Perancangan softsensor steam quality pada steam generator dengan optimasi nilai spesifik volume dengan metode jaringan syaraf tiruan (JST)
Oleh : Alif Tober Rachmawati 2410105022
Latar Belakang Awalnya hanya mengambil sample dalam pengukurannya Steam generator
Perlu suatu sensor untuk mengukur steam
Softsensor
Pengolahan Minyak
Steam
Diinjeksikan
Bumi
Permasalahan Bagaimana merancang suatu softsensor steam quality dengan menggunakan metode jaringan syaraf tiruan agar keluaran yang didapatkan lebih optimal nilai spesifik volumenya sehingga mendapatkan kualitas uap yang baik.
Tujuan Merancang softsensor steam quality dengan menggunakan metode jaringan syaraf tiruan sehingga akan menghasilkan steam quality yang optimal.
Batasan Masalah Dalam perancangan softsensor ini menggunakan metode
jaringan syaraf tiruan Data yang digunakan untuk masukan jaringan syaraf tiruan merupakan data dari steam table saturasi water Metode yang digunakan untuk pengidentifikasian jaringan syaraf tiruan yaitu struktur backpropagation dengan metode pembelajaran yang digunakan backpropagation
Metodologi Penelitian
Start Studi Literatur Pengolahan Data
Berikut
ini merupakan flowchart dari perancangan softsensor steam quality pada steam generator dengan optimalisasi spesifik volume menggunakan metode JST. Untuk mendapatkan steam quality harus melakukan pelatihan pada JST.
Perancangan JST Tidak
Uji Simulasi JST Tidak Validasi model Ya Perhitungan Steam Quality
Ya
Validasi Steam Quality Analisa + Laporan
Finish
Tahap – Tahap dalam perancangan Softsensor a. Tahap 1
Perancangan JST Pressure
Vf JST Vfg
Temperature
b. Tahap 2
Perancangan Softsensor Pressure
Temperature SOFTSENSOR Flow
Vf JST Vfg
SQ
Pengidentifikasian pada JST Untuk menghasilkan pemodelan pada jST memerlukan beberapa langkah, bisa dilihat pada gambar disamping untuk rancangan pada JST.
Start
Pengolahan Data
Pemilihan Struktur Model
Validasi Model
Tidak Sesuai atau tidak
Ya End
Pelatihan jaringan syaraf tiruan Berikut merupakan suatu
arsitektur jaringan syaraf yang telah dibuat. Arsitektur ini memiliki 3 layer yaitu layer input, hidden layer dan layer output. Pada hidden layer terdapat 2 hidden layer. Dimana pada layer pertama memiliki 3 node dan pada hidden layer kedua terdapat 9 node.
Hasil Pelatihan JST Dengan menggunakan 3 layer yaitu input layer, hidden layer serta output layer. Untuk layer pertama yaitu input layer memiliki 2 node. Sedangkan hidden layernya terdapat 2 hidden layer dengan hidden layer yang pertama memiliki 3 node dan hidden layer yang kedua yaitu 9 node. Untuk output layer memiliki 2 node. Dengan hasil struktur tersebut karena terdapat nilai performance atau mean square error (mse) 10^-4 sesuai dengan target yang telah ditentukan. Terlihat seperti gambar grafik berikut ini :
hasil dari performance dalam keadaan menurun kebawah, hal ini berarti nilai dari output pelatihan mendekati dengan target yang telah ditentukan. Dalam hal ini performance atau mean square error (mse) adalah 10-4. N
Setelah didapatkan suatu pemodelan yang telah dijelaskan diatas, maka dapat melakukan validasi dari hasil data yang digunakan untuk pelatihan dengan data hasil pelatihan. Sehingga didapat perbandingan antara hasil output data dan output hasil pelatihan. Hasil nilai pelatihan yang baik atau dikatakan berhasil yaitu dengan ketentuan semakin kecil nilai RMSE (Root Mean Square Error) akan menghasilkan output yang baik. Selain itu juga terdapat VAF (Variance Accounted For) apabila nilai prosentase VAF yang dihasilkan semakin besar maka untuk menuju keberhasilannya semakin bagus. Berikut merupakan gambar grafik perbandingan dari data output real dan data output hasil training :
Perbandingan output data vf dengan output training
Dapat dilihat dari gambar grafik diatas bahwa selilsih antara hasil training dengan data real memiliki selisih yang sangat kecil. Sehingga dari hasil training diatas didapatkan nilai RMSE untuk vf adalah 0.013 dan nilai VAF yaitu 99,09 % Nilai pada VAF tidak dapat tepat 100%, hal ini dikarenakan masih terdapat eror dalam melakukan perhitungan dengan menggunakan Matlab.
