User:Ranims

From ccitonlinewiki
Jump to: navigation, search

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!


DAI5 Frameworks DAI5 adalah kerangka kerja yang dikembangkan oleh Dr. Ahmad Indra Siswantara dari Departemen Teknik Mesin, Fakultas Teknik, Universitas Indonesia. Kerangka ini dirancang untuk memandu proses pemecahan masalah dengan menekankan kesadaran dan niat yang sadar dalam setiap langkahnya.

DAI5 terdiri dari lima komponen utama:

1. Intention (Niat): Langkah pertama yang menekankan pentingnya niat sadar sebagai pendorong utama dalam proses pemecahan masalah. Ini melibatkan pengakuan terhadap Sang Pencipta dan menetapkan tujuan yang jelas dalam setiap tindakan.

2. Initial Thinking (Pemikiran Awal): Fokus pada pemahaman mendalam tentang masalah yang dihadapi. Dengan niat yang sadar, kita dapat mengidentifikasi prinsip-prinsip dasar yang menjadi landasan solusi.

3. Idealization (Idealiasi): Membentuk asumsi yang realistis dan dapat diandalkan. Niat yang sadar membimbing pembuatan model ideal yang mendekati skenario nyata.

4. Instruction Set (Set Instruksi): Mengembangkan serangkaian instruksi yang komprehensif dan jelas untuk memecahkan masalah. Langkah ini mencakup interpretasi dan iterasi untuk memastikan solusi dieksekusi dengan presisi dan minimal kesalahan.

5. Interpretation and Iteration (Interpretasi dan Iterasi): Aspek yang terintegrasi dalam langkah Instruction Set untuk memfasilitasi penyempurnaan solusi secara berkelanjutan dan interpretasi hasil yang akurat.

Seluruh proses DAI5 didorong oleh niat yang sadar, memastikan setiap fase tetap selaras dengan tujuan yang lebih tinggi dalam memahami Sang Pencipta dan menerapkan pemahaman ini dalam pemecahan masalah praktis.


Penerapan Kerangka DAI5 Framework dalam Penelitian Sintesis PET menjadi MOF untuk Adsorpsi CO2 Berikut adalah implementasi langkah-langkah DAI5 Framework untuk penelitian :

1. Intention (Niat)

Langkah:

1. Tetapkan niat yang jelas untuk penelitian Anda.

2. Fokuskan tujuan pada tiga aspek utama: 

  o Ilmiah: Mengembangkan material berbasis MOF dari PET untuk meningkatkan kapasitas adsorpsi CO2.
  o Sosial dan Lingkungan: Mengurangi limbah plastik PET dan mengatasi masalah gas rumah kaca.
  o Spiritual/Ekologis: Melihat penelitian ini sebagai bentuk tanggung jawab terhadap alam dan manusia.

Penerapan:

• Formulasikan tujuan penelitian: "Penelitian ini bertujuan untuk menciptakan solusi inovatif dalam mitigasi perubahan iklim dengan pendekatan yang berkelanjutan melalui penggunaan limbah PET sebagai bahan dasar MOF untuk penangkapan CO2."

• Refleksi niat ini dalam setiap langkah penelitian untuk memastikan bahwa solusi yang Anda hasilkan berdampak positif bagi masyarakat dan lingkungan.

• Tuliskan dalam bagian pendahuluan penelitian untuk menegaskan tujuan mulia di balik riset ini.


2. Initial Thinking (Pemikiran Awal)

Langkah:

1. Identifikasi masalah: 

  o Mengapa PET dipilih sebagai bahan dasar?
  o Apa kelebihan MOF untuk adsorpsi CO2 dibandingkan material lain?
  o Bagaimana cara meningkatkan efisiensi adsorpsi CO2 melalui rekayasa material?

2. Lakukan tinjauan literatur: 

  o Studi tentang degradasi PET menjadi prekursor material berpori.
  o Pengaruh struktur MOF terhadap kapasitas adsorpsi CO2 (porositas, area permukaan, dll).

3. Identifikasi tantangan teknis: 

  o Apa kesulitan utama dalam proses konversi PET?
  o Bagaimana memastikan prosesnya ekonomis?

Penerapan:

• Lakukan analisis mendalam terhadap PET sebagai sumber karbon untuk sintesis MOF: 

 o Keuntungan: Limbah PET melimpah, biaya rendah.
 o Tantangan: Proses konversi PET menjadi material fungsional yang efektif.

• Kaji penelitian sebelumnya tentang MOF berbasis plastik dan adsorpsi gas rumah kaca.

• Identifikasi kesenjangan dalam penelitian sebelumnya untuk menentukan kontribusi baru.

• Susun hipotesis penelitian yang kuat berdasarkan data literatur.


3. Idealization (Idealasi)

Langkah:

1. Tetapkan asumsi untuk skenario ideal: 

  o PET dapat diubah menjadi prekursor yang kompatibel dengan sintesis MOF.
  o MOF yang dihasilkan memiliki struktur yang mendukung kapasitas adsorpsi tinggi.
  o Proses sintesis ekonomis dan ramah lingkungan.

