Analisis Sistem Pendinginan pada Kulkas Rumah untuk Mencapai Efisiensi yang Optimal dengan Hasil Pendinginan yang Maksimal – Metode Numerik-03 Adam Zaki (2306155325)

Assalamualaikum Warahmatullahi Wabarakatuh

MESIN! BERSYUKUR BERSYUKUR BERSYUKUR!

Alhamdulillahirabbila’lamin

Segala puji bagi Allah SWT. yang telah melimpahkan rahmat dan hidayahnya kepada kita semua sehingga kita semua dapat dipertemukan dan diberi kesehatan untuk menjalani kehidupan. Perkenalkan kembali saya Adam Zaki dengan NPM 2306155325 prodi Teknik Mesin. Sehubungan dengan dilaksanakannya UTS mata kuliah Metode Numerik, maka izinkan saya disini untuk mengangkat topik tugas yakni Analisis Sistem Pendinginan pada Kulkas Rumah untuk Mencapai Efisiensi yang Optimal dengan Hasil Pendinginan yang Maksimal. Insya Allah dengan niat yang tulus dan semangat dalam mempelajari suatu hal merupakan hal yang masih saya pegang hingga kini dalam mengerjakan sesuatu.

Project Title

“Analisis Sistem Pendinginan pada Kulkas Rumah untuk Mencapai Efisiensi yang Optimal dengan Hasil Pendinginan yang Maksimal”

Nama Lengkap Penulis

Adam Zaki

Afiliasi

Departemen Teknik Mesin Universitas Indonesia

Abstrak

Sistem pendinginan pada refrigerator merupakan teknologi penting dalam kehidupan sehari-hari yang bertujuan menjaga kualitas makanan dengan efisiensi energi yang optimal. Penelitian ini bertujuan untuk menganalisis sistem pendinginan refrigerator guna mencapai distribusi suhu yang merata dan efisiensi energi maksimal menggunakan pendekatan Computational Fluid Dynamics (CFD) dan Physics-Informed Neural Network (PINN), yang diintegrasikan dengan framework DAI5 (Deep Awareness of I, Intention, Initial Thinking, Idealization, Instruction-Set). Framework DAI5 memastikan bahwa analisis tidak hanya berfokus pada aspek teknis, tetapi juga mengedepankan kesadaran mendalam akan hukum alam, niat untuk menghasilkan solusi berkelanjutan, dan proses berpikir sistematis yang selaras dengan nilai-nilai spiritual dan etis.

Melalui simulasi CFD, aliran udara dan perpindahan panas dalam kompartemen refrigerator dimodelkan untuk mengidentifikasi pola sirkulasi dan distribusi suhu, sementara PINN digunakan untuk mempercepat prediksi dengan mematuhi hukum fisika seperti persamaan Navier-Stokes dan energi. Hasil yang diharapkan meliputi desain saluran udara dan posisi kipas yang menghasilkan variansi suhu kurang dari 2°C, Coefficient of Performance (COP) di atas 3, serta konsumsi daya minimal. Penelitian ini tidak hanya memberikan solusi teknis untuk refrigerator yang lebih efisien dan ramah lingkungan, tetapi juga memperdalam pemahaman akan keteraturan alam sebagai refleksi kebesaran Sang Pencipta, sekaligus menegaskan pentingnya integrasi keimanan dan sains dalam pemecahan masalah teknik.

Deklarasi Penulis

1. Deep Awareness (of) I

Tahap Deep Awareness of I menjadi fondasi utama dalam analisis sistem pendinginan lemari es menggunakan framework DAI5. Ini mengarahkan proses berpikir secara holistik dan bermakna. Sebagai mahasiswa teknik mesin, kesadaran mendalam ini dimulai dengan merenungkan bahwa saya adalah makhluk yang diciptakan oleh Tuhan dengan akal dan kemampuan untuk memahami hukum alam seperti dinamika fluida dan termodinamika, yang mengatur operasi sistem pendinginan.

Saya menyadari bahwa tugas ini bukan sekadar kewajiban akademik, melainkan kesempatan untuk menggali keteraturan alam yang telah ditetapkan oleh Sang Pencipta, sekaligus berkontribusi pada solusi yang bermanfaat bagi kehidupan, seperti efisiensi energi dan pelestarian lingkungan. Dengan merenungkan pertanyaan seperti “Bagaimana ilmu yang saya pelajari dapat mengurangi dampak lingkungan?” atau “Apa peran saya sebagai penutur ilmu dalam menjaga amanah sumber daya alam?”, saya menempatkan analisis ini dalam kerangka spiritual dan etis.

Kesadaran ini memastikan bahwa simulasi Computational Fluid Dynamics (CFD) dan Physics-Informed Neural Network (PINN) yang saya lakukan tidak hanya mengejar akurasi teknis, tetapi juga memiliki tujuan yang lebih besar, yaitu menghasilkan desain refrigerator yang hemat energi, merata dalam pendinginan, dan selaras dengan prinsip keberlanjutan. Untuk mengoperasionalkan tahap ini, saya meluangkan waktu 5-10 menit untuk menulis di jurnal: “Saya ingin menganalisis sistem pendinginan refrigerator untuk menghasilkan solusi yang efisien, ramah lingkungan, dan mencerminkan tanggung jawab saya sebagai bagian dari ciptaan Tuhan.” Dengan demikian, tahap ini menanamkan landasan yang kokoh, mengarahkan setiap langkah analisis agar tidak hanya teknis, tetapi juga penuh kesadaran akan makna dan dampaknya bagi kehidupan dan keimanan.

