Perpustakaan Digital ITB

Banyak aplikasi menggunakan airfoil jenis simetris atau tak simetris, seperti perancangan sayap pesawat, turbin angin, dan perpindahan panas. Masing-masing airfoil memiliki koefisien aerodinamika yang berbeda-beda dan perlu perhitungan untuk mendapatkan perancangan airfoil yang optimal. Peneliti dan perekayasa menggunakan berbagai macam teknik atau metode untuk memperoleh koefisien aerodinamika, seperti koefisien gaya angkat dan hambat. Salah satu metode tersebut adalah metode prediksi yang efektif mengurangi waktu dan biaya. Dalam studi ini, kumpulan data latih diperoleh dari komputasi numerik berbasis partikel dengan Lattice Boltzmann Method (LBM). Kemudian, Convolutional Neural Networks (CNN) digunakan sebagai metode prediksi untuk mengetahui nilai koefisien gaya angkat dan hambat pada dua bilangan Reynolds (Re) yang berbeda. Di CNN, Citra airfoil sangat diperlukan. Citra airfoil diubah kedalam bentuk RGB melalui teknik Signed Distance Function (SDF). Di sisi lain, teknik SDF tidak dapat menjelaskan kondisi aliran yang berbeda-beda, dalam hal ini diwakili dengan Re. Untuk itu, teknik baru berupa Text-based Watermarking Method (TWM) diperkenalkan untuk membedakan Re = 500 dan Re = 1000. Masing-masing citra airfoil dilatih dan diuji coba untuk menghasilkan model latih melalui penggunaan modifikasi arsitektur LeNet-5. Hasil komputasi menunjukkan penggunaan CNN melalui terapan TWM pada SDF dapat memprediksi koefisien gaya angkat dan hambat airfoil untuk sudut serang dan Re yang berbeda.