OPTIMISASI KONDISI OPERASI THERMO- HYDROLIC PADA PLAN LIQUEFACTION NATURAL GAS MENGGUNAKAN GENETIC ALGORITHM

LEMBAR JUDUL TUGAS AKHIR - TF 141581

OPTIMISASI KONDISI OPERASI THERMOHYDROLIC PADA PLAN LIQUEFACTION NATURAL GAS MENGGUNAKAN GENETIC ALGORITHM ARIF TRI MARDIANTO NRP. 2412 100 061 Dosen Pembimbing Totok Ruki Biyanto, PhD Dr. Katherin Indriawati, ST, MT

JURUSAN TEKNIK FISIKA Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 2017

i

LEMBAR JUDUL FINAL PROJECT - TF 141581

OPERATING CONDITION OPTIMIZATION OF THERMO-HYDROLIC LIQUEFACTION OF NATURAL GAS PLANT USING GENETIC ALGORITHM ARIF TRI MARDIANTO NRP. 2412 100 061

Supervisor Totok Ruki Biyanto, PhD Dr. Katherin Indriawati, ST, MT

DEPARTMENT OF ENGINEERING PHYSICS Faculty of Industrial Technology Institut Teknologi Sepuluh Nopember Surabaya 2017

iii

v

Halaman sengaja dikosongkan

vii


OPTIMISASI KONDISI OPERASI THERMO-HYDROLIC PADA PLAN LIQUEFACTION NATURAL GAS MENGGUNAKAN GENETIC ALGORITHM Nama Mahasiswa NRP Jurusan Dosen Pembimbing

: : : :

Arif Tri Mardianto 24 11 100 061 Teknik Fisika FTI-ITS Totok Ruki Biyanto, PhD Dr. Katherin Indriawati, ST, MT

Abstrak Penelitia terhadap plan liquefaction natural gas dengan menggunakan propane precooling mixed refrigerant (C3MR) sebagai refrigerant telah dilakukan. Tujuan dalam penelitian ini adalah untuk meminimalkan nilai Operating Expenditure (OPEX) sebagai biaya yang diperlukan untuk proses kompresi dan pendinginan NG menjadi LNG dengan mempertimbangkan pengaruh fouling pada equipment heat exchanger. Untuk meminimalkan nilai OPEX, maka perlu dilakukan optimisasi terhadap kondisi operasi proses liquefaction, dengan menjadikan nilai OPEX sebagai fungsi objektif. Genetic Algorithm (GA) digunakan sebagai optimaizer, dengan pressure (P) dan mass flow rate (m) propane, serta komposisi dari mixed component refrigerant (MCR) sebagai variabel optimisasi. Overall heat transfer cofficient (U) dan pressure drop dari heat exchanger, serta pressure drop dari setiap komponen juga dijadikan sebagai constrain dalam optimisasi ini. Hasil optimisasi yang telah dilakukkan, didapatkan besarnya penurunan shaft work dan nilai OPEX yang masing-masing sebesar 16,39 % dan 2,47 %. Kata kunci : Fouling, Genetic Algorithm, Operating Expenditure, Propane Precooling Mixed Refrigerant, Proses Liquefaction

ix


OPERATING CONDITION OPTIMIZATION OF THERMOHYDROLIC LIQUEFACTION OF NATURAL GAS PLANT USING GENETIC ALGORITHM Name NRP Department Supervisor

: Arif Tri Mardianto : 24 11 100 004 : Department of Engineering Physics : Totok Ruki Biyanto, PhD Dr. Katherin Indriawati, ST, MT ABSTRACT

Abstract Research to prove that plan liquefaction natural gas using propane precooling mixed refrigerant (C3MR) could be used as refrigerant has been conducted. The purpose of this research is to minimized value of Operating Expenditure (OPEX) as cost that is required for compression and cooling from NG into LNG considering the fouling effect in equipment heat exhanger. In order to minimized OPEX value, the optimization process is needed. The OPEX value is the objective function and pressure (P), mass flowrate (m), and composition of MCR as the variables of optimization process. the GA technic is the optimizer. The Overall heat transfer coefficient (U) and pressure drop of heat exchanger, and also pressure drop from each other equipments are constraint of optimization process. the results of optimization process are showed that the shatf work and OPEX can be reduced to 16,39 % and 2,47 % respectively. Key words: Fouling, Genetic Algorithm, Operating Expenditure, Propane Precooling Mixed Refrigerant, Liquefaction process

xi


KATA PENGANTAR Puji syukur penulis kepada Allah SWT, karena rahmat dan hikmat-Nya sehingga penulis dimampukan untuk menyelesaikan laporan tugas akhir yang berjudul: “OPTIMISASI KONDISI OPERASI THERMO-HYDROLIC PADA PLAN LIQUEFACTION NATURAL GAS MENGGUNAKAN GENETIC ALGORITHM” Tugas akhir ini merupakan salah satu persyaratan akademik yang harus dipenuhi dalam Program Studi S-1 Teknik Fisika FTIITS. Penulis menyampaikan terima kasih yang sebesar-besarnya kepada : 1. Totok Ruki Biyanto, PhD dan Dr. Katherin Indriawati, ST, MT selaku dosen pembimbing tugas akhir ini, yang selalu memberikan semangat dan ide ide baru. 2. Agus Muhammad Hatta, ST, Msi, Ph.D. selaku ketua jurusan Teknik Fisika ITS. 3. Ir. Wiratno Agro Asmoro, M.Sc. selaku dosen wali penulis. 4. Segenap Bapak/Ibu dosen pengajar dan karyawan di jurusan Teknik Fisika - ITS. 5. Segenap keluarga dan sahabat penulis yang telah memberikan dukungan penuh terhadap penyelesaian tugas akhir ini. Penulis menyadari bahwa mungkin masih ada kekurangan dalam laporan ini, sehingga kritik dan saran penulis terima. Semoga laporan ini dapat berguna dan bermanfaat bagi penulis dan pihak yang membacanya. Surabaya, 25 Januari 2017 Penulis xiii


DAFTAR ISI HALAMAN JUDUL ................................................................... i LEMBAR PENGESAHAN ........................................................ v LEMBAR PENGESAHAN ...................................................... vii Abstrak ...................................................................................... ix Abstract ....................................................................................... xi KATA PENGANTAR ............................................................. xiii DAFTAR ISI ............................................................................. xv DAFTAR GAMBAR .............................................................. xvii DAFTAR TABEL.................................................................... xix BAB I PENDAHULUAN ........................................................... 1 1.1 Latar Belakang ................................................................... 1 1.2 Rumusan Masalah .............................................................. 4 1.3 Tujuan ................................................................................ 4 1.4 Lingkup Kerja .................................................................... 4 BAB II TINJAUAN PUSTAKA ................................................ 5 2.1 Liquefaction LNG .............................................................. 5 2.2 Analisis Steady State Kestimbangan Energi ....................... 8 2.3 Persamaan Vapor Liquid Equilibrium .............................. 11 2.4 Fouling pada Heat Exchanger .......................................... 14 2.5 Genetic Algorithm............................................................ 15 BAB III METODOLOGI PENELITIAN ............................... 17 3.1 Proses yang Dikaji ........................................................... 17 3.2 Tahapan Penelitian ........................................................... 18 BAB IV HASIL DAN PEMBAHASAN .................................. 29 4.1 Validasi dan Hasil ............................................................ 29 4.2 Pembahasan ..................................................................... 37 BAB V KESIMPULAN DAN SARAN .................................... 39 4.1 Kesimpulan ...................................................................... 39 4.2 Saran ................................................................................ 39 DAFTAR PUSTAKA NOMENKLATUR LAMPIRAN BIODATA PENULIS xv


DAFTAR GAMBAR Gambar 2.1 Skema Proses APCI ................................................ 6 Gambar 2.2 Seleksi Roulete Wheel ........................................... 15 Gambar 2.3 Proses Crossover pada GA .................................... 15 Gambar 2.4 Proses Mutasi pada GA ......................................... 16 Gambar 3.1 Diagram Alir Penelitian ........................................ 19 Gambar 3.2 PFD Plant Liquefaction yang Dikaji ..................... 20 Gambar 3.3 Diagram Blok Proses Optimisasi pada GA……..………………………………………………………..24 Gambar 3.4 Perancangan Genetic Algorithm ............................ 28 Gambar 4.1 Grafik Optimisasi pada kondisi bersih ...…………………………………………………………36 Gambar 4.2 Grafik Optimisasi pada kondisi kotor ……………………………………………………………36 Gambar 4.3 Grafik Perbedaan Hasil Optimisasi ……………………………………………………...37

