1. Pendahuluan 1.1. Latar Belakang

1. Pendahuluan 1.1. Latar Belakang Krisis minyak 1970-an melahirkan desakan akan usaha penelitian di luar bidang petrokimia untuk memaksimalkan enhanced oil recovery (EOR), apakah dengan steam flooding, chemical flooding, injeksi gas, injeksi mikrobial, maupun ilmu terapan lain yang terbilang nonperminyakan. Minyak mentah perolehan pertama (primary recovery) yang memanfaatkan tekanan alamiah hidrokarbon yang terperangkap pada formasi batuan, dibantu pemompaan mekanik, dengan kemudian dibantu lagi injeksi air ataupun uap air (secondary recovery), hanya menghasilkan 30–40 % potensi minyak yang sesungguhnya terkandung pada formasi tersebut (Myers 2006). Untuk yield di atas angka itu, teknik dan usaha ekstra harus diterapkan, yang berarti masuk ke wilayah EOR (tertiary atau bahkan quarternary recovery). Surfaktan (surface active agents) kemudian berperan dominan pada aplikasi EOR. Ia mereduksi tegangan antarmuka atau interfacial tension (IFT). Bagaimana surfaktan berkontribusi menaikkan yield adalah dengan “menarik” kantong-kantong kecil minyak mentah yang terperangkap pada pori-pori formasi batuan yang telah basah oleh air. IFT antara air dengan minyak mentah pada poripori tersebut diturunkan dari angka 30 x 10-3 N m-1 agar ekstraksi minyak lebih maksimal terhadap kandungan potensi sesungguhnya. Kita dapat menyebut 10–20 % sebagai contoh kenaikan rentang perolehan setelah menerapkan surfaktan dalam EOR (Hambali et al. 2008). Untuk menguji kinerja surfaktan, khususnya tegangan antarmuka, diperlukan instrumen yang menerapkan secara komersial hasil penelitian di bidang metode pengukuran tegangan antarmuka. Dorongan lingkungan industri yang berorientasi-hasil umumnya menjadikan pendekatan pragmatis berdasarkan estimasi atau prediksi sebagai sesuatu yang diterima secara luas. Aproksimasi adalah wilayah penerapan konsep-konsep kecerdasan komputasional. Kita dapat merunut ke belakang saat Zadeh (1994) mengoposisi komputasi tradisional dengan soft computing. Dalam kontras terhadap hard computing yang tepat, pasti, dan kaku; soft computing mengeksploitasi toleransi atas impresisi dan

1

2

Makalah Kolokium

Prediksi Tegangan Antarmuka Surfaktan-MESA Dari Minyak Kelapa Sawit Menggunakan Jaringan Saraf Tiruan

ketidakpastian. Ekploitasi toleransi inilah yang dapat diadopsi untuk prediksi tegangan antarmuka surfaktan. Ia sekaligus menjadi substitusi prosedur yang mahal dan kompleks dalam banyak situasi praktis di industri. Pengukuran IFT untuk aplikasi EOR membutuhkan alat dengan rentang presisi pada kisaran ultra low (di bawah 1 x 10-3 N m-1) yaitu menggunakan metode spinning drop. Jika diputuskan untuk membeli alat ukur ini, maka satu set spinning drop tensiometer akan menguras modal awal puluhan ribu dollar disertai biaya perawatan rutin di kemudian hari. Keputusan untuk menyewa pun (yang kini jadi pilihan), akan menghabiskan 500 dollar Amerika per sampelnya. Jaringan saraf tiruan (JST) sebagai salah satu cabang besar soft computing dapat membantu menjembatani kebutuhan pengukuran ultra low tanpa biaya mahal yang biasa menyertainya. Penelitian ini dibutuhkan dengan tujuan untuk menentukan paramater masukan JST mana yang akan digunakan untuk prediksi IFT. Kinerja prediksi pun perlu diuji dan dibandingkan dengan metode prediksi lainnya.

