ccitonline.com

Penggunaan PINNs dalam CFD adalah salah satu contoh penerapan Artificial Intelligence (AI) yang semakin kuat untuk meningkatkan pemahaman dan analisis fluida. Ini memadukan kekuatan fisika, wujud dari persamaan matematika di balik fenomena aliran fluida, dengan kemampuan belajar mesin.

Apa itu PINN dalam CFD?

Secara sederhana, PINN adalah pendekatan untuk neural networks (terutamanya deep learning) yang mengintegrasikan persamaan fisika (seperti hukum-hukum Navier-Stokes untuk aliran fluida inkompressibel) langsung ke dalam fungsinya. Dalam konteks CFD, ini berarti jaringan saraf “dipelajari” dengan memenuhi hukum fisika yang menggovern perilaku cairan atau gas sejak dari proses pelatihan.

Bagaimana PINN Bekerja untuk Membantu CFD?

Pendekatan dasar menggunakan PINN dalam CFD melibatkan beberapa langkah utama:

1. Menentukan Domain dan Persamaan: Pilih domain fisik yang ingin diteliti (misalnya, aliran di sekitar bendungan) dan identifikasi persamaan matematika yang menggambarkannya.
2. Mendefinisikan Jaringan Saraf: Bangun jaringan saraf dengan arsitektur tertentu untuk menyelesaikan masalah tersebut (misalnya, jaringan feedforward atau recurrent).
3. Fungsi Input/Output: Tentukan bahwa input ke jaringan adalah koordinat spasial dan temporal x, y (z) dan t. Output adalah besaran fisika yang mungkin terjadi di titik tersebut (misalnya, kecepatan u(x,y,t), tekanan p(x,y,t)).
4. Loss Function: Inilah bagian kunci! Loss function tidak hanya melatih jaringan untuk cocok dengan data observasi atau pelatihan. Ia juga memaksa solusi yang diajarkan oleh jaringan u dan p (dan turunan-turunannya) untuk menghormati persamaan fisika.
   • Loss function ini akan mencoba menyelesaikan satu atau lebih Persamaan Diferensial Parsial (PDEs), seperti PDE Navier-Stokes, di seluruh domain. Ini dilakukan dengan evaluasi langsung pada solusi yang diprediksi jaringan.
   • Selain itu, loss function juga memastikan bahwa kondisi batas (boundary conditions) dan kondisi awal (initial conditions) terpenuhi oleh prediksi dari model tersebut.

Contoh Aplikasi PINN dalam CFD:

Berikut adalah beberapa contoh spesifik tentang bagaimana PINNs digunakan untuk menyelesaikan masalah di bidang mekanika fluida:

1. Memprediksi Profil Kecepatan dan Tekanan Aliran Turbulen: Persamaan Navier-Stokes yang menggambarkan aliran turbulen sangat kompleks, kadang-kadang disederhanakan dengan model eddy-viscosity (contohnya Spalart-Allmaras atau k-ω SST). PINN dapat dilatih hanya dengan sedikit data seperti profil kecepatan inlet dan geometri bendungannya. Setelah pelatihan, model akan memprediksi distribusi tekanan dan kecepatan di seluruh domain tersebut secara akurat tanpa perlu meshing yang rincut.
2. Menyelesaikan Aliran Laminar dengan Banyak Geometri: Menggunakan software CFD seperti OpenFOAM atau ANSYS Fluent untuk menganalisis aliran fluida dalam sistem pipa kompleks, saluran udara pesawat, atau mesin pendingin yang memiliki banyak fitting dan geometri yang rumit membutuhkan perhitungan berat. PINN dapat dilatih dengan data-data sedikit dari beberapa titik dan kondisi batas dasar untuk menggambarkan fenomena fisika yang lebih luas di seluruh domain, termasuk area-area diskontinu.
3. Memprediksi Karakteristik Aliran Laminar: Misalnya, memprediksi lift dan drag pada aliran sekitar suatu bendungan atau foil tanpa perlu mensimulasikan keseluruhan domain secara numerik dengan software CFD standar.
4. Analisis Perkiraan untuk Aliran Pada Kejauhan Reynolds Number Tinggi: Simulasi numerik biasa (RANS/LES) pada kejauhan Reynolds number sangat mahal komputasionalnya atau bahkan tidak mungkin dilakukan secara langsung. PINN dapat digunakan untuk “mendefinisikan” perilaku fisika yang diharapkan terjadi pada kecepatan tinggi dengan menggunakan model-model dasar (seperti teori panel, hukum Prandtl) yang disebarkan melalui jaringan saraf.
5. Simulasi Aliran Multi-Fasa: Memisahkan antara fase cair dan gas dalam aliran multi-fasa biasanya membutuhkan teknik-teknik khusus seperti Volume of Fluid (VOF), Level-Set, atau Interface-Capturing dengan meshing yang halus. PINN dapat digunakan untuk secara langsung menyelesaikan persamaan-persamaan fisika di seluruh domain meskipun terjadi perubahan fase.
6. Memprediksi Perilaku Aliran Menggunakan Data Eksperimental: Misalnya, memasukkan data hasil pengukuran pitot-static (kecepatan) dan tekanan dari suatu tunel wind atau data Doppler PIV ke dalam PINN. Model akan mencoba menyesuaikan diri dengan mengintegrasikan fisika tersebut selama proses prediksi di titik lainnya.