xvii


DAFTAR TABEL Tabel 2.1 Nilai HHV Natural Gas ............................................. 10 Tabel 3.1 Kondisi Feed Natural Gas ......................................... 21 Tabel 3.2 Variabel Optimisasi ................................................... 26 Tabel 3.3 Batasan – Batasan pada Optimisasi............................ 27 Tabel 4.1 Perbandingan Nilai Temperatur Output Tube dan Shell Heat Exchanger................................ 30 Tabel 4.2 Perbandingan Nilai Temperatur Output Tube dan Shell MCHE .............................................. 30 Tabel 4.3 Perbandingan Nilai Temperatur Output Mixer ........... 31 Tabel 4.4 Perbandingan Nilai Temperatur Output Kompresor... 31 Tabel 4.5 Perbandingan Nilai Temperatur Output JT Valve.………………………………………..………..31 Tabel 4.6 Hasil Optimisasi pada Precooling Propane ................ 32 Tabel 4.7 Hasil Optimisasi pada Subcooling MCR ................... 33 Tabel 4.8 Hasil Optimisasi pada Natural Gas ............................ 33 Tabel 4.9 Hasil Optimisasi Konsumsi Energi ............................ 34 Tabel 4.10 Perbandingan Hasil Optimisasi dengan Penelitian Sebelumnya …………...............................................35

xix


1 BAB I PENDAHULUAN 1.1 Latar Belakang Liquefaction Natural Gas (LNG) merupakan salah satu sumber bahan bakar fosil yang dikenal paling bersih dibanding dengan sumber bahan bakar fosil lainnya, hal ini dikarenakan LNG memiliki emisi CO2, SOx, serta NOx yang rendah dibanding dengan bahan bakar fosil lainnya (EIA,2010). Penggunaan LNG sebagai bahan bakar mengalami peningkatan yang sangat signifikan dalam beberapa dekade terakhir ini, dengan pertumbuhan permintaan dunia sebesar 1.9 % per tahun, dan diperkirakan pada tahun 2035 produksi LNG dunia akan mencapai 490 Bcf/d. peningkatan penggunaan LNG terbesar terjadi pada sektor pembangkit listrik dengan permintaan sebesar 75 Bfc/d dengan peningkatan permintaan sebesar 2.3 % per tahun, diikuti pada sektor industri sebesar 61 Bfc/d dengan peningkatan permintaan per tahun sebesar 1.8 % (B.Petroleum,2015). Dengan pertumbuhan permintaan LNG yang semakin meningkat setiap tahunnya, mendorong teknologi proses liquefaction untuk semakin berkembang agar permintaan dunia terhadap LNG dapat terpenuhi. Beberapa teknologi proses liquefaction yang dikembangkan antara lain, Single Refrigerant MR (SMR) lisensi dari APCI, Classic Cascade lisensi dari Marathon/Phillips, Prico Single Stage MR lisensi dari Black & Veatch, Optimized Cascade lisensi dari Conoco-Phillips, dan Refrigerant Precooled MR (C3MR) lisensi dari APCI. Dari beberapa teknologi proses liquefaction tersebut, refrigerant precooled MR (C3MR) merupakan teknologi proses liquefaction yang paling banyak digunakan dalam industri proses liquefaction, dimana penggunaannya mencapai 77 % di seruluh dunia (Barclay & Denton,2005). Proses liquefaction dianggap sebagai proses yang mengkonsumsi energi cukup besar dalam mendinginkan natural gas dari temperatur lingkungan hingga mendekati -162 oC pada 1

2 tekanan atmosfer (Moein, Sarmad, Ebrahimi, & Zare, 2015). Dengan konsumsi energi rata-rata berkisar anatara 5.5-6 kWh per kmol LNG selama proses liquefaction (Alabdulkarem dkk., 2011). Besarnya shaft work yang diperlukan oleh kompresor menjadi bagian utama yang berkontribusi besar dalam konsumsi energi selama proses liquefaction, dimana pengaruhnya pada perbedaan temperatur heat exchanger (Wang, Khalilpour & Abbas, 2013). Besarnya konsumsi energi pada proses liquefaction, berakibat pada besarnya operating expenditure (OPEX) atau biaya selama operasi yang harus dikeluarkan. Oleh karena itu, optimisasi kondisi operasi pada proses liquefaction menjadi salah satu solusi agar konsumsi energi dapat diminimalkan, dan dapat meningkatkan efisiensi dari proses itu sendiri (Wang, Khalilpour & Abbas, 2014). Beberapa penelitian yang telah dilakukan untuk mengoptimisasi kondisi proses liquefaction agar dapat menurunkan konsumsi energi serta meningkatkan efisiensi proses telah banyak dilakukan. Salah satu optimisasi yang pernah dilakukan adalah pada sistem single mixed-refrigerant (SMR) pada LNG proses liquefaction. Dengan fungsi objektif adalah meminimalkan konsumsi energi dan meningkatkan efisiensi. Optimisasi yang digunakan menggunakan model NLP (Nonlinier Programming) yang dianggap sesuai untuk proses liquefaction yang dioptimisasi (Lee, Smith, & zhu 2002). Model NLP tersebut disimulasikan menggunakan software gPROMS, serta menjadikan pressure, flowrate, dan komposisi refrigerant sebagai variabel utama (K. Tak, W. Lim, D. ko, & Il Moon, 2011). Optimisasi terhadap SMR menggunakan Genetic algorithm (GA) pada MATLAB untuk meminimalkan shaft work serta capital cost yang diperlukan juga pernah dilakukan. Dengan menggunakan delapan variabel optimisasi yang meliputi output pressure dari setiap kompresor dan komponen ekspansi, serta molar flowrate dari komposisi MCR (Nogal, Kim, Perry, & Smith 2008). Penelitian yang berfokus pada desain dan kondisi operasi proses liquefaction menggunakan teknologi C3MR sebagai teknologi proses liquefaction yang banyak digunakan juga pernah

3 dilakukan. Dengan melibatkan delapan variabel meliputi output pressure dari setiap kompresor dan komponen ekspansi, flowrate MCR, serta output temperature heat exchanger. Hasil terbaik pada penelitian didapat dengan meminimalkan besarnya overall heat transfer area (UA) dan shaft work pada kompresor (Hatcher, Khalilpour, & Abbas, 2012). Perhatian khusus juga diberikan pada variabel proses seperti pressure dan molar flowrate untuk meminimalkan nilai shaft work dan Operating Expenditure (OPEX), serta memaksimalkan efisiensi exergi dan energi berupa cooling duty pada kondensor. Optimisasi dilakukan dengan software Aspen HYSYS (Wang, Khalilpour & Abbas, 2013). Dari banyaknya penelitian yang telah dilakukan untuk mendapatkan nilai konsumsi energi yang minimal diasumsikan bahwa proses optimisasi terhadap proses liquefaction khususnya pada heat exchanger berada pada kondisi bersih. Dimana, pada kondisi sebenarnya kinerja heat exchanger dipengaruhi oleh fouling sebagai material yang tidak diharapkan kemunculannya pada permukaan heat exchanger (Biyanto, 2014). Pengaruh fouling yang utama adalah mengakibatkan menurunnya efisiensi termal serta meningkatkan pressure drop yang signifikan pada heat exchanger (Biyanto, 2017). Akibat pengaruh fouling yang menyebabkan kenaikan pressure drop pada heat exchanger yang signifikan, megakibatkan shaft work kompresor juga akan mengalami peningkatan dan konsumsi energi juga akan semakin besar. Semakin bersar konsumsi energy pada plant maka akan mempengaruhi besarnya OPEX pada proses liquefaction. Oleh karena itu, optimisasi kondisi proses liquefaction untuk menurunkan konsumsi energi dan biaya proses dengan mempertimbangkan pengaruh fouling menjadi topik dalam penelitian ini, dengan menggunakan Genetic Algorithm (GA) sebagai optimizer yang menjanjinkan global optimal dalam optimisasi yang dilakukan, serta dengan 3 variabel proses meliputi pressure, mass flowrate, dan komposisi 3

4 refrigerant. Dimana, proses liquefaction yang akan dioptimisasi menggunakan teknologi C3MR lisensi dari APCI. 1.2 Rumusan Masalah Mengoptimisasi biaya operasi (OPEX) thermo-hydrolic pada plan LNG dengan mempertimbangkan peningkatan pressure drop dan penurunan heat transfer coefficient yang disebabkan oleh fouling.. 1.3 Tujuan Mengoptimisasi kondisi operasi thermo-hydrolic pada plan LNG agar diperoleh nilai OPEX yang minimal, dengan mempertimbangkan pengaruh fouling pada peningkatan pressure drop dan penurunan heat transfer coefficient. 1.4 Lingkup Kerja Lingkup kerja pada penelitian ini adalah sebagai berikut. a. Memodelkan secara matematis plan liquefaction natural gas pada Matlab R2013a. b. Menentukan variabel kondisi operasi plan liquefaction natural gas. c. Merancang optimizer Genetic Algorithm Matlab R2013a. d. Menerapkan optimizer untuk mengoptimisasi model plan liquefaction natural gas e. Menganalisis hasil optimisasi dengan membandingkan optimisasi pada kondisi bersih dan kotor akibat fouling.

