Dasar-Dasar Metode Numerik pada FEA: Mengubah Geometri Menjadi Persamaan Matematika
Di balik visualisasi kontur warna yang estetik pada perangkat lunak Finite Element Analysis (FEA), terdapat jutaan kalkulasi matematika yang rumit. Sebagai bagian dari ekosistem pt-tensor.com, memahami aspek numerik FEA adalah pembeda antara seorang operator software biasa dan seorang insinyur simulasi yang andal. Struktur fisik di dunia nyata bersifat kontinu dan diatur oleh Persamaan Diferensial Parsial (PDE). Karena PDE sangat sulit diselesaikan secara analitis untuk bentuk geometri yang rumit, FEA hadir sebagai metode numerik untuk mendekati solusi tersebut dengan cara mengubah sistem kontinu menjadi sistem diskrit yang dapat diselesaikan oleh komputer.
Persamaan Dasar Matrix Kekakuan (Stiffness Matrix)
Pondasi utama dari analisis struktural linier pada FEA berakar pada hukum fisika sederhana, yaitu Hukum Hooke untuk pegas (F = k.x). Dalam skala pemodelan elemen hingga yang melibatkan ribuan elemen dan node, persamaan ini diekspansikan ke dalam bentuk matriks simultan:
K.u = F
- K: Matriks raksasa yang merepresentasikan kekakuan total dari seluruh struktur. Nilainya ditentukan oleh geometri elemen, skema meshing, dan sifat mekanis material (seperti Modulus Young dan Poisson’s Ratio).
- u: Vektor berisi variabel perpindahan atau pergeseran posisi pada setiap node. Ini adalah variabel tidak diketahui (unknown) utama yang dicari oleh komputer.
- F: Vektor yang merepresentasikan beban eksternal, gaya nodal, dan kondisi batas (boundary conditions) yang diterapkan pada model.
Fungsi Bentuk (Shape Functions) dan Interpolasi Numerik
Komputer hanya menghitung nilai perpindahan posisi (displacement) secara eksak pada titik-titik node. Pertanyaannya, bagaimana kita mengetahui apa yang terjadi pada area di dalam elemen yang berada di antara node-node tersebut? Di sinilah Fungsi Bentuk (Shape Functions) berperan.
Fungsi bentuk adalah fungsi matematika (biasanya polinomial) yang digunakan untuk melakukan interpolasi nilai di dalam elemen berdasarkan nilai yang ada pada node-nodenya. Elemen orde pertama (linear) menggunakan fungsi interpolasi garis lurus, sedangkan elemen orde kedua (quadratic) menggunakan fungsi parabola karena memiliki node tambahan di tengah sisi elemen (mid-side node). Ketepatan pemilihan fungsi bentuk ini akan sangat memengaruhi seberapa baik model digital meniru fleksibilitas atau kekakuan material aslinya.
Integrasi Numerik: Metode Kuadrat Gauss (Gauss Quadrature)
Untuk menyusun matriks kekakuan elemen, perangkat lunak FEA harus menyelesaikan persamaan integral yang sangat kompleks pada setiap elemen. Melakukan integrasi secara analitis (simbolis) pada geometri yang terdistorsi akan memakan waktu komputasi yang sangat lama. Oleh karena itu, FEA menerapkan metode Gauss Quadrature.
Metode numerik ini mendekati nilai integral dengan cara mengevaluasi persamaan matematika hanya pada beberapa titik spesifik di dalam elemen yang disebut Gauss Points atau Integration Points. Hasil evaluasi di titik-titik ini kemudian dikalikan dengan bobot tertentu (weight factors) untuk mendapatkan nilai total integral. Di titik Gauss inilah variabel turunan seperti regangan (strain) dan tegangan (stress) dihitung terlebih dahulu sebelum diekstrapolasikan kembali ke node untuk ditampilkan kepada pengguna
Metode Penyelesaian Persamaan: Direct Solver vs Iterative Solver
Setelah seluruh matriks elemen digabungkan menjadi satu Matriks Kekakuan Global [K] komputer harus menyelesaikan sistem persamaan linear yang sangat besar untuk mencari nilai u. Terdapat dua algoritma numerik utama yang digunakan oleh solver FEA:
- Direct Solvers (misalnya Eliminasi Gauss, Kredensial LU, Sparse Solver): Metode ini menyelesaikan persamaan secara langsung dan eksak melalui operasi matriks terstruktur. Sangat kuat, akurat, dan andal untuk model berukuran kecil hingga sedang, namun membutuhkan alokasi memori RAM yang sangat besar seiring bertambahnya jumlah node.
- Iterative Solvers (misalnya Conjugate Gradient, GMRES): Metode ini menebak solusi awal secara cerdas, kemudian memperbaikinya berulang kali hingga tingkat kesalahan (residual error) berada di bawah batas toleransi yang ditentukan. Metode ini jauh lebih hemat memori RAM dan sangat ideal untuk model raksasa dengan jutaan degrees of freedom (DOF).