Difference between revisions of "Yogi Gunawan Atmawijaya"
| Line 1,520: | Line 1,520: | ||
== Minggu 5, Selasa 26 November 2024 == | == Minggu 5, Selasa 26 November 2024 == | ||
| + | |||
| + | == Tugas Besar == | ||
Revision as of 12:47, 10 December 2024
Biodata
Nama : Yogi Gunawan Atmawijaya
NPM S1 : 1806201005
NPM S2 : 2406468690
Tanggal Lahir : 27 Maret 2000
Tempat Lahir : Tangerang
S1
Saya adalah mahasiswa FTUI angkatan 2018 jurusan Teknik Mesin.
Saya memilih jurusan teknik mesin karena setelah melihat pelajaran-pelajaran di jurusan ini cocok dengan minat saya dan saya yakin saya bisa kuliah dengan baik di Teknik Mesin
S2
Saya menlanjutkan studi S2 di Universitas Indonesia jurusan Manufaktur dan Otomasi. Setelah menyelesaikan S1, saya tertarik dengan topik otomasi yang semakin lama semakin terpakai di Dunia.
Contents
S1
Metode Numerik
Pelajaran yang sudah saya pelajari di setengah semester pertama pada mata kuliah metode numerik yang diajar oleh Dr. Ir. Engkos Achmad Kosasih M.T. adalah :
- macam-macam error
- turunan numerik
- metode bisection
- metode newton-raphson
- metode secant
- deret mc laurint.
Minggu 1 (Rabu, 11 November 2020)
Ada 4 tujuan metode numerik
- 1. memahami konsep dengan dengan baik tentang dasar-dasar metode numerik. bila dasarnya tidak paham konsep dengan baik, maka tidak akan mengerti.
- 2. mampu menerapkan pemahaman konsep tersebut didalam permodelan numerik
- 3. mampu menerapkan metode numerik dipersoalan keteknikan
- 4. untuk mendapat nilai tambah membuat kita menajadi manusia yang beradab
Pada diskusi hari ini, Rabu, 11 Nov 2020, saya mempelejari bahwa komputer walaupun bisa memudahkan pekerjaan kita tetapi komputer juga mempunyai keterbatasan. Jadi sejatinya kita tidak dapat mengandalkan komputer sepenuhnya. Dan sebagai manusia kita juga tidak luput dari ketidaktahuan karena sejatinya hanya Tuhan yang Maha Tahu
Tugas 1
Untuk tugas minggu 1 kami diminta untuk melihat tutorial Open Modelica dari youtube. Setelah melihat tutorial tersebut kami membuat video tutorial singkat. Berikut ini adalah video tutorial OpenModelica Basic
Minggu 2 (Rabu, 18 November 2020)
Sebelum dijelaskan materi, kami diminta mereview hal-hal apa saja yang sudah kami pelajari diminggu 1 dan apa saja hal yang sudah dicoba untuk tugas 1 yaitu memepelajari dasar dari Open Modelica. Pak Dai menjelaskan kenapa Pak Dai memilih aplikasi open modelica dibandingkan program lain untuk tools belajar kami. Pak Dai menjelaskan bahwa aplikasi Open Modelica ini sebenarnya bukan aplikasi programing, melainkan aplikasi untuk modelling. Open Modelica tidak mempunyai bahasa program sendiri, itu kenapa proses dari simulasi Open Modelica ini lebih lama dibandingkan aplikasi lain. Open modelica memproses data lebih lama dikarenakan Open Modelica harus menerjemahkan perintah yang kita tulis menjadi bahasa C++, setelah itu baru data bisa diproses.
Setelah itu kami diminta mencoba membuat suatu file class yang digunakan untuk "memanggil" suatu fungsi dari file function. Kami membuat file function sebagai berikut :
FungsiTambahX1.mo
function FungsiTambahX1 input Real x; output Real y; algorithm y:=x+10; end FungsiTambahX1;
Setelah itu kami membuat file class untuk "memanggil" fungsi dari file function diatas. Pseudocodenya sebagai berikut :
Panggil.mo
class Panggil parameter Real x1=5; Real hasil10tambahx1; equation hasil10tambahx1=FungsiTambahX1(x1); end Panggil;
Dijelaskan dengan memanggil file function diatas, maka pada saat di file class, inputnya menjadi x1 dimana x1 tersebut mempunyai nilai dan nilai tersebut akan menjadi input dari persamaan yang masukan di file FungsiTambahX1.mo
Tugas 2
Untuk tugas 2, kami diminta untuk membuat suatu fungsi panggil seperti yang dicontohkan pada saat kelas menggunakan persamaan aljabar simultan dan variable array. Persamaan Aljabar Simultan sendiri adalah persamaan yang kompleks karena memiliki banyak variable yang perlu dicari nilainya. Variable array adalah variable yang didalamnya memiliki beberapa data nilai. Pada tugas ini saya mencoba membuatnya menggunakan 3 persamaan sederhana yang memiliki 3 variable yang harus dicari nilainya. persamaannya adalah sebagai berikut :
Lalu saya buat file function sebagai berikut :
Gauss_Function.mo
function Gauss_Function input Real P[3,3]; input Real Q[3]; output Real R[3]; algorithm R:=Modelica.Math.Matrices.solve(P,Q); end Gauss_Function;
Dan saya membuat file class sebagai berikut :
Gauss_Class.mo
class Gauss_Class
parameter Real A[3,3]=[2,5,3;3,4,2;1,3,1];
parameter Real B[3]={1,-3,2};
Real X[3];
equation
X=Gauss_Function(A,B);
end Gauss_Class;
Berikut adalah video penjelasan tentang pembuatan 2 file diatas :