2. Rancang metodologi ideal: 

  o Reaksi kimia efisien dengan hasil maksimal.
  o Parameter yang optimal (suhu, pH, katalis).

Penerapan:

• Asumsi dasar: PET diolah menjadi bahan dasar seperti tereftalat yang kompatibel dengan metode solvotermal untuk sintesis MOF.

• Model ideal: 

 o MOF memiliki luas permukaan >1000 m²/g.
 o Kapasitas adsorpsi CO2 mencapai >5 mmol/g pada kondisi standar.
 o Proses menghasilkan minimal limbah.

• Buat diagram alir proses untuk memvisualisasikan langkah ideal dari PET ke MOF hingga pengujian adsorpsi CO2.

Refleksi:

• Hubungkan niat sadar untuk memastikan bahwa penelitian dilakukan secara efisien dan tetap berorientasi pada keberlanjutan.


4. Instruction Set (Set Instruksi)

Langkah:

1. Rancang prosedur penelitian yang detail: 

  o Pengolahan PET:
    1. PET limbah diolah menjadi prekursor seperti asam tereftalat melalui proses glikolisis atau depolimerisasi.

    2. Bersihkan dan purifikasi prekursor untuk memastikan kemurnian tinggi.

  o Sintesis MOF:

    1. Campurkan prekursor PET dengan logam (seperti Zn atau Cu) dalam larutan reaksi solvotermal.

    2. Kontrol parameter (suhu, waktu, pH) untuk mendapatkan kristal MOF dengan kualitas optimal.

    3. Lakukan variasi kondisi sintesis untuk menentukan parameter terbaik.

  o Karakterisasi:

    1. Analisis struktur menggunakan XRD (X-ray Diffraction) untuk mengidentifikasi fase kristal.

    2. Pengukuran luas permukaan dengan BET (Brunauer-Emmett-Teller) untuk mengetahui porositas.

    3. Evaluasi kapasitas adsorpsi CO2 melalui isoterm adsorpsi-desorpsi.

    4. Lakukan analisis termogravimetri (TGA) untuk menilai stabilitas termal MOF.

Penerapan:

• Prosedur eksperimental harus didokumentasikan dengan cermat untuk memungkinkan reproduktifitas dan iterasi di masa depan.

• Pastikan proses sintesis dan karakterisasi minim limbah dan efisien secara energi.

• Buat panduan protokol laboratorium untuk setiap langkah eksperimen.


5. Interpretation and Iteration (Interpretasi dan Iterasi)

Langkah:

1. Interpretasi hasil: 

  o Analisis data karakterisasi (struktur MOF, kapasitas adsorpsi CO2).

  o Bandingkan hasil aktual dengan model ideal (Idealization).

  o Evaluasi keberhasilan berdasarkan target yang telah ditetapkan.

2. Iterasi: 

  o Jika hasil tidak sesuai ekspektasi, identifikasi penyebabnya melalui analisis data.

  o Ubah parameter reaksi (konsentrasi, suhu, katalis) dan ulangi eksperimen.

3. Pengembangan: 

  o Kembangkan formula baru atau tambahkan langkah untuk meningkatkan hasil.

Penerapan:

• Refleksi atas hasil: 

 o Apakah sintesis berhasil sesuai model ideal?

 o Apakah kapasitas adsorpsi memenuhi standar industri?

 o Apakah ada metode yang lebih efisien untuk meningkatkan kapasitas adsorpsi?

• Perbaiki metode berdasarkan analisis ini hingga mencapai hasil optimal.

• Buat laporan lengkap yang mencakup hasil, interpretasi, dan langkah iterasi untuk publikasi.


Kesimpulan:

Dengan penerapan DAI5 Framework, penelitian dapat terstruktur secara sistematis dan terarah. Kerangka ini memastikan bahwa setiap langkah tidak hanya berorientasi pada keberhasilan teknis, tetapi juga pada keberlanjutan, dampak sosial, dan tanggung jawab ilmiah. Refleksi niat sadar dalam setiap tahap memastikan hasil penelitian bermanfaat secara luas untuk lingkungan dan masyarakat. Tambahkan evaluasi jangka panjang terkait aplikasi MOF dalam skala industri untuk mengukur dampak nyata penelitian.


