ccitonline.com

Pengantar PINN dalam CFD

Computational Fluid Dynamics (CFD) merupakan metode utama untuk menganalisis perilaku fluida, terutama dalam aplikasi seperti aerodinamika dan sistem pertukaran panas. Pendekatan tradisional dalam CFD, seperti Metode Volume Hingga (FVM) dan Metode Elemen Hingga (FEM), sering kali memerlukan daya komputasi tinggi karena proses diskritisasi domain menggunakan mesh halus dan metode numerik iteratif. Hal ini dapat menjadi tantangan besar, terutama untuk geometri yang kompleks dan aliran transien.

Physics-Informed Neural Networks (PINN) menawarkan solusi alternatif dengan memasukkan hukum fisika langsung ke dalam arsitektur jaringan saraf. Tidak hanya mengandalkan data simulasi dalam jumlah besar, PINN mengintegrasikan persamaan diferensial yang menggambarkan fenomena fluida, seperti persamaan Navier-Stokes, dalam proses pelatihannya. Pendekatan ini memungkinkan PINN menangani perhitungan CFD dengan lebih efisien, mengurangi ketergantungan pada mesh yang sangat halus, sekaligus mempertahankan akurasi hasil prediksi.

Cara Kerja PINN

Physics-Informed Neural Networks (PINN) mengintegrasikan hukum-hukum fisika langsung ke dalam fungsi loss, memungkinkan penyelesaian persamaan diferensial tanpa bergantung pada data berlabel dalam jumlah besar. Pendekatan ini bertujuan untuk melatih jaringan saraf agar dapat memprediksi solusi persamaan diferensial parsial (PDE) dengan meminimalkan residual yang dihasilkan dari persamaan tersebut. Dengan demikian, model tidak hanya mengandalkan data, tetapi juga memanfaatkan prinsip fisika sebagai panduan.

Tahapan utama dalam pelatihan PINN meliputi:

1. Menentukan Fungsi Loss Berbasis Fisika – Fungsi ini mencakup residual dari persamaan governing, kondisi batas, dan kondisi awal. Dengan menerapkan penalti pada penyimpangan dari hukum fisika, jaringan saraf diarahkan untuk memperoleh solusi yang sesuai.
2. Memilih Titik Kolokasi – Tidak seperti deep learning konvensional yang menggunakan dataset terstruktur, PINN secara acak memilih titik kolokasi untuk mengevaluasi residual persamaan fisika. Pendekatan ini mengurangi ketergantungan pada data berlabel dalam jumlah besar sekaligus mempertahankan akurasi.
3. Melatih Jaringan Saraf – Dengan teknik optimasi seperti Stochastic Gradient Descent (SGD) atau Adam, fungsi loss diminimalkan untuk memastikan bahwa solusi yang dihasilkan tetap sesuai dengan hukum fisika.
4. Melakukan Validasi – Hasil model kemudian dievaluasi dengan membandingkan prediksi terhadap solusi analitis, simulasi numerik, atau data eksperimen.

Berbeda dari metode deep learning tradisional, PINN tidak memerlukan dataset berlabel dalam jumlah besar, sehingga lebih ideal untuk diterapkan pada kasus di mana data sulit diperoleh atau mahal untuk dikumpulkan.

PINN dalam Simulasi CFD

Dalam Computational Fluid Dynamics (CFD), PINN berfungsi untuk memprediksi distribusi kecepatan dan tekanan fluida sambil tetap mematuhi persamaan Navier-Stokes. Persamaan ini menggambarkan perilaku partikel fluida serta kaitannya dengan kecepatan (u), tekanan (p), densitas (ρ), viskositas kinematik (ν), dan gaya eksternal (f).

Pada pendekatan CFD konvensional, penyelesaian persamaan ini dilakukan secara numerik melalui metode diskritisasi. Sebaliknya, PINN mengadopsi metode pembelajaran mesin dengan fungsi loss yang memastikan bahwa solusi tetap konsisten dengan hukum fisika yang mengatur aliran fluida.

Keunggulan PINN dalam CFD

Salah satu keuntungan utama PINN adalah efisiensi komputasi yang lebih tinggi. Berbeda dengan metode CFD tradisional yang mengandalkan mesh kompleks dan iterasi numerik, PINN dapat menyelesaikan persamaan tanpa perlu proses diskritisasi yang rumit. Hal ini membuatnya lebih hemat dalam penggunaan memori dan daya komputasi, menjadikannya ideal untuk simulasi waktu nyata dan optimasi desain yang membutuhkan kinerja tinggi.