Minggu 3 (Rabu, 25 November 2020)
Pada minggu ketiga, kami dijelaskan tentang pseudocode gauss elimination secara manual. Pak Dai menginginkan kami bisa membuat pseudocode sendiri tanpa menggunakan fungsi yang sudah disediakan dari OpenModelica itu sendiri. Jadi pada saat dikelas kami dijelaskan oleh Christo. Christo adalah salah satu mahasiswa yang juga mengambil mata kuliah metode numerik yang diajar oleh pak Dai. Christo menjelaskan dengan sangat jelas psudocode untuk gauss. Pseudocode dari gauss jordan berdasarkan apa yang sudah Christo jelaskan adalah sebagai berikut :
GaussJordan.mo
function GaussJordan
input Real [:,:] A;
output Real [:,:] B;
protected // untuk local variable
Integer h = 1; //pivot row
Integer k = 1; //pivot coloumn
Integer m = size(A,1); //Number of row
Integer n = size(A,2); //Number of column
Integer c = 0;
Integer max_row; // Row index of max number in pivot column
Real [:] pivot_column;
Real [:] pivot_row;
Real [:,:] temp_array;
Real r;
Real float_error = 10e-10;
algorithm
//fungsi input A dan output B
B := A;
while h <= m and k <= n loop
for i in 1 : m loop
for j in 1 : n loop
if abs(B[i,j]) <= float_error then
B[i,j] := 0;
end if;
end for;
end for;
//Finding pivot
pivot_column:= {B[i,h] for i in h:m};
//Mencari baris terbawah yang mempunyai nilai pivot tertinggi
c:=h-1;
for element in pivot_column loop
c:= c+1;
if abs(element)== max(abs(pivot_column)) then
max_row :=c;
end if;
end for;
//Jika tidak ada pivot di kolom ini, pindah ke kolom selanjutnya
if B[max_row,k] == 0 then
k:=k+1;
else
// tukar row h - max_row
temp_array := B;
temp_array[h] := B[max_row];
temp_array[max_row] := B[h];
B:= temp_array;
//devide pivot row by pivot number
B[h] := B[h]/B[h,k];
for i in (h+1) :m loop
r := B[i,k]/B[h,k];
B[i,k]:=0;
for j in (k+1) : n loop
B[i,j] := B[i,j]-B[h,j] * r;
end for;
end for;
//move ke pivot kolom dan row selanjutnya
h := h+1;
k := k+1;
end if;
end while;
// proses dari kanan atas
h :=m;
k :=n;
while h >=1 and k>=1 loop
//dealing with error
for i in 1:m loop
for j in 1:n loop
if abs(B[i,j]) <=float_error then
B[i,j]:=0;
end if;
end for;
end for;
//finding pivot
pivot_row := {B[h,i] for i in 1:k};
//Get position index k of pivot
c := 0;
for element in pivot_row loop
c := c+1;
if element <> 0 then
break;
end if;
end for;
k:= c;
// no pivot in this row, move to next row
if B[h,k] == 0 then
h:= h-1;
else
//perform row operatation
for i in 1:(h-1) loop
r := B[i,k];
B[i] := B[i] - B[h] *r;
end for;
//move to next pivot row dan column
h:=h+1;
k:=k+1;
end if;
end while;
end GaussJordan;
Lalu kami diminta untuk membuat pseudocode open modelica dari suatu pseudocode matlab yang ada dibuku yaitu Fig. 9.4 :
Pseudocodenya adalah sebagai berikut :
NaiveGauss.mo
function NaiveGauss
input Real [3,3] A;
input Real [3] B;
output Real [3] x;
protected
Real [3,3] a;
Real [3] b;
Integer m = size(A,1); // kolom
Integer n = size(A,2); // baris
Real k = 1;
Real i = 1;
Real j = 1;
Real factor = 1;
Real sum = 1;
algorithm
// Transfer input matrix (A,B) into variables (a,b)
a := A;
b := B;
// Forward Elimination
for k in 1:(n-1) loop
for i in (k+1):n loop
factor := a[i,k] / a[k,k];
for j in (k+1):n loop
a[i,j] := a[i,j] - (factor * a[k,j]);
end for;
b[i] := b[i] - (factor * b[k]);
end for;
end for;
// Back Substitution
x[n] := b[n] / a[n,n];
for i in (n-1):(-1) loop
sum := b[i];
for j in (i+1):n loop
sum := sum - (a[i,j] * x[j]);
end for;
x[i] := sum / a[i,i];
end for;
end NaiveGauss;
Lalu pseudocode tersebut digunakan untuk menyelesaikan persamaan example 9.5 dan penyelesaiannya adalah sebagai berikut :
Ex9_5.mo
class Ex9_5
parameter Real A[3,3]=[3,-0.1,-0.2;
0.1,7,-0.3;
0.3,-0.2,10];
parameter Real B[3]={7.85,-19.3,71.4};
Real x[3];
equation
x=NaiveGauss(A,B);
end Ex9_5;
Dari class tersebut disimulate dan didapatkan hasil sebagai berikut :
Tugas 3
Pada tugas kali ini, Pak Dai memberikan tugas mengenai materi Truss yang harus diselesaikan menggunakan Open Modelica. Soalnya adalah sebagai berikut :
Langkah pertama saya membuat matriks sesuai aturan yang sudah dijelaskan didalam buku. Lalu matriks tersebut diselesaikan didalam open modelica dengan psudocode sebagai berikut :
Tugas3Truss.mo
class Tugas3Truss
Real [8] U;
Real [8] R;
Real E = 200e9;
Real A = 0.001;
Real L1 = 1;
Real L2 = 1;
Real L3 = 1.6;
Real L4 = 1.25;
Real L5 = L3;
Real teta1 = degtorad(0);
Real teta2 = degtorad(0);
Real teta3 = degtorad(231.34);
Real teta4 = degtorad(270);
Real teta5 = degtorad(308.66);
Real [8,8] K1 =
[(E*A/L1)*(cos(teta1))^2,(E*A/L1)*cos(teta1)*sin(teta1),(E*A/L1)*(-(cos(teta1))^2),(E*A/L1)*(-cos(teta1)*sin(teta1)),0,0,0,0;