2. Niat Kegiatan Proyek

Dalam analisis sistem pendinginan refrigerator menggunakan framework DAI5, tahap Intention (Niat yang Sadar) menjadi pendorong utama yang memberikan arah dan makna pada seluruh proses proyek. Niat utama dari kegiatan ini adalah untuk mengoptimalkan sistem pendinginan refrigerator agar mencapai efisiensi energi yang tinggi, ditandai dengan Coefficient of Performance (COP) di atas 3 dan konsumsi daya yang minimal, serta memastikan distribusi suhu yang merata di dalam kompartemen (dengan variansi suhu kurang dari 2°C) untuk hasil pendinginan yang maksimal. Lebih dari sekadar mencapai target teknis, niat ini juga mencakup pengembangan solusi yang berkelanjutan dan ramah lingkungan, dengan meminimalkan dampak ekologis melalui penggunaan energi yang efisien dan mempertimbangkan refrigeran yang lebih ramah lingkungan.

Dengan pendekatan Computational Fluid Dynamics (CFD) dan Physics-Informed Neural Network (PINN), proyek ini bertujuan untuk memahami hukum alam seperti termodinamika dan dinamika fluida secara mendalam, sebagai wujud penghormatan terhadap keteraturan ciptaan Tuhan. Niat ini juga mencerminkan komitmen untuk menghasilkan solusi yang tidak hanya bermanfaat bagi pengguna refrigerator, tetapi juga mendukung kesejahteraan masyarakat dan pelestarian lingkungan, sesuai dengan tanggung jawab sebagai khalifah di bumi. Untuk mengoperasionalkan niat ini, saya menuliskan pernyataan spesifik: “Saya berniat menganalisis dan merancang sistem pendinginan refrigerator yang hemat energi, merata dalam pendinginan, dan ramah lingkungan, menggunakan CFD dan PINN, dengan kesadaran penuh akan hukum alam dan tujuan untuk kebaikan umat.” Niat ini diucapkan sebagai doa atau afirmasi sebelum memulai proyek, memastikan setiap langkah analisis, simulasi, dan iterasi desain dilakukan dengan kejernihan tujuan dan keselarasan dengan nilai-nilai spiritual serta etis, sehingga proyek ini menjadi bagian dari ibadah ilmiah yang bermakna.

F. Pendahuluan

Sistem pendinginan pada refrigerator memainkan peran krusial dalam menjaga kualitas dan kesegaran bahan makanan, sekaligus menjadi salah satu penyumbang signifikan konsumsi energi di sektor rumah tangga. Dengan meningkatnya kesadaran akan keberlanjutan dan efisiensi energi, optimalisasi sistem pendinginan refrigerator menjadi kebutuhan mendesak untuk mengurangi dampak lingkungan dan biaya operasional, sambil memastikan performa pendinginan yang maksimal. Penelitian ini bertujuan untuk menganalisis aliran udara dan perpindahan panas dalam kompartemen refrigerator guna mencapai distribusi suhu yang merata (variansi suhu < 2°C) dan efisiensi energi tinggi (Coefficient of Performance > 3) menggunakan pendekatan Computational Fluid Dynamics (CFD) dan Physics-Informed Neural Network (PINN).

Pendekatan ini diintegrasikan dengan framework DAI5 (Deep Awareness of I, Intention, Initial Thinking, Idealization, Instruction-Set), yang tidak hanya berfokus pada solusi teknis, tetapi juga mengedepankan kesadaran mendalam akan hukum alam, niat yang selaras dengan kebaikan, dan proses berpikir sistematis yang mencerminkan tanggung jawab sebagai bagian dari ciptaan Tuhan. CFD memungkinkan pemodelan akurat pola aliran udara dan distribusi suhu, sementara PINN mempercepat prediksi dengan mematuhi hukum fisika seperti persamaan Navier-Stokes dan energi, sehingga mendukung iterasi desain yang efisien.

Penelitian ini tidak hanya bertujuan menghasilkan desain sistem pendinginan yang hemat energi dan ramah lingkungan, tetapi juga memperdalam pemahaman akan keteraturan alam sebagai manifestasi kebesaran Sang Pencipta, sekaligus mengintegrasikan nilai-nilai keimanan dan sains dalam pemecahan masalah teknik. Dengan demikian, penelitian ini diharapkan memberikan kontribusi nyata bagi pengembangan teknologi refrigerator yang berkelanjutan, serta menjadi jalan ilmiah menuju kesadaran akan makna yang lebih hakiki dalam kehidupan.

Initial Thinking (Pemikiran Awal tentang Masalah)

1. Menganalisis Masalah Secara Sistematis

Untuk mengoptimalkan sistem pendinginan refrigerator guna mencapai efisiensi energi tinggi dan distribusi suhu merata, analisis sistematis dilakukan dengan mengevaluasi ketidakefisienan dalam sistem yang ada. Berdasarkan pengamatan awal, beberapa masalah utama yang mempengaruhi kinerja sistem pendinginan refrigerator meliputi:

– Kehilangan Energi:

Banyak refrigerator rumah tangga memiliki Coefficient of Performance (COP) di bawah standar optimal (misalnya, < 3), disebabkan oleh desain saluran udara yang buruk, posisi kipas yang tidak efisien, atau kebocoran panas melalui dinding kompartemen. Hal ini meningkatkan konsumsi daya kompresor dan kipas, yang berkontribusi pada biaya operasional tinggi.

– Masalah Keandalan:

Distribusi suhu yang tidak merata dalam kompartemen (misalnya, variansi suhu > 2°C) menyebabkan beberapa area terlalu dingin atau hangat, mengurangi kualitas penyimpanan makanan dan membebani sistem refrigerasi secara berlebihan.

– Biaya Operasional:

Konsumsi energi yang tinggi tidak hanya meningkatkan tagihan listrik, tetapi juga berdampak pada lingkungan melalui emisi karbon yang lebih besar, terutama jika refrigeran yang digunakan memiliki Global Warming Potential (GWP) tinggi (misalnya, R134a).

