User:Ranims

Assalamuallaikum Wr. Wb Haloo, Pagi Teknik! Perkenalkan Saya Rani Mutia Sari, bisa dipanggil Rani. Saya kelahiran Bandar Lampung, 04 Januari 1999. Background pendidikan S1 saya Teknik Mesin di Institut Teknologi Sumatera (ITERA) pada Tahun 2017-2021. Setelah lulus saya bekerja selama kurang lebih 1.5 tahun di salah satu perusahaan Pulp & Paper di Riau yaitu PT. Riau Andalan Pulp & Paper (APRIL Group). Setelah itu saya bekerja selama kurang lebih 6 bulan di PT. Louis Dreyfus Company Indonesia, Lampung. Pada tahun 2024 saya diterima UI dan mendapatkan beasiswa untuk lanjut program magister Teknik Mesin. Riset penelitian saya berfokus pada Carbon Capture yang lebih terfokus dalam pembuatan adsorber. Penelitian yang sedang saya kembangkan yaitu pembuatan MOF dari Sintesis PET limbah botol plastik sebagai adsorber. Mungkin itu perkenalan dari saya, jika ingin bertanya lebih lanjut dapat menghubui saya via email : rani.mutiasari.rm@gmail.com. Terimakasih! Wassalamuallaikum Wr. Wb

KOMPUTASI TEKNIK

Persamaan PDE 1Dimensi

Menurunkan persamaan elemen hingga dari persamaan pengatur PDE 1D dapat dilakukan dengan metode Weighted Residuals (sisa tertimbang), seperti metode Galerkin atau Collocation. Berikut ini langkah-langkah sederhana beserta contoh:

1. Persamaan Pengatur PDE 1D Sebagai contoh, misalkan kita memiliki persamaan diferensial parsial (PDE) 1D: (d^2 u)/〖dx〗^2 +f(x)=0 untuk 0<x<L dengan syarat batas: u(0)=0 dan u(L)=0

2. Aproksimasi Solusi' Kita mendekati solusi u(x) dengan fungsi basis: u(x)≈u_h (x)=∑_(i=1)^N▒〖c_i ∅_i (x) 〗 di mana ϕi(x) adalah fungsi basis yang memenuhi syarat batas (misalnya fungsi polinomial sederhana), dan cic_ici adalah koefisien yang harus dicari.

3. Menentukan Residual Residual didefinisikan sebagai substitusi aproksimasi uh(x) ke dalam PDE: R(x)= (d^2 u_h)/〖dx〗^2 +f(x)

4. Metode Sisa Tertimbang Kita menurunkan persamaan elemen hingga dengan mengalikan residual R(x) dengan fungsi pembobot wj(x) dan mengintegrasikan di sepanjang domain: ∫_o^L▒〖w_j (x) R(x)dx=0,untuk semua j=1,2,….,N〗 Untuk metode Galerkin, kita memilih fungsi pembobot yang sama dengan fungsi basis: w_j (x)=∅_j (x)

5. Penyederhanaan Integral Substitusi residual R(x) ke dalam integral:

6. Substitusi Aproksimasi Substitusi uh(x)u_h(x)uh(x) ke dalam persamaan: u(x)≈u_h (x)=∑_(i=1)^N▒〖c_i ∅_i (x) 〗

7. Persamaan Matriks Persamaan ini dapat ditulis dalam bentuk matriks: K_c=F di mana elemen-elemen matriks kekakuan K dan vektor gaya F

Algoritma Metode Elemen Hingga (FEM) 1D Langkah-langkah dasar algoritma untuk menyelesaikan persamaan PDE 1D menggunakan FEM adalah: 1. Diskritisasi Domain:

  Bagi domain 1D [0,L] menjadi elemen-elemen kecil.

2. Pilih Fungsi Basis:

  Tentukan fungsi basis (misalnya, fungsi linear).

3. Bentuk Matriks Kekakuan dan Vektor Gaya:

  Hitung elemen-elemen matriks kekakuan K dan vektor gaya F menggunakan integrasi numerik (seperti metode titik tengah atau kuadratur).

4. Terapkan Syarat Batas:

  Modifikasi K dan F untuk memenuhi syarat batas.

5. Pecahkan Sistem Persamaan Linear:

  Pecahkan sistem Kc=F untuk mendapatkan solusi koefisien c.

6. Rekonstruksi Solusi:

  Bentuk kembali solusi dari koefisien c dan fungsi basis.

