Bayangkan sebuah cairan yang bukan sepenuhnya cair, tapi juga belum menjadi gas. Ia mengalir seperti udara, namun menyalurkan panas seefisien air. Cairan aneh ini disebut fluida superkritis, dan sedang menjadi primadona baru dalam dunia energi, kedirgantaraan, dan teknologi pendinginan ekstrem. Namun, di balik potensinya yang besar, memahami perilaku fluida superkritis adalah tantangan yang luar biasa rumit. Di sinilah deep learning (otak buatan hasil karya manusia) mulai memainkan peran penting.
Secara sederhana, fluida superkritis adalah zat yang berada di antara dua keadaan ekstrem: cair dan gas. Fluida superkritis terbentuk ketika suatu bahan dipanaskan dan ditekan melampaui titik kritisnya, di mana batas antara cairan dan gas menghilang. Pada titik ini, fluida memiliki kemampuan luar biasa, bisa meresap seperti gas, tapi juga menghantarkan panas seperti cairan.
Itu sebabnya fluida superkritis banyak digunakan dalam:
- Sistem pendingin reaktor nuklir,
- Teknologi pengeringan ramah lingkungan,
- Mesin roket, dan
- Sistem transfer energi dengan efisiensi tinggi.
Namun, justru karena berada di kondisi ekstrem (tekanan dan suhu tinggi) perilaku fluida ini tidak mudah diprediksi. Setiap perubahan kecil dalam suhu atau tekanan bisa membuat pola alirannya berubah drastis.
Baca juga artikel tentang: Ilmuwan Temukan Bukti Kuat Kehidupan Di Planet K2-18b
Tantangan besar dalam memodelkan aliran superkritis
Ketika fluida mendekati titik “pseudo-kritis”, sifat-sifatnya berubah sangat cepat kerapatan, viskositas, dan konduktivitas termalnya melonjak atau turun secara tak terduga. Bagi para insinyur dan ilmuwan, ini seperti mencoba memahami badai yang berubah arah setiap detik.
Metode simulasi konvensional, seperti Computational Fluid Dynamics (CFD), sering kali tidak cukup cepat atau akurat untuk menangkap dinamika mikro ini. Bahkan komputer super canggih pun bisa memakan waktu berhari-hari hanya untuk mensimulasikan sebagian kecil dari sistem superkritis.
Disinilah tim peneliti yang dipimpin oleh Chengpeng Li dan rekan-rekannya (Physics of Fluids, 2025) memperkenalkan pendekatan baru: menggunakan deep learning untuk merekonstruksi aliran fluida superkritis dengan lebih cepat dan efisien.
MMC-Net: Otak buatan yang belajar dari fluida ekstrem
Tim ini mengembangkan MMC-Net (Multi-Module Coupled Network), yaitu jaringan neural modular yang dirancang khusus untuk memahami perilaku kompleks fluida superkritis. Alih-alih hanya mempelajari data dari satu sudut pandang, MMC-Net dibangun dari beberapa “modul” kecil yang bekerja sama, masing-masing menangani aspek tertentu dari dinamika fluida, seperti:
- Perubahan suhu ekstrem,
- Pergeseran tekanan, dan
- Pola aliran panas di sekitar dinding pipa atau permukaan.
Struktur “tandem” ini membuat MMC-Net mampu belajar hubungan yang sangat nonlinier, hubungan sebab-akibat yang tidak bisa dijelaskan dengan rumus biasa.
Dengan kata lain, jaringan ini bukan sekadar menghitung, tapi “belajar” memahami perilaku fluida dari pola-pola data simulasi sebelumnya.
Mengapa deep learning menjadi kunci?
Salah satu kekuatan deep learning adalah kemampuannya menemukan pola tersembunyi di dalam data yang sangat rumit. Dalam konteks fluida superkritis, data yang dihasilkan dari eksperimen atau simulasi jumlahnya bisa mencapai terabyte, dengan ribuan variabel yang saling terkait.
MMC-Net dilatih untuk mengenali pola-pola ini, sehingga bisa memperkirakan bagaimana fluida akan berperilaku tanpa harus menjalankan simulasi fisik lengkap. Hasilnya? Model ini mampu merekonstruksi medan aliran fluida dengan akurasi tinggi dan waktu komputasi yang jauh lebih singkat dibanding metode CFD tradisional.
Bayangkan seperti asisten pintar yang, setelah melihat beberapa cuplikan eksperimen, bisa menebak sisa prosesnya dengan sangat akurat, itulah yang dilakukan MMC-Net.
Dampak bagi dunia energi dan rekayasa panas
Kemampuan merekonstruksi aliran fluida superkritis bukan sekadar prestasi akademik. Ini punya potensi nyata di dunia industri.
Misalnya:
- Dalam sistem pendingin reaktor nuklir generasi baru, prediksi aliran superkritis dapat membantu menghindari kegagalan termal yang fatal.
- Di industri dirgantara, teknologi ini bisa meningkatkan efisiensi mesin roket dengan bahan bakar superkritis seperti hidrokarbon.
- Di bidang energi terbarukan, pemahaman tentang transfer panas ekstrem membuka peluang bagi desain sistem pendingin surya atau geotermal yang lebih efisien.
Dengan kata lain, deep learning bisa menjadi alat bantu untuk merancang masa depan energi yang lebih aman, hemat, dan bersih.
Langkah kecil menuju fisika masa depan
Studi ini tidak hanya menawarkan metode baru, tapi juga cara berpikir baru dalam fisika fluida: bahwa AI tidak menggantikan teori fisika, melainkan memperkuatnya.
Dengan memanfaatkan jaringan seperti MMC-Net, ilmuwan bisa memadukan kekuatan data dan hukum fisika. Mereka dapat menguji ribuan kondisi ekstrem di ruang digital, tanpa harus menunggu eksperimen laboratorium yang mahal dan berisiko tinggi.
Para peneliti menyebut pendekatan ini sebagai “physics-informed deep learning”, yaitu AI yang belajar bukan hanya dari data, tetapi juga dari aturan-aturan dasar alam semesta. Hasilnya, prediksi yang dihasilkan tidak hanya cepat, tapi juga tetap konsisten dengan hukum fisika yang mendasarinya.
Riset seperti ini menunjukkan betapa cepatnya batas antara sains dan teknologi mulai memudar. Deep learning bukan lagi sekadar alat untuk pengenalan wajah atau chatbot, tetapi sudah menjadi mitra berpikir bagi para ilmuwan.
Dengan bantuan jaringan seperti MMC-Net, kita tidak hanya memahami fluida superkritis dengan lebih baik, kita juga sedang melatih mesin untuk ikut memahami bagaimana alam bekerja di tingkat paling ekstrem.
Barangkali, di masa depan, ketika kita berhasil menciptakan sistem energi yang benar-benar efisien dan berkelanjutan, sebagian dari keajaiban itu akan datang dari “otak buatan” yang kini sedang belajar meniru pola alam semesta.
Baca juga artikel tentang: Anders’ Earthrise: Dari Simbol Perdamaian ke Laboratorium Eksplorasi Antariksa
REFERENSI:
Li, Chengpeng dkk. 2025. Deep learning-based reconstruction of supercritical fluids flow field. Physics of Fluids 37 (5).