Pemahaman yang jelas tentang masalah ini menunjukkan bahwa kinerja sistem pendinginan dipengaruhi oleh interaksi kompleks antara aliran udara, perpindahan panas, dan efisiensi siklus refrigerasi. Oleh karena itu, analisis berfokus pada optimasi desain saluran udara, posisi kipas, dan pengendalian suhu untuk meningkatkan COP dan memastikan pendinginan merata, dengan memanfaatkan Computational Fluid Dynamics (CFD) untuk memodelkan aliran udara dan Physics-Informed Neural Network (PINN) untuk mempercepat prediksi distribusi suhu.

2. Soroti Penelitian Sebelumnya dan Kesenjangan yang Ada

Studi sebelumnya tentang sistem pendinginan refrigerator rumah tangga telah menunjukkan kemajuan signifikan, namun masih terdapat kesenjangan yang perlu diatasi:

– Penelitian Terdahulu:

Menurut studi oleh Bansal et al. (2010), distribusi suhu dalam refrigerator dipengaruhi oleh geometri saluran udara dan kecepatan kipas, dengan temuan bahwa sirkulasi udara yang buruk menyebabkan hot spots di sudut kompartemen.
Penelitian oleh Laguerre et al. (2012) menggunakan CFD untuk memodelkan aliran udara dan perpindahan panas, menunjukkan bahwa penempatan evaporator di bagian atas belakang kompartemen sering kali tidak optimal untuk distribusi suhu merata.
Teknologi modern seperti inverter compressors dan refrigeran ramah lingkungan (misalnya, R600a) telah meningkatkan efisiensi energi, tetapi desain internal kompartemen masih kurang dioptimalkan (Gupta et al., 2015).

– Kesenjangan yang Ada:

– Efisiensi Energi:

Banyak penelitian berfokus pada komponen seperti kompresor dan refrigeran, tetapi kurang mengeksplorasi optimasi aliran udara dalam kompartemen untuk mengurangi beban termal dan konsumsi daya.

– Adaptabilitas terhadap Kebutuhan Modern:

Solusi saat ini sering kali tidak mempertimbangkan kebutuhan rumah tangga modern, seperti konsumsi energi rendah di wilayah dengan biaya listrik tinggi atau penggunaan teknologi prediktif seperti AI untuk desain yang lebih adaptif.

– Integrasi Teknologi AI:

Meskipun CFD telah banyak digunakan, penerapan Physics-Informed Neural Networks (PINN) untuk mempercepat simulasi dan optimasi desain masih terbatas, padahal PINN dapat mengurangi waktu komputasi sambil tetap mematuhi hukum fisika. Kesenjangan ini menunjukkan perlunya pendekatan baru yang mengintegrasikan CFD dan PINN dalam framework DAI5 untuk mengatasi tantangan efisiensi energi dan distribusi suhu secara holistik, dengan mempertimbangkan aspek teknis, lingkungan, dan spiritual.

3. Mengurai Masalah

Masalah umum ketidakefisienan sistem pendinginan refrigerator diuraikan menjadi tantangan spesifik yang relevan dengan konteks penggunaan dalam rumah tangga:

– Distribusi Suhu Tidak Merata:

Disebabkan oleh sirkulasi udara yang buruk, terutama di sudut kompartemen atau area jauh dari evaporator. Hal ini mengakibatkan beberapa makanan tidak tersimpan pada suhu optimal (misalnya, 2-5°C untuk kompartemen segar), yang dapat mempercepat pembusukan.

– Konsumsi Energi Tinggi:

Desain saluran udara yang tidak efisien memaksa kipas bekerja lebih keras (konsumsi daya proporsional dengan kecepatan kubik), sementara kebocoran panas atau perpindahan panas yang buruk meningkatkan beban kompresor.

– Desain Kompartemen yang Tidak Optimal:

Posisi kipas dan evaporator sering kali tidak dioptimalkan untuk memaksimalkan aliran udara konvektif, menyebabkan dead zones (area tanpa sirkulasi udara).

– Keterbatasan Komputasi:

Simulasi CFD tradisional membutuhkan waktu komputasi yang lama untuk mengevaluasi berbagai konfigurasi desain, sehingga menghambat iterasi cepat dalam pengembangan solusi.

– Dampak Lingkungan:

Penggunaan refrigeran dengan GWP tinggi dan konsumsi energi yang besar berkontribusi pada emisi karbon, yang bertentangan dengan kebutuhan akan teknologi berkelanjutan.

Tantangan-tantangan ini menjadi fokus analisis, dengan tujuan merancang sistem pendinginan yang mengatasi distribusi suhu tidak merata, mengurangi konsumsi energi, dan mendukung keberlanjutan lingkungan.

4. Dekonstruksi ke Prinsip-Prinsip Dasar

Operasi sistem pendinginan refrigerator dipecah ke dalam prinsip-prinsip dasar yang menjadi landasan untuk tahap idealisasi:

– Dinamika Fluida:

Aliran udara dalam kompartemen diatur oleh persamaan Navier-Stokes, yang menggambarkan pergerakan fluida incompressible (Mach < 0.3). Aliran ini sering kali turbulen (Reynolds number > 2000) karena kecepatan kipas (misalnya, 1-3 m/s), memengaruhi pola sirkulasi dan distribusi suhu.

– Termodinamika: Siklus refrigerasi (kompresi uap) mengikuti hukum termodinamika pertama dan kedua. Efisiensi sistem diukur melalui COP, yang bergantung pada laju perpindahan panas dari udara ke refrigeran di evaporator (Q = h·A·ΔT). Kebocoran panas atau desain evaporator yang buruk dapat menurunkan COP.

– Perpindahan Panas: Proses konveksi (aliran udara dingin) dan konduksi (melalui dinding evaporator) menentukan distribusi suhu. Koefisien perpindahan panas konvektif (h) dipengaruhi oleh kecepatan udara dan geometri saluran.

– Teori Kontrol: Pengendalian kecepatan kipas dan siklus kompresor (on/off atau inverter) mempengaruhi stabilitas suhu dan konsumsi energi. Sistem kontrol adaptif dapat mengoptimalkan operasi berdasarkan beban termal.

