ccitonline.com

Pendekatan DAI5 dalam Physics-Informed Neural Networks (PINN) untuk Heat Conduction 1D

Deep Awareness of I
Saya menyadari bahwa Physics-Informed Neural Networks (PINN) adalah metode yang memungkinkan pemahaman lebih dalam terhadap fenomena fisika yang diciptakan oleh Tuhan, seperti pada kasus konduksi panas satu dimensi (1D). Salah satu contoh yang relevan adalah persamaan diferensial yang menggambarkan aliran panas dalam batang:

∂T∂t=α∂2T∂x2\frac{\partial T}{\partial t} = \alpha \frac{\partial^2 T}{\partial x^2}

Metode ini berbeda dengan pendekatan numerik konvensional seperti finite difference, karena PINN secara langsung menggabungkan hukum fisika dengan jaringan saraf. Saya berkomitmen untuk memahami pendekatan ini secara menyeluruh agar dapat menggunakannya dengan optimal. Saya percaya bahwa memahami metode PINN akan sangat membantu saya dalam menganalisis desain material dan sistem termal. Oleh karena itu, saya terus menjaga fokus agar tidak melupakan tujuan utama saya, yaitu memahami prinsip dasar PINN secara mendalam.

Intention
Tujuan utama saya adalah memahami prinsip kerja dan algoritma PINN dalam menyelesaikan masalah konduksi panas 1D dengan akurat dan bermakna. Saya berharap pemahaman ini tidak hanya berguna bagi diri saya sendiri, tetapi juga dapat memberikan manfaat bagi lingkungan sekitar. Saya ingin hasil simulasi tidak sekadar berupa angka, tetapi juga mampu memberikan gambaran nyata mengenai distribusi temperatur dalam batang 1D—misalnya, dari 273 K di ujung hingga 400 K di tengah, seperti hasil simulasi CFDSOF sebelumnya. Dengan niat yang jelas ini, saya dapat lebih fokus dalam mengembangkan model yang sesuai dengan hukum fisika dan memiliki nilai aplikatif yang tinggi.

Initial Thinking
Dalam sistem konduksi panas 1D, aliran panas mengikuti hukum

d2Tdx2=0\frac{d^2 T}{dx^2} = 0

dengan kondisi batas yang telah diberikan dalam pembelajaran di kelas: Tb=100∘CT_b = 100^\circ C pada x=0x = 0 dan T1=0∘CT_1 = 0^\circ C pada x=1x = 1. Dalam konteks batang 1D, panas mengalir dari ujung yang lebih panas ke ujung yang lebih dingin, sesuai dengan simulasi yang telah dilakukan sebelumnya menggunakan CFDSOF. Saya menganalisis perubahan suhu yang terjadi akibat gradien temperatur yang muncul dari perbedaan kondisi batas. Fokus utama saya adalah memahami distribusi suhu dalam kondisi steady-state tanpa menyimpang ke aspek yang tidak relevan.

Idealization
Untuk menyederhanakan model, saya mengasumsikan bahwa batang memiliki panjang 1 meter dengan konduktivitas termal yang konstan dan distribusi suhu awal yang seragam. Saya juga membandingkan hasil yang diperoleh menggunakan PINN dengan Neural Network (NN) biasa. Dari analisis yang saya lakukan, saya menemukan bahwa PINN lebih akurat karena secara eksplisit memasukkan hukum fisika dalam modelnya. Sebagai eksperimen, saya mencoba menjalankan simulasi di Google Colab meskipun Pak DAI menyarankan untuk menggunakan VSCode. Saya ingin mengetahui apakah kode yang diberikan dapat berjalan di Google Colab. Ternyata, beberapa penyesuaian perlu dilakukan, terutama dalam pengaturan nilai T0T_0, T1T_1, dan jumlah epochs, yang hanya dapat diubah melalui kode. Dari eksperimen ini, saya menyimpulkan bahwa meskipun Google Colab memiliki fitur AI yang membantu dalam perbaikan kode, VSCode tetap lebih fleksibel dalam penggunaannya.

Saya memastikan bahwa hasil PINN tetap realistis, dengan distribusi suhu yang tidak negatif dan gradien yang sesuai dengan hukum fisika. Model yang saya kembangkan ini tidak hanya memenuhi tujuan awal saya tetapi juga dapat diperluas untuk simulasi 2D dengan menambahkan variabel tambahan. Selain itu, pendekatan PINN yang tidak memerlukan grid menjadikannya lebih sederhana dibandingkan metode numerik tradisional.

Instruction Set
Berikut adalah langkah-langkah dalam mengimplementasikan PINN untuk simulasi konduksi panas 1D:

1. Membangun Jaringan Saraf – Menggunakan PyTorch untuk membuat arsitektur jaringan saraf yang sesuai.
2. Mendefinisikan Fungsi Loss – Mengintegrasikan persamaan panas dalam fungsi loss agar model tetap sesuai dengan hukum fisika.
3. Melatih Model – Menggunakan teknik optimasi seperti Adam atau SGD untuk menyesuaikan parameter model.
4. Memvisualisasikan Hasil – Menggunakan Matplotlib untuk menampilkan distribusi suhu sepanjang batang.

Kesimpulan
Melalui pendekatan DAI5, saya memahami bahwa prinsip utama PINN dalam pemodelan Heat Conduction 1D adalah mengintegrasikan jaringan saraf dengan hukum fisika untuk menghasilkan solusi yang akurat. Proses implementasi meliputi pembuatan model di PyTorch, pendefinisian fungsi loss yang mencakup residual dari persamaan panas serta kondisi batas, pelatihan model, dan visualisasi hasil menggunakan Matplotlib. Pendekatan ini terbukti lebih efektif dibandingkan NN biasa karena memastikan hasil simulasi tetap konsisten dengan hukum fisika. Sebagai contoh, dalam kasus batang 1D, hasil PINN menunjukkan penurunan suhu yang linier dari 100°C ke 0°C, sesuai dengan teori konduksi panas, sedangkan NN biasa sering kali memberikan solusi yang kurang realistis.

Dengan memahami dan menerapkan pendekatan DAI5, saya dapat mengeksplorasi PINN dengan lebih sistematis dan bermakna. Hal ini membuka peluang bagi saya untuk mengembangkan model yang lebih kompleks, seperti simulasi 2D atau bahkan 3D, yang dapat memberikan manfaat lebih luas dalam bidang desain termal dan optimasi material.