Kode Python Berikut adalah contoh kode Python sederhana untuk metode elemen hingga 1D: import numpy as np

1. Fungsi untuk membentuk matriks kekakuan dan vektor gaya

def assemble_system(n_elements, length):

   n_nodes = n_elements + 1
   K = np.zeros((n_nodes, n_nodes))
   F = np.zeros(n_nodes)
   
   element_length = length / n_elements
   
   # Integrasi numerik sederhana dengan metode titik tengah
   for i in range(n_elements):
       # Indeks node lokal
       n1 = i
       n2 = i + 1
       
       # Matriks kekakuan lokal untuk elemen 1D linear
       k_local = (1 / element_length) * np.array([[1, -1], [-1, 1]])
       
       # Vektor gaya lokal (contoh dengan f(x) = 1)
       f_local = (element_length / 2) * np.array([1, 1])
       
       # Assembling ke matriks global
       K[n1:n2+1, n1:n2+1] += k_local
       F[n1:n2+1] += f_local
   
   # Terapkan syarat batas (misal u(0) = 0, u(L) = 0)
   K[0, :] = 0
   K[:, 0] = 0
   K[0, 0] = 1
   F[0] = 0

   K[-1, :] = 0
   K[:, -1] = 0
   K[-1, -1] = 1
   F[-1] = 0

   return K, F

1. Panjang domain dan jumlah elemen

L = 1.0 n_elements = 4

1. Membentuk sistem persamaan

K, F = assemble_system(n_elements, L)

1. Menyelesaikan sistem persamaan linier

c = np.linalg.solve(K, F)

1. Menampilkan solusi

print("Solusi nodal:", c)

Monitoring dan Evaluasi Progress Belajar dengan Bantuan AI

Jumlah Chat dan Penggunaan Berdasarkan log interaksi sejauh ini, kamu telah mengirimkan 16 pesan (termasuk yang ini). Pesan-pesan ini mencakup berbagai topik, dari penyelesaian masalah persamaan diferensial hingga pembahasan teknis seperti aplikasi MOF, penggunaan DAI5, dan refleksi konseptual tentang efisiensi dalam adsorpsi CO2.

Analisis dan Refleksi Pemikiran Kamu

1. Fokus Pada Pembelajaran Konseptual dan Terapan Kamu menunjukkan ketertarikan mendalam terhadap pembelajaran berbasis konsep yang disertai dengan implementasi teknis. Misalnya, kamu tidak hanya ingin memahami bagaimana menyelesaikan PDE tetapi juga bagaimana hal ini diterapkan dalam konteks dunia nyata seperti adsorpsi CO2 menggunakan MOF. Ini mencerminkan pendekatan holistik, yang menggabungkan teori, simulasi, dan aplikasi praktis.

Tanggapan: Pendekatan ini sangat efektif untuk pembelajaran mandiri, terutama ketika kamu mencoba memahami interaksi kompleks antara ilmu dasar dan teknologinya.

2. Eksplorasi Interdisipliner Kamu mencoba menghubungkan banyak disiplin ilmu, termasuk: Fisika (misalnya, difusi dan adveksi dalam PDE). Kimia (adsorpsi MOF berbasis PET). Teknologi Energi (adsorpsi CO2 sebagai solusi lingkungan). Inovasi Konseptual (kerangka DAI5 dalam pemahaman niat manusia).

Tanggapan: Eksplorasi ini mencerminkan pola pikir yang ingin memahami hubungan antar-disiplin untuk menghasilkan wawasan baru, yang sangat sesuai dengan pembelajaran mandiri.

3. Pemahaman Melalui Refleksi Kamu sering bertanya mengapa sesuatu terjadi (misalnya, "Mengapa grafik mengalami penurunan?"). Ini menunjukkan bahwa kamu tidak hanya puas dengan hasil, tetapi juga ingin memahami mekanisme di baliknya.

Tanggapan: Sikap ini sangat penting dalam sains dan teknologi. Dengan terus bertanya "mengapa" atau "bagaimana", kamu sedang membangun dasar pemahaman yang lebih dalam.

4. Konsistensi Dalam Eksplorasi Teknologi Baru Ada fokus yang kuat pada bagaimana teknologi dapat digunakan untuk aplikasi nyata, seperti: Simulasi PDE untuk desain adsorber. Optimasi MOF untuk adsorpsi CO2. Integrasi niat dalam kerangka DAI5 untuk proses pengambilan keputusan manusia.

Tanggapan: Konsistensi seperti ini sangat membantu dalam penguasaan teknologi baru dan mendorong inovasi.

Masukan untuk Pengembangan Lebih Lanjut

1. Pendalaman Kode dan Simulasi Kamu sudah mencoba memahami aspek kode Python untuk simulasi ilmiah. Jika kamu terus melatih bagian ini, misalnya dengan menggunakan perangkat lunak simulasi khusus seperti COMSOL atau MATLAB, kamu dapat mengembangkan kemampuan teknis lebih jauh.

2. Pemanfaatan Framework Konseptual Usaha kamu untuk mengintegrasikan kerangka DAI5 ke dalam pemikiran teknis menunjukkan bahwa kamu memiliki minat untuk memadukan ilmu eksakta dengan filosofi. Ini bisa menjadi langkah awal menuju pendekatan unik dalam memecahkan masalah multidisiplin.

