OPTIMASI JADWAL PEMBERSIHAN JARINGAN PENUKAR PANAS MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION (PSO) Sumitra Wira.S1, Totok Ruki B2 1,2
Jurusan Teknik Fisika FTI-ITS Jln. Keputih Sukolilo Surabaya 60111 Phone: +6231-5947188 Fax: +6231-5923626 Email :
[email protected]);
[email protected])
Abstrak— Industri minyak merupakan salah satu industri yang membutuhkan energi panas dengan kapasitas besar. Seiring dengan perkembangan teknologi, penggunaan energi dapat kurangi dengan menggunakan jaringan penukar panas (HEN). namun, adanya fouling membuat kinerja HEN menurun. Salah satu teknik mitigasi fouling adalah pembersihan secara berkala. Pembersihan yang terlalu sering akan meningkatkan biaya pembersihan sehingga perlu dilakukan optimasi jadwal pembersihan. Dalam tugas akhir ini, Algoritma particle swarm optimization (PSO) digunakan untuk mengoptimasi jadwal pembersihan HEN. Model untuk mensimulasikan HEN berdasarkan persamaan individu penukar panas. Model prediksi pertumbuhan fouling menggunakan sigmoidal boltzman. Perumusan fungsi tujuan yaitu jumlah biaya energi recovery, biaya pembersihan, dan biaya akibat kinerja pompa yang bertambah digunakan untuk persamaan nilai fitness pada PSO. Partikel dalam PSO merepresentasikan posisi atau solusi dari optimasi interval jadwal pembersihan HEN. Penentuan interval jadwal pembersihan HEN berdasarkan jarak terdekat antar partikel dalam PSO. Dari hasil optimasi didapatkan interval jadwal pembersihan untuk masing – masing HE yaitu HE-01(16), HE02(24), HE-03(28), HE-04(9), HE-05(5), HE-06(9), HE-07(28), HE-08(5), HE-09(9), HE-10(5), HE-11(24) selama periode 44 bulan. Biaya energi yang dapat dihemat dari hasil optimasi ini adalah berkisar $ 1.236 juta dolar USD Kata Kunci— Energi Panas, HEN, Fouling, Optimasi Jadwal Pembersihan, MINLP, PSO
I. PENDAHULUAN Seiring dengan perkembangan teknologi, industri minyak terus berusaha mengurangi pemakaian energi panas. Integrasi panas merupakan salah satu metode yang digunakan untuk mengurangi pemakaian energi panas. Integrasi panas memanfaatkan aliran panas sebagai sumber energi panas untuk aliran dingin. Salah satu teknologi yang sering digunakan untuk integrasi panas pada industri minyak adalah Crude Preheat Train (CPT). CPT merupakan salah satu type jaringan penukar panas CPT yang bertugas untuk memulihkan panas pada aliran bahan produk [1]. Jaringan penukar panas terdiri dari sejumlah HE yang saling terhubung secara serial maupun paralel. Namun, adanya fouling pada HE membuat performansi HEN menurun. Fouling merupakan pembentukan lapisan deposit pada penukar panas (HE) yang mengakibatkan menurunnya performansi kerja dari penukar panas (HE) [2].
pemborosan secara ekomoni, peningkatan karbon dioksida (CO2) dan meningkatnya penurunan tekanan [4]. Pada dasarnya fouling akan terus bertumbuh seiring dengan berjalannya waktu. Sehingga diperlukan teknik mitigasi untuk mengurangi pertumbuhan fouling. Terdapat 3 teknik mitigasi yang sering digunakan untuk menghambat pertumbuhan fouling yaitu dengan cara penambahan zat aditif antifoulant, mendesain ulang penukar panas dengan desain yang lebih efesien, dan pembersihan penukar panas secara berkala. Namun, setiap teknik mitigasi tersebut memiliki kekurangan masing – masing. Penambahan zat aditif antifloulant akan menambahkan biaya operasi dari system sedangkan mendesain ulang penukar panas akan memerlukan biaya yang besar dan tempat yang luas bila penukar panas relative besar [5]. Menurut T.Pogiatzis dalam jurnalnya di tahun 2011, permbersihan penukar panas (HE) secara berkala merupakan teknik mitigasi yang paling efektif. Namun, pembersihan yang terlalu sering akan mengakibatkan biaya pemeliharaan menjadi besar. Sehingga diperlukan teknik optimasi jadwal pembersihan jaringan penukar panas (HEN) yang akurat[2]. Salah satu jurnal yang telah ditulis oleh F.Samaili dkk di tahun 2001 menjelaskan bahwa optimasi jadwal pembersihan jaringan penukar panas (HEN) melibatkan tiga unsure[5], yaitu: 1. Model yang dapat mensimulasikan HEN. 2. Model yang representatif untuk menggambarkan prilaku fouling 3. Metode optimasi untuk jadwal pembersihan HEN. Metode simulasi jaringan penukar panas (HEN) dilakukan dengan menggunakan persamaan keseimbangan energi, relasi koefesien perpindahan panas antara aliran fluida panas dengan aliran fluida dingin, dan faktor fouling [6]. Model untuk memprediksi pertumbuhan fouling dapat menggunakan pendekatan empiris [7], dan algortima mixed integer nonlinier programming (MINLP) & mixed integer linier programming (MILP) untuk mengotimasi jadwal pembersihan HEN [8].