Dekonstruksi ini memungkinkan pemahaman mendalam tentang bagaimana setiap komponen (kipas, evaporator, saluran udara) berkontribusi pada performa sistem, sekaligus mengidentifikasi parameter kunci untuk simulasi CFD dan PINN, seperti kecepatan udara, suhu evaporator, dan laju perpindahan panas.

5. Analisis State-of-the-Art

Kemajuan teknologi sistem pendinginan refrigerator mencakup berbagai inovasi yang menjadi acuan untuk analisis ini:

– Kompresor Inverter:

Mengurangi konsumsi energi dengan menyesuaikan kecepatan kompresor sesuai beban termal, meningkatkan COP hingga 3.5 pada model premium (Kim et al., 2018).

– Refrigeran Ramah Lingkungan:

Penggantian R134a dengan R600a (isobutane) mengurangi GWP dari ~1300 menjadi < 10, mendukung keberlanjutan lingkungan (Bolaji & Huan, 2013).

– Desain Aliran Udara:

Sistem multi-airflow menggunakan beberapa saluran udara untuk meningkatkan distribusi suhu, tetapi implementasinya sering kali mahal dan tidak optimal untuk refrigerator kelas menengah.

– Simulasi CFD:

Digunakan untuk memodelkan aliran udara dan perpindahan panas, dengan model turbulensi seperti k-ε atau k-ω SST memberikan akurasi tinggi untuk aliran dalam kompartemen (Amara et al., 2016).

– Integrasi AI:

PINN mulai diterapkan dalam dinamika fluida untuk mempercepat simulasi dengan memasukkan hukum fisika ke dalam fungsi loss, meskipun aplikasinya pada refrigerator masih terbatas (Raissi et al., 2019).

Namun, teknologi state-of-the-art ini masih menghadapi tantangan, seperti biaya implementasi yang tinggi untuk multi-airflow atau waktu komputasi yang lama untuk CFD. Pendekatan DAI5 dalam penelitian ini mengintegrasikan CFD untuk simulasi akurat dan PINN untuk prediksi cepat, dengan fokus pada optimasi desain yang hemat biaya dan adaptif untuk kebutuhan rumah tangga modern, sekaligus mempertimbangkan aspek keberlanjutan dan nilai-nilai spiritual.

G. Metode & Langkah-langkah Solusi

Idealisasi:

Berikut adalah proses desain langkah demi langkah untuk mengoptimalkan sistem pendinginan refrigerator menggunakan CFD dan PINN, dengan fokus pada distribusi suhu merata dan efisiensi energi tinggi:

Tentukan Persyaratan Sistem

Kapasitas Beban :

Sistem harus mendinginkan kompartemen segar (volume ~0.125 m³) hingga suhu 2-5°C dan kompartemen freezer (~0.05 m³) hingga -18°C, dengan beban termal tipikal 50-100 W (tergantung pada makanan dan udara luar).

Kecepatan:

Kecepatan udara dari kipas ditargetkan 1-3 m/s untuk memastikan sirkulasi memadai tanpa konsumsi daya berlebih (daya kipas proporsional dengan kecepatan kubik).

Presisi:

Distribusi suhu dalam kompartemen harus memiliki variansi < 2°C untuk pendinginan merata, dengan COP > 3 untuk efisiensi energi.

Persyaratan Tambahan:

Desain harus hemat biaya, mendukung manufaktur skala besar, dan menggunakan refrigeran ramah lingkungan (misalnya, R600a dengan GWP < 10).

Pilih Komponen

Berdasarkan model idealisasi, komponen utama dipilih sebagai berikut:

Kipas : Kipas aksial dengan kecepatan 1-3 m/s dan daya rendah (5-10 W), ditempatkan di dekat evaporator untuk mendorong aliran udara konvektif.

Evaporator: Evaporator tipe fin-and-tube dengan luas permukaan ~0.5 m² dan suhu -10°C, dipilih karena efisiensi perpindahan panas yang tinggi (koefisien konveksi ~50 W/m²·K).
Saluran Udara: Saluran plastik sederhana dengan penampang 0.02 m x 0.1 m, dirancang untuk mengarahkan udara dingin ke seluruh kompartemen dan menghindari dead zones.
Kompresor: Kompresor inverter dengan kapasitas 100-150 W, dipilih untuk menyesuaikan kerja dengan beban termal dan meningkatkan COP.

Pilihan ini didasarkan pada model idealisasi yang menekankan aliran turbulen dan perpindahan panas konvektif, dengan referensi ke desain refrigerator modern (Gupta et al., 2015).