3. Kontekstualisasi dalam Skala Besar Kamu dapat mulai memikirkan bagaimana aplikasi yang kamu eksplorasi (misalnya, MOF untuk adsorpsi CO2) dapat diterapkan pada skala industri atau global. Pendekatan ini akan memberikan dimensi baru pada pemahamanmu.

Penutup Kamu sudah menunjukkan kemajuan besar dalam pembelajaran mandiri. Dengan ketertarikan yang kuat, pola pikir reflektif, dan upaya untuk menghubungkan berbagai bidang ilmu, kamu sedang membangun fondasi yang kokoh untuk pemahaman ilmiah dan teknis. Tetap konsisten, dan jangan ragu untuk mengeksplorasi lebih dalam di setiap area yang kamu pelajari!

Pendekatan dengan Menggunakan Metode DAI5 Pada Riset Penelitian Pembuatan MOF dari Sintesis PET Limbah Botol Plastik Sebagai Adsorber Kerangka DAI5 adalah pendekatan yang berfokus pada lima tahap: Determination (Penentuan), Awareness (Kesadaran), Intention (Niat), Implementation (Pelaksanaan), dan Integration (Integrasi). Berikut penjelasan struktur ulang penjelasan sebelumnya dengan menggunakan kerangka ini, di mana niat menjadi elemen sentral dalam mengarahkan langkah-langkah lain, didorong oleh kehendak bebas dan kesadaran.

1. Determination (Penentuan) Penentuan adalah langkah pertama di mana tujuan dasar didefinisikan dengan jelas. Dalam konteks ini, penentuan adalah mendefinisikan masalah yaitu pemodelan adsorpsi CO2 dalam adsorber MOF yang disintesis dari TPA hasil hidrolisis PET. Tujuan: Memahami bagaimana persamaan PDE 1D yang menggambarkan difusi, adveksi, dan reaksi kimia (adsorpsi) dapat diterapkan pada sistem MOF untuk adsorpsi CO2.

2. Awareness (Kesadaran) Pada tahap ini, kesadaran digunakan untuk mengumpulkan dan memahami informasi relevan yang mendukung penentuan. Kesadaran ini mencakup pemahaman tentang: • Sifat MOF: Terbuat dari TPA dan aluminium nitrate, MOF memiliki porositas tinggi dan kapasitas adsorpsi yang baik. • Karakteristik Adsorpsi CO2: Interaksi antara molekul CO2 dan permukaan MOF serta bagaimana difusi dan reaksi terjadi di dalam sistem. • Model Transportasi: Menggabungkan fenomena difusi, adveksi, dan reaksi (adsorpsi-desorpsi).

3. Intention (Niat) Niat adalah penggerak utama, di mana kehendak bebas dan kesadaran diterapkan untuk memilih pendekatan solusi yang akan diambil. Dalam hal ini, niatnya adalah merancang persamaan PDE 1D yang mencakup aspek-aspek utama dari transportasi CO2 dalam MOF. Niat Sadar: • Mengintegrasikan koefisien difusi efektif (Deff), kecepatan aliran (v), dan laju reaksi adsorpsi (R(C)). • Memilih model isoterma Langmuir untuk mendeskripsikan adsorpsi CO2 secara realistis.

4. Implementation (Pelaksanaan) Pelaksanaan adalah tahap di mana rencana diwujudkan dalam bentuk konkret, seperti merumuskan persamaan dan menyiapkan solusi numerik. Tahap-tahap Pelaksanaan: • Formulasi Persamaan PDE. • Implementasi Numerik: Menyiapkan kode Python untuk memecahkan persamaan ini dengan metode numerik seperti metode elemen hingga (FEM) atau metode beda hingga (FDM). • Kondisi Awal dan Batas: o Menentukan kondisi awal C(x,0)dan syarat batas yang tepat (Dirichlet atau Neumann).

5. Integration (Integrasi) Integrasi melibatkan evaluasi solusi yang diperoleh, menyempurnakan pemahaman, dan menghubungkan hasil ke tujuan yang lebih luas. Pada tahap ini, hasil simulasi diuji untuk memvalidasi keakuratan model dalam menggambarkan proses adsorpsi CO2 pada MOF. Refleksi dan Analisis: • Memastikan bahwa hasilnya konsisten dengan data eksperimen atau studi literatur tentang adsorpsi CO2 pada MOF. • Mengevaluasi apakah model ini bisa diperluas untuk mempertimbangkan faktor-faktor lain, seperti suhu atau kelembapan, dalam adsorpsi CO2.

Kesimpulan: Dengan menyatukan semua langkah dalam kerangka DAI5, niat yang diarahkan oleh kehendak bebas menjadi kekuatan pendorong yang memungkinkan penentuan, kesadaran, pelaksanaan, dan integrasi solusi. Kehendak bebas mempengaruhi setiap tahap, membantu dalam memilih pendekatan dan penyesuaian yang sejalan dengan tujuan akhir memodelkan adsorpsi CO2 dalam MOF berbasis TPA.