Perpustakaan Digital ITB

Penelitian ini mengajukan penyelesaian persamaan aliran dua fasa tidak tercampur minyak–air yang bersifat mesh-free menggunakan kerangka kerja Physics- Informed Neural Networks (PINN). Jaringan saraf tiruan (JST) feedforward menjadi aproksimasi fungsi distribusi tekanan dan saturasi yang bersifat kontinu dengan mengintegrasikan persamaan diferensial parsial (PDP), kondisi batas, dan kondisi awal secara langsung ke dalam fungsi kerugian (loss function). Riset ini mangajukan dua macam strategi untuk mengimplementasikan kerangka kerja tersebut, yaitu pendekatan sequential dan pendekatan simultan (fully implicit) Metode sequential menggunakan dua JST terpisah memberikan aproksimasi terhadap fungsi distribusi tekanan dan saturasi dan dilatih secara berurutan. Pelatihan jaringan saraf menggunakan optimizer Broyden–Fletcher–Goldfarb– Shanno (BFGS) dan menghasilkan solusi konvergen dengan nilai mean square error (MSE) fungsi kerugian untuk PDP sebesar 5.8504E-10. Hasil simulasi divalidasi menggunakan solusi numerik dan menunjukkan kesesuaian yang tinggi. Pada metode simultan, PINN menyelesaikan distribusi tekanan dan saturasi secara bersamaan melalui satu JST. Penelitian ini menyusun tiga topologi jaringan yang dirancang untuk menguji interferensi antar variable ouput yaitu lapisan satu baris (N1), lapisan dua baris (N2), dan lapisan bercabang (NY). Solusi dibandingkan dengam simulator komersial (Eclipse©) dan menunjukkan NY mencapai kinerja terbaik dengan MSE kurang dari 1.0e-10 serta mampu mengurangi interferensi antara prediksi tekanan dan saturasi dan mempertahankan stabilitas. Hasil ini menunjukkan bahwa meskipun memerlukan biaya komputasi lebih tinggi, pendekatan berbasis PINN yang diusulkan memberikan solusi dengan akurasi tinggi pada masalah reservoir kompleks. Pendekatan mesh-free, menawarkan alternatif yang menjanjikan yang dapat diterapkan pada geometri beraturan maupun tidak beraturan.