DEEP LEARNING FOR DATA-DRIVEN TURBULENCE MODELING IN SQUARE DUCT FLOW

Metode berbasis data mengalami pertumbuhan yang begitu cepat dalam beberapa tahun terakhir. Hal ini didorong oleh maraknya penggunaan big data di berbagai bidang. Saat ini, deep learning adalah metode berbasis data yang paling terkenal dan banyak digunakan dalam berbagai aplikasi. Di bidang tekn...

Full description

Saved in:
Bibliographic Details
Main Author: Ridho Alhafiz, Muhammad
Format: Final Project
Language:Indonesia
Subjects:
Online Access:https://digilib.itb.ac.id/gdl/view/65845
Tags: Add Tag
No Tags, Be the first to tag this record!
Institution: Institut Teknologi Bandung
Language: Indonesia
Description
Summary:Metode berbasis data mengalami pertumbuhan yang begitu cepat dalam beberapa tahun terakhir. Hal ini didorong oleh maraknya penggunaan big data di berbagai bidang. Saat ini, deep learning adalah metode berbasis data yang paling terkenal dan banyak digunakan dalam berbagai aplikasi. Di bidang teknik dirgantara, banyak sekali aplikasi deep learning salah satunya dalam mekanika fluida. Salah satu masalah utama dalam mekanika fluida adalah aliran turbulen. Dengan kesuksesan penerapan deep learning di berbagai masalah, penerapan deep learning dalam pemodelan aliran turbulen telah menjadi topik penelitian yang menarik dalam beberapa tahun terakhir. Model Reynolds-average Navier-Stokes (RANS) adalah teknik yang paling banyak digunakan dalam pemodelan aliran turbulen. Masalah utama pada metode RANS adalah mendapatkan closure relation yang menghubungkan Reynolds stress dengan properti rata-rata dari aliran. Dalam tugas akhir ini, deep learning digunakan untuk pemodelan closure relation yang dapat memberikan perbaikan pada model aliran turbulen dalam dinamika fluida komputasional. Dalam tugas akhir ini, terdapat dua arsitektur neural network yang digunakan untuk menghitung Reynolds stress pada aliran dalam square duct yaitu feed forward neural network (FFNN) dan tensor basis neural network (TBNN). Kedua model ini dibandingkan dengan model RANS k?? sebagai model lineareddy viscosity. Dari hasil penelitian ini, kedua model neural network dapat memberikan perhitungan yang lebih baik untuk memprediksi closure relation pada aliran dalam square duct dan model FFNN yang diusulkan oleh penulis dapat memberikan prediksi yang terbaik. Oleh karena itu, pemanfaatan deep learning untuk pemodelan closure relation aliran dalam square duct dapat memberikan perhitungan yang lebih baik dari model CFD umum.