Penggunaan algoritma MINLP untuk mengotimasi jadwal pembersihan sering menghasilkan ouput yang non-convec, hal ini telah dibahas oleh [9]. Sehingga diperlukan teknik untuk memodifikasi MINLP agar menghasilkan output yang convec. Banyak permasalahan yang ditimbulkan oleh fouling, Salah satu literatur menjelaskan bahwa algortima genetika sehingga Engineering Sicences Data Unit (ESDU) (GA) merupakan pendekatan yang valid untuk masalah nonmenyatakan bahwa fouling pada jaringan penukar panas (HEN) convec [10,11]. Namun dalam penelitian ini, penulis merupakan permasalahan yang sangat serius [3]. menggunakan particle swarm optimization (PSO) untuk Permasalahan tersebut adalah penambahan konsumsi energi, menghasilkan output yang convec. Penggunaan PSO dalam penelitian ini karena algoritma PSO merupakan teknik
komputasi evolusioner yang simple dibandingkan dengan GA [12]. II. TINJAUAN PUSTAKA A. Jaringan Penukar Panas(HEN) Umumya, prinsip kerja jaringan penukar panas (HEN) pada gambar 1 dapat dijelaskan menggunakan hukum kekekalan energi yang berbunyi ― Energi tidak dapat diciptakan dan tidak dapat dimusnahkan, tetapi dapat diubah dari bentuk energi satu ke bentuk energi lainnya‖ dan dapat dijelaskan menggunakan hukum kalor yang berbunyi ― energi yang berpindah dari sistem ke lingkungan dikarenakan adanya perbedaan suhu diantara keduanya‖. Sehingga dari kedua hukum tersebut dapat menjelaskan terjadinya keseimbangan energi panas antara fluida dingin dan fluida panas dalam proses kerja HEN.
secara teoritis dan empiris telah banyak dibahas dalam literature terdahulu. Salah satu litetarur tersebut ditulis oleh Mostafa.M.A di tahun 2012, membahas tentang prediksi pertumbuhan fouling menggunakan pendekatan asymptotic [15]. Sehingga nilai resistansi fouling dapat ditentukan menggunakan persamaan (1). Pendekatan prediksi pertumbuhan fouling secara empiris akan dibahas pada subbab III.
(1)
Rft (t) = R f (1 – e-βt)
Keterangan : Rft = Resistansi fouling panas pada waktu t = Resistansi fouling panas pada waktu yg tidak terbatas, nilai asimtotik dari Rf (m2 K/kW) β = konstanta, tergantung dari sifat system, β = 1/tc (t). tc dapat pada kurva pertumbuhan fouling (gambar 3).
Gambar. 1 Struktur jaringan penukar panas [13]
H1, H2, dan H3 pada gambar 1 menandakan aliran fluida panas sedangkan C1, C2, C3, dan C4 menandakan aliran fluida dingin. Pada umumnya, penukar panas pada jaringan penukar panas terhubung secara serial maupun parallel. Sepehr.S dan Behzad.N dalam jurnalnya ditahun 2007 merekomendasikan untuk mensimulasikan HEN menggunakan model individu penukar panas [7]. Model individu penukar panas akan dibahas di sub-bab III. Pada dasarnya penukar panas dapat diklasifikasikan berdasarkan jenis dan ukuran menjadi 3 tipe, seperti yang telah dijelaskan oleh [14] Tiga tipe penukar panas tersebut adalah coil heat exchanger, plate heat exchanger, dan shelland-tube exchanger. Dalam tugas akhir ini tipe penukar panas yang digunakan pada CPT adalah shell-and-tube exchanger, seperti pada gambar 2 dibawah ini.