2. Tinjauan Pustaka 2.1. Tegangan Antarmuka (IFT) Bentuk tetesan air pada keran yang sedikit bocor (liquid droplet), maupun gelembung sabun adalah beberapa fenomena tegangan permukaan (surface tension) yang dapat kita temui sehari-hari. Tegangan permukaan didefinisikan sebagai gaya yang bekerja untuk melawan kenaikan luas area permukaan. Oleh karenanya kita perlu meniup saat membuat gelembung sabun. Terlihatnya gelembung dengan permukaan spherical pada cairan sabun tersebut adalah respon melawan (tegangan) kenaikan luas gelembung akibat tiupan tadi (Pashley & Karaman 2004). Persamaan Young-Laplace merumuskannya sebagai: 2 Satuan untuk tegangan permukaan1 dengan simbol

adalah dyne cm-1 atau N m-1

dalam SI. 1

Selain symbol , simbol

juga dijumpai di beberapa literatur tegangan permukaan.

3

Makalah Kolokium


2.2. Surfaktan dan IFT Surfaktan (surface active agents) adalah wetting agent yang menurunkan tegangan permukaan dari suatu cairan, menjadikan penyebarannya lebih mudah, serta menurunkan tegangan antarmuka (IFT) antara dua cairan. Industri mengenal surfaktan lewat aplikasi yang ekstensif dari produk-produk pembersih bersifat detergen sejak Perang Dunia I (Myers 2006). Namun, untuk menyebut sekedar daftar penggunaan surfaktan secara tradisional saja sudah akan melebarkan topik pembicaraan aplikasi surfaktan. “Keaktifan” permukaan yang diharapkan pun akan berbeda-beda sesuai dengan kebutuhannya. Kebutuhan solubilitas, kemampuan mereduksi tegangan permukaan, kekuatan detergensi, pembasahan (wetting), dll. akan menjadikan satu jenis surfaktan berkinerja baik pada satu aplikasi dan tidak bagus untuk lainnya. CH3(CH2)nCH2S “ekor”

“kepala”

hidrofobik hidrofilik Gambar 2-1. Struktur organik rantai lurus surfaktan.

Karakteristik yang sudah sebagian disebutkan di atas ditentukan oleh kesetimbangan antara porsi lyophobic (“solvent-hating”) dengan porsi lyophilic (“solvent-loving”) molekul-molekul pembangun surfaktan. Secara umum surfaktan memiliki struktur organik seperti pada Gambar 2-1. Istilah “kepala” pada ilmu surfaktan mengacu padap porsi hidrofilik (“suka-air”) dari molekul surfaktan, sedangkan “ekor” pada porsi hidrofobiknya (“takut-air”). 2.1.2. Surfaktan-MESA Berbahan Baku Minyak Sawit (CPO) Penelitian ini menggunakan sampel dari SBRC IPB yang memfokuskan bidang penelitian surfaktannya pada jenis-jenis yang berbahan mentah oleokimia (berbasis lemak) yang renewable. Minyak kelapa sawit yang dihasilkan dari mesocarp dikenal dengan crude palm oil (CPO). Bahan baku inilah yang diolah menjadi biodiesel (methyl ester) lewat proses transesterifikasi dalam campuran metanol. Hasilnya disulfonasi menggunakan aliran gas SO3 untuk memperoleh

