Perpustakaan Digital ITB

Dengan berkembangannya penggunaan pembelajaran mesin dalam dinamika fluida, model berbasiskan autoencoder telah menjadi metode populer untuk mempelajari representasi dimensi rendah dari medan aliran berdimensi tinggi, dimana meningkatkan rekonstruksi akurasi masih menjadi fokus utama dalam riset bidang ini. Untuk hal tersebut, Fourier Neural Autoencoder telah dikembangkan, yaitu sebuah arsitektur autoencoder yang ditingkatkan dengan layer yang berbasiskan transformasi Fourier, terinspirasi dari Fourier Neural Operator untuk meningkatkan akurasi rekonstruksi. Untuk lebih meningkatkan kapabilatasnya, teknik hyperbolic feature mapping telah dikembangkan untuk meningkatkan kualitas ekstraksi feature. Untuk meninjau kemampuan model yang diajukan, varian variational dan non-variational dari model Fourier Neural Autoencoder juga dikembangkan dalam penelitian ini. Karena Fourier Neural Operator dan hyperbolic feature mapping dibuat independen terhadap satu sama lain, maka dapat dibentuk empat varian model yang dibentuk: Fourier Neural Autoencoder dengan dan tanpa hyperbolic feature mapping, untuk bentuk variational dan non-variational. Aliran melalui silinder tunggal dengan bilangan Reynolds 70 dijadikan sebagai kasus acuan untuk penelitian ini. Hasil yang diperoleh menunjukkan bahwasanya model yang diajukan memperoleh akurasi yang lebih tinggi dengan jumlah parameter yang lebih sedikit dibandingkan dengan autoencoder konvolusional standar. Kemudian model Fourier Neural Autoencoder dievaluasi dalam kasus aliran yang lebih kompleks, meliputi aliran Reynolds Averaged Navier Stokes tak tunak melalui airfoil NACA0012 pada bilangan Reynolds 1000 dan aliran melalui 2 silinder berdampingan dengan bilangan Reynolds 100. Hasil-hasil yang diperoleh menunjukkan bahwa model Fourier Neural Autoencoder beserta hyperbolic feature mapping meningkatkan akurasi dan mengurangi jumlah parameter dibandingkan dengan autoencoder standar.