5 BAB II TINJAUAN PUSTAKA 2.1 Liquefaction LNG Dalam proses liquefaction NG menjadi LNG dilakukan dengan beberapa tahapan, dimana terdapat 2 siklus yang saling berkesinambungan pada proses liquefaction, dengn proses refrigerasi yang digunakan adalah proses refrigerasi C3MR yang berlisensi APCI, yaitu siklus propane dan siklus Mix Component Refrigerant (MCR) yang merupakan refrigerant campuran dari nitrogen, methane, ethane, dan propane. Kedua refrigerant yang digunakan pada proses liquefaction ini, merupakan hasil sampingan dari pengolahan LNG pada proses fractionation. Siklus propane precooled pada proses liquefaction LNG berfungsi sebagai pendingin NG dan sebagai subcooled MCR. Pada tahap awal propane yang berfase gas akan melewati proses kompresi bertahap, dimana terdapat tiga jenis kompresor yang dikenal sebagai propane recycle compressore dengan pressure level yang berbeda-beda, low pressure, middle pressure, dan high pressure. kemudian propane selanjutnya akan mengalami proses kondensasi oleh air laut yang mengakibatkan perubahan fase menjadi liquid. Propane yang berfase liquid tersebut, kemudian digunakan untuk mendinginkan NG dan MCR yang akan mengakibatkan temperatur propane meningkat dan mengubah fasenya kembali menjadi gas. Sedangkan MCR yang berfase liquid pada siklus MCR, digunakan untuk mendinginkan NG menjadi LNG pada Main Cryogenic Heat Exchanger (MCHE) yang akan mengakibatkan temperatur MCR meningkat, serta mengakibatkan fase MCR berubah menjadi gas. MCR yang telah berfase gas, kemudian untuk meningkatkan tekanan MCR akan mengalami kompresi secara bertingkat oleh MCR first stage compressor dan MCR second stage compressor, serta selanjutnya gas MCR akan didinginkan oleh propane untuk menurunkan temperaturnya dan mengubah fasenya kembali menjadi liquid (Alabdulkarem dkk., 2011). Proses 5

6 liquefaction NG dengan refrigerant C3MR yang berlisensi APCI ditunjukan seperti Gambar 2.1 berikut.

Gambar 2.1 Skema Proses APCI

7

8 2.2 Analisis Steady State Kestimbangan Energi Dalam hukum termodinamika disebutkan bahwa energi tidak dapat diciptakan serta tidak dapat dimusnahkan, namun dapat dikonversi menjadi bentuk energi yang lain (Moran dkk, 2010). Secara umum hukum termodinamika pertama dipahami sebagai besarnya energi sistem selama terjadinya proses yang sama dengan selisih total energi masuk dan total energi keluar. Ketika sistem yang beroperasi berada pada konsisi steady state, maka perubahan energi pada sistem dianggap nol, dengan asumsi besarnya energi kinetik dan energi potensial diabaikan. Secara matematis hukum termodinamika pertama dengan kondisi steady state dapat dituliskan sebagai berikut. Q  W   m i hi   m e he  0 i

(2.1)

e

dimana, m i = laju massa input fluida kerja (kg/s) m e = laju massa output fluida kerja (kg/s) Q = laju kalor pada sistem (kJ/s)

W = kerja pada sistem (kJ/s) h = entalpi dari fluida kerja input (kJ/kg) = entalpi dari fluida kerja output (kJ/kg) h i

e

2.2.1 Persamaan Heat Exchanger pada Kondisi Steady State Dalam menganalisis kinerja dari heat exchanger dapat menggunakan prinsip kestimbangan massa dan energi hukum termodinamika pertama, besarnya panas yang berpindah antara fluida panas dan dingin dinggap sama (Bergman, Incropera, & Lavine, 2011). 𝑄ℎ = 𝑄𝑐 (2.2) Dimana, 𝑄ℎ,𝑐 = (𝑚𝑐𝑝 )ℎ,𝑐 (𝑇𝑖𝑛 − 𝑇𝑜𝑢𝑡 )

(2.3)

9

Dengan persamaan steady state hukum pertama persamaan termodinamika pada heat transfer, maka persamaan (2.2) dapat ditulis sebagai berikut. 𝑚ℎ 𝑐𝑝,ℎ (𝑇ℎ,𝑖 − 𝑇ℎ,𝑜 ) = 𝑚𝑐 𝑐𝑝,𝑐 (𝑇𝑐,𝑜 − 𝑇𝑐,𝑖 )

(2.4)

Persamaan laju heat transfer pada heat exchanger antara tube dan shell, dapat juga merupakan fungsi overall heat transfer coefficient U dengan perbedaan temperatur ΔTlm dan luas penampang A (Thulukkanam, 2013). 𝑄 = 𝑈𝐴𝐹𝛥𝑇𝑙𝑚 Dimana ΔTlm dapat ditentukan dengan LMTD (log mean temperature difference) sebagai berikut. 𝐿𝑀𝑇𝐷 =

(𝑇ℎ,𝑖 −𝑇𝑐,𝑜 )−(𝑇ℎ,𝑜 −𝑇𝑐,𝑖 ) 𝑇

−𝑇𝑐,𝑜

ln(𝑇ℎ,𝑖 −𝑇 ) ℎ,𝑜

(2.6)

𝑐,𝑖

m h = massa dari fluida pemanas (kg) m c = massa dari fluida pendingin (kg)

c p , h = kalor jenis dari fluida pemanas (kJ/kg.K) c p ,c = kalor jenis dari fluida pendingin (kJ/kg.K) Th ,i = temperatur fluida pemanas pada inlet heat exchanger (K) Th ,o = temperatur fluida pemanas pada outlet heat exchanger (K) Tc ,i = temperatur fluida pendingin pada inlet heat exchanger (K) Tc ,o = temperatur fluida pendingin pada outlet heat exchanger (K) Q = panas yang ditransfer (kJ)

m = massa dari fluida yang mengalir (kg) c p = kalor jenis dari fluida (kJ/kg.K) U = mean overall heat transfer coefficient (kJ/sm2K) A = luas permukaan terjadinya heat transfer (m2)

10 F

= faktor koreksi LMTD

Tm = log mean temperature difference (LMTD) (K)

2.2.2 Operating Expenditure (OPEX) Proses Liquefaction Natural Gas Dalam proses Liquefaction Natural Gas (LNG) biaya proses (OPEX) yang dikeluarkan didapatkan dari besarnya biaya konsumsi energi oleh kompresor, dan besarnya biaya konsumsi energi oleh setiap equipment, serta besarnya biaya feed gas yang dikeluarkan (Wang, Khalilpour, & Abbas, 2013).

𝑂𝑃𝐸𝑋 = 𝐶𝑤 ∑𝑛𝑖=1 𝑊𝑖 + 𝐶𝑄 ∑𝑚 𝑗=1 𝑄𝑗 + 𝐶𝑁𝐺 𝑚𝑁𝐺

(2.7)

OPEX = operating expenditure ($/s) Cw Wi

CQ Qj CNG

= harga tarif listrik untuk kompresor ($/GJ) = jumlah daya kompresor i(kW) = harga water ($/GJ) = jumlah cooling duty (kW) = biaya natural gas ($/kJ)

m NG = laju massa feed natural gas (kg/s) Besarnya biaya dalam konsumsi energi pada kompresor dan cooler adalah $ 10.99/GJ dan $0.4/GJ serta biaya feed natural gas adalah $ 2/mmBTU. Besarnya nilai HHV dari refrigerant yang digunakan didapat dari standar nilai pada software HYSYS yang dapat dilihat pada Tabel 2.1 berikut.

11 Tabel 2.1 Nilai HHV Natural Gas

No

Jenis Gas

Nilai HHV (kj/kg)

1

Methane

55147.32344

2

Ethane

51597.7763

3

Propane

50094.33734

4

i-Butane

49169.0175

5

n-Butane

49285.14853

2.3 Persamaan Vapor Liquid Equilibrium Dalam menentukan fraksi vapor-liquid propane atau MCR sebagai refrigerant dalam proses pemisahaan di dalam separator perlu digunakan persamaan VLE (Vapor Liquid Equilibrium). Salah satu persamaan VLE dalam proses penentuan fraksi vapor maupun liquid adalah dengan menggunakan persamaan kubik EOS (Equation of State) Peng-Robinson. (Nasri & Binous, 2009; Peng & Robinson, 1976). P

RT a  V  b V (V  b)  b(V  b)

Z 3  (1  B) Z 2  ( A  3B 2  2 B) Z  ( AB  B 2  B 3 )  0

(2.8) (2.9)

dengan, aP R 2T 2 bP B RT PV Z RT Nilai a dan b merupakan fungsi dari temperatur yang didapatkan A

dengan persamaan berikut.