Selain itu, PINN memiliki fleksibilitas yang lebih besar dalam menangani geometri kompleks. Metode CFD konvensional sering kali memerlukan mesh terstruktur atau tidak terstruktur yang sulit dibuat untuk bentuk tertentu. Sebaliknya, PINN mampu bekerja langsung pada domain yang tidak beraturan tanpa bergantung pada mesh, sehingga lebih cocok untuk aplikasi seperti simulasi aliran fluida biomedis dan media berpori.

Keunggulan lain dari PINN adalah kemampuannya untuk menghasilkan prediksi yang tetap akurat meskipun data yang tersedia terbatas. Dalam pendekatan CFD klasik, dataset dalam jumlah besar sering diperlukan untuk pelatihan dan validasi. PINN, dengan pendekatannya yang berbasis hukum fisika, mampu mengisi keterbatasan data dan memberikan estimasi yang lebih akurat bahkan dalam kondisi dengan informasi yang minim.

Aplikasi PINN dalam CFD

PINN telah digunakan dalam berbagai aspek CFD, membuktikan fleksibilitas dan efisiensinya. Dalam aerodinamika, PINN berperan dalam memprediksi pola aliran udara di sekitar sayap dan aerofoil, membantu dalam optimasi desain kendaraan guna mengurangi hambatan serta meningkatkan daya angkat. Pada perpindahan panas dan dinamika fluida, PINN diaplikasikan dalam pemodelan konveksi dan konduksi pada penukar panas, mendukung pengembangan sistem pendinginan yang lebih efektif.

Di sektor energi terbarukan dan lingkungan, PINN digunakan untuk mensimulasikan penyebaran polutan di atmosfer serta memodelkan aliran angin di sekitar turbin dan panel surya. Dengan analisis yang lebih mendalam, efisiensi sistem energi terbarukan dapat ditingkatkan. Selain itu, PINN juga menjadi alternatif dalam pemodelan turbulensi, menggantikan metode konvensional seperti Reynolds-Averaged Navier-Stokes (RANS) dan Large Eddy Simulation (LES) dengan solusi yang lebih hemat komputasi.

Analisis DAI5

Framework DAI5 menyediakan pendekatan sistematis dalam memahami dan menerapkan Physics-Informed Neural Networks (PINN) dengan mempertimbangkan aspek teknis, etika, keberlanjutan, dan nilai spiritual. Sebagai makhluk berakal yang diberi anugerah oleh Allah SWT, kita harus mengaitkan ilmu dengan kebesaran-Nya, sehingga teknologi yang dikembangkan memberikan manfaat bagi sesama dan semakin mendekatkan diri kepada-Nya.

1. Deep Awareness of I (Kesadaran Mendalam terhadap Ilmu dan Pencipta)

Sebelum memulai penelitian, penting untuk memahami bahwa ilmu adalah amanah dari Allah yang harus dimanfaatkan untuk kebaikan.

• Kesadaran akan Tujuan: Konduksi panas mengikuti hukum alam yang telah ditetapkan oleh Allah. Melalui PINN, kita berupaya memahami dan mensimulasikan hukum ini sebagai bentuk refleksi atas keagungan-Nya.
• Kesadaran Diri: Memastikan model yang dibangun didasarkan pada asumsi yang realistis, menghindari bias, serta menyadari keterbatasan ilmu manusia dibandingkan ilmu Allah.
• Etika dalam Ilmu: Menggunakan model ini secara bertanggung jawab, seperti dalam efisiensi energi dan optimasi sistem termal agar tetap bermanfaat tanpa berlebihan.
• Integrasi Spiritualitas: Mengingat bahwa mempelajari ilmu adalah bagian dari ibadah dan ladang amal yang bisa memberikan manfaat jangka panjang.
• Refleksi Kritis: Menganalisis hasil penelitian dengan mempertimbangkan dampak sosial dan lingkungan sebagai bagian dari tanggung jawab manusia di dunia.

2. Intention (Menetapkan Niat yang Jelas dan Bermakna)

Setiap penelitian harus memiliki tujuan yang jelas dan diniatkan sebagai ibadah.