Keuntungan Utama Menggunakan PINNs dalam CFD:

• Efisiensi Komputasi: Potensi untuk mengurangi biaya komputasi secara signifikan dibandingkan dengan metode CFD tradisional (FEM/FVM) yang membutuhkan meshing halus.
• Menyelesaikan Persamaan Fisika Secara Intrinsic: Model mewajibkan solusi untuk menghormati hukum fisika tertentu, bukan hanya meniru data pelatihan. Ini membuat model lebih robust terhadap kesalahan numerik atau data noise.
• Menggambarkan Solusi di Seluruh Domain: Dengan input titik dan kondisi batas, PINN dapat “mendeteksi” pola fisika yang sesuai untuk menghasilkan solusi (kecepatan, tekanan, dll) di seluruh domain tanpa perlu interpolasi mesh.
• Mengatasi Diskontinuitas: Beberapa arsitektur PINN dapat menangani sambungan-sambungan fisika secara lebih baik daripada pendekatan CFD tradisional yang memerlukan tindakan khusus di daerah-daerah ini.
• Pelatihan dengan Data Sedikit (Semi-Supervised Learning): Memungkinkan pelatihan model hanya dengan beberapa data titik, bukan perlu jutaan atau miliaran data yang biasanya dibutuhkan untuk training deep learning pada umumnya.

Tantangan dan Keterbatasan:

• Konvergensi Pelatihan: Mencari solusi dari persamaan diferensial non-linear sambil melatih neural network dapat sulit, memerlukan teknik pelatihan yang cermat.
• Stabilitas Model: Belum ada jaminan kestabilan untuk semua jenis masalah CFD (terutamanya turbulen atau multi-fasa kompleks).
• Validasi dan Akurasi: Meskipun terinspirasi oleh fisika, perlu penelitian lebih lanjut untuk memastikan akurasi model yang konsisten dengan metode CFD tradisional.
• Interpretasi Fisik: Solusi dari PINN tidak selalu mudah diinterpretasikan secara fisika seperti solusi analitik atau numerik biasa, meskipun mereka didasarkan pada pemenuhan persamaan fisika.

Kesimpulan:

Penggunaan PINNs dalam CFD adalah inovatif karena memungkinkan kita untuk menggunakan hukum-hukum fisika yang menggovern aliran fluida sebagai batu loncatan penyelesaian masalah. Dengan menerapkan persamaan diferensial ini langsung ke neural networks, PINNs menawarkan potensi untuk meningkatkan efisiensi komputasi sambil memastikan solusi yang fisikanya konsisten dan robust terhadap data pelatihan. Ini adalah bidang penelitian aktif yang berpotensi mengubah cara kita menganalisis sistem fluida di masa mendatang, meskipun tantangan dalam konvergensi dan validasi masih perlu dilawan untuk memanfaatkan sepenuhnya potensinya.

Bahasa Indonesia:

Physics-Informed Neural Networks (PINN) digunakan dalam CFD dengan mengintegrasikan persamaan fisika fluida, seperti PDE Navier-Stokes, ke dalam neural networks. Dengan cara ini, jaringan saraf mempelajari pola fisika di balik data input-output sederhana untuk menggambarkan solusi fisis yang sesuai selama proses pelatihannya sendiri. Hal ini dapat mengurangi biaya komputasi secara signifikan dan memungkinkan model menerobos batas-batas metode CFD tradisional, terutamanya di daerah-daerah diskontinu atau dengan parameter Reynolds yang sangat tinggi.