Gambar. 3 Kurva pertumbuhan fouling [20]
C. Particle swarm optimization (PSO) Particle swarm optimization (PSO) merupakan suatu algoritma yang memiliki kesamaan dengan alagoritma genetika. Particle swarm optimization (PSO) ialah teknik komputasi evolusioner yang dikembangkan oleh Kennedy dan Eberhart pada tahun 1995. Konsep PSO merupakan sekumpulan partikel yang membentuk populasi sosial atau sering digambarkan dengan sekumpulan burung pada suatu populasi social, seperti yang diilustrasikan pada gambar 4. [16].
x x xx
x xx x
xxxx
Gambar. 4 Ilustasi konsep PSO
Gambar. 2 Struktur penukar panas shell-and-tube [14]
B. Fouling Pertumbuhan fouling pada kilang minyak memiliki karakteristik yang dapat ditentukan secara empiris, semi empiris, dan model teoritis. Pemodelan pertumbuhan fouling
Gambar ― x‖ pada gambar 4 diatas menandakan sebuah partikel yang ilustrasikan menjadi seekor burung. Sedangkan kotak warnah hijau menandakan suatu dimensi, tempat segerombolan burung mencari mangsa. Seiring dengan perubahan waktu setiap partikel atau burung melacak kordinat dalam dimensi yang berhubungan dengan solusi terbaik (fitness) yang telah dicapai masing – masing patikel, seperti dijelaskan oleh [17]. Nilai fitness tersebut disimpan pada
variabel Pbest. Sedangkan nilai fitness secara keseluruhan partikel disimpan pada variabel Gbest. III. METODOLOGI Pembuatan tugas akhir ini dilakukan secara bertahap mulai dari study literature, pengumbulan data, pemodelan – pomedelan yang realistik sampai dengan kesimpulan dari hasil yang didapat. Tahapan pembuatan tugas akhir ini direpresentasikan dalam bentuk flowchart pada gambar 6 dibawah ini.
dan validasi model HE yang digunakan dalam tugas akhir ini merujuk pada desertasi yang telah dilakukan sebelumnya [11]. Q = Ua A F ΔTLM
(3)
Keterangan: Q = Heat Duty (W) Ua = koefisien keseluruhan perpindahan panas (W/m2 K) A = Heat Transfer Area (m2) F = LMTD Correction Factor ΔTLM = Log Mean Temperature Difference (LMTD) (oC)
Start Data Retrieval
157oC Jenis Minyak 5 306oC
Jenis Minyak 4 122oC
39oC
85oC
Storage
176oC Jenis Minyak 3
Jenis Minyak 3
E-09
E-06 o
157oC
87 C 95 C
203oC 195oC
o
o
147 C Jenis Minyak 2 141oC
Jenis Minyak 2 159oC
Jenis Minyak 7 321oC
E-10
E-05
E-03 114oC
242oC
141oC 130oC
121oC
213oC
Jenis Minyak 1 172oC
Jenis Minyak 1 336oC
Desalter
E-04
E-11
130oC
Optimizing the objective function using PSO algorithm
Whether the results of the last iteration has converged ?
Jenis Minyak 6 256oC
176oC
157oC
E-02
Problem Fucntion : Objective function
172oC
163oC 151oC
77oC
Modeling : 1. HEN Modeling : Serial + Paralel 2. Fouling Modeling
Jenis Minyak 1 256oC
E-08
E-07
E-01
256oC
130oC 232oC
No
Yes Results and Data analysis
Gambar. 7 skematik jaringan penukar panas pada plant CPT
Perbedaan suhu masing – masing penukar panas pada gambar. 7 berbeda – beda. Sehingga nilai LMTD pada persamaan (3) akan mengalami perubahan mengikuti perbedaan suhu antara 2 fluida di masing – masing penukar panas[18]. Sehingga LMTD dapat dihitung menggunakan persamaan (4).
conclusion
LMTD
Finish Gambar. 6 Diagram alir metodologi tugas akhir
Dalam tugas akhir ini, Simulasi HEN dimodelkan dengan menggunakan model matematika setiap individu penukar panas (HE) pada jaringan penukar panas (HEN). Sehingga model matematika yang akurat untuk menghitung perpindahan panas dalam penukar panas (HE) menjadi persyaratan untuk desain, analisis dan optimalisasi jaringan penukar panas (HEN). A. Pemodelan penukar panas (HE) Pemodelan individu HE digunakan untuk mensimulasikan proses kerja jaringan penukar panas yang ada pada plant CPT. Struktur jaringan penukar panas pada gambar.7 terdiri dari 11 penukar panas. Proses perpindahan panas dari masing masing penukar panas dapat dimodelkan dengan persamaan (3). Pemodelan penukar panas dilakukan dengan asumsi dalam keadaan steady-state, kondisi thermal fluida sama, dan panas yang diserap oleh dinding pipa diabaikan. Model HE
Furnace
T
h ,o
