PENGGUNAAN SUPPORT VECTOR MACHINE UNTUK MEMPREDIKSI BATAS FLUTTER AEROELASTIS DALAM ALIRAN TRANSONIK

• Main Author: Faiz Izzaturrahman, Muhammad
• Format: Final Project
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/48948
• Institution: Institut Teknologi Bandung

Dalam membuat model aeroelastik untuk kasus aerodinamika non-linear, khususnya pada aliran transonik, muncul tantangan untuk mengurangi waktu komputasi dengan tetap mempertahankan tingkat akurasinya. Tugas akhir ini menginvestigasi penggunaan algoritma Support Vector Machine (SVM) untuk membuat suatu model pendekatan (surrogate model) berdasarkan estimasi nilai-nilai koefisien damping model aeroelastis. Model SVM ini kemudian digunakan untuk memprediksi batas flutter dari suatu sistem binary flutter pada airfoil NACA 64A010. Pada tugas akhir ini, model aeroelastis dengan persamaan Euler digunakan untuk menyelesaikan masalah aerodinamika dimana persamaan aeroelastis diselesaikan dalam domain waktu. Pembuatan batas flutter dilakukan dengan menggunakan rentang Mach number antara 0.7 sampai 0.9 dan flutter speed index antara 0.4 sampai 2.0, dimana fenomena transonic dip berhasil diamati pada rentang tersebut. Estimasi nilai koefisien damping dilakukan dengan menggunakan metode identifikasi Prony series based Matrix Pencil dengan memasukkan modus gerakan pitch dan plunge pada sistem aeroelastis. Penelitian ini mengembangkan model support vector classification (SVC) dan dua model support vector regression (SVR), yaitu epsilon-SVR dan least squares-SVR (LS-SVR), untuk membuat surrogate model dan mengkonstruksi batas flutter. Hasil dengan 200 sampel awal menunjukkan bahwa model regresi menunjukkan hasil yang lebih menjanjikan dibandingkan dengan model klasifikasi dari segi akurasi. Untuk mengurangi waktu komputasi dan menunjukkan bahwa SVM dapat memberikan akurasi yang baik dengan jumlah sampel rendah, model SVM kemudian dibuat menggunakan dua set sampel berisikan 75 titik sampel berdasarkan metode augmented latin hypercube. Hasil-hasil yang telah diperoleh menunjukkan bahwa model epsilon-SVR memberikan prediksi batas flutter yang paling baik dengan kemampuan generalisasi yang memuaskan. Namun, perlu dicatat bahwa ada kesulitan yang muncul dalam menentukan proporsi antara jumlah sampel yang digunakan untuk melatih model SVR terhadap jumlah sampel untuk validasi.