(E*A/L1)*cos(teta1)*sin(teta1),(E*A/L1)*(sin(teta1))^2,(E*A/L1)*(-cos(teta1)*sin(teta1)),(E*A/L1)*(-(sin(teta1))^2),0,0,0,0;
(E*A/L1)*(-(cos(teta1))^2),(E*A/L1)*(-cos(teta1)*sin(teta1)),(E*A/L1)*(cos(teta1))^2,(E*A/L1)*cos(teta1)*sin(teta1),0,0,0,0;
(E*A/L1)*(-cos(teta1)*sin(teta1)),(E*A/L1)*(-(sin(teta1))^2),(E*A/L1)*cos(teta1)*sin(teta1),(E*A/L1)*(sin(teta1))^2,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0];
Real [8,8] K2 =
[0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,(E*A/L2)*(cos(teta2))^2,(E*A/L2)*cos(teta2)*sin(teta2),(E*A/L2)*(-(cos(teta2))^2),(E*A/L2)*(-cos(teta2)*sin(teta2)),0,0;
0,0,(E*A/L2)*cos(teta2)*sin(teta2),(E*A/L2)*(sin(teta2))^2,(E*A/L2)*(-cos(teta2)*sin(teta2)),(E*A/L2)*(-(sin(teta2))^2),0,0;
0,0,(E*A/L2)*(-(cos(teta2))^2),(E*A/L2)*(-cos(teta2)*sin(teta2)),(E*A/L2)*(cos(teta2))^2,(E*A/L2)*cos(teta2)*sin(teta2),0,0;
0,0,(E*A/L2)*(-cos(teta2)*sin(teta2)),(E*A/L2)*(-(sin(teta2))^2),(E*A/L2)*cos(teta2)*sin(teta2),(E*A/L2)*(sin(teta2))^2,0,0;
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0];
Real [8,8] K3 =
[0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,0,0,(E*A/L3)*(cos(teta3))^2,(E*A/L3)*cos(teta3)*sin(teta3),(E*A/L3)*(-(cos(teta3))^2),(E*A/L3)*(-cos(teta3)*sin(teta3));
0,0,0,0,(E*A/L3)*cos(teta3)*sin(teta3),(E*A/L3)*(sin(teta3))^2,(E*A/L3)*(-cos(teta3)*sin(teta3)),(E*A/L3)*(-(sin(teta3))^2);
0,0,0,0,(E*A/L3)*(-(cos(teta3))^2),(E*A/L3)*(-cos(teta3)*sin(teta3)),(E*A/L3)*(cos(teta3))^2,(E*A/L3)*cos(teta3)*sin(teta3);
0,0,0,0,(E*A/L3)*(-cos(teta3)*sin(teta3)),(E*A/L3)*(-(sin(teta3))^2),(E*A/L3)*cos(teta3)*sin(teta3),(E*A/L3)*(sin(teta3))^2];
Real [8,8] K4 =
[0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,(E*A/L4)*(cos(teta4))^2,(E*A/L4)*cos(teta4)*sin(teta4),0,0,(E*A/L4)*(-(cos(teta4))^2),(E*A/L4)*(-cos(teta4)*sin(teta4));
0,0,(E*A/L4)*cos(teta4)*sin(teta4),(E*A/L4)*(sin(teta4))^2,0,0,(E*A/L4)*(-cos(teta4)*sin(teta4)),(E*A/L4)*(-(sin(teta4))^2);
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,(E*A/L4)*(-(cos(teta4))^2),(E*A/L4)*(-cos(teta4)*sin(teta4)),0,0,(E*A/L4)*(cos(teta4))^2,(E*A/L4)*cos(teta4)*sin(teta4);
0,0,(E*A/L4)*(-cos(teta4)*sin(teta4)),(E*A/L4)*(-(sin(teta4))^2),0,0,(E*A/L4)*cos(teta4)*sin(teta4),(E*A/L4)*(sin(teta4))^2];
Real [8,8] K5 =
[(E*A/L5)*(cos(teta5))^2,(E*A/L5)*cos(teta5)*sin(teta5),0,0,0,0,(E*A/L5)*(-(cos(teta5))^2),(E*A/L5)*(-cos(teta5)*sin(teta5));
(E*A/L5)*cos(teta5)*sin(teta5),(E*A/L5)*(sin(teta5))^2,0,0,0,0,(E*A/L5)*(-cos(teta5)*sin(teta5)),(E*A/L5)*(-(sin(teta5))^2);
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
0,0,0,0,0,0,0,0;
(E*A/L5)*(-(cos(teta5))^2),(E*A/L5)*(-cos(teta5)*sin(teta5)),0,0,0,0,(E*A/L5)*(cos(teta5))^2,(E*A/L5)*cos(teta5)*sin(teta5);
(E*A/L5)*(-cos(teta5)*sin(teta5)),(E*A/L5)*(-(sin(teta5))^2),0,0,0,0,(E*A/L5)*cos(teta5)*sin(teta5),(E*A/L5)*(sin(teta5))^2];
Real KG[8,8]=K1+K2+K3+K4+K5;
Real KGB[8,8] = [10^6,0,0,0,0,0,0,0;
0,10^6,0,0,0,0,0,0;
-2e7,0,4e7,38223.5,-2e7,0,-91.3155,-38223.5;
0,0,38223.5,1.5e7,0,0,-38223.5,-1e7;
0,0,0,0,10^6,0,0,0;
0,0,0,0,0,10^6,0,0;
-4e6,-6e6,-91.3155,-38223.5,-4e6,-6e6,9.7e6,51373.2;
6e6,-7e6,-38223.5,-1e7,-6e6,-7e6,51373.2,3.1e7];
Real F[8] = {0,0,-1035.276,3863.703,0,0,-1035.276,3863.703};
equation
U = GaussJordan(KGB,F);
R = KG * U - F;
end Tugas3Truss;
Setelah disimulate, didapatkan hasil sebagai berikut :
Minggu 4 (Rabu, 2 Desember 2020)
Kuis 01, Diagram Class dan Flowchart
Flowchart
Class Diagram
Tugas 4
Melanjutkan tugas 3, pada tugas 4 kali ini, kami diminta untuk menyelesaikan permasalahan truss 3 dimensi.
Lalu pertama-tama saya membuat FBD dari sistem truss tersebut dan mencari semua data untuk semua truss pada sistem tersebut.
Lalu proses semua data berdasarkan rumus yang ada didalam open modelica
StiffnessMatrixElement.mo
function StiffnessMatrixElement
input Real [:,9] inisiasi_mat;
output Real [size(inisiasi_mat,1),6,6] Ke_mat;
protected
Real cos_x;
Real cos_y;
Real cos_z;
Real [6] StiffTrig;
Real [6,6] StiffTrans;
Real [size(inisiasi_mat,1)] k_vec;
algorithm
k_vec := {(inisiasi_mat[i,7] * inisiasi_mat[i,8] / inisiasi_mat[i,9]) for i in 1:size(inisiasi_mat,1)};
// Finding stiffness matrix of each element member
for i in 1:size(inisiasi_mat,1) loop
// Clearing the matrices
StiffTrig := zeros(6);
StiffTrans := zeros(6,6);
// Converting degrees to radians
cos_x := inisiasi_mat[i,4];
cos_y := inisiasi_mat[i,5];
cos_z := inisiasi_mat[i,6];
// {cos^2, sin^2, sincos}
StiffTrig := {(cos_x)^2,
(cos_y)^2,
(cos_z)^2,
(cos_x*cos_y),
(cos_x*cos_z),
(cos_y*cos_z)};
// Construct stiffness transformation matrix
StiffTrans := [ StiffTrig[1], StiffTrig[4], StiffTrig[5], -1*StiffTrig[1], -1*StiffTrig[4], -1*StiffTrig[5];