Tc ,i Th ,i Tc ,o T Tc ,i ln h ,o T T c ,o h ,i
(4)
Keterangan : Th,o Th,i Tc,i Tc,i
= Temperatur outlet fluida panas (oC) = Temperatur inlet fluida panas (oC) = Temperatur inlet fluida dingin (oC) = Temperatur inlet fluida dingin (oC)
Nilai koefesien perpindahan panas (Ua) pada persamaan (3) dapat diketahui dengan menggunakan persamaan (5). Namun, nilai Ua dipengaruhi oleh lapisan film pada dinding penukar panas, ketahanan panas dari dinding tabung, dan resistansi fouling [5,19]. d o R f,i d 1 o Ua dihi di
d d o ln o di 2k w
R 1 f,o ho
Keterangan : Rf,i Rf,o
= Resistansi Fouling bagian dalam (W/m2 K) = Resistansi Fouling bagian luar (W/m2 K)
(5)
hi ho Ua kw do di
= Koefisien perpindahan panas tube-side film = Koefisien perpindahan panas shell-side film = Koefisien keseluruhan perpindahan panas = Konduktifitas panas dari dinding tube = Diameter terluar dari tube = Diameter dalam dari tube
(10)
Koefisien perpindahan panas yang dipengaruhi beberapa faktor pada persamaan (5) mengakibatkan aliran fluida yang bervariasi. Sehingga pemodelan penukar panas akan semakin rumit. Model penukar panas yang semakin rumit dapat disederhanakan menggunakan beberapa asumsi, yaitu penukar panas dalam keadaan konstaan, sifat fluida yang konstan, kondisi thermal yang sama dr sebelumnya, dan penukar panas dalam kondisi terisolasi. Dari asumsi tersebut, suhu inlet dan outlet penukar panas dalam keadaan steady-state dapat dirumuskan menggunakan persamaan (6) dan (7) [7,20].
C. Pemodelan penurunan tekanan akibat fouling Pertumbuhan fouling memberikan dampak meningkatnya penuruan tekanan pada laju aliran fluida. Tingkat penurunan tekanan dipengaruhi oleh ketebalan foulant dan laju aliran massa. Model yang digunakan untuk menggambarkan kondisi pompa saat beroperasi dapat direpresentasikan pada persamaan (11). Pemodelan kinerja pompa merujuk pada pemodelan yang telah dilakukan oleh desertasi sebelumnya [11]. Penurunan tekanan pada saat kondisi bersih dan pada saat kondisi kotor akan mempengaruhi besar usaha yang dibutuhkan saat pompa beroperasi. Wp
k exp k 2 F k1 1 1 Tc ,o 1 Th ,i exp k 2 F k1 1 k1
1 k1 exp k 2 F k1 1 Tc ,i exp k 2 F k1 1 k1
(6)
exp k 2 F k1 1 1 Th ,o Tc ,i exp k 2 F k1 1 k1
k1 1 exp k 2 F k1 1 k1
k2
(11)
Keterangan : q = Volme laju aliran fluida Wp = Besar usaha pompa bekerja Δpf = Penurunan tekanan saat kondisi kotor Δpc = Penurunan tekanan saat kondisi bersih (Datasheet) η = efesiensi pompa. D. Perumusan
Th ,i
(7)
Dengan nilai k1 dan k2, didapatkan dari persamaan (8) dan (9). k1
qp f
mh c p , h mc c p ,c
UA mh c p , h
(8) (9)
B. Pemodelan prediksi pertumbuhan fouling Secara umum koefesien perpindahan panas yang aktual dapat digunakan untuk menggambarkan karakteristik resistansi fouling. persamaan (5) diharapkan menjadi nol ketika penukar panas dalam kondisi baru. Selain model teoritis, model empris telah banyak digunakan untuk memprediksi pertumbuhan fouling. Beberapa model empiris yang digunakan untuk memprediksi pertumbuhan fouling adalah persamaan linier, falling rate, eksponensial dan sigmoidal. Model empiris yang digunakan dalam tugas akhir ini adalah persamaan sigmoidal (10) karena dapat mengikuti tren data tingkat pertumbuhan fouling. Model predksi pertumbuhan fouling dan validasi dari model prediksi pertumbuhan fouling yang digunakan dalam tugas akhir ini merujuk pada desertasi yang telah dilakukan sebelumnya [11]. Dalam desertasi tersebut nilai R2 dari validasi persamaan soigmoidal berkisar 0,91 sampai 0,99, sehingga dapat disimpulkan model pertumbuhan fouling telah valid
fungsi pembersihan HEN
tujuan
optimasi
jadwal
Perumusan fungsi tujuan optimasi jadwal pembersihan HEN dinyatakan dalam jumlah biaya dalam satu periode plant beroperasi. Perumusan fungsi tujuan dituliskan dalam bentuk persamaan (12). Perumusan fungsi tujuan mengacu pada perumusan yang telah digunakan pada desertasi sebelumnya [11]. Persamaan (12) terdapat dua variabel yang berbeda yaitu variabel biner dan variabel eksponensial.
