2, April 2002
108
109
FA
TF
Gambar 1. Neuron artifisial. S menyatakan penjumlahan dengan bobot tertentu. FA menyatakan Fungsi Aktivasi dan TF menyatakan Fungsi Transfer. Pada Gambar 1 terlihat ada empat garis masukan, sebenarnya jumlah masukan mungkin saja N buah dengan N 1 dan N berupa bilangan bulat. Kemudian neuron akan melakukan penjumlahan dengan pembobotan tertentu ini diberi tanda S. Masukan total ini akan diubah oleh fungsi aktivasi menjadi harga aktivasi. Akhirnya harga aktivasi ini akan diubah oleh fungsi transfer menjadi keluaran dari neuron artifisial tersebut. Keluaran ini akan menjadi masukan bagi neuron yang lain, dan seterusnya. Fungsi transfernya dapat bermacam-macam, misalnya fungsi linear, fungsi tangga, atau sigmoid. Sekarang kita tinjau sitem arsitektur neuron yang terdiri dari banyak lapis dan setiap neuron mempunyai N masukan dan satu keluaran yang harus "mempelajari" vektor masukan Ip, dan vektor sasaran Pp. Indeks p bergerak dari 1 sampai dengan N. Keluaran neuron ke i kita beri simbol Oi dan aktivasinya Ai. Jika fungsi transfernya TF maka: (1) Oi = TF(Ai) Secara matematis galatnya dapat ditulis sebagai berikut:
untuk menganalisis sistem neuron dan mengukuhkan bidang ini sebagai hard science. Perkembangan komputasi dengan memanfaatkan logika samar juga mempunyai banyak sumbangan karena komputasi ini dapat memanfaatkan pengetahuan kualitatif seorang pakar menjadi metoda komputasi yang kuantitatif dengan mengatur parameter yang ada dalam kaidah samar dengan data dari sistem yang dipelajari. Perkembangan selanjutnya menyatakan bahwa kaidah samar ini dapat dipetakan ke dalam JNA sehingga kita mengenal sistem baru ini sebagai sistem Neuro-Fuzzy. Contoh penerapan metoda ini untuk prediksi deret waktu1,6,7) dikenal sebagai ANFIS (adaptive neuro-fuzzy inference system). Ternyata secara umum sistem tsb. dapat diperluas menjadi sistem selular automata yang dapat dipakai untuk mensimulasi gempa, longsor, aliran fluida dan lain-lain.
3. Penerapan Selular Automata dalam Fluida
Model gas-kisi yang diperkenalkan oleh Frisch, Hasslacher, dan Pomeau pada tahun 1986 ini melakukan penyederhanaan persoalan dengan menggunakan diskretisasi ruang, waktu, dan kecepatan. Model ini sederhana9-11) yakni partikel partikel identik bermassa satu satuan bergerak dengan satu satuan kecepatan menempati titik kisi segitiga samasisi dan dalam setiap tumbukan dipenuhi hukum kekekalan massa dan momentum. Jumlah maksimum banyaknya partikel pada tiap titik kisi adalah 6 partikel dan hanya satu partikel bergerak pada tiap arahnya. Sebuah contoh evolusi dalam satu satuan waktu diilustrasikan pada Gambar 210).
E pi =
( Ppi O pi ) 2
E pi
i
Ep
p
(4) (c) Gambar 2. Sebuah ilustrasi evolusi dalam satu satuan waktu. Tanda panah menyatakan partikel yang bergerak dalam arah yang diberikan. (a) keadaan awal (b) memperlihatkan penjalaran (c) hasil perubahan arah gerak partikel akibat tumbukan Dengan demikian, arah gerak partikel adalah satu dari enam arah yang mungkin:
Dalam teknik propagasi balik perubahan pembobotan dihitung sebagai berikut. E harus dibuat minimum dengan mengubah pembobotan Wij. Perubahan Wij
p Wij = dE pi dWij
(5)
dengan tetapan belajar. Metoda seperti ini ternyata cukup ampuh untuk pengenalan pola, prediksi deret waktu, dan lain lain. Perkembangan yang penting dalam bidang ini dilakukan oleh Hopfield1) yang melihat analogi antara sistem JNA dengan sistem spin dalam medan magnetik, sehingga ia dapat menerapkan metoda mekanika statistik
110
n i ( x + c i , t + 1) = n i ( x, t ) + i [ni ( x, t )]
(7)
ni(x + ci, t + 1) adalah bilangan boolean yang menyatakan ada (1) atau tidak ada (0) partikel yang bergerak dari posisi tumbukan x ke posisi x+ci saat t+1. Sedangkan notasi ni(x,t) untuk partikel yang bergerak ke posisi tumbukan x dari arah ci pada saat t. Akhirnya, i[ni(x,t)] adalah operator tumbukan yang menggambarkan perubahan nilai ni(x,t); operator ini dapat bernilai 0, +1, atau 1. Jika tidak ada perubahan jumlah partikel dalam arah ci yang disebabkan oleh peristiwa tumbukan, yaitu jumlah partikel sebelum dan sesudah tumbukan dalam arah i tersebut adalah sama, maka i[ni(x,t)] = 0. Jika sebelum tumbukan tidak ada partikel yang bergerak dalam arah i dan setelah tumbukan menjadi ada sebuah partikel yang bergerak dalam arah i tersebut maka nilai operator i[ni(x,t)] = +1; sedangkan jika sebaliknya maka nilai operator tersebut adalah i[ni(x,t)]=-1. Pada setiap tumbukan berlaku hukum kekekalan massa dan kekekalan momentum yang dinyatakan berturut-turut oleh ungkapan:
i =1
dari sejumlah sistem kecil yang identik maka kita perlu menerapkan syarat bata periodik pada sistem kecil tersebut. Syarat batas ini menghubungkan ujung kiri kisi dengan ujung kanan dan ujung bawah kisi dengan ujung atas.