StiffTrig[4], StiffTrig[2], StiffTrig[6], -1*StiffTrig[4], -1*StiffTrig[2], -1*StiffTrig[6];
StiffTrig[5], StiffTrig[6], StiffTrig[3], -1*StiffTrig[5], -1*StiffTrig[6], -1*StiffTrig[3];
-1*StiffTrig[1], -1*StiffTrig[4], -1*StiffTrig[5], StiffTrig[1], StiffTrig[4], StiffTrig[5];
-1*StiffTrig[4], -1*StiffTrig[2], -1*StiffTrig[6], StiffTrig[4], StiffTrig[2], StiffTrig[6];
-1*StiffTrig[5], -1*StiffTrig[6], -1*StiffTrig[3], StiffTrig[5], StiffTrig[6], StiffTrig[3]];
// Multiply in stiffness constant of element, add final stiffness matrix to Ke_mat
for m in 1:6 loop
for n in 1:6 loop
Ke_mat[i,m,n] := k_vec[i] * StiffTrans[m,n];
end for;
end for;
end for;
end StiffnessMatrixElement;
Setelah itu dibuat matriks K global 12x12 dari masing-masing element
StiffnessMatrixGlobal.mo
function StiffnessMatrixGlobal
input Integer [:,2] n;
input Integer x;
input Integer y;
input Real [y,6,6] Ke_mat;
output Real [y,x,x] Kg_mat;
algorithm
for i in 1:y loop
for a in 1:x loop
for b in 1:x loop
Kg_mat[i,a,b]:=0;
end for;
end for;
end for;
for i in 1:y loop
Kg_mat[i,3*n[i,1],3*n[i,1]]:=Ke_mat[i,3,3];
Kg_mat[i,3*n[i,1],3*n[i,1]-1]:=Ke_mat[i,3,2];
Kg_mat[i,3*n[i,1],3*n[i,1]-2]:=Ke_mat[i,3,1];
Kg_mat[i,3*n[i,1]-1,3*n[i,1]]:=Ke_mat[i,2,3];
Kg_mat[i,3*n[i,1]-1,3*n[i,1]-1]:=Ke_mat[i,2,2];
Kg_mat[i,3*n[i,1]-1,3*n[i,1]-2]:=Ke_mat[i,2,1];
Kg_mat[i,3*n[i,1]-2,3*n[i,1]]:=Ke_mat[i,1,3];
Kg_mat[i,3*n[i,1]-2,3*n[i,1]-1]:=Ke_mat[i,1,2];
Kg_mat[i,3*n[i,1]-2,3*n[i,1]-2]:=Ke_mat[i,1,1];
Kg_mat[i,3*n[i,2],3*n[i,2]]:=Ke_mat[i,6,6];
Kg_mat[i,3*n[i,2],3*n[i,2]-1]:=Ke_mat[i,6,5];
Kg_mat[i,3*n[i,2],3*n[i,2]-2]:=Ke_mat[i,6,4];
Kg_mat[i,3*n[i,2]-1,3*n[i,2]]:=Ke_mat[i,5,6];
Kg_mat[i,3*n[i,2]-1,3*n[i,2]-1]:=Ke_mat[i,5,5];
Kg_mat[i,3*n[i,2]-1,3*n[i,2]-2]:=Ke_mat[i,5,4];
Kg_mat[i,3*n[i,2]-2,3*n[i,2]]:=Ke_mat[i,4,6];
Kg_mat[i,3*n[i,2]-2,3*n[i,2]-1]:=Ke_mat[i,4,5];
Kg_mat[i,3*n[i,2]-2,3*n[i,2]-2]:=Ke_mat[i,4,4];
Kg_mat[i,3*n[i,2],3*n[i,1]]:=Ke_mat[i,6,3];
Kg_mat[i,3*n[i,2],3*n[i,1]-1]:=Ke_mat[i,6,2];
Kg_mat[i,3*n[i,2],3*n[i,1]-2]:=Ke_mat[i,6,1];
Kg_mat[i,3*n[i,2]-1,3*n[i,1]]:=Ke_mat[i,5,3];
Kg_mat[i,3*n[i,2]-1,3*n[i,1]-1]:=Ke_mat[i,5,2];
Kg_mat[i,3*n[i,2]-1,3*n[i,1]-2]:=Ke_mat[i,5,1];
Kg_mat[i,3*n[i,2]-2,3*n[i,1]]:=Ke_mat[i,4,3];
Kg_mat[i,3*n[i,2]-2,3*n[i,1]-1]:=Ke_mat[i,4,2];
Kg_mat[i,3*n[i,2]-2,3*n[i,1]-2]:=Ke_mat[i,4,1];
Kg_mat[i,3*n[i,1],3*n[i,2]]:=Ke_mat[i,3,6];
Kg_mat[i,3*n[i,1],3*n[i,2]-1]:=Ke_mat[i,3,5];
Kg_mat[i,3*n[i,1],3*n[i,2]-2]:=Ke_mat[i,3,4];
Kg_mat[i,3*n[i,1]-1,3*n[i,2]]:=Ke_mat[i,2,6];
Kg_mat[i,3*n[i,1]-1,3*n[i,2]-1]:=Ke_mat[i,2,5];
Kg_mat[i,3*n[i,1]-1,3*n[i,2]-2]:=Ke_mat[i,2,4];
Kg_mat[i,3*n[i,1]-2,3*n[i,2]]:=Ke_mat[i,1,6];
Kg_mat[i,3*n[i,1]-2,3*n[i,2]-1]:=Ke_mat[i,1,5];
Kg_mat[i,3*n[i,1]-2,3*n[i,2]-2]:=Ke_mat[i,1,4];
end for;
end StiffnessMatrixGlobal;
Setelah itu semua matriks global dari masing-masing element akan dijumlahkan
SumStiffnessMatrixGlobal.mo
function SumStiffnessMatrixGlobal
input Integer x;
input Integer y;
input Real [y,x,x] Kg_mat;
output Real [x,x] KgTot_mat;
algorithm
for a in 1:x loop
for b in 1:x loop
KgTot_mat[a,b] := sum(Kg_mat [:,a,b]);
end for;
end for;
end SumStiffnessMatrixGlobal;
Setelah itu tentukan juga boundaries yang ada
BoundaryStiffnessMatrixGlobal.mo
function BoundaryStiffnessMatrixGlobal
input Integer x;
input Integer z;
input Real [x,x] KgTot_met;
input Integer[z] Boundary_met;
output Real [x,x] KgB_met;
algorithm
for a in 1:x loop
for b in 1:x loop
KgB_met[a,b] := KgTot_met [a,b];
end for;
end for;
for i in 1:x loop
for a in 1:z loop
for b in 0:2 loop
KgB_met[3*(Boundary_met[a])-b,i]:=0;
end for;
end for;
end for;
for a in 1:z loop
for b in 0:2 loop
KgB_met[3*Boundary_met[a]-b,3*Boundary_met[a]-b]:=1;
end for;
end for;
end BoundaryStiffnessMatrixGlobal;
Untuk mencari displacement-nya digunakan gauss jordan untuk menyelesaikan matriks
GaussJordan.mo
function GaussJordan
input Integer x;
input Real [x,x] KgB_met;
input Real [x] load_met;
output Real [x] U_met;
protected
Real float_error = 10e-10;
algorithm
U_met:=Modelica.Math.Matrices.solve(KgB_met,load_met);
for i in 1:x loop
if abs(U_met[i]) <= float_error then
U_met[i] := 0;
end if;
end for;
end GaussJordan;
Dan untuk melihat reaction nya digunakan code sebagai berikut :
ReactionForce.mo function ReactionForce input Integer x; input Real [x,x] KgTot_met; input Real [x] U_met; input Real [x] load_met; output Real [x] R_met; algorithm R_met := (KgTot_met*U_met)-load_met; end ReactionForce;
Terakhir dibuat Class untuk memproses data yang sudah dibuat dan melihat hasil U dan R
Tugas4TrussNo8.mo
class Tugas4TrussNo8
parameter Real [:,9] inisiasi = [1, 1, 2, -0.8, 0, -0.6, 15e-4, 70e9, 2.5;