Makalah Kolokium

4


surfaktan-MESA2 (fatty acid methyl ester sulfonic acid) yang kemudian diukur IFT-nya. Pilihan surfaktan berbahan baku oleokimia lebih baik dari umumnya surfaktan berbasis petrokimia dalam aplikasi pada sumur-sumur minyak Indonesia (SBRC IPB 2009). Surfaktan dari petroleum biasanya tidak tahan pada air formasi3 dengan tingkat kesadahan dan salinitas tinggi, sehingga surfaktan jenis ini cenderung menggumpal saat diaplikasikan pada sumur-sumur minyak Indonesia yang bersalinitas (5,000–30,000 ppm) dan berkesadahan (> 500 ppm) tinggi. 2.3. Aplikasi Surfaktan Untuk Enhanced Oil Recovery Dalam oil recovery, injeksi uap bertekanan tinggi (bersuhu sekitar 340 °C) digunakan untuk membanjiri formasi batuan yang telah diduga mengandung minyak. Uap akan memanaskan minyak mentah, mengurangi viskositasnya, dan mendorong materi tersebut melalui bebatuan menuju sumur recovery (Myers 2006). Siklus (1) injeksi, (2) soaking, dan (3) produksi tersebut diulang-ulang untuk memperoleh minyak. Sayangnya, usaha mengubah mobilitas minyak mentah sasaran turut mengubah pula kapilaritasnya. Bukannya terdorong keluar, ia justru tertinggal dalam pori-pori formasi bebatuan tadi. Surfaktan digunakan untuk mengatasi masalah tersebut dengan berperan sebagai pengubah karakteristik wetting minyak. IFT antara minyak dengan fasa cair (hasil injeksi) yang resisten terhadap tekanan untuk mendorongnya keluar diturunkan oleh surfaktan dengan mereduksi gaya kapiler tadi (Touhami et al. 1998). 2.4. Prediksi Tegangan Permukaan Dalam latar belakang penelitian (Bagian 1.1) telah disebutkan soal kecenderungan menemukan penyelesaian yang bersifat estimasi, aproksimasi atau prediksi. Rumus empirik tegangan permukaan yang cukup terkenal untuk diacu dalam penelitian ilmu surfaktan adalah formula Macleod (1923) yang kemudian

2

Singkatan MESA berasal dari istilah fatty acid methyl ester sulfonic acid. Dalam riset

ini fatty acid methyl ester yang dipakai adalah metil ester minyak sawit. 3

Istilah “air formasi” digunakan untuk menyebut air yang terdapat di sumur minyak.

5

Makalah Kolokium


pembuktiannya dilakukan oleh Boudh-Hir dan Mansoori (1990). Persamaan yang tergolong sederhana tersebut menghubungkan tegangan permukaan suatu fasa cairan pada kesetimbangan dengan fasa gasnya (vapor4) lewat besaran densitas, seperti berikut ini. K Konstanta K yang kemudian diperkenalkan Sugden sebagai parachor (Escobedo & Mansoori 1996) telah diketahui berkinerja baik, nyaris konstan, pada beraneka ragam fluida dalam suhu yang beragam pula. Dalam pendekatan viskositas, Pelofsky mengusulkan relasi linear tegangan permukaan seperti di bawah ini (Queimada et al. 2004). ln Plot ln

ln

sebagai fungsi viskositas-resiprokal

dalam eksperimen Queimada et

al. (2004) untuk n-alkana murni dan campuran secara umum menggambarkan tren linear. Johlin (1930) adalah salah seorang yang mencoba menarik hubungan empirik antara pH dengan tegangan permukaan pada era Macleod dan Sugden. Ia mendapati pola plot tegangan permukaan yang mirip pada kisaran pH 5 sampai 9. Persamaan teoretis yang merumuskan dependensi tegangan permukan terhadap pH pun pernah diajukan oleh Petelska dan Figaszewski (2000). Kepala hidrofilik yang berukuran lebih besar berhubungan dengan pH rendah. Pembesaran ukuran pada pH tersebut menurunkan IFT (Petelska et al. 2002). 2.5. Metode Pengukuran Tegangan Antarmuka Drelich et al. (2002) membuat rangkuman komprehensif mengenai metode-metode pengukuran tegangan antarmuka yang mendasari cara kerja berbagai instrumen komersial maupun metode pengukuran skala laboratorium. Metode tensiometri spinning drop ditempatkan di akhir pembahasan bersama mikropipet guna memisahkan wilayah aktual ilmu surface pada penerapan EOR

4

Istilah vapor digunakan untuk kesetimbangan dua fasa (cair-gas) di bawah titik uap.

6

Makalah Kolokium


(Bagian 2.3) yang pada prakteknya adalah pengukuran ultra low (di bawah 1 x 103

N m-1). Dalam ilustrasi pengukuran IFT surfaktan terhadap minyak mentah,

Tetesan minyak mentah dimasukkan ke dalam campuran surfaktan (Gambar 2-2 sebelah kiri). Keseluruhan massa itu dirotasikan sehingga tetesan minyak mentah tadi akan berada di tengah. Saat putaran bertambah cepat (Gambar 2-2 sebelah kanan), tetesan akan memanjang (elongated). Gaya sentrifugal akan melawan IFT yang cenderung mempertahankan bentuk spherical tetesan minyak mentah yang lebih besar densitasnya dibandingkan densitas campuran surfaktan di sekitarnya.

r ∆ρ droplet

campuran surfaktan

ω

Gambar 2-2. Elongated droplet minyak mentah dalam tabung berisi campuran surfaktan yang diputar.

