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...
Saved in:
Main Author: | |
---|---|
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 |
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. |
---|