Pengembangan Model ANN untuk Analisis Multiphysics Struktur Komposit sebagai Alternatif Metode Finite Element - by - Wahyu Purnawirawan

Tugas Besar UAS - Pengembangan Model ANN untuk Analisis Multiphysics Struktur Komposit sebagai Alternatif Metode Finite Element

Dalam berbagai aplikasi teknik seperti industri dirgantara, otomotif, dan energi, analisis struktur komposit menjadi sangat penting karena kombinasi material yang kompleks. Namun, analisis elemen hingga (finite element analysis/FEM) untuk kasus multiphysics (misalnya, termal dan mekanis) pada struktur komposit sangat rumit dan memerlukan waktu komputasi yang signifikan. Proyek ini bertujuan untuk mempercepat proses analisis tersebut dengan mengimplementasikan pendekatan berbasis Artificial Neural Network (ANN) yang telah terlatih untuk memprediksi hasil FEM pada kondisi tertentu.

Proyek ini menggunakan kerangka kerja DAI5 untuk merancang solusi berbasis ANN yang mampu menyelesaikan masalah studi kasus multiphysics FEM, dengan fokus pada beban termal dan mekanis secara bersamaan pada struktur komposit. Kerangka kerja DAI5 ini terdiri dari langkah-langkah berikut:

1. Inisiator (Inisiasi Proyek): Kesadaran dari subjek yang melakukan studi (Deep Awareness of I). Dalam konteks ini, adalah kesadaran subjek untuk memahami tujuan utama dan alasan melakukan studi finite element dan multiphysics yang menggunakan metode artificial neural network (ANN).

a). Kesadaran Terhadap Kompleksitas Masalah: Memahami bahwa simulasi multiphysics melibatkan interaksi yang kompleks antara berbagai fenomena fisik (seperti termal, mekanik, dan elektromagnetik), yang sering kali tidak dapat diselesaikan secara eksak. Dengan ANN, diharapkan studi ini akan menemukan pola yang dapat memudahkan pemecahan masalah ini.

b). Kebutuhan akan Pendekatan Alternatif: Memiliki kesadaran bahwa metode tradisional terkadang tidak memadai dalam menangani kompleksitas multiphysics dan analisis elemen hingga. ANN digunakan sebagai alat untuk melengkapi atau mempercepat solusi FEM dengan pola yang diekstraksi dari dataset yang ada.

c). Kesadaran Terhadap Dampak: Memahami bahwa penerapan ANN dalam studi ini berpotensi mempercepat proses simulasi dan memberikan hasil yang lebih akurat di industri, seperti permesinan, konstruksi, atau biomedis.

2.Intention/Niat (Tujuan dan Sasaran) : Mengidentifikasi tujuan spesifik dari proyek, termasuk sasaran yang diukur dalam hal akurasi model ANN, pengurangan waktu komputasi, dan efisiensi proses prediksi dibandingkan dengan metode FEM konvensional. Misalnya, tujuan utamanya adalah mencapai akurasi prediksi tegangan termal dan mekanis di atas 95% dengan waktu komputasi 10 kali lebih cepat.

a). Studi Kasus: Struktur komposit berbentuk plat datar yang menerima beban termal dari satu sisi dan beban mekanis dari sisi lain. Analisis FEM dilakukan untuk mendapatkan distribusi tegangan dan deformasi di dalam struktur plat komposit akibat perpaduan beban tersebut (masuk initial thinking).

b). Implementasi Teknis: Menggunakan software FEM (seperti Abaqus atau ANSYS) untuk menghasilkan dataset, lalu menggunakan pustaka machine learning seperti TensorFlow atau PyTorch untuk melatih model ANN.

c). Evaluasi dan Visualisasi Hasil: Hasil dari ANN dibandingkan dengan hasil FEM untuk memvalidasi akurasi prediksi. Visualisasi dibuat untuk menunjukkan distribusi tegangan dan deformasi pada struktur.

Output yang Diharapkan:

1. Model ANN yang Optimal: Sebuah model ANN yang dapat memprediksi hasil analisis FEM dengan akurasi tinggi dalam waktu yang lebih singkat.

2. Penghematan Waktu dan Biaya: Dengan menggunakan ANN sebagai metode prediktif, pengurangan signifikan dalam waktu komputasi diharapkan, yang juga mengurangi biaya pemrosesan dan sumber daya komputasi.

3. Framework DAI5 untuk Optimasi Model ANN pada Studi Multiphysics: Panduan berbasis DAI5 yang dapat digunakan kembali untuk proyek analisis struktur komposit lainnya.