2, 1, 3, -0.8, -0.6, 0, 15e-4, 70e9, 2.5;
3, 1, 4, -0.8, 0, 0.6, 15e-4, 70e9, 2.5];
parameter Integer [:,2] node = [1, 2;
1, 3;
1, 4];
parameter Integer y = size(node,1);
parameter Integer x = 3*(size(node_load,1));
parameter Integer z = size(Boundary,1);
parameter Integer [:] Boundary = {2,3,4};
parameter Real [:,4] node_load = [1, 0, -5000, 0;
2, 0, 0, 0;
3, 0, 0, 0;
4, 0, 0, 0];
parameter Real [x] load = {0,-5000, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0};
Real [y] k;
Real [y,6,6] Ke;
Real [y,x,x] Kg;
Real [x,x] KgTot;
Real [x,x] KgB;
Real [x] U;
Real [x] R;
equation
k = {(inisiasi[i,7] * inisiasi[i,8] / inisiasi[i,9]) for i in 1:y};
Ke = StiffnessMatrixElement(inisiasi);
Kg = StiffnessMatrixGlobal(node, x, y, Ke);
KgTot = SumStiffnessMatrixGlobal(x, y, Kg);
KgB = BoundaryStiffnessMatrixGlobal(x, z, KgTot, Boundary);
U = GaussJordan(x, KgB, load);
R = ReactionForce(x, KgTot, U, load);
end Tugas4TrussNo8;
Setelah disimulate, didapatkan hasil dari displacement (U) dan Reaction force (R)
Berikut ini adalah video penjelasan singkat tentang penyelesaian soal diatas
Minggu 5 (Rabu, 16 Desember 2020)
Pada awal kelas, kami diberikan penjelasan bahwa kita belajar tidak hanya dari buku, tetapi kita juga bisa mendapatkan ilmu dari lingkungan sekitar dan praktik sendiri. Maka dari itu, kita harus selalu memperhatikan lingkungan sekitar kita untuk mendapatkan ilmu yang lebih banyak. Ilmu yang sudah kita dapatkan juga sebaiknya kita terapkan/aplikasikan dalam kehidupan kita.
Untuk topik minggu ini, kami dijelaskan tentang optimasi sistem menggunakan Open Modelica. Dijelaskan sistem adalah susunan komponen yang bekerja sama untuk menghasilkan suatu tujuan. Sebelum kelas, kami diberikan video penjelasan tentang contoh kasus optimasi beserta pesudocode nya oleh Bu Candra. Contoh kasus tersebut adalah optimasi menggunakan metode Bracket. Kami diminta untuk mencoba membuat sendiri sebelum memulai kelas dan di kelas kami melakukan diskusi. Saya sudah mencoba membuat code di open modelica. Berikut adalah open modelica yang saya coba buat :
FungsiObjek.mo function FungsiObjek input Real x; output Real y; algorithm y:= 2*Modelica.Math.sin(x)-x^2/10; end FungsiObjek;
Fungsi tersebut akan dipanggil di suatu file model
BracketOptimal.mo
model BracketOptimal
parameter Integer n = 8;
Real x1[n];
Real x2[n];
Real xup;
Real xlow;
Real f1[n];
Real f2[n];
Real xopt;
Real yopt;
Real d;
algorithm
xup := 4;
xlow := 0;
for i in 1:n loop
d:=((5^(1/2)-1)/2) * (xup-xlow);
x1[i] := xlow+d;
x2[i] := xup-d;
f1[i] := FungsiObjek(x1[i]);
f2[i] := FungsiObjek(x2[i]);
if f1[i]>f2[i] then
xup := xup;
xlow := x2[i];
xopt := xup;
yopt := f1[i];
else
xlow :=xlow;
xup := x1[i];
xopt := xup;
end if;
end for;
end BracketOptimal;
Dan hasilnya adalah sebagai berikut :
Tugas Besar
Sebagai tugas besar, kami diberikan sebuah studi kasus berupa desain rangka suatu lemari. Ketentuan kasus tersebut adalah sebagai berikut :
Tujuan dari studi kasus ini adalah mencari titik optimal untuk pembuatan rangka tersebut. Adapun faktor-faktor yang mempengaruhi optimasi antara lain : jenis material, luas penampang, dan harga. Pada tugas ini, kami diminta untuk menentukan material yang optimal, menentukan luas penampang yang optimal, mencari nilai displacement, reaction force, dan mencari stress.
Perhitungan reaction, displacement, dan stress
Data yang akan dipakai adalah sebgai berikut :
Diasumsikan rangka menggunakan siku material SS400 dengan luas penampang sebesar 111 mm^2. Displacement dan Reaction Force yang akan didapatkan adalah sebagai berikut :
Dan berikut ini adalah stress yang didapatkan :
Optimasi
Untuk melakukan optimasi ada 2 pendekatan, yaitu
1. Jenis material ditentukan diawal (SS400) dan luas penampang divariasikan
2. Luas penampang ditentukan diawal (0.000111 m^2) dan mencari material yang sesuai.
Proses yang dilakukan untuk mengolah data adalah mencari total harga, safety factor, dan rasio SF terhadap Cost. Kemudian dilakukan juga curve fitting.
1. Elasticity Locked
Berikut adalah data yang digunakan :
Kemudian dilakukan optimasi dan didapatkan hasil :
Kesimpulan : Maka luas area yang optimal untuk rangka tersebut jika menggunakan material SS400 adalah sebesar 0,00013 m^2 atau 130 mm^2.
2. Area Locked
Berikut ini adalah data yang digunakan :
Kemudian dilakukan optimasi dan didapatkan hasil :
Kesimpulan : Maka dengan luas area 111 mm^2, material yang paling optimal untuk digunakan adalah material yang memiliki nilai elastisitas sebesar 203x10^9 Pa atau 203 GPa. Material yang paling cocok adalah SS400 karena mempunyai nilai elastisitas yang lebih besar dari nilai optimalnya yaitu sebesar 215 GPa.