12 2

a (T )  0,45724



R 2 Tc 0,5 1  m(1  Tr Pc

RT b(Tc)  0,07780 c Pc



2

(2.10) (2.11)

Dengan, Tr 

T Tc

m  0,37464  1,5426  0,26992 2

Persamaan diatas digunakan untuk fluida homogen atau pure component, sedangkan fluida yang merupakan campuran mixture component persamaan (2.9,2.10) menjadi, 2 R 2 Tci 0,5 2 a i  0,45724 1  mi (1  Tri Pci (2.12)



bi  0,07780 a

RTci Pci

(2.13)

 z z a a  1  k  N

N

0,5

i

i 1

b



j 1

j

i

j

ij

(2.14)

N

z b i

i 1

i

(2.15) dimana, P = tekanan pada fluida kerja (Mpa) T = temperatur pada fluida kerja (K) Pc = tekanan kritis fluida kerja (Mpa) Tc = temperatur kritis fluida kerja (K) V = molar volume pada fluida kerja (m3/mole) Z = compressibility factor  = acentric factor fluida kerja z = komposisi komponen x (%) k = interaksi binari antar komponen Dari persamaan (2.8) dengan kondisi dua fasa, akar positif tersebesar merupakan compressibility factor untuk fasa vapor,

13 sedangkan akar positif terkecil adalah compressibility factor untuk fasa liquid (Peng & Robinson, 1976). Dengan menggunakan coefficient fugacity peng-robinson fraksi vapor untuk kondisi vapor dan liquid dapat diperoleh, dengan persamaan sebagai berikut. ln   Z  1  ln Z  B  

 

 

 Z  1 2 B   ln  2 B  Z  1  2 B  A

1, 5

(2.16)

Untuk kondisi campuran persamaan tersebut berubah menjadi,  N  2 z a  bi A  i 1 i i bi  ln  i  Z  1  ln Z  B   1, 5   b 2 B a b    



 

 

 Z  1 2 B   ln  Z  1  2 B  

(2.17)

Dengan menggunakan persamaan K value (nilai kesetimbangan) maka nilai fraksi vapor dapat diperolehdengan persamaan sebagai berikut (Abbot, Smith, & Van Ness, 2001). l  y K i  iv  i x i i (2.18) dimana, l i = coefficient fugacity untuk fase liquid komponen i

i = coefficient fugacity untuk fase vapor komponen i v

yi = fraksi vapor komponen i

xi

= fraksi liquid komponen i Nilai K value juga dapat ditentukan dengan hukum Roultz sebagai berikut.

14

Ki 

P

(2.19)

Psat ,i

dimana, = tekanan fluida (kg/ms2) P Psat,i = tekanan saturated komponen i (kg/ms2) 2.4 Fouling pada Heat Exchanger Fouling secara umum diartikan sebagai akumulasi serta terbentuknya material-material pada permukaan equipment proses yang tidak diharapkan (Biyanto, 2014). Pengaruh munculnya fouling akan mengakibatkan menurunnya efisiensi kerja dari equipment. Pada heat exchanger pengaruh fouling akan mengakibatkan menurunnya efisiensi heat transfer, serta meningkatkan pressure drop, karena munculnya fouling akan mengakibatkan diameter pada tube atau shell akan semakin kecil, serta fouling cenderung memiliki nilai konduktifitas panas yang rendah, sehingga akan meningkatkan heat resistance pada heat exchanger (Thulukkanam, 2009). Pengaruh munculnya fouling pada heat exchanger dapat menurunkan overall heat transfer coefficient (U) pada heat exchanger yang ditunjukkan pada persamaan berikut. 𝑈𝑐 ) 1+𝑈𝑐 𝑅𝑓

𝑈𝑓 = (

(2.20)

Tidak hanya menurunkan efisiensi heat transfer antar fluida pada heat exchanger, tetapi juga meningkatkan pressure drop akibat mengecilnya diameter tube dan shell akibat fouling yang (2.21) membentuk lapisan. Δ𝑃𝑓 𝑓𝑓 𝑑𝑐 = ( ) Δ𝑃𝑐 𝑓𝑐 𝑑𝑓

5

Dimana df merupakan diameter ketika terdapat fouling yang dapat dicari dengan persamaan berikut.

15

𝑑𝑓 = 𝑑𝑐 exp (−

2𝑘𝑓 𝑅𝑓 𝑑𝑐

)

(2.22)

2.5 Genetic Algorithm Genetic Algorithm (GA) merupakan salah metode optimisasi yang digunakan dalam memecahkan suatu permasalahan, dengan mencari solusi-solusi penyelesaian yang didasarkan pada ide-ide evolusi genetik dan seleksi alam. Dengan pencarian yang efektif dan efisien, GA dapat digunakan untuk memecahkan permasalahan dengan satu atau banyak variabel. Sistem kerja dari GA dalam memecahkan permasalahan adalah dengan membangkitkan solusi-solusi secara random yang disebut dengan initial population. Dimana dalam populasi, setiap individu yang menjadi anggota disebut sebagai chromosome yang mewakili setiap solusi dari permasalahan yang akan diselesaikan, tersusun atas gen-gen yang berupa integer atau karakter. Optimisasi menggunakan GA dimulai dengan tahap pembangkitan populasi, seleksi individu, crossover, dan mutation. Pembangkitan populasi awal, merupakan pembangkitan sejumlah individu-individu yang nantinya akan diacak secara random. Proses selanjutnya adalah proses seleksi, dimana pada proses ini, merupakan proses pemilihan calon induk. Terdapat beberapa metode dalam proses seleksi, salah satunnya adalah roulette wheel. Metode roulette wheel merupakan metode dengan menentukan besarnya probabilitas dari setiap individu berdasarkan nilai fitnessnya, kemudian akan diputar. Semakin besar nilai fitness dari individu, maka probalitas untuk terpilihnya juga besar, namun hal ini juga tidak menutup kemungkinan terhadap individu yang memiliki nilai fitness yang kecil. Metode roulette wheel ditunjukkan seperti pada Gambar 2.2 sebagai berikut.

16

Gambar 2.2 Seleksi Roulete Wheel Ketika individu-individu telah diseleksi, maka selanjutnya adalah proses crossover. Dengan melakukan persilangan terhadap individu-individu yang telah diseleksi untuk menghasilkan individu yang lebih baik. Proses ini merupakan proses reproduksi yang bertujuan untuk menghasilkan individu yang lebih baik, dengan menggabungkan gen-gen induk yang bagus. Individuindividu yang menjadi induk, jika memiliki nilai fitness yang semakin baik, maka hasil dari crossover akan juga semakin baik (Sivanandam & Deepa, 2007). Gambar.2.3 merupakan contoh proses crossover.

Gambar 2.3 Proses Crossover pada GA

17 Mutation, merupakan proses atau tahap terakhir dalam GA. Dimana dengan mengubah secara acak gen pada individu-individu hasil crossover. Pengubahan yang dilakukan adalah dengan mengubah gen yang berinteger 0 menjadi 1, atau sebaliknya. Banyaknya individu yang mengalami mutation bergantung pada besarnya probabilitas mutation yang sebelumnya telah ditentukan diawal proses GA. Gambar 2.4 merupakan contoh proses mutation.

Gambar 2.4 Proses Mutasi pada GA Pada proses GA, terdapat elitism. Elitism dapat dianalogikan sebagai pelindung dari kromosom pada individu yang memiliki fitness yang paling baik pada generasinya. Fungsi utama dari elitism adalah untuk memastikan kromosom yang terbaik tidak akan hilang pada optimisasi dikarenakan peristiwa mutasi. Dengan adanya elitism, hasil dari GA akan meningkat secara signifikan(Sivanandam & Deepa, 2007). GA didasarkan pada analogi dengan struktur genetik dan perilaku kromosom dalam populasi individu menggunakan dasar sebagai berikut: a. Individu dalam populasi bersaing untuk sumber daya pasangan. b. Individu yang paling sukses di setiap 'kompetisi' akan menghasilkan lebih banyak keturunan (hasil dari crossover) dari individu yang berkinerja buruk. c. Gen dari individu yang baik akan menyebarkan ke seluruh populasi (mutation) sehingga dua gen orang tua yang baik kadang-kadang akan menghasilkan keturunan yang lebih baik daripada mereka. d. Dengan demikian setiap generasi berturut-turut akan menjadi lebih cocok untuk lingkungan mereka.

18


18

19 BAB III METODOLOGI PENELITIAN 3.1 Proses yang Dikaji Proses yang menjadi kajian dalam penelitian ini adalah proses liquefaction natural gas, dimana proses ini merupakan proses yang digunakan untuk mendinginkan NG menjadi LNG. Dengan propane sebagai refrigerant, yang mengalami 3 tahap kompresi pada tingkat pressure yang berbeda, low pressure, medium pressure, dan high pressure. pada sistem ini juga, terdapat MCR sebagai pendingin serta subcooling cycle yang merupakan pendingin utama pada sistem MCHE. Equipment yang terdapat pada plant LNG ini meliputi, 4 condenser untuk mendinginkan propane dan MCR, 10 heat exchanger untuk mendinginkan MCR dan NG, 1 equipmnet MCHE, 4 separator dua fase, 3 splitter, 2 komponen ekspansi, 6 mixer stream, 3 kompresor preopane dangan 3 tingkat kompresi dan 2 kompresor MCR yang masingmasing disusun seri. Dalam penelitian ini terdapat batasan-batasan terhadap sistem yang dikaji, batasan tersebut adalah sebagai berikut. 1. Munculnya fouling hanya terdapat pada bagian tube heat exchanger. 2. Pada heat exchanger, besarnya pressure drop dianggap konstan seperti pada data PFD. 3. Output Pressure mixer merupakan pressure terkecil dari stream input mixer. 4. Batas setiap variable pada optimizer diambil dari data PFD dan compressor ratio diambil dari data kompresor yang ada (Wang, Khalilpour, & Abbas, 2013). 5. Kapasitas panas untuk setiap stream dan besarnya UA heat exchanger dianggap konstan yang diambil dari model pada HYSYS. 6. Temperatur propane dan MCR yang keluar dari kondensor adalah 293.63 K dan 305.55 K. 19