N E Ntf N E N c,n cl wcl min Obj C E Q n,t Q n,t y n,t C Cl , n, j (1 y n,t ) n 1 t 1 n 1 J 1 Nc, n N E N tf C p W Pn,t n 1 t 1
(12)
Keterangan : CE = Biaya energi CCl = Biaya pembersihan Cp = Biaya dari pompa yang bekerja NE = Jumlah penukar panas dalam HEN Nc, n = Jumlah pembersihan HE untuk n tahun pada periode operasi yang diberikan Ntf = Jumlah hari (Waktu Horizon)
Qncl,t
= Perpindahan panas dalam n pada waktu t dalam kondisi bersih
Qnwcl ,t
= Perpindahan panas dalam n pada waktu t dengan
Wp
jadwal pembersihan = Kinerja pompa yang bertambah
Y
= Status dari masing-masing HE, 1 jika unit bekerja dan 0 jika unit tidak bekerja = 1,2 … NE nomor penukar panas
n
E. Optimasi jadwal pembersihan menggunakan PSO.
6.
algoritma
Penulisan algoritma PSO berdasarkan flowchart pada gambar. 5. Jumlah partikel yang digunakan untuk mengoptimasi jadwal pembersihan ditentukan berdasarkan hasil yang lebih baik. Dimensi dalam PSO digunakan untuk mewakili periode pembersihan dari masing – masing penukar panas. Untuk mencapai nilai yang konvergen perlu dilakukan pemberharuan posisi dan kecepatan tiap partikel untuk memperbaruhi posisi dan kecepatan partikel dapat menggunakan persamaan (13) dan (14). (13) (14) Algoritma PSO telah dimodifikasi dengan menambahkan nilai bobot inersia. Penambahan nilai bobot inersia digunakan untuk mempercepat nilai konvergensi. Pencarian nilai bobot inersia dapat menggunakan persamaan berikut ;
Keterangan : i = Iterasi ke 1,2,3,4,.... θmax = Nilai awal bobot inersia θmin = Nilai akhir bobot inersia
(15)
Berikut langkah – langkah pembuatan algoritma jadwal pembersihan penukar panas menggunakan PSO : 1.
2. 3. 4.
5.
Membangkitkan posisi partikel dengan parameter dimensi untuk 11 penukar panas serta kecepatan awal secara random. Posisi awal dan kecepatan awal ditentukan secara random, dengan batasan untuk posisi awal adalah 0 sampai 31 dan batasan untuk kecepata awal dari 0 sampai 1. Menentukan nilai bobot inersia (θ) untuk setiap iterasi pada PSO dengan menggunakan persamaan 15. Penentuan jadwal pembersihan dengan kisaran 44 bulan atau selama 4 tahun. Mengevaluasi nilai fitness dari masing – masing partikel berdasarkan posisinya. nilai fitness merupakan rumusan fungsi tujuan pada persamaan 12. Menentukan posisi awal terbaik untuk masing – masing partikel ― Pbest‖ dengan nilai fungsi tujuan paling rendah (minimum) dan posisi awal terbaik untuk keseluruhan partikel ― Gbest‖, dengan nilai fungsi tujuan yang paling rendah (minumum) dari keseluruhan partikel.
7.
Pada iterasi ke-i, tentukan beberapa varibel untuk mencapai nilai optimum ; a. Meng-update posisi terbaru dari setiap partikel dengan menggunakan persamaan 14 b. Meng-update kecepatan terbaru dari setiap partikel dengan menggunakan persamaan 13 c. Evaluasi nilai fitness dari posisi dan kecepatan yang terbaru untuk setiap partikel. Evaluasi ini menggunakan persamaan 12 d. Meng-update posisi terbaik dari partikel itu sendiri yang dinyatakan dalam ― pbest‖ dan posisi terbaik dari seluruh partikel yang dinyatakan dalam ―g best‖. e. Meng-update jadwal pembersihan masing – masing penukar panas menggunakan posisi terbaik dari keseluruhan partikel pada setiap dimensi. Ulangi langkah ke-3 jika iterasi belum mencapai 100.
Penentuan jadwal pembersihan HEN dijadwalkan untuk pembersihan masing – masing HE. Periode pembersihan masing – masing penukar panas dirancang untuk kisaran 44 bulan. Perancangan jadwal pembersihan masing – masing HE berdasarkan posisi terbaik dari keseluruhan partikel ― Gbest‖ pada setiap dimensi. Nilai desimal dari Gbest pada masing – masing dimensi, digunakan sebagai waktu penukar panas beroperasi. TABEL I
ILUSTRASI GBEST MENJADI JADWAL PEMBERSIHAN HEN
Pbest Fitness 20 10 30 5
80,6 100 20 56
Gbest 30
1
2
3
.....
1
1
1
......
Binerisasi 30 .... 0
....
