Perpustakaan Digital ITB

Penelitian ini dilakukan untuk menerapkan teknik surrogate modelling berbasis machine learning untuk mereplikasi hasil simulasi computational fluid dynamics (CFD) pada kendaraan, dengan metode yang digunakan merupakan modifikasi dari kajian TripNet agar bisa dijalankan pada Google Colab. Geometri kendaraan direpresentasikan menggunakan triplanes atau potongan-potongan geometri dua dimensi yang digenerasi melalui Neural Field Diffusion (NFD) dan dimodifikasi melalui penyesuaian algoritma neural network yang digunakan. Representasi ini digunakan sebagai masukan bagi dua model utama yakni convolutional neural network (CNN) untuk prediksi koefisien gesekan udara dan kombinasi U-Net–MLP untuk pemodelan velocity flow field dan surface pressure. Hasil eksperimen menunjukkan bahwa model CNN menghasilkan % MAE sebesar 1.45% dengan koefisien determinasi R² ~0.80 untuk prediksi koefisien gesekan udara. Sementara itu, model U-Net–MLP menghasilkan % MAE rata-rata sebesar 15.71% untuk velocity flow field dan 16.85% untuk surface pressure. Dibandingkan dengan studi TripNet, perbedaan terutama muncul dari teknik normalisasi yang digunakan, di mana penelitian ini menekankan preservasi data untuk memodelkan nilai ekstrem meskipun berdampak pada penurunan akurasi di daerah bernilai kecil. Selain itu, triplanes yang teradaptasi juga berperan dalam perbedaan dengan hasil TripNet ini di mana triplanes yang diperoleh lebih rendah secara detil dan noisy dibandingkan hasil pada TripNet. Hasil ini menunjukkan bahwa surrogate modelling berbasis ML memiliki potensi sebagai alternatif komputasi CFD yang lebih ringan sekaligus menyoroti adanya kompromi antara akurasi di nilai ekstrem dan akurasi di nilai kecil beserta kompromi performa terhadap kualitas dalam generasi triplanes.