20 7. Output temperature MCHE setiap stream dianggap sama (Wang, Khalilpour, & Abbas, 2013). 3.2 Tahapan Penelitian Tahapan penelitian ini, yaitu (i) pengumpulan data, (ii) pemodelan sistem menggunakan persamaan Steady state kesetimbangan energi, (iii) perancangan optimizer menggunakan genetic algorithm, (iv) optimisasi kondisi operasi plant. Flowchart penelitian ini dapat dilihat pada Gambar 3.1 3.2.1 Pengambilan Data Pada penelitian ini, tahap pertama adalah pengumpulan data proses dari plan liquefaction NG, dimana data yang diperoleh berasal dari data PFD dan data DCS pada proses liquefaction. Data PDF dan data DCS yang didapat berisikan data heat and mass balance (temperature, Pressure , mass flowrate, komposisi dari MCR, dan lain-lain) serta digunakan untuk melihat real condition pada proses. Namun pada data PFD yang didapat tidak dicantumkan data yang berkaitan dengan physical properties proses, oleh karena itu dilakukan rekonsiliasi data yang berasal dari model PFD pada software HYSYS, PFD dari proses liquefaction yang menjadi kajian pada penelitian ini, dapat dilihat pada Gambar 3.2, sedangkan feed condition NG dapat dilihat pada Tabel 3.1.

21

Start

Studi Literatur

Data Equipment dan Data Proses Liquefaction

Pemodelan Proses di Matlab

Perancangan Optimizer Genetic Algorithm di matlab

Penentuan Fungsi Objektid dan Fungsi Kendala

Optimasi kondisi operasi Proses Liquefaction

> OPEX Hasil Optimasi

YA Pembahasan dan Analisis

End

Gambar 3.1 Diagram Alir Penelitian 21

TIDAK

Gambar 3.2 PFD Plant Liquefaction yang Dikaji

22

23 Tabel 3.1 Kondisi Feed Natural Gas Unit C kPa kg/s

Variable Temperature Pressure Flowrate Composition Methane Ethane Propane i-Butane n-Butane i-Pentane Nitrogen

Value

mol% mol% mol% mol% mol% mol% mol%

-35.340 4216.860 107.199 0.9117 0.0551 0.0272 0.0029 0.0021 0.0001 0.0009

3.2.2 Pemodelan Plant Pemodelan plant yang dilakukan pada penelitian ini menggunakan persamaan steady state kesetimbangan energi pada persamaan (2.1) menggunakan software Matlab. Khusus pada komponen separator dua fasa dan heat exchanger digunakan persamaan steady sate sebagai tambahan, dengan mempertimbangkan pengaruh fouling pada persamaan (2.20) untuk menentukan output temperature, serta pressure drop pada heat exchanger pada persamaan (2.21). pada penelitian ini digunakan juga persamaan state Peng Robinson persamaan (2.8-2.19) untuk menentukan fraksi vapor dari fluida kerja yang masuk pada separator. Persamaan stady state heat exchanger diturunkan dari persamaan (2.2-2.6) dengan juga memasukkan persamaan fouling pada heat exchanger. persamaan (2.4) dapat diubah sebagai berikut. 𝑚ℎ 𝑐𝑝,ℎ (𝑇ℎ,𝑖 − 𝑇ℎ,𝑜 ) = 𝑚𝑐 𝑐𝑝,𝑐 (𝑇𝑐,𝑜 − 𝑇𝑐,𝑖 )

23

24 (𝑇ℎ,𝑖 −𝑇ℎ,𝑜 )

𝑚𝑐 𝑐𝑝,𝑐

=

(𝑇𝑐,𝑜 −𝑇𝑐,𝑖 )

(3.1)

𝑚ℎ 𝑐𝑝,ℎ

Jika, 𝑚𝑐 𝑐𝑝,𝑐

𝑅= 𝑚 𝑐 ℎ 𝑝,ℎ Maka, persamaan (2.3) dan (2.5) dapat diubah menjadi 𝑄ℎ,𝑐 = (𝑚𝑐𝑝 )ℎ,𝑐 (𝑇𝑖𝑛 − 𝑇𝑜𝑢𝑡 ) 𝑄 = 𝑈𝐴𝐹𝛥𝑇𝑙𝑚 (𝑚𝑐𝑝 )ℎ,𝑐 (𝑇𝑖𝑛 − 𝑇𝑜𝑢𝑡 ) = 𝑈𝐴𝐹𝛥𝑇𝑙𝑚

(3.3)

Dimana dengan memasukkan persamaan (2.6) pada persamaan (3.3) diatas, maka didapatkan persamaan sebagai berikut. (𝑚𝑐𝑝 )ℎ (𝑇𝑖𝑛 − 𝑇𝑜𝑢𝑡 ) = 𝑈𝐴𝐹

(𝑇ℎ,𝑖 −𝑇𝑐,𝑜)−(𝑇ℎ,𝑜 −𝑇𝑐,𝑖 ) 𝑇

−𝑇𝑐,𝑜

ln(𝑇ℎ,𝑖 −𝑇 ) ℎ,𝑜

(𝑚𝑐𝑝 )ℎ 𝑈𝐴𝐹

=

(𝑇ℎ,𝑖 −𝑇𝑐,𝑜 )−(𝑇ℎ,𝑜 −𝑇𝑐,𝑖 ) 𝑇

−𝑇𝑐,𝑜

ln(𝑇ℎ,𝑖 −𝑇 )(𝑇𝑖𝑛 − 𝑇𝑜𝑢𝑡 ) ℎ,𝑜

(𝑚𝑐𝑝 )ℎ 𝑈𝐴𝐹

(

Jika,

=

𝑇ℎ,𝑖−𝑇𝑐,𝑜 𝑇ℎ,𝑜 −𝑇𝑐,𝑖

𝑐,𝑖

𝑐,𝑖

𝑅−1 𝑇ℎ,𝑖−𝑇𝑐,𝑜

ln(𝑇

ℎ,𝑜 −𝑇𝑐,𝑖

) = exp [

)𝑅

(𝑅 −1)𝑈𝐴𝐹 𝑚ℎ 𝑐ℎ 𝑅

]

(3.3)

25 (𝑅 −1)𝑈𝐴𝐹

𝑁 = exp [

𝑚ℎ 𝑐ℎ 𝑅

]

Maka, dengan mensubtitusi persamaan (3.1) pada persamaan (3.4), persamaan untuk menentukan output temperature heat exchanger akan didapatkan sebagai berikut. 1

𝑇𝑐,𝑜 =

(𝑁−1) 1 (𝑁−𝑅)

𝑇ℎ,𝑖 −

(𝑅−𝑅𝑁)

(𝑅−1) 1

(𝑁−𝑅)

𝑇𝑐,𝑖

(1−𝑅)

𝑇ℎ,𝑜 = (1−𝑅𝑁) 𝑇𝑐,𝑖 − (1−𝑅𝑁) 𝑇ℎ,𝑖

(3.5)

(3.6)

dimana, 𝑇𝑐,𝑜 = input temperature fluida pendingin (K) 𝑇𝑐,𝑜 = output temperature fluida pendingin (K) 𝑇ℎ,𝑖 = input temperature fluida pemanas (K) 𝑇ℎ,𝑜 = output temperature fluida pemanas (K) Nilai U dipengaruhi juga oleh fouling yang terbentuk di permukaan dalam tube, maka persamaan U dituliskan sebagai berikut. 𝑈𝑐 ) 1+𝑈𝑐 𝑅𝑓

𝑈𝑓 = (

(3.7)

Pada kondisi isentropik dengan menggunakan persamaan (2.1), model matematika dari kompresor dapat diturunkan. Namun, pada proses ireversibel pada hukum termodinamika kedua, kerja dari kompresor dipengaruhi oleh efisiensi isentropik dimana dapat dituliskan sebagai berikut. 𝜂𝑐 =

ℎ𝑜𝑠 − ℎ𝑖 ℎ 𝑜 − ℎ𝑖

(3.8)

25

26 hos adalah outlet enthalpy kompresor pada kondisi isentropik. Temperatur dan tekanan pada kompresor pada kondisi isentropik dapat ditulis sebagai berikut. 𝑇𝑜𝑠 𝑇𝑖

𝑃 𝑃𝑖

= ( 𝑜)

𝛾−1 𝛾

(3.9)

Tos merupakan outlet temperature dari kompresor pada kondisi 𝑐𝑝 isentropik, 𝛾 = , cv dan cp adalah panas spesifik dari fluida pada 𝑐𝑣

kondisi isokorik dan isobarik. 3.2.3 Perancangan Genetic Algorithm Optimizer yang digunakan dalam optimisasi kondisi operasi proses liquefaction pada penelitian ini adalah Genetic Algorithm (GA) yang perancangannya dilakukan dengan bantuan software matlab. Dengan populasi sebanyak 200, serta terdapat 10 bit genotip yang direpresentasikan dengan 15 fenotip meliputi flowrate, pressure, delta pressure kompresor, dan 5 rasio splitter, dimana dalam satu kromosom terdapat 150 bit genotip. Digunakan elitism sebesar 5 % pada kromosom GA, probabilitas crossover 0,8, serta probabilitas mutation 0,001 dengan jumlah maksimal iterasi adalah 200. Diagram blok proses GA adalah sebagai berikut.