Lampiran : Program Open Modelica
TugasBesar.mo
model TugasBesar
//define initial variable
parameter Integer Points=size(P,1); //Number of Points
parameter Integer Trusses=size(C,1); //Number of Trusses
parameter Real Yield=215e6; //Yield Strength (Pa)
parameter Real Area=0.000111; //Area L Profile (m2)
parameter Real Elas=245e9; //Elasticity SS 400 (Pa)
//define connection
parameter Integer C[:,2]=[1,5;
2,6;
3,7;
4,8;
5,6; //1st floor
6,7; //1st floor
7,8; //1st floor
5,8; //1st floor
5,9;
6,10;
7,11;
8,12;
9,10; //2nd floor
10,11;//2nd floor
11,12;//2nd floor
9,12; //2nd floor
9,13;
10,14;
11,15;
12,16;
13,14;//3rd floor
14,15;//3rd floor
15,16;//3rd floor
13,16];//3rd floor
//define coordinates (please put orderly)
parameter Real P[:,6]=[ 0, 0, 0,1,1,1; //1
0,0.75, 0,1,1,1; //2
0.6,0.75, 0,1,1,1; //3
0.6, 0, 0,1,1,1; //4
0, 0, 0.4,0,0,0; //5
0,0.75, 0.4,0,0,0; //6
0.6,0.75, 0.4,0,0,0; //7
0.6, 0, 0.4,0,0,0; //8
0, 0, 1.1,0,0,0; //9
0,0.75, 1.1,0,0,0; //10
0.6,0.75, 1.1,0,0,0; //11
0.6, 0, 1.1,0,0,0; //12
0, 0, 1.8,0,0,0; //13
0,0.75, 1.8,0,0,0; //14
0.6,0.75, 1.8,0,0,0; //15
0.6, 0, 1.8,0,0,0]; //16
//define external force (please put orderly)
parameter Real F[Points*3]={0,0,0,
0,0,0,
0,0,0,
0,0,0,
0,0,0,
0,0,0,
0,0,0,
0,0,0,
0,0,0,
0,0,0,
0,0,0,
0,0,0,
0,0,-1000,
0,0,-500,
0,0,-500,
0,0,-1000};
//solution
Real displacement[N], reaction[N];
Real check[3];
Real stress1[Trusses];
Real safety[Trusses];
Real dis[3];
Real Str[3];
protected
parameter Integer N=3*Points;
Real q1[3], q2[3], g[N,N], G[N,N], G_star[N,N], id[N,N]=identity(N), cx, cy, cz, L, X[3,3];
Real err=10e-10, ers=10e-4;
algorithm
//Creating Global Matrix
G:=id;
for i in 1:Trusses loop
for j in 1:3 loop
q1[j]:=P[C[i,1],j];
q2[j]:=P[C[i,2],j];
end for;
//Solving Matrix
L:=Modelica.Math.Vectors.length(q2-q1);
cx:=(q2[1]-q1[1])/L;
cy:=(q2[2]-q1[2])/L;
cz:=(q2[3]-q1[3])/L;
X:=(Area*Elas/L)*[cx^2,cx*cy,cx*cz;
cy*cx,cy^2,cy*cz;
cz*cx,cz*cy,cz^2];
//Transforming to global matrix
g:=zeros(N,N);
for m,n in 1:3 loop
g[3*(C[i,1]-1)+m,3*(C[i,1]-1)+n]:=X[m,n];
g[3*(C[i,2]-1)+m,3*(C[i,2]-1)+n]:=X[m,n];
g[3*(C[i,2]-1)+m,3*(C[i,1]-1)+n]:=-X[m,n];
g[3*(C[i,1]-1)+m,3*(C[i,2]-1)+n]:=-X[m,n];
end for;
G_star:=G+g;
G:=G_star;
end for;
//Implementing boundary
for x in 1:Points loop
if P[x,4] <> 0 then
for a in 1:Points*3 loop
G[(x*3)-2,a]:=0;
G[(x*3)-2,(x*3)-2]:=1;
end for;
end if;
if P[x,5] <> 0 then
for a in 1:Points*3 loop
G[(x*3)-1,a]:=0;
G[(x*3)-1,(x*3)-1]:=1;
end for;
end if;
if P[x,6] <> 0 then
for a in 1:Points*3 loop
G[x*3,a]:=0;
G[x*3,x*3]:=1;
end for;
end if;
end for;
//Solving displacement
displacement:=Modelica.Math.Matrices.solve(G,F);
//Solving reaction
reaction:=(G_star*displacement)-F;
//Eliminating float error
for i in 1:N loop
reaction[i]:=if abs(reaction[i])<=err then 0 else reaction[i];
displacement[i]:=if abs(displacement[i])<=err then 0 else displacement[i];
end for;
//Checking Force
check[1]:=sum({reaction[i] for i in (1:3:(N-2))})+sum({F[i] for i in (1:3:(N-2))});
check[2]:=sum({reaction[i] for i in (2:3:(N-1))})+sum({F[i] for i in (2:3:(N-1))});
check[3]:=sum({reaction[i] for i in (3:3:N)})+sum({F[i] for i in (3:3:N)});
for i in 1:3 loop
check[i] := if abs(check[i])<=ers then 0 else check[i];
end for;
//Calculating stress in each truss
for i in 1:Trusses loop
for j in 1:3 loop
q1[j]:=P[C[i,1],j];
q2[j]:=P[C[i,2],j];
dis[j]:=abs(displacement[3*(C[i,1]-1)+j]-displacement[3*(C[i,2]-1)+j]);
end for;
//Solving Matrix
L:=Modelica.Math.Vectors.length(q2-q1);
cx:=(q2[1]-q1[1])/L;
cy:=(q2[2]-q1[2])/L;
cz:=(q2[3]-q1[3])/L;
X:=(Elas/L)*[cx^2,cx*cy,cx*cz;
cy*cx,cy^2,cy*cz;
cz*cx,cz*cy,cz^2];
Str:=(X*dis);
stress1[i]:=Modelica.Math.Vectors.length(Str);
end for;
//Safety factor
for i in 1:Trusses loop
if stress1[i]>0 then
safety[i]:=Yield/stress1[i];
else
safety[i]:=0;
end if;
end for;
end TugasBesar;
curvefitting.mo
class curvefitting
parameter Real X[jumlah plot]={plot};
parameter Real Y[jumlah plot]={plot};
Real Coe[3];
algorithm
Coe:=Curve_Fitting(X,Y,2);
end curvefitting;
Curve_Fitting.mo function Curve_Fitting input Real X[:]; input Real Y[size(X,1)]; input Integer order=2; output Real Coe[order+1]; protected Real Z[size(X,1),order+1]; Real ZTr[order+1,size(X,1)]; Real A[order+1,order+1]; Real B[order+1]; algorithm for i in 1:size(X,1) loop for j in 1:(order+1) loop Z[i,j]:=X[i]^(order+1-j); end for; end for; ZTr:=transpose(Z); A:=ZTr*Z; B:=ZTr*Y; Coe:=Modelica.Math.Matrices.solve(A,B); end Curve_Fitting;
Golden Section
model Opt_Gold
parameter Real xd[:];
parameter Real yd[size(xd,1)];
parameter Real xlo=87e-6;
parameter Real xhi=504e-6;