Persamaan Vonnegut (Tadros 2005) menghubungkan tegangan antarmuka (σ), selisih densitas minyak mentah-campuran surfaktan (∆ ), kecepatan angular ( ), dengan radius awal ( ) tetesan minyak tadi sebagai σ

∆

2.6. Jaringan Saraf Tiruan (JST) Ada banyak situasi praktis saat pengetahuan eksak akan fungsi y = f(x) tidak diketahui atau sulit diturunkan secara analitik. Alih-alih berkutat pada formulasi f(x), JST menjembatani hubungan keluaran y dengan masukan x lewat pelatihan mengenali pola pasangan y dan x yang telah diketahui sebelumnya. Istilah artificial neural network (JST) muncul sebagai model dari karakter biologis neuron (saraf) yang mentransmisikan sinyal melalui persambungan synapses.

7

Makalah Kolokium


bias

x1

w1

x2

w2

. . .

x1=1 w0 n

∑x w i =0

i

a

f

i

f(a)

wn

xn

neuron

X

f(X)

Gambar 2-3. Sebuah neuron dalam JST.

Unit dasar neuron disebut perceptron, sedangkan tipe koneksinya tergolong jaringan feedforward, yaitu ”maju” dari masukan ke keluaran saat JST bekerja. Feedforward pada Gambar 2-3 adalah operasi pembobotan masukan sampai

oleh masing-masing

hingga

hasilnya menjadi masukan fungsi aktivasi

, kemudian dijumlahkan, dan . Arsitektur JST yang umum

digunakan adalah multi layer perceptron yang terdiri atas lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer), dengan bobot interkoneksi yang menghubungkan unit-unit neuron individual tadi secara feedforward. 2.1.6. JST Propagasi Balik Pelatihan JST yang umum dipakai adalah teknik propagasi balik yang dikembangkan Rumelhart, Hinton dan Williams (Fu 1994). Yang dipropagasi balik selama pelatihan adalah error dari lapisan keluaran kemudian mundur ke lapisan tersembunyi. Prinsip kerjanya adalah (1) bobot diinisialisasi (acak), kemudian (2) masukan yang telah diketahui keluarannya diumpankan ke JST secara feed forward untuk kemudian (3) dihitung seberapa meleset dari target (error). Berbekal error, (4) bobot kemudian dapat disesuaikan dengan aturan

8

Makalah Kolokium


Widrow-Hoff yang secara garis besar melakukan penyesuaiannya sebagai ∆w ji = αδ j x i

.

2.2.6. Penerapan Prediksi Berbasis Jaringan Saraf Tiruan Kumar et al. (2005) menggunakan JST propagasi balik dengan dua lapisan tersembunyi untuk mendapatkan nilai tegangan permukaan dari 166 senyawa organik. Untuk lapisan masukan, mereka menggunakan tiga parameter surfaktan (1) parachor dari hasil penelitian Escobedo dan Mansoori (1998) di atas, (2) densitas fasa cair, dan (3) indeks refraktif. Evaluasi AAD% (absolute average percent deviation) JST yang dihasilkan pun mereka klaim lebih baik dari hasil 1.05 yang dihasilkan Escobedo dan Mansoori (1998), yaitu 0.31. Untuk bidang oleokimia yang masih berdekatan dengan surfaktan yang menjadi objek penelitian, terdapat sejumlah prediksi berbasis JST yang samasama dilatarbelakangi ide mensubstitusi alat yang mahal maupun metode yang kompleks. Baroutian et al. (2008) memperoleh JST propagasi balik dengan 7 neuron pada lapisan tersembunyi untuk prediksi densitas biodiesel berdasarkan temparaturnya. Kumar dan Bansal (2007) juga meneliti secara khusus tujuh arsitektur JST untuk memprediksikan empat keluaran, yaitu titik api, titik nyala, viskositas, dan densitas biodiesel. Serupa dengan penelitian ini, Cheenkachorn (2004) menggunakan pendekatan statistik metode best subset dan JST untuk menentukan viskositas, high heating value (HV), dan angka setana.

