Latar Belakang
Proyek ini bertujuan membangun model AI berbasis Physics-Informed Neural Networks (PINN) untuk memprediksi perilaku aliran fluida pada kasus lid-driven cavity. Studi dilakukan dengan terlebih dahulu melakukan simulasi numerik menggunakan software CFDSOF, kemudian hasil simulasi digunakan untuk melatih model AI agar mampu mengenali pola distribusi kecepatan dan tekanan secara fisis tanpa eksplisit mendefinisikan persamaan Navier-Stokes dalam solver konvensional.
Metodologi
- Jenis Aliran: Incompressible, Steady-State, Turbulent, dan Isothermal
- Geometri: 2D Lid-Driven Cavity berukuran 0.1 m x 0.1 m
- Boundary Conditions:
- Dinding bagian atas (W2) bergerak ke arah kanan dengan kecepatan 0.1 m/s
- Dinding bagian kiri, kanan, dan bawah tidak memiliki kecepatan
- Properti Fluida:
- Densitas: 1293 kg/m3
- Viskositas: 2.5 x 10^-5 kg/m.s
- Reynolds Number, RE: 517.2 (turbulent)
Cara Mengerjakan
- Melakukan simulasi dengan aplikasi CFDSOF milik pak DAI dan menghasilkan:
- Kontur Kecepatan
- Vektor Kecepatan U, V
- Magnitudo Kecepatan
- Streamline
- Viskositas Turbulen Efektif
- Mengekstraksi data numerik dengan menggunakan menu lihat alfa dan dilanjutkan dengan pilih variabel.
- Data diambil dan digunakan sebagai input untuk melatih model AI
- Membangun PiNN sederhana menggunakan bahasa pemrograman Python dan TensorFlow
Melakukan Implementasi PiNN
- Input: koordinat (x, y)
- Output: prediksi u, v, dan p
- Menggunakan 2 hidden layers, masing-masing berjumlah 32 neuron, dan aktivasi tanh
- Fungsi loss:
- Physics Loss: Persamaan kontinuitas dan persamaan momentum Navier-Stokes (arah x dan y)
- Data Loss: Selisih kuadrat hasil prediksi dan data simulasi CFD
- Menggunakan Epoch dengan jumlah 1000
Hasil Visualisasi dan Data dari CFDSOF
- Data Alfa
- Grafik dan Kontur
Itulah data yang telah didapatkan oleh saya setelah melakukan simulasi CFD secara simple dengan menggunakan software CFDSOF
Kode Python yang dibangun
Hasil Training dan Visualisasi
Training yang dilakukan selama 1000 Epoch menghasilkan ringkasan loss sebagai berikut:
Loss menurun signifikan dan stabil mendekati nilai minimum sekitar 0.075, menandakan model yang telah dibuat telah mempelajari pola aliran secara baik.
Visualisasi menggambarkan hasil predicted-u, predicted-v, dan velocity magnitude.
- Predicted-U
- Merupakan kecepatan di arah-x
- Pola menunjukkan aliran horizontal meningkat dari bawah ke atas
- Nilai maksimum berada pada sekitar 0.0375 m/s menandakan belum mencapai nilai teoritis (0.1 m/s), maka ada ruang untuk perbaikan contohnya dengan menambahkan jumlah epoch
- Predicted-V
- Merupakan kecepatan di arah-y
- Gradien vertikal sesuai dengan ekspektasi
- Pola simetris: v positif di sisi kiri dan v negatif di sisi kanan rongga
- Mangitudo v maks berada pada sekitar 0.024 m/s
- Velocity Magnitude
- Terlihat formasi vorteks utama di tengah rongga.
- Nilai maksimum sekitar 0.045 m/s
- Distribusi kecepatan menunjukan karakteristik khas aliran lid-driven cavity.
Kesimpulan
Metode PiNN yang dibangun telah berhasil dalam memprediksi pola aliran pada kasus lid-driven cavity flow dengan karakteristik yang sesuai dengan hasil simulasi CFD:
- Training berjalan sukses dengan loss yang konvergen
- Pola vektor kecepatan dan magnitude memperlihatkan formasi vorteks
- Performa dapat ditingkatkan, salah satu caranya adalah dengan:
- Penambahan epoch
- Penambahan layer/neuron
Proyek yang telah dibuat ini menunjukkan bahwa Physics-Informed Neural Networks memiliki potensi kuat untuk menggantikan pendekatan numerik konvensional dalam menyelesaikan masalah CFD, terutama untuk kebutuhan efisiensi dan integrasi AI.
Terima kasih Pak DAI, Bang Edo, dan Bu Illa yang telah menuntun dan mengajarkan terkait pentingnya ANN dan PiNN yang dapat diintegrasikan dalam CFD demi mendapatkan hasil yang lebih maksimal.