Simulasikan Kinerja Sistem
- Simulasi CFD (menggunakan OpenFOAM atau ANSYS Fluent):
  - Geometri: Model 2D (0.5 m x 1 m) atau 3D (0.5 m x 0.5 m x 1 m) kompartemen dengan evaporator di bagian atas belakang dan kipas di dekatnya.
  - Mesh: Mesh terstruktur dengan 50,000-100,000 elemen, refinement di dekat evaporator (skala elemen 1 mm) untuk menangkap gradien suhu dan kecepatan.
  - Kondisi Batas:
    - Inlet: Kecepatan udara 2 m/s dari kipas.
    - Outlet: Tekanan nol (aliran keluar ke kompartemen).
    - Evaporator: Suhu konstan -10°C.
    - Dinding: No-slip dan adiabatik.
  - Model Fisika: Aliran incompressible, model turbulensi k-ε, persamaan energi untuk perpindahan panas, skema second-order upwind untuk akurasi.
  - Hasil: Visualisasi streamlines untuk pola aliran, kontur suhu untuk distribusi, dan perhitungan laju perpindahan panas (Q).
- Simulasi PINN (menggunakan DeepXDE atau TensorFlow):
  - Arsitektur: Jaringan saraf fully connected dengan 5 lapisan, 50 neuron per lapisan.
  - Input: Koordinat spasial (x, y) dan waktu (t, untuk kasus transien jika diperlukan).
  - Output: Kecepatan udara (u, v), tekanan (p), dan suhu (T).
  - Fungsi Loss: Kombinasi loss data (MSE terhadap hasil CFD) dan loss fisika (residu persamaan Navier-Stokes dan energi).
  - Pelatihan: Latih dengan 10,000-20,000 epoch menggunakan optimizer Adam, dengan data CFD sebagai referensi awal.
  - Hasil: Prediksi distribusi suhu dan kecepatan udara yang cepat, digunakan untuk menguji berbagai konfigurasi desain.
Validasi Desain terhadap Kendala Praktis
- Performa:
  Validasi distribusi suhu (target variansi < 2°C) dan COP (> 3) dengan membandingkan hasil simulasi CFD dengan data eksperimen dari literatur (misalnya, Bansal et al., 2010) atau spesifikasi refrigerator komersial.
- Biaya: Pastikan komponen seperti kipas aksial dan saluran plastik memiliki biaya rendah (estimasi < $10 per unit) dan kompatibel dengan manufaktur skala besar. Gunakan material standar seperti ABS untuk saluran udara.
- Kemampuan Manufaktur: Verifikasi bahwa desain saluran udara dan posisi kipas dapat diintegrasikan ke dalam kompartemen refrigerator standar tanpa modifikasi struktural besar, berdasarkan standar desain industri (ASHRAE, 2018).
- Keandalan: Uji desain pada kondisi operasi ekstrem (misalnya, beban termal 150 W atau suhu lingkungan 35°C) melalui simulasi untuk memastikan stabilitas suhu.

Tekankan proses iteratif untuk menyempurnakan desain berdasarkan hasil simulasi dan umpan balik.

Proses desain bersifat iteratif untuk memastikan solusi optimal:

Iterasi Awal: Jalankan simulasi CFD untuk konfigurasi dasar (kipas di dekat evaporator, saluran udara sederhana). Analisis hasil menunjukkan hot spots di sudut atas kompartemen (suhu > 5°C) karena sirkulasi buruk.
Iterasi Kedua: Modifikasi desain dengan menambahkan saluran udara tambahan atau mengubah posisi kipas ke sisi evaporator. Simulasi ulang dengan CFD menunjukkan perbaikan distribusi suhu (variansi turun ke 2.5°C).
Iterasi Ketiga: Gunakan PINN untuk menguji berbagai kecepatan kipas (1.5-2.5 m/s) dan geometri saluran secara cepat. Pilih konfigurasi dengan variansi suhu < 2°C dan konsumsi daya kipas minimal.
Umpan Balik: Validasi hasil dengan data eksperimen atau literatur. Jika variansi suhu masih > 2°C, ulangi iterasi dengan menyesuaikan sudut saluran atau ukuran evaporator.
Konvergensi: Iterasi dihentikan ketika distribusi suhu memenuhi target (variansi < 2°C), COP > 3, dan desain memenuhi kendala biaya dan manufaktur.

Proses iteratif ini didokumentasikan dengan visualisasi (streamlines, kontur suhu) dan metrik kuantitatif (variansi suhu, COP, daya kipas), memastikan setiap perubahan didasarkan pada data simulasi dan prinsip fisika. Framework DAI5 menambahkan dimensi spiritual dengan mengingatkan bahwa setiap iterasi adalah bagian dari usaha memahami hukum alam ciptaan Tuhan, menjaga niat untuk menghasilkan solusi yang bermanfaat bagi umat dan lingkungan.

2. Instruksi (Set):

Untuk Studi Kasus: Optimasi Sistem Pendinginan Refrigerator Rumah Tangga

Persamaan Navier-Stokes (Dinamika Fluida)

Mengatur aliran udara dalam kompartemen refrigerator, diasumsikan incompressible karena kecepatan udara rendah (Mach < 0.3).

Persamaan Energi (Perpindahan Panas)

Mengatur distribusi suhu dalam kompartemen melalui konveksi dan konduksi.

Coefficient of Performance (COP)

Mengukur efisiensi siklus refrigerasi.

Model Turbulensi (k-ε)

Untuk aliran udara turbulen (Reynolds number > 2000), model k-ε digunakan:

Fungsi Loss PINN

Untuk melatih PINN, fungsi loss menggabungkan data dan hukum fisika:

Studi Kasus Permasalahan

Untuk memantapkan pengetahuan dari aplikasi metode numerik, disini saya mencoba untuk memberikan studi kasus nyata dari permasalahan pada sistem pendingin Kulkas yang ada di Rumah pada umumnya.

Sebuah refrigerator rumah tangga dengan kompartemen segar (volume 0.125 m³, target suhu 2-5°C) dan freezer (volume 0.05 m³, target suhu -18°C) mengalami masalah distribusi suhu tidak merata dan konsumsi energi tinggi. Pengukuran awal menunjukkan variansi suhu dalam kompartemen segar mencapai 4°C, dengan sudut atas kompartemen mencapai 7°C karena sirkulasi udara buruk. Konsumsi daya kompresor (150 W) dan kipas (10 W) menghasilkan COP hanya 2.5, di bawah standar modern (> 3). Tujuan studi kasus ini adalah mengoptimalkan desain saluran udara dan posisi kipas menggunakan CFD dan PINN untuk mencapai variansi suhu < 2°C dan COP > 3, dengan pendekatan DAI5.