3. Metode Penelitian 3.1. Pemilihan Parameter Masukan Jaringan Saraf Tiruan Data pengujian kualitas surfaktan-MESA yang dimiliki SBRC IPB (2009) terdiri atas IFT, densitas, viskositas, pH, dan kandungan bahan aktif. Pada Bagian 2.4 telah dibahas mengenai usaha-usaha merumuskan tegangan permukaan secara empirik berdasarkan densitas, viskositas, dan pH. Penelitian ini akan merancang model empirik yang menghubungkan ketiga parameter tadi dengan IFT. σ

, , pH

9

Makalah Kolokium


Ketiga parameter di atas dapat diperoleh lewat pengukuran fisik, sedangkan data kandungan bahan aktif yang berasal dari prosedur titrasi kimia tidak dipakai sebagai masukan sistem, karena JST diharapkan menjadi alternatif uji laboratorium, yaitu dengan menghindari prosedur yang kompleks dan biaya yang ditimbulkannya (misalnya biaya reaktan). Secara umum, setelah sistem ini ada, density meter, viscometer, dan pHmeter diharapkan dapat mensubstitusi penggunaan spinning drop tensiometer pada spesifikasi pengukuran tertentu. Dibandingkan dengan penelitian Kumar et al. (2005), maka sistem ini dirancang untuk tidak memerlukan acuan database konstanta parachor yang tersedia khusus senyawa-senyawa tertentu. 3.2. Perancangan Jaringan Saraf Tiruan Merujuk pada hasil-hasil riset sebelumnya (Baroutian et al. 2008; Kumar & Bansal 2007; Ramadhas et al. 2006),

JST lapis banyak dengan teknik

propagasi balik akan digunakan untuk masalah prediksi IFT (Gambar 3-1). Saat penelitian Baroutian et al. (2008) dilakukan, jumlah 7 neuron dalam lapisan tersembunyi yang diperoleh adalah dari proses trial and error yang dilakukan dengan terorganisasi. Yaitu, memulai dari 2 neuron, lakukan pelatihan dan pengujian baru kemudian menambah lagi menjadi 3, 4, dst. Pada setiap penambahan dilihat apakah hasilnya membaik atau tidak.

densitas

viskositas

. . .

IFT

pH

ρ,η,pH

Gambar 3-1 Ilustrasi arsitektur JST yang digunakan.

f

σ

Makalah Kolokium

10


Menentukan jumlah neuron pada lapisan tersembunyi menjadi penting. Jika terlalu sedikit, maka akan menyebabkan underfitting. Sementara itu, terlalu banyak hidden layer menyebabkan overfitting, yaitu kapasitas pemprosesan JST terlalu besar, padahal jumlah datanya tidak cukup untuk melatih semua neuron pada lapisan tersembunyi. Pemilihan data pelatihan dan data pengujian awal menggunakan komposisi 75:25. Untuk setiap supervised learning yang dilakukan, validasi silang dikerjakan dengan membagi dua (split half), kemudian secara bergantian potongan-potongan tersebut menjadi data pelatihan dan data pengujian. Bila jumlah data dapat ditambah maka jumlah lipatan validasi dapat ditambah menjadi 3-fold-cross-validation. Variasi error pengujian antar-fold yang berbeda akan menjadi salah satu tolok ukur kinerja model JST yang diteliti. 3.3. Pengkodean Keluaran dan Masukan Fungsi aktivasi yang digunakan adalah yang bertipe sigmoid. Selain turunannya yang mudah, yaitu f ' ( x ) = f ( x)(1 − f ( x)) (untuk digunakan saat propagasi balik), sifat kontinyunya sesuai untuk pengkodean data keluaran, yaitu nilai IFT. Pada sumber data yang dimiliki, IFT berkisar antara 0.02 x 10-3 hingga 0.1 x 10-3 N m-1. Untuk range tersebut tidak dilakukan pengkodean keluaran. Untuk masukan pH (bernilai 2–3), viskositas (bernilai 25–100), dan densitas juga tidak dilakukan pengkodean ulang. 3.4. Perangkat Perancangan Untuk keperluan simulasi digunakan aplikasi pemprograman Matlab 7. Perangkat lunak ini sudah menyertakan algoritme pelatihan LevernbergMarquardt untuk teknik propagasi balik.