41
42
44
1
1
1
IV. HASIL DAN PEMBAHASAN Dalam tugas akhir ini, fungsi tujuan optimasi jadwal pembersihan HEN dirumuskan untuk mengurangi energi yang hilang saat beroperasi. Gambar 8 merupakan grafik dari hasil perhitungan fungsi tujuan (minimum) menggunakan 50 partikel dengan 100 iterasi. Posisi dan kecepatan setiap partikel diperbaharui selama iterasi berlangsung sampai menemukan nilai konvergen.
Dari gambar 9, dapat diketahui bahwa resistansi fouling tertinggi terjadi pada penukar panas E-05 sedangkan resistansi fouling terendah terjadi pada penukar panas E-10. Semakin tinggi nilai resistansi fouling pada suatu penukar panas maka semakin sering penukar panas tersebut dibersihkan. Namun, resistansi fouling tidak dapat dijadikan parameter mutlak untuk pembersihan HE karena resistansi fouling hanya merupakan salah satu dari parameter optimasi jadwal pembersihan HEN.
Gambar. 8 Grafik nilai fitness (minimum) dari fungsi tujuan optimasi
Nilai fitness merupakan jumlah biaya pemulihan energi, biaya pembersihan, dan biaya pompa bekerja. Kondisi konvergen didapatkan ketika nilai fitness berkisar 1.32 x 107 ketika iterasi ke 54. Optimasi jadwal pembersihan jaringan penukar panas (HEN) dilakukan selama periode 44 bulan. Posisi terbaik keseluruhan partikel atau disebut dengan Gbest dari hasil optimasi jadwal pembersihan HEN direpresentasikan pada table 1. Nilai Gbest tersebut dijadikan sebagai jumlah interval pembersihan masing – masing penukar dalam kurung waktu 44 bulan. Penggunaan 11 dimensi dilakukan untuk mewakili jadwal pembersihan masing – masing penukar panas. Dimensi satu mewakili jadwal pembersihan E-01 sampai dimensi 11 mewakili jadwal pembersihan E-11. TABEL II POSISI TERBAIK KESELURUHAN PARTIKEL (GBEST)
E-01 E-02 E-03 E-04 E-05 E-06 E-07 E-08 E-09 E-10 E-11 16
23
28
9
5
9
28
5
9
5
24
Sehingga interval jadwal pembersihan dari masing – masing penukar panas dapat direpesentasikan pada tabel 2. TABEL IIII POSISI TERBAIK KESELURUHAN PARTIKEL (GBEST)
E-01 E-02 E-03 E-04 E-05 E-06 E-07 E-08 E-09 E-10 E-11 2
1
1
4
8
4
1
8
4
8
1
Hasil optimasi jadwal pembersihan HEN dari table 1 dan table 2 dipengaruhi oleh beberapa faktor yaitu resistansi fouling, kinerja pompa, koefesien perpindahan panas secara keseluruhan dan tingkat perpindahan panas dari masing – masing penukar panas. Pembahasan masing – masing faktor akan dijelaskan secara singkat sebagai berikut ;
Gambar. 9 Resistansi fouling penukar panas saat kondisi kotor
2. Kinerja Pompa Menurut persamaan (15) kinerja pompa disekitar HEN dipengaruhi oleh resistansi fouling. Semakin bertambahnya waktu, profil kinerja pompa mengalami peningkatan, hal ini disebabkan nilai reisistansi dari waktu ke waktu mengalami penebalan. Profil kinerja pompa dibawah jadwal pembersihan mengikuti tren proses pembersihan berdasarkan jadwal pembersihan yang telah dioptimasi. Sehingga profil kinerja pompa dibawah jadwal pembersihan mendekati saat kondisi dalam keadaan bersih tanpa adanya foulant. Namun, seiring dengan bertambahnya waktu resistansi fouling terus bertumbuh, sehingga proses pembersihan dilakukan dalam dua kali selama periode 44 bulan. Proses Pembersihan
Proses Pembersihan
1. Resistansi fouling Perdiksi pertumbuhan fouling masing – masing penukar panas dengan menggunakan persamaan (10) direpesentasikan pada gambar 9. Resistansi fouling setiap penukar panas memiliki nilai yang berbeda, hal ini disebabkan oleh kecepatan fluida dan suhu pada dinding atau film bervariasi.