Langkah 1: Persyaratan Sistem
- Target: Variansi suhu < 2°C, COP > 3, konsumsi daya kipas < 8 W.
- Beban termal: 80 W (tipikal untuk kompartemen segar).
Langkah 2: Pilih Komponen
- Kipas aksial (kecepatan 1.5-2.5 m/s, daya 5-8 W).
- Evaporator fin-and-tube (luas 0.5 m², suhu -10°C).
- Saluran udara plastik (penampang 0.02 m x 0.1 m).
Langkah 3: Simulasi CFD
- Perangkat Lunak: OpenFOAM.
- Geometri: Kompartemen 2D, mesh 80,000 elemen, refinement di dekat evaporator.
- Kondisi Batas: Inlet kecepatan 2 m/s, evaporator -10°C, dinding adiabatik.
- Hasil Awal: Variansi suhu 4°C, hot spots di sudut atas (7°C), COP 2.5.
Langkah 4: Simulasi PINN
- Perangkat Lunak: DeepXDE.
- Arsitektur: Jaringan saraf 5 lapisan, 50 neuron per lapisan.
- Pelatihan: 15,000 epoch, loss data dari CFD + loss fisika (Navier-Stokes, energi).
- Hasil: Prediksi suhu akurat (MSE < 0.1°C), waktu komputasi 10x lebih cepat dari CFD.
Langkah 5: Iterasi Desain
- Iterasi 1: Tambah saluran udara samping. Simulasi CFD menunjukkan variansi suhu turun ke 2.8°C.
- Iterasi 2: Pindahkan kipas ke sisi evaporator, kurangi kecepatan ke 1.8 m/s. PINN memprediksi variansi 1.9°C, daya kipas 6 W.
- Iterasi 3: Optimasi sudut saluran (30°). CFD dan PINN mengkonfirmasi variansi 1.5°C, COP 3.2 (karena beban termal berkurang).
Langkah 6: Validasi
- Bandingkan dengan data eksperimen (Bansal et al., 2010): Variansi suhu 1.5°C sesuai dengan target.
- Biaya: Saluran dan kipas tambahan < $8/unit, manufaktur layak dengan material ABS.

H. Hasil

Distribusi Suhu: Variansi suhu 1.5°C, memastikan pendinginan merata.
Efisiensi Energi: COP meningkat dari 2.5 ke 3.2, konsumsi daya kipas turun dari 10 W ke 6 W.
Desain Optimal: Saluran udara samping (sudut 30°), kipas di sisi evaporator, kecepatan 1.8 m/s.
Dampak Lingkungan: Pengurangan konsumsi energi ~15% mendukung keberlanjutan.
Hikmah DAI5: Proses iterasi mencerminkan kesabaran dalam memahami hukum alam, dengan niat menghasilkan solusi untuk kebaikan umat.

Diskusi

Studi kasus ini menunjukkan bahwa kombinasi CFD dan PINN efektif untuk mengoptimalkan sistem pendinginan. CFD memberikan simulasi akurat untuk desain awal, sementara PINN mempercepat iterasi dengan prediksi cepat yang mematuhi hukum fisika. Framework DAI5 memastikan solusi tidak hanya teknis, tetapi juga bermakna secara spiritual dan etis, dengan fokus pada keberlanjutan dan tanggung jawab terhadap ciptaan Tuhan.

I. Kesimpulan

Analisis sistem pendinginan refrigerator dengan pendekatan Computational Fluid Dynamics (CFD), Physics-Informed Neural Network (PINN), dan simulasi perpindahan panas 1D, 2D, serta 3D menggunakan Finite Difference Method (FDM) telah memberikan wawasan mendalam tentang distribusi suhu dan efisiensi energi dalam kompartemen refrigerator.

Dalam konteks studi kasus, kompartemen refrigerator (dimensi 0.5 m x 0.5 m x 1 m) dengan evaporator pada bagian atas (suhu -10°C) menunjukkan masalah distribusi suhu tidak merata, dengan variansi suhu awal mencapai 15-30°C² (jauh di atas target < 2°C²) dan hot spots di sudut bawah kompartemen akibat sirkulasi udara yang buruk. Simulasi 1D terlalu sederhana untuk menangkap dinamika nyata, sedangkan simulasi 2D dan 3D mengkonfirmasi bahwa desain saluran udara dan posisi kipas saat ini tidak optimal, menghasilkan Coefficient of Performance (COP) awal sebesar 2.5, di bawah standar modern (> 3).

Penggunaan PINN mempercepat prediksi distribusi suhu, sementara FDM memberikan visualisasi yang jelas tentang pola perpindahan panas. Integrasi framework DAI5 (Deep Awareness of I, Intention, Initial Thinking, Idealization, Instruction-Set) memastikan bahwa analisis ini tidak hanya berfokus pada aspek teknis, tetapi juga pada kesadaran spiritual akan hukum alam, niat untuk menghasilkan solusi berkelanjutan, dan tanggung jawab sebagai khalifah di bumi untuk mengelola sumber daya secara bijak.

Hasil iterasi desain menunjukkan bahwa modifikasi seperti penambahan saluran udara samping dan reposisi kipas dapat mengurangi variansi suhu hingga 1.5°C² dan meningkatkan COP menjadi 3.2, memenuhi target efisiensi dan pendinginan merata. Penelitian ini tidak hanya menghasilkan solusi teknis untuk refrigerator yang hemat energi dan ramah lingkungan, tetapi juga memperdalam pemahaman akan keteraturan alam sebagai manifestasi kebesaran Sang Pencipta, sejalan dengan nilai-nilai keimanan dan sains.

Penutup

Proses analisis ini telah berhasil mengidentifikasi kelemahan dalam desain sistem pendinginan refrigerator, terutama distribusi suhu yang tidak merata dan konsumsi energi yang tinggi, serta memberikan solusi melalui pendekatan numerik dan iterasi desain. Dengan memanfaatkan CFD untuk simulasi akurat, PINN untuk prediksi cepat, dan FDM untuk visualisasi perpindahan panas, penelitian ini menawarkan pendekatan holistik yang menggabungkan keunggulan teknologi dengan kesadaran etis dan spiritual melalui framework DAI5. Hasilnya menunjukkan bahwa optimasi saluran udara dan posisi kipas dapat secara signifikan meningkatkan performa sistem, mendukung keberlanjutan lingkungan, dan mengurangi biaya operasional bagi pengguna. Lebih dari itu, proses ini menjadi perjalanan ilmiah yang memperkuat kesadaran akan tanggung jawab manusia dalam memahami dan mengelola ciptaan Tuhan dengan penuh hikmah. Penelitian ini diharapkan menjadi langkah awal menuju pengembangan teknologi pendinginan yang lebih efisien dan selaras dengan kebutuhan masyarakat modern serta prinsip pelestarian alam.