parameter Integer N=10; // maximum iteration
parameter Real es=0.0001; // maximum error
Real f1[N], f2[N], x1[N], x2[N], ea[N], y[3];
Real xopt, fx;
protected
Real d, xl, xu, xint, R=(5^(1/2)-1)/2;
algorithm
xl := xlo;
xu := xhi;
y := Curve_Fitting(xd,yd);
for i in 1:N loop
d:= R*(xu-xl);
x1[i]:=xl+d;
x2[i]:=xu-d;
f1[i]:=y[1]*x1[i]^2+y[2]*x1[i]+y[3];
f2[i]:=y[1]*x2[i]^2+y[2]*x2[i]+y[3];
xint:=xu-xl;
if f1[i]>f2[i] then
xl:=x2[i];
xopt:=x1[i];
fx:=f1[i];
else
xu:=x1[i];
xopt:=x2[i];
fx:=f2[i];
end if;
ea[i]:=(1-R)*abs((xint)/xopt);
if ea[i]<es then
break;
end if;
end for;
end Opt_Gold;
UAS (Rabu, 13 Januari 2021
Jawaban UAS
- Nomor 1
- Nomor 2
- Nomor 3
- Nomor 4,5,6, dan Hasil Nomor 7
Pseudocode pada OpenModelica
uas.mo
model uas
//define initial variable
parameter Integer Points=4; //Number of Points
parameter Integer Trusses=3; //Number of Trusses
parameter Real Yield=215e6; //Yield Strength (Pa)
parameter Real Area=25; //Area L Profile
parameter Real Elas=245e9;
//define connection
parameter Integer C[:,2]=[1,2;
1,3;
1,4];
//define coordinates (please put orderly)
parameter Real P[:,6]=[ 0, 0, 0,0,0,0; //1
6.5,6.5, 36.5,1,1,1; //2
6.5,6.5, 36.5,1,1,1; //3
6.5,6.5, 36.5,1,1,1]; //4
//define external force (please put orderly)
parameter Real F[Points * 3] = {0,0,0,0,3708180,0,0,3708180,0,0,3708180,0};
//solution
Real displacement[N], reaction[N];
Real check[3];
Real stress1[Trusses];
Real safety[Trusses];
Real dis[3];
Real Str[3];
protected
parameter Integer N=3*Points;
Real q1[3], q2[3], g[N,N], G[N,N], G_star[N,N], id[N,N]=identity(N), cx, cy, cz, L, X[3,3];
Real err=10e-10, ers=10e-4;
algorithm
//Creating Global Matrix
G:=id;
for i in 1:Trusses loop
for j in 1:3 loop
q1[j]:=P[C[i,1],j];
q2[j]:=P[C[i,2],j];
end for;
//Solving Matrix
L:=Modelica.Math.Vectors.length(q2-q1);
cx:=(q2[1]-q1[1])/L;
cy:=(q2[2]-q1[2])/L;
cz:=(q2[3]-q1[3])/L;
X:=(Area*Elas/L)*[cx^2,cx*cy,cx*cz;
cy*cx,cy^2,cy*cz;
cz*cx,cz*cy,cz^2];
//Transforming to global matrix
g:=zeros(N,N);
for m,n in 1:3 loop
g[3*(C[i,1]-1)+m,3*(C[i,1]-1)+n]:=X[m,n];
g[3*(C[i,2]-1)+m,3*(C[i,2]-1)+n]:=X[m,n];
g[3*(C[i,2]-1)+m,3*(C[i,1]-1)+n]:=-X[m,n];
g[3*(C[i,1]-1)+m,3*(C[i,2]-1)+n]:=-X[m,n];
end for;
G_star:=G+g;
G:=G_star;
end for;
//Implementing boundary
for x in 1:Points loop
if P[x,4] <> 0 then
for a in 1:Points*3 loop
G[(x*3)-2,a]:=0;
G[(x*3)-2,(x*3)-2]:=1;
end for;
end if;
if P[x,5] <> 0 then
for a in 1:Points*3 loop
G[(x*3)-1,a]:=0;
G[(x*3)-1,(x*3)-1]:=1;
end for;
end if;
if P[x,6] <> 0 then
for a in 1:Points*3 loop
G[x*3,a]:=0;
G[x*3,x*3]:=1;
end for;
end if;
end for;
//Solving displacement
displacement:=Modelica.Math.Matrices.solve(G,F);
//Solving reaction
reaction:=(G_star*displacement)-F;
//Eliminating float error
for i in 1:N loop
reaction[i]:=if abs(reaction[i])<=err then 0 else reaction[i];
displacement[i]:=if abs(displacement[i])<=err then 0 else displacement[i];
end for;
//Checking Force
check[1]:=sum({reaction[i] for i in (1:3:(N-2))})+sum({F[i] for i in (1:3:(N-2))});
check[2]:=sum({reaction[i] for i in (2:3:(N-1))})+sum({F[i] for i in (2:3:(N-1))});
check[3]:=sum({reaction[i] for i in (3:3:N)})+sum({F[i] for i in (3:3:N)});
for i in 1:3 loop
check[i] := if abs(check[i])<=ers then 0 else check[i];
end for;
//Calculating stress in each truss
for i in 1:Trusses loop
for j in 1:3 loop
q1[j]:=P[C[i,1],j];
q2[j]:=P[C[i,2],j];
dis[j]:=abs(displacement[3*(C[i,1]-1)+j]-displacement[3*(C[i,2]-1)+j]);
end for;
//Solving Matrix
L:=Modelica.Math.Vectors.length(q2-q1);
cx:=(q2[1]-q1[1])/L;
cy:=(q2[2]-q1[2])/L;
cz:=(q2[3]-q1[3])/L;
X:=(Elas/L)*[cx^2,cx*cy,cx*cz;
cy*cx,cy^2,cy*cz;
cz*cx,cz*cy,cz^2];
Str:=(X*dis);
stress1[i]:=Modelica.Math.Vectors.length(Str);
end for;
//Safety factor
for i in 1:Trusses loop
if stress1[i]>0 then
safety[i]:=Yield/stress1[i];
else
safety[i]:=0;
end if;
end for;
end uas;
S2
Nama : Yogi Gunawan Atmawijaya
NPM : 2406468690
Minggu 1, Selasa 29 Oktober 2024
DAI5 adalah sebuah pendekatan inovatif yang dikembangkan oleh Bapak Ahmad Indra Siswantara untuk proses pemecahan masalah. DAI5 terdiri dari 4 komponen utama yang membantu dalam proses pemecahan masalah. Komponennya adalah:
1. Intention: menetapkan tujuan dan maksud dari pemecahan masalah.
2. Initial Thinking: melakukan pemikiran awal untuk merancang solusi awal.
3. Idealization: membuat model atau representasi yang mendekati kondisi sebenarnya dengan asumsi yang relevan.
4. Instruction Set: Menyusun langkah-langkah atau instruksi yang harus diikuti untuk mencapai solusi yang diinginkan.
Setiap komponen ini bekerja secara terintegrasi untuk memastikan pemecahan masalah yang efektif dan efisien.