4. Contoh Penerapan Metode Selular Automata 4.1 Fungsi distribusi molekul-molekul gas dalam kesetimbangan
Diagram batang pada Gambar 4 dan 5 memperlihatkan nilai rata-rata dan simpangan baku dari 12 pengulangan percobaan. Angka pada sumbu horizontal menyatakan nilai tengah dari lebar sampel. Sumbu vertikal menyatakan banyaknya wakil grup partikel. Percobaan ini menggunakan 225 wakil grup partikel dari total 43200 partikel untuk menghasilkan fungsi distribusi13). Fitting data Gambar 4 terhadap persamaan analitik memberikan korelasi R2 = 0.999. Persamaan matematis kurva fitting adalah:
2 f (v x ) = 48.93 exp( 0.0099v x )
(9)
Hukum kekekalan massa menegaskan bahwa jumlah partikel (atau titik massa) sebelum dan sesudah tumbukan adalah sama atau tidak ada perubahan jumlah partikel. Jadi, total nilai operator tumbukan untuk ke-enam arahnya haruslah nol pada setiap posisi tumbukan.. Sedangkan, hukum kekekalan momentum menyatakan bahwa pada setiap posisi tumbukan tidak ada perubahan total momentum atau total momentum sesudah tumbukan adalah sama dengan sebelum tumbukan. Dengan demikian dapat dibuat tabel transformasi konfigurasi partikel yang menyatakan perubahan arah gerak partikel akibat tumbukan antar partikel. Ada dua kemungkinan aturan yang dapat digunakan untuk tumbukan antara partikel dengan titik materi (bagian dari suatu permukaan dinding atau penghalang diam), yaitu aturan Snellius dan terpantul balik (Gambar 3). Aturan Snellius biasanya digunakan untuk tumbukan partikel gas dengan dinding; sedangkan aturan terpantul balik lazim dipakai untuk syarat batas tak tergelincir cairan viskos yang kontak dengan dinding diam.
Fitting data Gambar 5 terhadap persamaan analitik memberikan korelasi R2 = 0.987 dengan persamaan matematis kurva fitting adalah:
f (v) = 9.0 v exp(0.0099v 2 ) (10)
Numerical data
Curve fitting
Gambar 4. Distribusi komponen kecepatan dalam arah sumbu-x dengan metode LGA.
60 50 N P(v) dv 40 30 20 10 0 1 3 5 7 9 11 13 15 17 19 21 23 25 v (lattice units per time step)
(a)
(b)
Gambar 3. Aturan tumbukan antara partikel dengan permukaan dinding. (a) aturan Snellius (b) aturan terpantul balik Dalam komputasi biasanya ditinjau sistem yang ukurannya jauh lebih kecil dari sistem nyatanya sehingga bagian yang dipelajari hanya merupakan sebuah sampel dari sistem yang besar. Jika sistem nyata merupakan deret
Numerical data
Curve fitting
111
gas
l
gas
(a)
Gas Gas
l
Gambar 7. Banyaknya partikel di bejana kanan sebagai fungsi waktu. Dinding penyekat sepenuhnya dibuka 3 satuan kisi ) pada langkah waktu (lebar celah 119 2 5000.