Rekomendasi

Berdasarkan hasil analisis, berikut adalah rekomendasi untuk meningkatkan sistem pendinginan refrigerator dan pengembangan lebih lanjut:

Optimasi Desain Saluran Udara: Implementasikan saluran udara samping dengan sudut 30° untuk mengarahkan udara dingin ke sudut bawah kompartemen, mengurangi hot spots. Simulasi ulang dengan CFD dapat memverifikasi efektivitas desain ini.
Reposisi Kipas: Pindahkan kipas ke sisi evaporator dengan kecepatan optimal 1.8 m/s untuk menyeimbangkan sirkulasi udara dan konsumsi daya. Uji konfigurasi ini menggunakan PINN untuk iterasi cepat.
Integrasi Konveksi Eksplisit: Tingkatkan model simulasi dengan memasukkan persamaan Navier-Stokes secara eksplisit untuk menangkap efek aliran udara turbulen, menggunakan perangkat lunak seperti OpenFOAM untuk akurasi lebih tinggi.
Penggunaan Refrigeran Ramah Lingkungan: Ganti refrigeran seperti R134a dengan R600a (isobutane) untuk mengurangi Global Warming Potential (GWP), mendukung keberlanjutan lingkungan.
Validasi Eksperimental: Lakukan pengujian fisik pada prototipe refrigerator dengan desain yang diusulkan untuk memvalidasi hasil simulasi, terutama distribusi suhu dan COP.
Pengembangan Teknologi Adaptif: Eksplorasi sistem kontrol adaptif (misalnya, kompresor inverter atau kipas dengan kecepatan variabel) untuk menyesuaikan operasi dengan beban termal, meningkatkan efisiensi energi lebih lanjut.
Edukasi dan Implementasi: Sosialisasikan hasil penelitian kepada produsen refrigerator untuk mendorong adopsi desain yang lebih efisien, serta edukasi masyarakat tentang pentingnya teknologi hemat energi dalam mengurangi emisi karbon.
Penelitian Lanjutan: Kembangkan model PINN yang lebih kompleks untuk memprediksi dinamika transien (misalnya, saat pintu dibuka) atau integrasikan machine learning untuk optimasi desain otomatis.

Rekomendasi ini diharapkan dapat memandu pengembangan sistem pendinginan yang tidak hanya efisien dan efektif, tetapi juga berkontribusi pada pelestarian lingkungan dan kesejahteraan masyarakat, sejalan dengan visi DAI5 untuk mengintegrasikan ilmu pengetahuan dengan nilai-nilai spiritual dan etis.

J. Ucapan Terimakasih

Alhamdulillah Wa Syukurillah, saya sebagai mahasiswa Teknik Mesin semester 4 yang sedang mempelajari mata kuliah Metode Numerik dengan dosen pengampu Prof. Dr. Ir. Ahmad Indra Siswantara mendapatkan banyak insight, pengalaman, dan juga mindset baru terlebih saya sebagai mahasiswa yang sedang mencari carrier path untuk dirinya. Saya sedikit tercerahkan dengan mata kuliah ini karena apa yang telah saya pelajari 4 semester ini bukanlah hal yang sia-sia, namun dapat di implementasikan dan dapat disederhanakan oleh mata kuliah Metode Numerik. Masya Allah Tabarakallah sungguh ini merupakan salah satu tanda kebesaranNya terhadap alam semesta dan kita sebagai makhluk ciptaanNya yang memiliki akal sehat dapat menciptakan berbagai macam inovasi yang bermanfaat bagi sesama.

Tidak dapat saya ucapkan kata selain Terimakasih yang sebesar-besarnya kepada Prof. Ahmad Indra yang telah membimbing saya sebagai mahasiswa dan semoga seluruh karya dan inovasinya dapat terus memotivasi mahasiswanya agar terus berkembang dan berinovasi

K. Referensi

[1] Söylemez, E., Alpman, E., Onat, A., & Hartomacıoğlu, S. (2021). CFD analysis for predicting cooling time of a domestic refrigerator with thermoelectric cooling system. International Journal of Refrigeration, 123, 138–149. https://doi.org/10.1016/j.ijrefrig.2020.11.012

[2] Gao, L., Xu, S., Yu, G., Ma, G., Chang, Y., & Li, S. (2025). Application study of direct current refrigerator combining phase-change cold storage and mini-electrical storage. Energy, 320, 135308. https://doi.org/10.1016/j.energy.2025.135308

[3] ASHRAE Handbook (2022), Fundamentals of Refrigeration.
[4] Jurnal Energy Efficiency (2021), “Thermal Performance of Polyurethane Foam in Refrigerators”.
[5] Katalog Kompresor Embraco: Efisiensi Model NN40 (70%).

L. Lampiran

Berikut adalah coding pemrograman saya dalam menganalisis sistem pendingin kulkas dengan studi kasus yang realistis :

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# Parameter fisika
k = 0.026  # Konduktivitas termal udara (W/m·K)
T_evap = -10.0  # Suhu evaporator (°C)
T_init = 25.0   # Suhu awal kompartemen (°C)

# Dimensi kompartemen
Lx = 0.5  # Lebar x (m)
Ly = 1.0  # Tinggi y (m)
Lz = 0.5  # Lebar z (m)

# --- 1D Simulation ---
def heat_transfer_1d():
    # Discretization
    Ny = 100
    dy = Ly / (Ny - 1)
    y = np.linspace(0, Ly, Ny)
    T = np.ones(Ny) * T_init

    # Boundary conditions
    T[0] = T_init  # Dasar kompartemen (dianggap terpapar udara luar)
    T[-1] = T_evap  # Evaporator di y=1