4. Daftar Pustaka Baroutian S, Kheireddine-Aroua M, Abdul-Rahman AA, Sulaiman NMN. 2008. Prediction of palm oil-based methyl ester biodiesel density using artificial neural networks. J App Sci 8(10):1938-1943.

11

Makalah Kolokium


Boudh-Hir ME, Mansoor GA. 1990. Statistical mechanics basis of Macleod’s formula. J Phys Chem 94:8362-8364. Drelich J, Fang C, White CL. 2002. Measurement of interfacial tension in fluidfluid systems. Di dalam: Hubbard AT. Encyclopedia of Surface and Colloid Science. Ed ke-1. New York: Marcel Dekker. hlm 3:3152-3166. Escobedo J, Mansoori GA. 1996. Surface tension prediction for pure fluids. AIChE J 42(5):1425-1433. Escobedo J, Mansoori GA. 1998. Surface tension prediction for liquid mixtures. AIChE J 44(10):2324-2332. Fu LM. 1994. Neural Networks in Computer Intelligence. Gainesville: McGrawHill. Hambali E, Permadi P, Pratomo A, Suryani A, Maria R. 2008. Palm oil-based methyl ester sulphonate as an oil well stimulation agent. J Oil Palm Research (special issue October):8-11 Johlin JM. 1930. The influence of pH and solution concentration on the surface tension of gelatin solutions determined by the sessile bubble method. J Biol Chem 87:319-325. Kumar D, Gupta S, Basu S. 2005. Prediction of surface tension of organic liquids using artificial neural networks. Indian Chem Eng 47(4):219-223. Kumar J, Bansal A. 2007. Selection of best neural network for estimating properties of diesel-biodiesel blends [abstrak].

Di dalam: Proceedings of the

6th Conference on 6th WSEAS Int. Conf. on Artificial Intelligence, Knowledge Engineering and Data Bases. Corfu Island, 16-19 Feb 2007. Wisconsin: WSEAS. hlm.134 – 161. Myers D. 2006. Surfactant Science and Technology. Ed ke-3. New Jersey: J Wiley. Pashley RM, Karaman ME. 2004. Applied Colloid and Surface Chemistry. West Sussex: J Wiley. Petelska AD, Figaszewski ZA. 2000. Effect of pH on the interfacial tension of lipid bilayer membrane [abstrak]. Biophys J 78(2):812-817. Petelska AD, Naumowicz M, Figaszewski ZA. 2002. Interfacial tension of the bilayer lipid membrane [abstrak]. Cell Moll Biol Lett 7:212.

Makalah Kolokium

12


[SBRC IPB] Surfactant and Bioenergy Research Center IPB. 2009. Laporan Kemajuan Penelitian: Peningkatan Nilai Tambah Minyak Sawit Melalui Pengembangan Teknologi Proses Produksi Surfaktan MES dan Aplikasinya Untuk Meningkatkan Produksi Minyak Bumi Menggunakan Metode Huff and Puff. Tadros FT. 2005. Applied Surfactans. Principles and Applications. Weinheim: Wiley-VCH. Touhami Y, Hornof V, Neale GH. 1998. Dynamic interfacial tension behavior of acidified oil/surfactant-enhanced alkaline systems. 1. Experimental studies. Elsevier Science Colloid Surf 132:61-74. Queimada AJ, Marrucho IM, Stenby EH, Coutinho JAP. 2004. Generalized relation between surface tension and viscosity: a study on pure and mixed nalkanes. Di dalam: Fluid Phase Equilibria. Proceedings of the Fifteenth Symposium on Thermophysical Properties; Colorado: 22-27 Jun 2003. Colorado: Elsevier Science. hlm (222-223):161-168. Zadeh LA. 1994. Fuzzy logic, neural networks, and soft computing. Comm ACM 57(3):77-84.

1. Pendahuluan 1.1. Latar Belakang

Recommend Documents