24000 20000 Nr (particles) 16000
(b) Gambar 6. Keadaan awal (a) dan akhir (b) model percobaan Gay-Lussac-Joule. Sebuah celah dengan lebar l terletak pada pusat dinding pembatas antara kedua bejana
a. Celah lebar
Banyaknya partikel di bejana kanan pada keadaan awal adalah nol. Pada saat t 0 dinding penyekat dilubangi. Banyaknya partikel di bejana kanan untuk celah selebar 3 119 satuan kisi diperlihatkan pada Gambar 7. 2 Persamaan untuk kurva teredam ini didekati N r (t ) = N0 [1 exp( (t t 0 )) cos( (t t 0 ))] ; t t 0 (11) 2
b
12000 8000 4000 0 5000
5603
6206
6809
7412
8015
8618
9221
t (tim e ste p s)
N0 = 43200, t0 = 5000 langkah waktu. Parameter adalah faktor peredaman. Amplitudo osilasi menurun secara eksponensial dengan waktu:
N0 exp( (t t 0 )) ; t t 0 (12) 2 Fungsi osilasi ini ternyata tidak periodik, sebab frekuensinya () tidak konstan. N rm (t ) =
Gambar 8. Banyaknya partikel di bejana kanan sebagai fungsi waktu setelah dinding penyekat dilubangi pada 3 langkah waktu 5000 dengan lebar celah (a) 5 dan (b) 2 3 9 satuan kisi. 2
y 0
b. Celah sempit
Gambar 8 memperlihatkan banyaknya partikel di bejana kanan setelah celah dibuka untuk lebar celah 3 3 (satuan kisi) 5 dan 9 . Jumlah partikel bertambah 2 2 secara halus dengan waktu sampai mencapai setengah dari nilai totalnya. Secara umum fungsi ini mendekati solusi analitik:
N N r (t ) = 0 2 2v l (t t 0 ) ; t t 0 (13) 1 exp A
l
Gambar 9. Plat sejajar pada posisi y = 0 dan y = H
112
hasil LGA 0.20 0.16 kecepatan 0.12 0.08 0.04 0.00 0.0 0.2 0.4 y/H
analitik
0.6
0.8
1.0
(14)
n: banyaknya automata di lapis batas kiri; H: lebar saluran, dan l panjang saluran.
0.0375
0.0250
0.0125
Gambar 13. Hasil simulasi medan vektor dengan sumber partikel terletak di sisi kiri. Gambar 13 memperlihatkan medan vektor kecepatan air di yang melewati sungai berpenghalang dengan sumber partikel terletak di sisi kiri yang kecepatannya berarah c1 , c 5 dan c 6 (atas ) dan berarah c6 (bawah)12). Garis arus yang kecil menyatakan laju aliran yang rendah. Gambar atas memiliki laju aliran 2x lebih besar dalam arah yang sama dibandingkan dengan gambar bawah. Rintangan membuat aliran fluida terpecah. Kecenderungan terjadinya aliran turbulen di daerah sebelum rintangan serta luas daerah pengendapan lebih kecil pada aliran dengan laju yang lebih besar.. Laju aliran sangat rendah di belakang rintangan terakhir yang memungkinkan terbentuknya daerah pengendapan. Dengan adanya rintanganterhadap aliran sungai, kemungkinan terjadinya pengendapan dan pengikisan pada tepi sungai menjadi lebih besar.
Gambar 11. Fluks volum sebagai fungsi waktu pada tiga nilai gradien tekanan. Fx = 0.0125, 0.0250, dan 0.0375 dengan l dan H yang sama.
113
Persoalan ini sukar diselesaikan secara analitik. Cara lain yang mungkin dapat diterapkan adalah dengan metode numerik beda hingga. Dalam makalah ini, kami belum melakukan studi banding.
5. 6.
5. Kesimpulan
Perkembangan Metoda Komputasi dan Simulasi diperkaya dengan perkembangan metoda JNA, logika samar, dan selular automata. Model selular automata dapat memecahkan persoalan dinamika fluida dengan baik. 7.
8.
10.
Daftar Pustaka
1. 2. 3. 4. Jang, et al, Neuro-Fuzzy and Soft computing, Prentice Hall, 1998. T. Kohonen, The "Neural" Phonetic Typewriter, Computer, Mar. 1988. J.A. Feldman, et. al., Computing with Structured Neural Networks, Computer, Mar. 1988. R.C. Eberhart, R.W. Dobbins, Neural Network PC Tools, Academic Press, 1990.
11. 12.
13.
B. Kosko, Neural Networks For Signal Processing,. Prentice Hall Int., 1992. Zadrach L. Dupe, The Houw Liong, Prediction Nino 3.4 using Simple Harmonic Model, International Conf. For Science and Technology Assesment of Global Climate Change, Jakarta ,1999. Zadrach L. Dupe, The Houw Liong, El Nino/ La Nina Forcasting Using Adaptive Neuro-Fuzzy Inference System (ANFIS), (submitted to a seminar in Beijing, 2001). Hardy J., O.de Pazzis, and Y. Pomeau, Molecular dynamics of a classical lattice gas: Transport properties and time correlation functions, Phys. Rev. A, 13 (1976) Frisch U., B. Hasslacher, and Y. Pomeau, Lattice-gas automata for the Navier-Stokes equations, Phys. Rev. Lett., 56 (1986) Rothman D.H. and S. Zaleski, Lattice-gas models of phase separation: interfaces, phase transitions, and multiphase flow, Rev. Mod. Phys., 66, 4, (1994). Rothman D.H., Cellular-automaton fluids: A model for flow in porous media, Geophys., 53, 4, (1988). The, H. L., E. Supriyatno, S.N. Khotimah, Penerapan Automata Gas-Kisi dalam Penafsiran Pengendapan dalam Sungai,.JMS, Vol.4, Ed. Khusus No. 2 , 1999 Khotimah S.N., I Arif, and, The H.L., Lattice-Gas Automata for Numerical Experimental Verification of Maxwell-Boltzmann Distribution, KFI, Vol.12, No.3, 2001.