Perpustakaan Digital ITB

Tesis ini menyajikan kerangka kerja pemodelan surrogate berbasis graf untuk memprediksi aliran fluida yang diatur oleh persamaan Navier–Stokes (NS) dan Reynolds-Averaged Navier–Stokes (RANS). Teknik orde-reduksi (ROM) tradisional, meski efektif pada domain terstruktur, kerap menghadapi kendala dalam menangani kompleksitas geometri dan nonlinieritas pada simulasi CFD fidelitas tinggi dengan mesh tak berstruktur. Untuk mengatasinya, diimplementasikan pendekatan Graph Convolutional Network (GCN) murni berbasis data—mengacu pada [1]—dengan modifikasi fungsi loss agar dapat belajar langsung dari representasi graf domain CFD. Berbeda dari ROM klasik yang memerlukan reduksi dimensi eksplisit, model ini memprediksi langsung medan seperti kecepatan dan tekanan pada mesh berbasis graf. Meski akurasi kuantitatif masih terbatas, khususnya dalam menangkap dinamika halus, model menunjukkan generalisasi yang menjanjikan terhadap berbagai rezim dan parameter aliran (misalnya bilangan Reynolds dan sudut serang), serta mengenali fenomena seperti lapisan batas dan bifurkasi. Hasil ini menyoroti potensi model sebagai surrogate yang skalabel dan bebas mesh untuk prediksi CFD fidelitas tinggi, dengan potensi peningkatan melalui penyempurnaan arsitektur dan strategi optimasi.