3. Initial Thinking/Pemikiran Awal (Pendekatan dan Penelitian Awal)

A.Finite Element Method (FEM): Finite Element Method (FEM) merupakan teknik numerik yang digunakan untuk menyelesaikan masalah kompleks dalam mekanika struktur, perpindahan panas, elektromagnetisme, dan lain-lain. Konsep dasar dari FEM adalah membagi suatu domain kontinu menjadi elemen-elemen diskrit yang lebih kecil dan menyelesaikan persamaan diferensial parsial (PDE) untuk masing-masing elemen.

• Governing Equation: Masalah yang umum dalam FEM dapat dituliskan sebagai persamaan diferensial parsial:

di mana 𝐿 adalah operator diferensial yang berlaku pada variabel lapangan 𝑢, dan 𝑓 adalah fungsi sumber. Sebagai contoh:

o Untuk masalah struktural, 𝐿(𝑢) dapat berupa operator elastisitas.
o Untuk masalah termal, 𝐿(𝑇) = −∇*(𝑘∇𝑇)

• Weak Formulation: Agar persamaan ini dapat diselesaikan menggunakan FEM, persamaan perlu ditransformasikan ke dalam bentuk lemah atau variational, di mana fungsi uji 𝑣 digunakan untuk mengalikan kedua sisi persamaan:

B. Artificial Neural Network (ANN) dalam Multiphysics FEM: Penggunaan ANN dalam FEM bertujuan untuk mempercepat komputasi dan memprediksi hasil untuk studi multiphysics dengan pendekatan pembelajaran. Dalam studi multiphysics, ANN dapat digunakan untuk mengaproksimasi hubungan antar-parameter atau bahkan menggantikan solver numerik di bawah kondisi tertentu.

• Input dan Output: ANN menerima input berupa parameter-parameter fisik (misalnya, tekanan, suhu, tegangan) dan menghasilkan prediksi untuk parameter keluaran tertentu seperti perpindahan, distribusi suhu, atau tegangan termal. • Training Data: Data pelatihan ANN dihasilkan dari hasil simulasi FEM atau data eksperimen, yang mencakup variabel input-output yang relevan. ANN dilatih menggunakan data ini untuk mengenali pola dalam sistem multiphysics tersebut.

C. Formula dan Rumus dalam Studi Kasus  Rumus Dasar FEM untuk Analisis Struktural dan Termal:

• Struktural:

Di mana [𝐾] adalah matriks kekakuan, {𝑢} adalah vektor perpindahan, dan {𝐹} adalah vektor gaya.

• Termal:

Di mana [𝐾thermal] adalah matriks konduktivitas termal, {𝑇} adalah vektor suhu, dan {𝑄} adalah vektor sumber panas.

• Persamaan untuk Tegangan Termal:

Di mana 𝜎_thermal adalah tegangan termal, 𝐸 adalah modulus elastisitas, 𝛼 adalah koefisien ekspansi termal, dan 𝑇0 adalah suhu referensi.

• Fungsi Aktivasi dan Fungsi Kehilangan dalam ANN: ANN umumnya menggunakan fungsi aktivasi seperti ReLU atau sigmoid, dan fungsi kehilangan Mean Squared Error (MSE) untuk optimasi jaringan.

D. Integrasi ANN dan FEM dalam Studi Multiphysics ANN diintegrasikan dengan FEM melalui pendekatan hibrida di mana ANN digunakan untuk: • Memperkirakan Parameter Material: ANN dilatih untuk memprediksi parameter material yang sulit ditentukan langsung. • Mempercepat Solusi: ANN dapat dipelajari dari data FEM yang sudah ada dan memberikan solusi cepat tanpa perlu menyelesaikan ulang persamaan FEM. • Pembelajaran dari Simulasi Multiphysics: ANN mempelajari pola interaksi antara fenomena yang berbeda, misalnya hubungan antara tegangan mekanis dan distribusi suhu dalam kasus termomekanik. o Data Generation: Membuat dataset berbasis simulasi FEM pada struktur komposit dengan berbagai kondisi beban termal dan mekanis. Dataset ini akan digunakan untuk melatih dan menguji model ANN. o Feature Engineering: Menentukan parameter input (fitur) untuk ANN, seperti suhu, tekanan, material properties, dan boundary conditions dari elemen komposit. o Model Selection: Memilih arsitektur ANN yang tepat (misalnya multilayer perceptron, CNN, atau RNN) dan menetapkan algoritma optimisasi untuk melatih ANN.