• Kejelasan Tujuan: Fokus utama adalah mengembangkan model yang akurat dan efisien untuk meningkatkan kualitas hidup serta menjaga keseimbangan alam.
• Keselarasan dengan Prinsip Kebaikan: Solusi yang dihasilkan harus bermanfaat bagi masyarakat dan sejalan dengan konsep keberlanjutan dalam Islam.
• Relevansi Tujuan: Aplikasi PINN harus memiliki dampak nyata, misalnya dalam pengembangan material isolasi termal yang ramah lingkungan.
• Fokus pada Keberlanjutan: Model harus dirancang untuk menghemat sumber daya dan menghindari pemborosan, sesuai ajaran Islam tentang efisiensi.

3. Initial Thinking (Memahami Masalah dengan Bijak)

Sebelum merancang solusi, penting untuk memahami masalah secara menyeluruh.

• Pemahaman Permasalahan: Konduksi panas 1D dimodelkan menggunakan persamaan Fourier, yang mencerminkan keteraturan alam sebagaimana Allah menciptakan keseimbangan dalam segala hal.
• Kesadaran akan Pemangku Kepentingan: Memikirkan siapa yang akan memanfaatkan penelitian ini agar manfaatnya lebih luas.
• Analisis Kontekstual: Mengkaji penerapan model dalam industri termal untuk meningkatkan efisiensi energi dan mengurangi dampak lingkungan.
• Analisis Akar Masalah: Memastikan semua faktor yang memengaruhi sistem telah dipertimbangkan agar hasil penelitian lebih akurat.
• Penggunaan Data dan Bukti: Membandingkan hasil simulasi PINN dengan data eksperimen, sebagaimana Islam mengajarkan pentingnya mencari ilmu berdasarkan bukti nyata.

4. Idealization (Menyusun Model yang Sederhana tapi Akurat)

Penyederhanaan model diperlukan agar analisis tetap efektif tanpa kehilangan esensi fisiknya.

• Kejelasan Asumsi: Menentukan asumsi yang sesuai dengan hukum fisika dan tidak menyimpang dari kenyataan.
• Inovasi dalam Pemodelan: Menggunakan teknik optimasi agar model lebih efisien.
• Realitas Fisik: Memastikan bahwa hasil simulasi tetap sesuai dengan prinsip fisika.
• Kemampuan Beradaptasi: Model harus fleksibel untuk diterapkan pada berbagai kondisi dan material.
• Kesederhanaan yang Efektif: Model yang lebih sederhana namun tetap akurat lebih baik daripada yang terlalu kompleks tetapi sulit diterapkan.

5. Instruction Set (Implementasi Model secara Sistematis dan Bertanggung Jawab)

Tahap ini berfokus pada eksekusi model secara terstruktur.

• Langkah-langkah Implementasi:
  1. Menentukan persamaan diferensial yang ingin diselesaikan.
  2. Merancang struktur jaringan saraf buatan.
  3. Menggunakan algoritma optimasi untuk pelatihan model.
  4. Memvalidasi hasil menggunakan solusi numerik atau analitik.
• Komprehensif: Memastikan semua aspek dari pemodelan hingga analisis hasil telah diperhitungkan.
• Minimisasi Kesalahan: Menggunakan teknik yang dapat meningkatkan akurasi dan keandalan model.
• Verifikasi dan Validasi: Membandingkan hasil PINN dengan metode numerik lain seperti Finite Difference Method (FDM) untuk memastikan keakuratan.
• Pendekatan Iteratif: Melakukan perbaikan secara bertahap untuk meningkatkan performa model.
• Efisiensi dalam Komputasi: Menggunakan sumber daya secara optimal agar tidak boros energi.
• Penyajian Hasil yang Jelas: Menyampaikan hasil penelitian dalam format yang mudah dipahami agar dapat dimanfaatkan secara luas.

Kesimpulan

Penerapan PINN dalam simulasi konduksi panas 1D dapat meningkatkan akurasi dan efisiensi pemodelan. Dengan mengikuti framework DAI5, kita memastikan bahwa solusi yang dihasilkan tidak hanya valid secara teknis, tetapi juga bermanfaat, etis, dan berkelanjutan. Sebagai ilmuwan dan insinyur Muslim, kita harus selalu mengingat bahwa ilmu adalah anugerah dari Allah yang harus digunakan dengan bijak, sehingga penelitian yang kita lakukan dapat menjadi ladang amal yang bermanfaat bagi umat manusia dan lingkungan.