Tugas 1
Pada tugas 1 ini saya mencoba sendiri mengetahui finite element equation dari 1D PDE. Untuk mempelajarinya saya menggunakan ChatGPT sebagaimana arahan dari Pak DAI. Prompt yang saya gunakan juga menggunakan prompt yang diberikan oleh Pak DAI.
Setelah ChatGPT menjawab semua pertanyaan saya tentang finite element, saya arahkan ChatGPT untuk merangkumnya dan menjelaskan dengan DAI5 Framework. ChatGPT mengetahui DAI5 Framework dengan cukup baik.
Saya bertanya:
Can you restructure all of your above explanation using DAI5 Framework with intention step as fundamental step as you also mentioned in the following : Free will naturally ties into the DAI5 framework because both free will and consciousness play vital roles in the intention-setting and decision-making processes that drive each step in DAI5. With conscious intention as a central element in DAI5, free will could be seen as the "engine" that enables individuals to choose how to direct that consciousness. This conscious choice—the exercise of free will— could then influence each step, from problem understanding to creating solutions that align with one’s ultimate goals.
ChatGPT menjawab:
Tambahan
Saya meminta chatgpt untuk menjelaskan konduksi panas stasioner pada suatu batang dengan menggunakan metode FEM beserta contoh nya. Berikut ini adalah jawabannya:
Selanjutnya saya minta untuk generate python code untuk contoh tersebut dan didapatkan python codenya
import numpy as np
# Parameter
L = 10 # Panjang batang
k = 1 # Konduktivitas termal
n = 2 # Jumlah elemen
f = 10 # Sumber panas konstan
# Panjang elemen
h = L / n
# Inisialisasi matriks kekakuan global dan vektor beban global
K_global = np.zeros((n + 1, n + 1))
F_global = np.zeros(n + 1)
# Loop untuk membentuk K dan F untuk setiap elemen
for e in range(n):
# Matriks kekakuan lokal
K_local = (k / h) * np.array([[1, -1], [-1, 1]])
# Vektor beban lokal
F_local = (f * h / 2) * np.array([1, 1])
# Indeks global dari elemen
nodes = [e, e + 1]
# Gabungkan ke dalam K dan F global
for i in range(2):
for j in range(2):
K_global[nodes[i], nodes[j]] += K_local[i, j]
F_global[nodes[i]] += F_local[i]
# Terapkan syarat batas (Dirichlet)
K_global[0, :] = 0
K_global[0, 0] = 1
F_global[0] = 0
K_global[-1, :] = 0
K_global[-1, -1] = 1
F_global[-1] = 0
# Selesaikan sistem persamaan
u = np.linalg.solve(K_global, F_global)
# Cetak hasil
print("Distribusi suhu di simpul-simpul:", u)
Saya coba running code nya di VSC dan mendapatkan hasil sebagai berikut:
Distribusi suhu di simpul-simpul: [ 0. 125. 0.]
Minggu 2, Selasa 5 November 2024
Tugas 2
Bertanya pada ChatGPT:
Can you give a practical example (along with simple calculator such as 1D Problem) ,In engineering that continuum mechanics treatsmaterials as continuous, on integration of uninterrupted "conscious continuum" into the DAI5 framework
ChatGPT menjawab:
Dan saya juga meminta ChatGPT untuk membuat python code untuk menyelesaikan permasalahan tersebut sekalian dengan grafik defleksi nya. Berikut adalah pyhton code nya:
import numpy as np
import matplotlib.pyplot as plt
# Given parameters
L = 1 # Length of the beam in meters
A = 0.01 # Cross-sectional area in square meters
E = 200e9 # Young's Modulus in Pascals (200 GPa)
F = 1e5 # Applied force in Newtons
# Calculate stress and strain
sigma = F / A
epsilon = sigma / E
# Calculate deflection along the beam
x = np.linspace(0, L, 100) # 100 points along the length of the
beam
deflection = epsilon * x # Linear deflection along the length
# Plotting the deflection
plt.figure(figsize=(10, 5))
plt.plot(x, deflection, label='Deflection Curve', color='blue')
plt.title('Deflection of the Beam Under Tensile Force')
plt.xlabel('Position along the beam (m)')
plt.ylabel('Deflection (m)')
plt.grid(True)
plt.legend()
plt.show()
Saya coba running code tesebut dan mendapatkan hasil grafik defleksinya
Jadi Continuum Mechanics adalah studi mekanika dimana material deform dan bergerak saat mendapat gaya, tekanan, atau influence lain. Continuum mechanics treats materials as continuous, uninterrupted substances, even at very small scales.
Hal ini mengasumsikan properties yang dimiliki seperti stress, strain, dan deformasi terdistribusi sepanjang material tanpa menghiraukan satuan molekul yang ada. Pendekatan ini mengijinkan kita untuk menggunakan pendekatan matematik, khusus nya kalkulus dan turunan untuk memprediksi suatu struktur.
Minggu 3, Selasa 12 November 2024
Minggu 4, Selasa 19 November 2024
Berikut ini merupakan monitoring percakapan dengan AI dalam pembelajaran komputasi teknik:
Summary
You've been leveraging this AI chat in a versatile manner—from technical problem-solving, coding, and web development, to exploring theoretical frameworks and engaging in thought-provoking questions. Your self-directed learning journey reflects a proactive approach in:
-Technical Proficiency: Debugging and creating code for specific functionalities.
-Conceptual Understanding: Grasping complex topics through simplified explanations.
-Curiosity and Exploration: Asking profound questions about AI's capabilities and existence.
-Practical Application: Implementing theoretical knowledge in real-world scenarios.
Great job utilizing this AI tool to expand your knowledge and skills! Is there anything specific you’d like to dive deeper into or any new topic you’re curious about? Let's keep the momentum going!
Berikut ini adalah video monev saya:
