Manajemen Talenta BRIN

Research Group Information

Research Organization
OR PPT

Research Center
Pusat Teknologi Sistem dan Prasarana Transportasi

Research Cluster
Ilmu Teknik

Research Group
N219-A

Research Group Decision Letter Number

Research Topic
Pemodelan Karakteristik Aerodinamika Pesawat N219A Berbasis Data Uji Terowongan Angin Menggunakan Algoritma Deep Learning

Research Scope
Penelitian ini merupakan lanjutan dari kegiatan tahun 2021, yang bertujuan menemukan parameter optimum (arsitektur dan hyper-parameter) pada model Deep learning dalam memprediksi karakteristik aerodinamika dari bentuk floater pesawat N219A. Model deep learning yg akan digunakan adalah Artificial Neural Network (ANN). Karakteristik aerodinamika pada floater yang akan diprediksi meliputi besaran nilai koefisien drag (CD), koefisien lift (CL), Koefisien Side Force (CSF), dan koefisien momen (CM). Hasil optimasi model deep learning tersebut akan digunakan untuk menghitung dan analisa pengaruh bentuk dan modifikasi permukaan floater terhadap gaya hambat (drag) yang minimum pada pesawat N219A yang dirupakan dalam sudut serang (α), kecepatan uji dan bentuk geometri floater yang dibutuhkan agar pesawat dapat stabil saat terbang di udara. Model Machine learning terbaik tersebut akan digunakan untuk menghitung parameter desain Floater N219A tersebut. Dataset yang akan digunakan untuk optimasi model dan prediksi parameter desain Floater adalah adalah data uji eksperimen Indonesian Low Speed Tunnel (ILST) dari Balai Besar Teknologi Aerodinamika, Aeroelastika dan Aeroakustika (B2TA3). Dataset untuk parameter input machine learning yg akan digunakan adalah sudut serang (α), kecepatan Uji dan geometri floater. Data tersebut akan dibagi menjadi tiga bagian yaitu data training, data validasi, dan tes/uji. Hasil uji deep learning tersebut mencari hyper-parameter optimum untuk mendapatkan model arsitektur yg terbaik, dimana hasil uji performa tersebut dievaluasi berdasarkan nilai perhitungan koefisien korelasi R kuadrat, Root Mean Squared Error(RMSE) dan Mean Absloute Error(MAE) yang memberikan nilai terkecil. Penelitian ini juga bertujuan untuk studi kelayakan terhadap implementasi deep learning pada pemodelan dan desain Floater N219A dimana diharapkan dapat memberikan tingkat akurasi tinggi, menghemat waktu, dan sumber daya penelitian.

Research Location

Partners / Stakeholders

Person In Charge
Sigit Tri Atmaja, ST, MT.

Email PIC
gilang.mantara.putra@brin.go.id; gilangmantara@gmail.com

Back