377800, 30300000]
},
“J=4”: {
“x”: [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],
“y”: [30300000, 31734700, 32844000, 33585400, 34002400, 34136400, 34002600, 33585800, 32844500, 31735000, 30300000]
},
“J=5”: {
“x”: [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],
“y”: [30300000, 31418900, 32356900, 33034400, 33436400, 33569000, 33436600, 33034900, 32357400, 31419200, 30300000]
},
“J=6”: {
“x”: [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],
“y”: [30300000, 31285700, 32133600, 32763300, 33144700, 33271900, 33145000, 32763800, 32134100, 31286000, 30300000]
},
“J=7”: {
“x”: [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],
“y”: [30300000, 31292200, 32131800, 32745100, 33112400, 33234200, 33112700, 32745600, 32132300, 31292500, 30300000]
},
“J=8”: {
“x”: [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],
“y”: [30300000, 31453100, 32359400, 32977300, 33330600, 33445300, 33330900, 32977700, 32359900, 31453400, 30300000]
},
“J=9”: {
“x”: [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],
“y”: [30300000, 31862400, 32878300, 33477700, 33791800, 33889800, 33792000, 33478000, 32878600, 31862600, 30300000]
},
“J=10”: {
“x”: [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],
“y”: [30300000, 32819300, 33815600, 34266000, 34472300, 34533200, 34472400, 34266200, 33815800, 32819500, 30300000]
}
}
# Buat satu grafik besar
plt.figure(figsize=(10, 6))
# Loop untuk setiap J
for j, values in data.items():
x_data = np.array(values[“x”])
y_data = np.array(values[“y”])
# Lakukan curve fitting
params, _ = curve_fit(quadratic_model, x_data, y_data)
a, b, c = params
print(f”Parameter fitting untuk {j}: a = {a}, b = {b}, c = {c}”)
# Generate nilai x untuk plotting
x_fit = np.linspace(0, 1, 100)
y_fit = quadratic_model(x_fit, *params)
# Plot data asli dan hasil fitting
plt.scatter(x_data, y_data, label=f'{j} Data Asli’)
plt.plot(x_fit, y_fit, label=f'{j} Fitted Curve’)
# Atur judul dan label
plt.xlabel(‘X’)
plt.ylabel(‘Y’)
plt.title(‘Curve Fitting J=2 – J=10_Muhammad Irsyad Hanif_2306227936 ‘)
plt.legend(bbox_to_anchor=(1.05, 1), loc=’upper left’) # Letakkan legend di luar grafik
plt.grid()
plt.tight_layout() # Atur layout agar tidak tumpang tindih
plt.show()
B. Grafik Curve Fitting
C. Persamaan flux panas
q(x) = -336400000.00xยฒ + 336400000.00x + 30300000.00
D. Menghitung daya
q(x) = -336.400.000xยฒ + 336.400.000x + 30.300.000
Misalkan fluks panas ini terdistribusi sepanjang panjang L = 1 meter dan lebar W = 1 meter, sehingga area total A = L ร W = 1 mยฒ. Kita dapat menghitung daya total dengan mengintegrasikan q(x) sepanjang panjang L:
P = โซ[0, L] q(x) dx
Mengintegrasikan q(x) dari 0 hingga 1:
P = โซ[0, 1] (-336.400.000xยฒ + 336.400.000x + 30.300.000) dx
Setelah melakukan integrasi, kita mendapatkan:
P = [-112.133.333,33xยณ + 168.200.000xยฒ + 30.300.000x] dari 0 hingga 1
Evaluasi pada batas-batas integrasi:
P = [-112.133.333,33(1)ยณ + 168.200.000(1)ยฒ + 30.300.000(1)] – [-112.133.333,33(0)ยณ + 168.200.000(0)ยฒ + 30.300.000(0)]
P = (-112.133.333,33 + 168.200.000 + 30.300.000) – 0
P = 86.366.666,67 watt
Jadi, daya total yang dihitung adalah sekitar 86,37 MW.
E. Gambar persebaran daya
Sekian, terima kasih. Wassalamualaikum Warahmatullahi Wabarakatuh.