Perbandingan output data vfg dengan output training
Dapat dilihat dari hasil gambar grafik dibawah ini, bahwa pada gambar tersebut terlihat selisih antara data real dan data hasil training memiliki selisih yang sangat kecil sehingga hasil training diatas didapatkan nilai RMSE untuk vfg 0.0049 dan nilai VAF 99.95 % maka dari hasil tersebut dapat diketahui bahwa pemodelan JST yang telah dibuat telah mendekati target yang diinginkan. Nilai pada VAF tidak dapat tepat 100%, hal ini dikarenakan masih terdapat error dalam melakukan perhitungan dengan menggunakan Matlab
Soft sensor offline dengan Matlab GUI Dari hasil softsensor yang telah dirancang maka dapat diketahui bahwa ketika pressure 103.756378 psi, temperature 472.828613 oF, flow outlet steam 75.392 ft3s-1 serta pada mass flow inlet steam 123.582787 lbs-1 didapatkan hasil steam qulaity 59.3775%, dengan nilai vf 0.0193351 ft3/lb dan vfg 1.18786 ft3/lb.
Soft sensor offline dengan Matlab GUI Ketika pressure 105.189301 psi, temperature 472.781525 oF, flow outlet steam 73.79 ft3s-1 , mass flow inlet steam 123.41407 lbs-1 dengan nilai spesifik volum liquid (vf) 0.0193367 ft3/lb dan nilai spesifik volum evaporator (vfg) 1.18676 ft3/lb Sehingga menghasilkan perhitungan untuk steam quality yaitu 58.1612 %.
Soft sensor offline dengan Matlab GUI Pada saat nilai pressure 117.339752 psi, temperature 471.8898193 oF, flow outlet steam 75.88 ft3s-1 sert pada mass flow inlet stea dengan nilai input
untuk menghitung steam quality seperti diatas maka dapat menghasilkan steam quality sebesar 60.5785%.
Soft sensor offline dengan Matlab GUI Ketika pressure 119.970032 psi, temperature 471.839325 oF, flow outlet
steam 73.142 ft3s-1 serta untuk mass flow adalah 121.657913 lbs-1, dengan variabel input seperti itu maka hasil steam quality yaitu 58,4797 %.
Grafik perbandingan steam quality plan dan hasil simulasi Dari hasil perhitungan steam quality seperti yang di contohkan diatas dapat dilihat hasil perbandingan hasil steam quality data dengan hasil simulasi menggunakan softsensor tersebut Berikut ini merupakan grafik perbandingan dari simulasi tersebut dengan parameter pressure yang digunakan.
Pada grafik tersebut terlihat bahwa antara hasil steam quality pada plan dan steam quality yang terdapat dari hasil simulasi memiliki selisih yang sangat kecil. Sehingga hal ini dapat disimpulkan kalau memiliki nilai keakurasian yang baik. Akan tetapi terdapat satu hasil simulasi yang membuat grafik menjadi naik. Hal ini disebabkan untuk inputan nilai dari flow steam outlet yang diterima pada saat proses tersebut terlalu tinggi sehingga pada simulasi terjadilah kenaikan grafik,seperti yang terlihat diabawah ini. Sehingga dari grafik dapat diketahui nilai akurasi dari steam quality data dan steam quality hasil simulasi dengan menggunakan persamaan hasil dari jaringan syaraf tiruan dengan nilai akurasi sebesar 97.08%.
Kesimpulan Soft sensor steam quality dengan metode jaringan syaraf tiruan yang
memiliki dua input, dua hidden layer, untuk hidden layer pertama yaitu 3 node dan hidden layer yang kedua yaitu 9 node serta memiliki dua output. Untuk perancangan soft sensor dengan menggunankan JST dapat menghasilkan nilai RMSE spesifik volum liquid (vf) 0.0049 dan spesifik volum evaporator (vfg) 0.013 sedangkan nilai VAF vf 99.95 % dan nilai VAF vfg 99,09 %. Softsensor offline dengan menggunakan Matlab dengan struktur model yang sudah melalui tahap identifikasi dengan menggunakan jaringan syaraf tiruan. Nilai keakurasian yang di dapat dalam perancangan softsensor steam quality yaitu 97.08 %.
TERIMAKASIH