Berikut code html untuk proses Adsorpsi

<!DOCTYPE html> <html lang="en"> <head> 

   <meta charset="UTF-8">
   <meta name="viewport" content="width=device-width, initial-scale=1.0">
   <title>Langmuir Adsorption Simulation</title>
   <script src="https://cdn.jsdelivr.net/npm/chart.js"></script>

</head> <body>

Langmuir Adsorption Isotherm

   <form id="inputForm">
       <label for="q_max">Maximum Adsorption Capacity (q_max, mmol/g):</label>
       <input type="number" id="q_max" name="q_max" step="0.1" value="5" required>



       <label for="K_L">Langmuir Constant (K_L, bar^-1):</label>
       <input type="number" id="K_L" name="K_L" step="0.01" value="0.1" required>



       <label for="P_max">Maximum Pressure (P_max, bar):</label>
       <input type="number" id="P_max" name="P_max" step="1" value="10" required>



       <label for="P_sim">Simulation Pressure (P_sim, bar):</label>
       <input type="number" id="P_sim" name="P_sim" step="0.1" value="5" required>



       <label for="numParticles">Number of Particles (Monte Carlo):</label>
       <input type="number" id="numParticles" name="numParticles" step="100" value="1000" required>



       <button type="button" onclick="runSimulation()">Run Simulation</button>
   </form>

   <canvas id="langmuirChart" width="800" height="400"></canvas>

Monte Carlo Simulation Result

   <script>
       // Langmuir Isotherm Equation
       function langmuirIsotherm(P, q_max, K_L) {
           return (q_max * K_L * P) / (1 + K_L * P);
       }

       // Generate Pressure Range
       function generatePressureRange(P_max, steps) {
           const pressures = [];
           for (let i = 0; i <= steps; i++) {
               pressures.push((P_max / steps) * i);
           }
           return pressures;
       }

       // Plot Langmuir Isotherm (using Chart.js)
       function plotLangmuirIsotherm(pressures, adsorptionCapacities, q_max, K_L) {
           const ctx = document.getElementById('langmuirChart').getContext('2d');
           new Chart(ctx, {
               type: 'line',
               data: {
                   labels: pressures,
                   datasets: [{
                       label: `Langmuir Isotherm (q_max=${q_max} mmol/g, K_L=${K_L} bar^-1)`,
                       data: adsorptionCapacities,
                       borderColor: 'blue',
                       borderWidth: 2,
                       fill: false,
                   }],
               },
               options: {
                   responsive: true,
                   scales: {
                       x: {
                           title: {
                               display: true,
                               text: 'Pressure (bar)'
                           }
                       },
                       y: {
                           title: {
                               display: true,
                               text: 'Adsorption Capacity (mmol/g)'
                           }
                       }
                   },
               },
           });
       }

       // Monte Carlo Simulation for Adsorption
       function monteCarloAdsorption(numParticles, q_max, P, K_L) {
           let adsorbedParticles = 0;

           for (let i = 0; i < numParticles; i++) {
               const adsorptionProb = (K_L * P) / (1 + K_L * P);
               if (Math.random() < adsorptionProb) {
                   adsorbedParticles++;
               }
           }

           const adsorbedCapacity = (adsorbedParticles * q_max) / numParticles;
           return adsorbedCapacity;
       }

       // Run Simulation
       function runSimulation() {
           const q_max = parseFloat(document.getElementById('q_max').value);
           const K_L = parseFloat(document.getElementById('K_L').value);
           const P_max = parseFloat(document.getElementById('P_max').value);
           const P_sim = parseFloat(document.getElementById('P_sim').value);
           const numParticles = parseInt(document.getElementById('numParticles').value);

           // Generate data for Langmuir Isotherm
           const pressures = generatePressureRange(P_max, 100);
           const adsorptionCapacities = pressures.map(P => langmuirIsotherm(P, q_max, K_L));

           // Plot the isotherm
           plotLangmuirIsotherm(pressures, adsorptionCapacities, q_max, K_L);

           // Monte Carlo Simulation
           const adsorbedCapacity = monteCarloAdsorption(numParticles, q_max, P_sim, K_L);
           document.getElementById('monteCarloResult').textContent = `Simulated Adsorption Capacity at ${P_sim} bar: ${adsorbedCapacity.toFixed(2)} mmol/g`;
       }
   </script>

</body> </html>


Penjelasan:

masukkan nilai parameter secara manual melalui formulir. Anda dapat memasukkan nilai untuk 𝑞𝑚𝑎𝑥, 𝐾𝐿, tekanan maksimum (𝑃𝑚𝑎𝑥), tekanan simulasi (𝑃𝑠𝑖𝑚), dan jumlah partikel untuk simulasi Monte Carlo. Klik tombol Run Simulation untuk menjalankan simulasi dan memperbarui grafik serta hasil Monte Carlo.


1. Tekanan Maksimal (P_max):

Mengontrol rentang tekanan untuk grafik isoterm.

Jika ingin mengganti, modifikasi nilai P_max di dalam kode.


2. Kapasitas Maksimum dan Konstanta Langmuir (q_max, K_L):

Menggambarkan sifat adsorben.

Modifikasi nilai ini untuk material berbeda.


3. Tekanan Simulasi (P_sim):

Dapat diubah untuk melihat kapasitas adsorpsi pada tekanan tertentu.


4. Jumlah Partikel Monte Carlo (numParticles):

Mengontrol akurasi simulasi probabilistik. Semakin besar nilai ini, semakin akurat hasilnya.

Retrieved from "http://air.eng.ui.ac.id/index.php?title=User:Ranims&oldid=77132"