Perpustakaan Digital ITB

Persebaran panas pada daerah tertentu dideskripsikan oleh persamaan panas yang merupakan salah satu contoh persamaan diferensial parsial. Terdapat beberapa metode untuk memperoleh solusi dari persamaan diferensial parsial, yaitu metode analitik, metode beda hingga dengan skema Forward-Time Centered-Space (FTCS), serta Physics-Informed Neural Network (PINN). Telah dilakukan simulasi hasil persamaan panas menggunakan metode numerik FTCS dan PINN. Kemudian, berdasarkan hasil simulasi FTCS dan PINN, dilakukan visualisasi solusi persamaan panas serta penentuan nilai mean-squared error (MSE) untuk tiap metode. Hasil penyelesaian persamaan panas menggunakan PINN memiliki mean-squared error yang kecil jika dibandingkan dengan metode analitik. Dapat disimpulkan bahwa PINN secara umum bisa d?adikan salah satu alternatif untuk menyelesaikan persamaan diferensial parsial, khususnya persamaan panas. Salah satu keunggulan dari PINN adalah solusinya yang kontinu serta tidak terikat oleh kisi (grid). Selanjutnya, setelah dibandingkan performa PINN terhadap metode analitik dan FTCS, telah dipelajari penyelesaian persamaan panas 2 dimensi dengan sumber panas menggunakan Physics-Informed Neural Network (PINN). Dipelajari dua variasi keadaan, yaitu sumber panas di tengah domain dan sumber panas di pinggir domain. Setelah disimulasikan kedua variasi, diperoleh kesimpulan bahwa temperatur akan mengalami kenaikan dan menuju saturasi pada titik dengan jarak tertentu dari sumber panas. Titik yang lebih dekat dengan sumber panas akan mengalami saturasi pada temperatur yang lebih tinggi.