Variabel Optimasi

Pembangkitan Populasi

Proses Seleksi

Proses Crossover

Proses Mutation

Nilai Fitness

Elitism

Gambar 3.3 Diagram Blok Proses Optimisasi pada GA Proses pertama dalam proses GA adalah dengan membangkitkan individu sebanyak 200, dimana merupakan nilai random dari range nilai yang telah ditentukan. Setiap individu yang bernilai desimal, akan dikonversi menjadi biner, dimana 1 individu terdiri dari 15 kromosom yang mewakili 15 variabel,

27 dimana setiap 1 kromosom disusun oleh 10 bit genotip yang artinya 1 kromosom merupakan kombinasi dari bilangan biner sebanyak 1032 kombinasi. Setelah pembangkitan populasi, maka tahap selanjutnya adalah dengan melakukan seleksi individu untuk menentukan individu-individu terbaik. Proses seleksi menggunakan metode roulette wheel, dimana jika individu-individu memiliki nilai fitness yang besar, maka ketika proses seleksi akan memiliki kemungkinan terpilih menjadi individu terbaik akan semakin besar, namun tidak menutup kemungkinan jika individu dengan nilai fitness rendah dapat terpilih. Seleksi dari individu akan menunjukkan individu-individu terbaik, pada proses selanjutnya yaitu proses crossover, dari individu-individu terbaik akan salaing dipasangkan, dan disilangkan dengan menyilangkan nilai biner untuk menghasilkan individu yang lebih baik. Banyaknya individu yang mengalami crossover ditentukan dengan dinilai probabilitas crossover sebesar 0.8 atau 80 % dari populasi. Setelah proses crossover, dilanjutkan dengan proses mutation yaitu proses perubahan nilai biner yang menyusun kromosom, dimana jika nilai biner yang awalnya bernilai 1, maka ketika terjadi mutation akan berubah menjadi 0 begitu juga sebaliknya. Dan banyaknya individu yang mengalami mutation ditentukan dengan nilai probabilitas mutation sebesar 0.001 atau 1 % dari populasi. Proses terakhir dari proses GA adalah elitism, dimana dalam setiap iterasi akan terdapat individu-individu terbaik, maka agar individu-individu tersebut tidak hilang dalam proses iterasi selanjutnya, maka individu-individu terbaik akan disimpan dan dijaga agar tidak hilang pada iterasi selanjutnya. Dimana banyaknya individu yang akan disimpan adalah sebesar 0.05 atau 5 % dari populasi. Proses ini akan berulang sebanyak 200 kali hingga didapatkan nilai yang konvergen. Flowchart perancangan GA dapat dilihat pada Gambar 3.2, dan variabel yang mengalami perubahan serta nilai batasan optimisasi ditunjukkan seperti pada Tabel 3.2 dan Tabel 3.3. 27

28 Tabel 3.2 Variabel Optimisasi Variable Precooling Propane Flowrate Pressure Outlet Pressure of 4K-1A Outlet Pressure of 4K-1B Mass Split Ratio to 4E-10 Mass Split Ratio to MX-1 Mass Split Ratio to 4E-12 Mass Split Ratio to 3E-5 Mass Split Ratio to 3E-13 Subcooling MCR Flowrate Pressure Composition Methane Ethane Propane Nitrogen Outlet Pressure of 4K-2

Unit

Value

kg/s kPa kPa kPa

407.014 1421.965 365.886 735.597 0.049 0.895 0.356 0.466 0.306

kg/s kPa

210.748 5387.775

mol% mol% mol% mol% kPa

0.4516 0.4116 0.1009 0.0359 1553.374

29 Tabel 3.3 Batasan – Batasan pada Optimisasi Heat Exchanger 3E - 05 3E - 12 3E - 13 4E - 01 4E - 02 4E - 05 4E - 06 4E - 07 4E - 08 4E - 09 4E - 10 4E - 11 4E - 12 4E - 14 LNG - 101 LNG - 102 LNG - 103 LNG - 201 LNG - 202

U (kJ/s K) 9,16 37,01 49,12 10133,73 10144,42 497,52 1270,54 2679,74 432,48 4302,29 1822,17 4929,25 111,11 2424,12 2212,32 6253,05 9467,55 374,86 1472,79

29

Pressure Drop (kg/ms2) Shell Tube 264779,61 4903,33 264779,61 68646,56 264779,61 68646,56 98066,52 54917,25 98066,52 52955,92 78453,22 39226,61 78453,22 126505,81 545249,85 70607,89 381478,76 63743,24 264779,61 72569,23 537404,53 79433,88 15592,58 4903,33 381478,76 77472,55 1961,33 88259,87 827681,43 827681,43 43149,27 827681,43 206920,36 8825,99 206920,36

30

Gambar 3.4 Perancangan Genetic Algorithm

31 BAB IV HASIL DAN PEMBAHASAN 4.1 Validasi dan Hasil Penelitian yang dilakukan ini dimulai dengan melakukan uji data desain dengan menggunakan persamaan mass balance. Dimana dengan melihat besarnya flowrate setiap stream yang masuk pada setiap komponen, memiliki nilai yang sama dengan flowrate setiap stream yang keluar dari komponen, serta dengan asumsi tidak adanya penambahan atau pengurangan massa dan panas selama proses berlangsung. Setelah data desain telah divalidasi, maka selanjutnya adalah pemodelan plant dengan persamaan steady state energi balance untuk setiap komponen dengan asumsi tidak ada penambahan massa dan pengurangan massa, serta nilai properties merupakan nilai rata-rata antara nilai input dan output setiap komponen. Data perubahan temperature fluida yang melewati setiap komponen dijadikan data yang divalidasi. Hasil validasi data perubahan temperature fluida dapat dilihat pada Tabel 4.1 sampai Tabe 4.5 berikut.

31

32 Tabel 4.1 Perbandingan Nilai Temperatur Output Tube dan Shell Heat Exchanger Model Error Desain Output Tube Shell Tube Shell Tube Shell HE (K) (K) (K) (K) (%) (%) 0.161 4.187 3E - 05 266.74 235.40 267.17 245.26 0.209 0.278 3E - 12 266.75 235.40 267.31 236.06 0.218 1.758 3E - 13 266.75 235.40 267.33 239.54 6.313 8.223 4E - 01 312.97 340.25 293.21 312.27 0.144 0.860 4E - 02 293.63 303.17 293.21 300.56 0.173 0.540 4E - 05 305.85 294.99 306.38 296.58 0.943 2.664 4E - 06 305.55 301.78 308.43 309.82 3.684 5.356 4E - 07 293.65 290.02 304.47 305.55 0.732 9.310 4E - 08 290.05 266.74 292.17 291.58 3.508 6.714 4E - 09 266.75 235.40 276.11 251.21 5.039 7.079 4E - 10 293.65 290.39 308.45 310.95 6.953 9.377 4E - 11 236.85 243.88 253.32 266.75 0.752 9.124 4E - 12 290.89 266.74 293.08 291.08 5.026 9.812 4E - 14 235.45 235.02 247.28 258.08 Tabel 4.2 Perbandingan Nilai Temperatur Output Tube dan Shell MCHE Model Error Desain Tube Shell Tube Shell Tube Shell MCHE Output Output Output Output Output Output (K) (K) (K) (K) (%) (%) LNG-101 145.75 142.40 2.300 LNG-102 145.75 230,31 142.40 236,11 3,110 2.300 LNG-103 145.75 142.40 2.300 LNG-201 127.15 127.10 0.037 142,55 142,84 2,243 LNG-202 127.15 127.10 0.037

33 Tabel 4.3 Perbandingan Nilai Temperatur Output Mixer Model Error Desain Mixer Output (K) Output (%) Output (K) 293.29 1.130 MIX - 01 290.01 235.40 0.000 MIX - 02 235.40 240.71 0.041 MIX - 03 240.62 285.27 1.272 MIX - 04 288.94 317.84 0.003 MIX - 05 317.85 141.43 0.682 MIX - 06 142.40 Tabel 4.4 Perbandingan Nilai Temperatur Output Kompresor Model Error Desain Kompresor Output (K) Output (%) Output (K) 300.552 2.351 4K - 01 293.649 329.557 2.525 4K - 02 321.440 365.299 4.155 4K - 03 350.726 346.640 4.591 4K - 04 331.423 422.110 4.367 4K - 05 404.448 Tabel 4.5 Perbandingan Nilai Temperatur Output JT Valve Model Error Desain JT Valve Output (K) Output (%) Output (K) VLV - 101 141.231 145.750 3.200 VLV - 100 120.517 127.150 5.504 Berdasarkan data pada Tabel 4.1, terdapat selisih antara data model dan data desain pada temperatur output heat exchanger dikarenakan terdapat perubahan fasa fluida di dalam heat exchanger. Pada Persamaan (2.4) diasumsikan heat exchanger yang digunakan merupakan heat exchanger satu fasa. Begitu pula untuk Tabel 4.2, Tabel 4.3, dan Tabel 4.5, dimana persamaan 33

