Calon Promotor Program Padjadjaran Excellence Fast Track Scholarship Tahun 2025

 

Nama Lengkap: Dr. Irwan Ary Dharmawan, S.Si., M.Si.

E-mail: [email protected]

Bidang Keahlian: Komputasi Geofisika

Prodi S2 Calon Mahasiswa: Fisika

Prodi S3 Calon Mahasiswa: Kimia

Judul Penelitian yang Ditawarkan:

Simulasi Lattice Boltzmann Berbasis Data untuk Prediksi Aliran dan Transportasi Fluida pada Batuan Digital

 

Data-Driven Lattice Boltzmann Simulations for Predicting Fluid Flow and Transport in Digital Rocks

 

Abstrak:

Simulasi aliran fluida dalam media berpori secara akurat merupakan tantangan utama dalam pengembangan energi berkelanjutan, pengelolaan reservoir, dan studi lingkungan bawah permukaan. Penelitian ini diusulkan untuk mengembangkan kerangka prediktif berbasis data-driven modeling yang mengintegrasikan metode Lattice Boltzmann (LBM) dengan jaringan saraf konvolusional (CNN) berbasis U-Net untuk mempercepat prediksi aliran dan transportasi fluida pada batuan berpori digital. Dalam studi ini, citra mikrotomografi resolusi tinggi dari sampel batuan akan digunakan untuk membangun representasi digital pori-pori batuan. Simulasi aliran skala pori dilakukan menggunakan metoda Lattice Boltzmann (LBM) untuk menghasilkan ground truth data berupa distribusi kecepatan fluida, tekanan, serta parameter transport seperti permeabilitas dan tortuositas. Data ini kemudian digunakan untuk melatih model U-Net agar mampu memetakan langsung dari citra digital batuan ke profil medan aliran dan sifat transport secara cepat dan efisien. Metode yang diusulkan diharapkan dapat mengurangi ketergantungan pada simulasi numerik konvensional yang memakan waktu, serta membuka jalan bagi prediksi cepat berbasis citra untuk aplikasi digital core analysis, optimasi reservoir, dan pengembangan sistem digital twin. Penelitian ini juga berpotensi memberikan kontribusi signifikan dalam pemanfaatan kecerdasan buatan untuk memahami fenomena fisis dalam sistem batuan berpori yang kompleks.

 

Abstract:

Accurate simulation of fluid flow in porous media remains a major challenge in sustainable energy development, reservoir management, and subsurface environmental studies. This doctoral research proposes the development of a predictive, data-driven framework that integrates the Lattice Boltzmann Method (LBM) with a convolutional neural network based on U-Net architecture to accelerate the prediction of fluid flow and transport phenomena in digital rocks. In this study, high-resolution micro-CT images of rock samples will be used to construct digital representations of pore structures. Pore-scale flow simulations will be performed using LBM to generate ground truth data, including fluid velocity fields, pressure distributions, and transport properties such as permeability and tortuosity. This data will then be used to train the U-Net model to directly map digital rock images to flow fields and transport properties in a fast and efficient manner. The proposed approach is expected to reduce dependence on time-consuming conventional numerical simulations and enable image-based rapid predictions for digital core analysis, reservoir optimization, and digital twin development. This research also has the potential to make a significant contribution to the application of artificial intelligence in understanding physical phenomena in complex porous systems.