Gambar. 10 kinerja pompa dalam kondisi bersih, kotor, dan dibawah jadwal pembersihan di HE-01
3. Koefesien perpindahan panas
Koefisien perpindahan panas merupakan variable yang memiliki pengaruh sangat besar kepada perpindahan panas pada masing – masing penukar panas (HE). Menurut persamaan (5), Koefesien perpindahan panan keseluruhan berbanding terbalik dengan reisistansi fouling. Semakin besar reisistansi fouling maka semakin kecil nilai koefesien perpindahan panas. Pernyataan tersebut dibuktikan dengan profil koefisien perpindahan panas di HE-01 pada gambar 11. Profil koefesien perpindahan panas dibawah jadwal pembersihan mengikuti tren dari proses pembersihan yang dilakukan sebanyak 2 kali. Proses pembersihan dilakukan untuk mengembalikan nilai koefisien perpindahan panas ke kondisi bersih tanpa adanya fouling. Gambar. 12 Heat duty dalam kondisi bersih, kotor, dan setelah di optimasi
Proses Pembersihan
Proses Pembersihan
Gambar. 11 kinerja pompa dalam kondisi bersih, kotor, dan dibawah jadwal pembersihan di HE-01
4. Perpindahan panas keseluruhan (heat duty) Perpindahan panas keseluruhan atau heat duty pada plant CPT dipengaruhi oleh koefesien perpindahan panas, kinerja pompa dll. Persamaan (3) digunakan untuk mengetahui perubahan heat duty dari waktu ke waktu dalam kondisi bersih, kotor , dan kondisi setelah dilakuka optimasi. Hasil perubahan heat duty direpresentasikan pada gambar 11. Grafik heat duty dalam kondisi kotor mengalami penurunan dari waktu ke waktu. Penurunan tersebut disebabkan oleh pertumbuhan resistansi fouling yang mengikuti perubahan heat duty ketika kondisi kotor. Optimasi jadwal pembersihan HEN berperan penting untuk menyelesaikan masalah ini dengan menjaga agar perubahan heat duty selalu dalam kondisi bersih. Profil perpindahan panas dibawah jadwal pembersihan menggambarkan hasil dari optimasi jadwal pembersihan. Dari hasil optimasi, profil perpindahan panas mengalami peningkatan mendekati profil perpindahan panas saat kondisi bersih sesuai yang diinginkan.
Dari ke empat faktor yang telah dijelaskan diatas, dapat dinyatakan bahwa fungsi tujuan telah berfungsi dengan baik. Pernyataan tersebut dibuktikan dengan tingkat pemulihan panas dari waktu ke waktu yang selalu mengalami kenaikkan mendekati pemulihan panas maksimum ketika kondisi bersih. Kondisi optimum dari fungsi tujuan adalah penghematan ekonomi yang maksimum dengan mempertimbangkan total biaya pembersihan, energi panas yang hilang dan biaya yang ditimbulkan oleh peningkatan kinerja pompa karena fouling. Penghematan ekonomi merupakan jumlah biaya energi yang disimpan ketika dilakukan optimasi jadwal pembersihan. Jumlah energy yang disimpan dapat dihitung menggunakan persamaan (16). Energi Saving = ( RE (cs) - RE (f) ) - ( CC(cs) – CC(f) ) - ( PC(cs) – PC (f) )
(16)
Keterangan; RE = Energi yang dipulihkan CC = Biaya pembersihan PC = Biaya dari pompa yang bekerja cs = Kondisi cleaning schedule f = Kondisi kotor Dari persamaan (16) didapatkan hasil penghematan ekonomi sebesar $ 1.236 juta dolar USD. Dari hasil tersebut dapat menambah keyakinan bahwa hasil yg di capai cukup baik. Rincian biaya untuk setiap pemulihan energi, pembersihan, dan kinerja pompa saat kondisi bersih, kotor, dan cleaning schedule ditunjukkan oleh table 3. TABEL IVII RINCIAN BIAYA RE, CC, DAN PC SAAT KONDISI BERSIH, KOTOR, DAN CLEANING SCHEDULE
Kondisi Bersih Kotor Cleanning Schedul
Recovered Energy ($) 23.437.800 18.570.433
Cleaning cost ($) 0 0
Pumping cost ($) 236.909 596.365
21.138.727
1.478.400
449.504
Dari pengamatan pada tebel 3, Biaya dari hasil energi yang dipulihkan dan biaya dari kinerja pompa saat kondisi cleaning schedule berada diantara saat kondisi bersih dan kotor.
Sehingga dapat dinyatakan bahwa proses optimasi pembersihan HEN berjalan dengan baik. Biaya pembersihan saat kondisi bersih dan kotor sebesar $ 0, hal ini menjelaskan bahwa tidak terjadi pembersihan saat penukar panas.
[10]
V. KESIMPULAN kesimpulan dari tugas akhir ini adalah 1. Pengoptimasian Jadwal pembersihan jaringan penukar panas dilakukan berdasarkan pemodelan HEN, Resistansi Fouling, dan perumusan fungsi tujuan 2. Jadwal pembersihan dari masing – masing HE setelah dilakukan optimasi menggunakan PSO dalam periode 44 bulan adalah HE-01(16), HE-02(24), HE-03(28), HE-04(9), HE-05(5), HE-06(9), HE-07(28), HE-08(5), HE-09(9), HE-10(5), HE-11(24). 3. Penghematan ekonomi yang dihasilkan selama 44 bulan setelah dilakukan optimasi adalah $ 1.236 juta dolar USD.
