PHYSICS-INFORMED NEURAL NETWORK (PINN) DALAM MENYELESAIKAN KASUS ALIRAN FLUIDA VISKOS

• Main Author: Amalinadhi Putra, Cahya
• Format: Theses
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/62648
• Institution: Institut Teknologi Bandung

Terlepas dari kemampuannya dalam mencari solusi aliran fluida, metode CFD memiliki beberapa kekurangan, termasuk proses diskritisasi yang sulit dan pertimbangan pemilihan metode numerik yang cermat, yang tentunya menghasilkan pertukaran antara akurasi dan waktu komputasi. Dalam tesis ini, kami tertarik untuk mengatasi kekurangan ini dengan menggunakan metode machine learning yang disebut physics-informed neural network (PINN). Pada tahap awal pengembangan, PINN menunjukkan kemampuan dalam memecahkan beberapa masalah aliran fluida. Namun, itu masih dalam masa pertumbuhan. Untuk menilai potensi PINN sebagai alat hitung medan aliran alternatif, tesis ini mempelajari kemampuan PINN dalam hal formulasi, hiperparameter, dan kon_gurasinya pada beberapa masalah aliran yang berfokus pada akurasi dan metrik waktu komputasi. Selain itu, kami juga melakukan studi mendalam tentang metode transfer learning yang dapat mempercepat waktu komputasi PINN, yang menguntungkan khususnya dalam eksplorasi desain. Hasil penelitian menyimpulkan bahwa PINN bekerja dengan baik dalam menyelesaikan aliran fluida dengan menghasilkan akurasi yang baik. Selanjutnya, metode transfer learning secara signi_kan mengurangi waktu komputasi PINN, bahkan ketika terlibat dalam domain dan kondisi batas yang berbeda.