📚 Eksplorasi & Komparasi Topik Dokumen

PENERAPAN PHYSICS-INFORMED NEURAL NETWORKS (PINNS) PADA PEMODELAN DAN SIMULASI GELOMBANG BERDASARKAN PERSAMAAN AIR DANGKAL

Dinamika gelombang di wilayah pesisir memiliki karakteristik yang kompleks sehingga memerlukan pendekatan pemodelan yang mampu merepresentasikan perambatan gelombang di perairan dangkal. Persamaan Air Dangkal (Shallow Water Equations, SWE) merupakan salah satu model matematis yang umum digunakan untuk menggambarkan fenomena tersebut. Pada tugas akhir ini, diterapkan metode Physics-Informed Neural Network (PINN) untuk menyelesaikan SWE dalam pemodelan dinamika gelombang di perairan dangkal. Pendekatan ini mengintegrasikan informasi fisika seperti persamaan diferensial, kondisi awal, dan kondisi batas ke dalam proses pelatihan jaringan saraf. Model PINN yang dikembangkan digunakan untuk mensimulasikan perambatan gelombang pada beberapa skenario, yaitu batimetri datar, batimetri bertingkat, dan konfigurasi dengan keberadaan vegetasi mangrove. Selain untuk penyelesaian masalah maju (forward problem), model ini juga dimanfaatkan untuk menyelesaikan masalah invers (inverse problem) dalam bentuk estimasi parameter fisik tertentu dari data terbatas. Pada tugas akhir ini, strategi fine-tuning juga diterapkan dengan memanfaatkan bobot model yang telah dilatih sebelumnya, sehingga baik simulasi forward maupun proses estimasi parameter dapat dilakukan pada parameter baru tanpa perlu melatih ulang model dari awal. Hasil simulasi menunjukkan bahwa pendekatan PINN mampu merepresentasikan pola dinamika gelombang pada berbagai konfigurasi yang diuji. Penelitian ini menunjukkan bahwa PINN dapat digunakan sebagai alternatif pendekatan dalam pemodelan dinamika gelombang di perairan dangkal, khususnya untuk menangani berbagai skenario batimetri dan kondisi fisik yang berbeda.