[12]
[11]
[13]
[14] [15] [16] [17] [18] [19]
UCAPAN TERIMA KASIH Penulis sangat berterima kasih kepada pak Totok Ruki Biyanto, ph.D yang telah banyak membatu dalam menyelesaikan tugas akhir ini. Penulis juga sangat berterima kasih kepada Bapak, Ibu, kakak, dan adik penulis yang selalu membantu serta mendoakan penulis agar sukses. REFERENSI [1] [2]
[3] [4]
[5]
[6]
[7]
[8] [9]
Macchietto.S. 2009. “Fouling in Crude Oil Preheat Trains: A Sistematic Solution To an Old Problem”. Department of Chemical Engineering, South Kensington Campus, Imperial Collage London Pogiatzis T, Vassiliadis.V.S, Wilson D.I. 2011. “An MINLP Formulation for Scheduling the Cleaning of Heat Exchanger Networks Subject To Fouling and Ageing”. Departement of Chemical Engineering & Biotechnology, University of Cambridge ESDU.2000. “Heat exchanger fouling in the preheat train of a crude oil distillation unit”. ESDU, London. B. L. Yeap, D. I. Wilson, G. T. Polley, and S. J. Pugh,. 2005. ― Retrofitting crude oil refinery heat exchanger networks to minimize fouling while maximizing heat recovery‖. Heat Transfer Engineering, vol. 26, pp. 23-34 Smaili F., Vassiliadis V.S., Wilson D.I. 2001. “Mtitigation Of Fouling in Refinery Heat Exchanger Networks by Optimal Management of Cleaning”. Departement of Chemical Engineering, Pembroke Street, Cambridge, U.K Ishiyama E.M., Heins A.F., Paterson W.R., Spinelli L., Wilson D.L., 2010. “Scheduling cleaning in a crude oil preheat train subject to fouling: Incorporating desalter control”. Department of chemical Engineering & Biotechnology, University of Cambridge. United Kingdom. Sanaye S and Niroomand B. 2007. “Simulation Of Heat Exchanger Network (HEN) and Palnning the optimum cleaning schedule”. Energy Systems Improvement Laboratory, Mechanical Engineering Department, Iran University of Science and Technology (IUST), Tehran,Iran Urbaniec K and Markowski M., 2005. “Optimal Cleaning Schedule For Heat Exchangers in a Heat Exchanger Network”. Departement of Process Equipment, Warsaw University of technology, Poland Faria Debora C and Bagajewicz M.J., 2011. ― Global Optimization Of Nonconvex MINLP Problems by Domain and Image Partitioning: Aplications to Heat Exchanger Networks‖. University of Oklahoma, USA
[20]
Costa L., Oliveira P., 2001. “Optimal cyclic cleaning scheduling in heat exchanger networks under fouling”. Departement of Production and System Engineering, University of Minho. Portugal Biyanto Totok R, 2013. “Optimal Cleaning Schedule For Crude Preheat Train Affected by Fouling Using Genetic Algorithm”. Department of Chemical Egineering Bai Q. 2010. ― Analysis of Particle Swarm Optimization Algorithm‖. College of Computer Science and Technology, Inner Mongolia University for Nationalities, China. Martin A, Mato A.F, 2008. ― Hint: An Educational Software For Heat Exchanger Network Design With the Pinch Method‖. Department of Chemical Engineering and Environmental Technology, University of Valladolid, Facultad de Ciencias, Spain Bartlett Dian A. 1996. “The Fundamentals of Heat Exchangers”. American Institutte of phisycs Mostafa M. Awad. 2002. ― Fouling Of Heat Transfer Surfaces‖. Faculty of Engineering, Mech. Power Eng.Dept, Mansoura University. Kennedy J, Eberhart R, 2007. “Particle Swarm Optimization”. Purdue School Of Engineering Technology USA Eberhart C.Russell, 2001. “Particle Swarm Optimization: Development, Aplication and Resources”.Purdue School Of Engineering Technology USA Assis B, Goncalves C, Borges J, 2012. ― Constrained Thermohydraulic Optimization in Crude Preheat Train‖. Rio de Janeiro State University, Rua Sao Francisco Xavier, 524, Instituto de Quimica. Bott T. and Robles C.P. 2006. “The Environmental Effect Of Heat Exchanger Fouling A Case Study”. Environmental and Sea Sciences Faculty, Chemical Engineering, University of Cadiz, Spain Georgiadis, M.C., Papageorgiou, L.G., Macchietto, S., 1999. “Optimal cyclic cleaning scheduling in heat exchanger networks under fouling”. Centre For Process Systems Engineering. Imperal College of Science, Technology and Medicine London