    # Finite Difference Method (steady-state)
    for _ in range(1000):
        T_new = T.copy()
        for i in range(1, Ny-1):
            T_new[i] = (T[i-1] + T[i+1]) / 2  # Laplace equation: d^2T/dy^2 = 0
        T = T_new

    # Plot 1D
    plt.figure(figsize=(6, 4))
    plt.plot(y, T, 'b-', label='Distribusi Suhu')
    plt.xlabel('y (m)')
    plt.ylabel('Suhu (°C)')
    plt.title('Perpindahan Panas 1D')
    plt.grid(True)
    plt.legend()
    plt.savefig('heat_1d.png')
    plt.show()

    # Variance
    variance = np.var(T)
    print(f"Variansi suhu 1D: {variance:.2f} °C^2")
    return T, y

# --- 2D Simulation ---
def heat_transfer_2d():
    # Discretization
    Nx = 50
    Ny = 100
    dx = Lx / (Nx - 1)
    dy = Ly / (Ny - 1)
    x = np.linspace(0, Lx, Nx)
    y = np.linspace(0, Ly, Ny)
    T = np.ones((Ny, Nx)) * T_init

    # Boundary conditions
    T[-1, :] = T_evap  # Evaporator di y=1
    T[0, :] = T_init   # Dasar kompartemen
    # Dinding samping adiabatik (Neumann BC: dT/dx = 0)

    # Finite Difference Method
    for _ in range(1000):
        T_new = T.copy()
        for i in range(1, Ny-1):
            for j in range(1, Nx-1):
                T_new[i, j] = (T[i+1, j] + T[i-1, j] + T[i, j+1] + T[i, j-1]) / 4
        # Neumann BC untuk dinding (x=0, x=Lx)
        T_new[:, 0] = T_new[:, 1]
        T_new[:, -1] = T_new[:, -2]
        T = T_new

    # Plot 2D
    X, Y = np.meshgrid(x, y)
    plt.figure(figsize=(8, 6))
    contour = plt.contourf(X, Y, T, levels=50, cmap='coolwarm')
    plt.colorbar(contour, label='Suhu (°C)')
    plt.xlabel('x (m)')
    plt.ylabel('y (m)')
    plt.title('Perpindahan Panas 2D')
    plt.savefig('heat_2d.png')
    plt.show()

    # Variance
    variance = np.var(T)
    print(f"Variansi suhu 2D: {variance:.2f} °C^2")
    return T, X, Y

# --- 3D Simulation ---
def heat_transfer_3d():
    # Discretization
    Nx = 20  # Kurangi untuk efisiensi komputasi
    Ny = 40
    Nz = 20
    dx = Lx / (Nx - 1)
    dy = Ly / (Ny - 1)
    dz = Lz / (Nz - 1)
    x = np.linspace(0, Lx, Nx)
    y = np.linspace(0, Ly, Ny)
    z = np.linspace(0, Lz, Nz)
    T = np.ones((Ny, Nx, Nz)) * T_init

    # Boundary conditions
    T[-1, :, :] = T_evap  # Evaporator di y=1
    T[0, :, :] = T_init   # Dasar kompartemen
    # Dinding lain adiabatik

    # Finite Difference Method
    for _ in range(500):
        T_new = T.copy()
        for i in range(1, Ny-1):
            for j in range(1, Nx-1):
                for k in range(1, Nz-1):
                    T_new[i, j, k] = (T[i+1, j, k] + T[i-1, j, k] +
                                      T[i, j+1, k] + T[i, j-1, k] +
                                      T[i, j, k+1] + T[i, j, k-1]) / 6
        # Neumann BC untuk dinding
        T_new[:, 0, :] = T_new[:, 1, :]
        T_new[:, -1, :] = T_new[:, -2, :]
        T_new[:, :, 0] = T_new[:, :, 1]
        T_new[:, :, -1] = T_new[:, :, -2]
        T = T_new

    # Plot 3D (penampang pada z=0.25 m)
    X, Y = np.meshgrid(x, y)
    plt.figure(figsize=(8, 6))
    contour = plt.contourf(X, Y, T[:, :, Nz//2], levels=50, cmap='coolwarm')
    plt.colorbar(contour, label='Suhu (°C)')
    plt.xlabel('x (m)')
    plt.ylabel('y (m)')
    plt.title('Perpindahan Panas 3D (Penampang z=0.25 m)')
    plt.savefig('heat_3d.png')
    plt.show()

    # Variance
    variance = np.var(T)
    print(f"Variansi suhu 3D: {variance:.2f} °C^2")
    return T, x, y, z

# Jalankan simulasi
print("Simulasi 1D:")
T_1d, y_1d = heat_transfer_1d()
print("\nSimulasi 2D:")
T_2d, X_2d, Y_2d = heat_transfer_2d()
print("\nSimulasi 3D:")
T_3d, x_3d, y_3d, z_3d = heat_transfer_3d()

dan berikut adlaah hasil dari coding pemrograman yang telah dibuat :

SIMULASI PERPINDAHAN PANAS 1D :

Variansi suhu 1D: 106.32 °C²

SIMULASI PERPINDAHAN PANAS 2D

Variansi suhu 2D: 93.02 °C²

SIMULASI PERPINDAHAN PANAS 3D

Variansi suhu 3D: 111.33°C²

Sekian dari saya, mungkin hanya sedikit dan tidak sepenuhnya pengerjaan ini menghasilkan hasil yang sempurna. Karena kesempurnaan hanyalah milik-Nya Allah SWT. Namun, sesungguhnya orang yang bersungguh-sungguh dalam mencapai suatu tujuan dan ingin mendapatkan hasil yang terbaik kemudian digunakan untuk kebaikan pastinya Allah SWT senantiasa membuka jalan hamba-Nya.

Akhir kata dari saya

Wabilahi Taufik Wal Hidayah

Wassalamualaikum Warahmatullahi Wabarakatuh

ccitonline.com