34 steady state kesetimbangan energi yang digunakan pada setiap komponen diasumsikan tidak ada perubahan fasa pada fluida. Untuk kompresor pada Tabel 4.4, proses yang terjadi pada kompresor yang digunakan di dalam model adalah proses isentropik. Setelah model telah dinyatakan benar, maka selanjutnya model yang dirancang tersebut akan digunakan untuk proses optimisasi untuk mendapatkan nilai OPEX yang optimal menggunakan optimizer GA. Optimisasi dilakukan sebanyak 5 kali pada kondisi kotor, dimana perbedaan grafik menunjukkan bahwa optimisasi yang dilakukan dengan optimizer GA adalah random. Hasil optimisasi yang terbaik dari 5 kali percobaan optimisasi dapat dilihat pada Tabel 4.6 sampai Tabel 4.9, perbandingan hasil optimisasi yang telah dilakukan dengan hasil optimisasi penelitian sebelumnya dapat dilihat pada Tabel 4.10, sedangkan grafik hasil optimisasi pada kondisi bersih dan kondisi kotor ditunjukkan Gambar 4.1 dan Gambar 4.2. Pada Gambar 4.3 menunjukkan perbedaan hasil optimisasi ketika dilakukan optimisasi sebanyak 5 kali. Tabel 4.6 Hasil Optimisasi pada Precooling Propane Variable

Unit

Base Design

Result cleaning condition

Flowrate Pressure Outlet Temperature

kg/s kPa

407.013 1421.964

325.452 1599.804

325.451 1599.804

77.726

57.327

67.338

C

Result fouling condition

35 Tabel 4.7 Hasil Optimisasi pada Subcooling MCR Result cleaning condition

Result fouling condition

Variable

Unit

Base Design

Flowrate Pressure Outlet Temperature Composition Methane Ethane Propane Nitrogen

kg/s kPa

210.747 5387.774

168.516 5499.707

377.050 5499.707

C

131.448

106.414

49.710

mol% mol% mol% mol%

0.4516 0.4116 0.1009 0.0359

0.304 0.456 0.192 0.048

0.460 0.307 0.162 0.069

Tabel 4.8 Hasil Optimisasi pada Natural Gas Variable Flowrate LNG100 Pressure LNG100 Flowrate LNG101 Pressure LNG101 Outlet Temperature LNG100 Outlet Temperature LNG101

Unit

Base Design

Result Result cleaning fouling condition condition

kg/s kPa kg/s kPa

107.199 3389.178 107.199 3182.258

107.199 3389.179 107.199 3182.259

107.1992 3389.179 107.1992 3182.259

C

-127.4

-126.339

-127.25

C

-146

-150.951

-149.849

35

36 Tabel 4.9 Hasil Optimisasi Konsumsi Energi Result Result cleaning fouling condition condition

Variable

Unit

Base Design

Total Shaft Work Total Work per Unit of LNG Process Total Cooling Duty Cooling Duty per Unit of LNG Process

MW

160.1499

89.212

133.894

MJ/tonne LNG

1493.947

832.207

1249.028

MW

127.580

72.29307

54.059

MJ/tonne LNG

1190.127

674.380

504.291

$/tonne LNG

119.826

112.347

116.860

Variable OPEX

37 Tabel 4.10 Perbandingan Hasil Optimisasi dengan Penelitian Sebelumnya Parameter

Process Temperat ur NG Pressure NG Methane Produksi LNG Temperat ure LNG Pressure LNG Precoolin g Cycle type Flow refrigerant Pressure refrigerant MCR type Flow MCR Pressure MCR Nitrogen Methane Ethane Propane i-Butane n-Butane Total Shaftwork Specific Power OPEX

Unit

(Alabdu lkarem et al. 2011) C3MR

(Hatcher et al. 2012)

(wang et al. 2015)

Kondisi Bersih

Kondisi Kotor

C3MR

C3MR

C3MR

C3MR

oC

38

25

-35.19

-35.19

kPa

4200

5000

4216.86

4216.86

81.7

-

91.17

91.17

342465

758692

758692

Mol %

86

kg/h

356004

oC

-160

-162

-161.3

-150.95

-149.84

kPa

101.3

101.3

101.3

3182.26

3182.26

Propane

Propane

Propane

Propane

Propane

Kg mol/h

36490

39630

325.452

325.451

kPa

1540

1125

1599.8

1599.8

Mixed

Mixed

Mixed

Mixed

Mixed

Kg mol/h

37450

36731

74319

16851.6

37705.0

kPa

4000

2689

3194

5499.70

5499.7

mol % mol % mol % mol % mol % mol %

9 46 47 8 -

7.3 36.1 48.8 0 7.7 -

6.4 55.04 32.95 5.17 0.44 -

4.8 30.4 45.6 19.2 -

6.9 46 30.7 16.2 -

MW

100.78

-

209.5

89.212

133.894

1019.11

-

1982

832.207

1249.02

-

-

440

112.34

116.86

MJ/tonn e LNG $/tonne LNG

37

38

Gambar 4.1 Grafik Optimisasi pada kondisi bersih

Gambar 4.2 Grafik Optimisasi pada kondisi kotor

39

OPEX $/tonne LNG

130 128 126 124 122 120 118 116

0

50

100

150

200

250

Iterasi Eksperimen 1 dan 2

eksperimen 3, 4, dan 5

Gambar 4.3 Grafik Perbedaan Hasil Optimisasi Dari grafik diatas terlihat bahwa hanya terdapat 2 grafik, hal ini disebabkan karena nilai-nilai eksperimen yang dilakukan memiliki selisih yang sangat kecil, dan grafik antar hasil eksperimen adalah saling berdekatan. 4.2 Pembahasan Dari optimisasi yang dilakukan pada penelitian ini, terhadap plant liquefaction NG yang telah dimodelkan, dimana dengan adanya pengaruh fouling pada equipment-equipment proses, terutama pada heat exchanger sangat mempengaruhi konsumsi total energi selama proses produksi LNG. Pada hasil optimisasi yang dilakukan, didapatkan nilai OPEX pada plan LNG sebesar 116.86 $/tonne pada kondisi kotor akibat fouling yang diperoleh pada iterasi ke-173, dan 112.347 $/tonne pada kondisi bersih yang diperoleh pada iterasi ke-73, nilai ini lebih rendah dibanding dengan base design sebesar 119.83 $/tonne. Dari hasil tersebut, mengakibatkan perubahan pada besarnya variabel-variabel kondisi 39

40 proses, dimana pada precooling propane, nilai pressure dan flowrate pada kondisi kotor maupun bersih sama, masing-masing sebesar 1599.80 kPa dan 325.45 kg/s, nilai ini berbeda dengan nilai base design plant, dimana nilai pressure lebih rendah yaitu sebesar 1421.96 kPa dan nilai flowrate lebih besar 407.01 kg/s . Sedangkan pada subcooling MCR juga terjadi perbedaan, antara hasil optimisasi dengan base design, dimana pada hasil optimisasi nilai pressure, flowrate, serta komposisi MCR masing-masing sebesar, 5499.71 kPa, 377.05 kg/s, methane 0.46 mol%, ethane 0.31 mol%, propane 0.16 mol%, nitrogen 0.07 mol% pada kondisi kotor, serta 5499.707 kPa, 168.516 kg/s, methane 0.304 mol%, ethane 0.456 mol%, propane 0.192 mol%, nitrogen 0.048 mol% pada kondisi bersih, sedangkan nilai base design untuk masing-masing variabel tersebut adalah 5387.77 kPa, 210.75 kg/s, methane 0.45 mol%, ethane 0.41 mol%, propane 0.10 mol%, nitrogen 0.04 mol%. Perbandingan hasil optimisasi yang dilakukan pada penelitian ini, dengan penelitian yang telah dilakukan sebelumnya, dilakukan pada kondisi dan plan berbeda, namun dengan proses yang sama yaitu proses C3MR-APCI. Pada penelitian yang dilakukan oleh alabdulkarim dkk, diketahui bahwa fungsi objektif yang dipilih bukan meminimalkan nilai OPEX, melainkan meminimalkan nilai shaft work dan cooling duty, sedangkan pada penelitian Hatcher dkk fungsi objektif adalah menentukan kondisi operasi proses LNG berupa nilai pressure, flowrate, dan komposisi MCR yang optimal. Pada penelitian selanjutnya yang dilakukan oleh Wang dkk, dimana fungsi objektif adalah untuk meminimalkan nilai OPEX dengan mengoptimalkan kondisi operasi proses berupa nilai pressure dan flowrate pada setiap siklus, dan juga komposisi MCR yang terbaik.

