PENDEKATAN BARU UNTUK MENYELESAIKAN PERSAMAAN ALIRAN FLUIDA PADA MEDIUA BERPORI MENGGUNAKAN PHYSICS INFORMED NEURAL NETWORK

• Main Author: Abdiansyah, Lukman
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/75927
• Institution: Institut Teknologi Bandung

Simulasi yang akurat untuk memodelkan aliran fluida dalam media berpori memainkan peran penting dalam berbagai aplikasi rekayasa dan ilmiah di bidang teknik perminyakan. Metode numerik tradisional untuk memecahkan persamaan aliran yang mengatur di media berpori sering memerlukan sumber daya komputasi yang signifikan dan bisa memakan waktu, disamping memberikan solusi yang sifatnya diskrit. Dalam beberapa tahun terakhir, Neural Network yang terinformasi Fisika (Physics Informed Neural Networks atau PINN) muncul sebagai alternatif yang menjanjikan untuk mengatasi tantangan-tantangan ini. Persamaan aliran dalam media berpori menggambarkan pergerakan fluida melalui medium berpori, mempertimbangkan faktor-faktor seperti kecepatan fluida, tekanan, dan porositas. PINN menawarkan pendekatan alternatif dengan menggabungkan kemampuan dari jaringan saraf (neural networks) dengan hukum fisika yang mengatur aliran fluida.Ide kunci di balik pendekatan PINN adalah kemampuannya untuk menggabungkan prinsip fisika yang diketahui ke dalam arsitektur jaringan saraf buatan (ANN). Hal ini dicapai dengan menyematkan persamaan-persamaan yang mengatur aliran fluida sebagai tambahan loss function selama proses pelatihan. Dengan pemenuhan batasan fisika ini, jaringan saraf mampu belajar untuk mengaproksimasi solusi dari persamaan aliran untuk, menghasilkan prediksi yang akurat. Kelebihan PINN ini adalah fleksibilitasnya yang melampaui kemampuannya untuk mengaproksimasi solusi aliran. PINN dapat secara efektif menangani situasi dengan data terbatas, menjadikannya berharga ketika data eksperimental atau lapangan sangat terbatas. PINN juga memberikan kerangka kerja untuk menggabungkan pengetahuan sebelumnya dan dapat menangani data masukan yang tidak pasti atau noise. Fitur-fitur ini membuat PINN menjadi alat yang serbaguna untuk mempelajari perilaku aliran dalam media berpori, dengan potensi aplikasi dalam teknik perminyakan.