BAB V KESIMPULAN DAN SARAN 4.1 Kesimpulan Dari penelitian yang dilakukan ini, dapat disimpulkan beberapa hal sebagai berikut. 1. Dengan melakukan optimisasi terhadap kondisi operasi pada proses Liquefaction Natural Gas dengan adanya pengaruh fouling, nilai OPEX dapat diturunkan sebesar 6,24 % menjadi 112.347 $/tonne pada optimisasi ketika kondisi bersih, sedangkan pada kondisi fouling dapat diturunkan sebesar 2,47 % menjadi 116.86 $/tonne. 2. Penurunan biaya operasi (OPEX) diperoleh dengan menentukan besarnya nilai variabel kondisi operasi proses meliputi nilai pressure, flowrate, serta komposisi MCR, dimana dengan optimisasi yang dilakukan, nilai pressure pada precooling propane mengalami penurunan sebesar 12,5% menjadi 1599.80 kPa, dan flowrate mengalami kenaikan sebesar 20,04% menjadi 325.45 kg/s pada kondisi bersih maupun pada kondisi kotor akibat fouling, sedangkan pada subcooling MCR nilai pressure mengalami kenaikan sebesar 2,07% menjadi 5499.707 kPa pada kondisi bersih maupun kondisi kotor, flowrate mengalami penurunan sebesar 20,03% menjadi 168.516 kg/s pada kondisi bersih, sedangkan pada kondisi fouling mengalami kenaikan sebesar 78,9% menjadi 377.05 kg/s, dan komposisi MCR meliputi methane, ethane, propane, dan nitrogen masing-masing 0,304 mol%, 0,456 mol%, 0,192 mol%, dan 0,048 mol% pada kondisi bersih, serta sebesar 0,46 mol%, 0,30 mol%, 0,16 mol%, dan 0,06 mol% pada kondisi fouling. 4.2 Saran Saran yang dapat diberikan untuk penelitian selanjutnya adalah pada studi yang lebih dalam pada pengaruh fouling yang tidak hanya pada tube, namun juga mempertimbangkan pengaruh 41

42 fouling pada shell heat exchanger. Serta mempertimbangkan pengaruh fouling pada equipment- equipment pada plan liquefaction NG selain heat exchanger. Jenis material fouling juga perlu dipertimbangkan, karena setiap material memiliki heat resistance yang berbeda-beda, dimana selanjutnya dilakukan optimisasi pada plant liquefaction NG agar didapatkan nilai OPEX yang minimum.

43 DAFTAR PUSTAKA Abbott, M., J. Smith, and H. Van Ness. (2001). Introduction to chemical engineering thermodynamics. New York: McGrawHill. Alabdulkarem, A., A. Mortazavi, Y. Hwang, R. Radermacher, & P. Rogers. (2011). Optimization of propane pre-cooled mixed refrigerant LNG plant. Applied Thermal Engineering, vol. 31, pp. 1091-1098. Bailie, R. C., W. B. Whiting, and J. A. Shaeiwit. (2009). Analysis, Synthesis, and Design of Chemical Processes. New Jersey: Prentice Hall. Barclay, M. and N. Denton. (2005). Selecting offshore LNG processes. LNG journal, vol. 10, pp. 34-36, 2005. Bergman, T. L., F. P. Incropera, & A. S. Lavine. (2011). Fundamentals of heat and mass transfer. New York: John Wiley & Sons. Biyanto, T. R., A. Widodo, R. A. Hikmadiyar, " Operating Condition Optimization of Existing Natural Gas Liquefaction Plant under Clean and Fouled Conditions," Journal of Natural Gas Science & Engineering, 2017. Biyanto, T. R., M. D. Khairansyah, R. Bayuaji, H. Firmanto and T. Haksoro (2015). "Imperialist Competitive Algorithm (ICA) for Heat Exchanger Network (HEN) Cleaning Schedule Optimization." Procedia Computer Science 72: 5-12.

43

44 Biyanto, T. R., S. W. Suganda, Y. Susatio and H. Justiono (2015). "Cleaning Schedule Optimization of Heat Exchanger Networks Using Particle Swarm Optimization." Proceeding of The 3rd Applied Science for Technology Innovation, International Energi Conference, ASTECHNOVA 2014. B. Petroleum. (2005). BP energi outlook 2035. BP stats. EIA. (2010). International energi outlook 2010 : Natural gas. Wangshinton: U.S. Departement of Energi. Hatcher, P., R. Khalilpour, & A. Abbas. (2012). Optimisation of LNG mixed-refrigerant processes considering operation and design objectives. Computers & Chemical Engineering, vol. 41, pp. 123-133. Lee, G.C., R. Smith, & X.X.zhu. (2002). Optimal synthesis of Mixed-Refrigerant Systems for Low-Temperature Process. Industrial & Engineering Chemistry Research, 41, 20, pp. 5016-5028. Moein, P., M. Sarmad, H. Ebrahimi, & M. Zare. (2015). APCILNG single mixed refrigerant process for natural gas liquefaction cycle: Analysis and optimization. Journal of Natural Gas Science and Engineering, vol. 26, pp. 470-479. Moran, M. J., H. N. Shapiro, D. D. Boettner, & M. B. Bailey. (2010). Fundamentals of engineering thermodynamics. New York: John Wiley & Sons. Nasri, Z., & H. Binous. (2009). Applications of the Peng-Robinson Equation of State using MATLAB. Chemical Engineering Education vol. 43, pp. 115-124.

45 Nogal, F. D., J.-K. Kim, S. Perry, & R. Smith. (2008). Optimal design of mixed refrigerant cycles. Industrial & Engineering Chemistry Research, vol. 47, pp. 8724-8740. Peng, D.-Y., & D. B. Robinson. (1976). A new two-constant equation of state. Industrial & Engineering Chemistry Fundamentals, vol. 15, pp. 59-64. Sivanandam, S., & S. Deepa. (2007). Introduction to genetic algorithms. Springer Science & Business Media. Tak, K., W. Lim, D. ko, & Il Moon. (2011). Optimization of Mixed Refrigerant System in LNG Liquefaction Process. 21st European Symposium on Computer Aided Process Engineering. Thulukkanam, K. (2013). Heat exchanger design handbook. Florida: CRC Press. Wang, M., R. Khalilpour, & A. Abbas. (2014). Thermodynamic and economic optimization of LNG mixed refrigerant process. Journal of Energi Conversion and Management, vol. 88, pp. 947-961. Wang, M., R. Khalilpour, & A. Abbas. (2013). Operation optimization of propane precooled mixed refrigerant processes. Journal of Natural Gas Science and Engineering, vol. 15, pp. 93-105.

45

46


47 NOMENKLATUR

c p ,h

= luas permukaan terjadinya heat transfer (m2) = kalor jenis dari fluida pemanas (kJ/kg.K)

c p ,c

= kalor jenis dari fluida pendingin (kJ/kg.K)

cp

= kalor jenis dari fluida (kJ/kg.K)

Cw CQ CNG F

= harga tarif listrik untuk kompresor ($/GJ) = harga water ($/GJ) = biaya natural gas ($/kJ) = faktor koreksi LMTD = interaksi binari antar komponen = Perbandingan nilai fraksi vapor dan liquid = laju massa input fluida kerja (kg/s) = laju massa output fluida kerja (kg/s) = massa dari fluida pendingin (kg) = massa dari fluida yang mengalir (kg)

A

k

K m i m e mc

m

m NG = laju massa feed natural gas (kg/s) OPEX = operating expenditure ($/s) P Pc

= tekanan pada fluida kerja (Mpa) = tekanan kritis fluida kerja (Mpa)

Psat,i Q

= tekanan saturated komponen i (kg/ms2) = panas yang ditransfer (kJ)

Q

= laju kalor pada sistem (kJ/s)

i

l

= coefficient fugacity untuk fase liquid komponen i

i

v

T T m

= coefficient fugacity untuk fase vapor komponen i = temperatur pada fluida kerja (K) = log mean temperature difference (LMTD) (K)

Th ,i

= temperatur fluida pemanas pada inlet heat exchanger (K)

Th , o

= temperatur fluida pemanas pada outlet heat exchanger 47

48

Tc , i

= temperatur fluida pendingin pada inlet heat exchanger

Tc ,o

= temperatur fluida pendingin pada outlet heat exchanger = mean overall heat transfer coefficient (kJ/sm2K) = molar volume pada fluida kerja (m3/mole) = kerja pada sistem (kJ/s) = acentric factor fluida kerja = fraksi liquid komponen i = fraksi vapor komponen i = compressibility factor = komposisi komponen x (%)

U V W  xi yi Z

z

49 BIODATA PENULIS Arif Tri Mardianto dilahirkan Demak, 29 Maret 1994. Berdomisili di desa Dempet Demak Jawa Tengah. Riwayat sekolah adalah SD Dempet 1, SMP 2 Demak, dan SMA Negeri 1 Demak dengan peminatan Ilmu Pengetahuan Alam (IPA). Saat ini menempuh pendidikan di Teknik Fisika ITS Surabaya untuk menyelesaikan pendidikan S1. Selama menempuh pendidikan tinggi, penulis juga aktif dalam organisasi kampus Jama’ah Masjid Manarul Ilmi (JMMI) ITS sebagai Ketua Departemen Syiar pada tahun 2015. Kritik dan saran dapat dikirimkan melalui e-mail: [email protected].

49

50

OPTIMISASI KONDISI OPERASI THERMO- HYDROLIC PADA PLAN LIQUEFACTION NATURAL GAS MENGGUNAKAN GENETIC ALGORITHM

Recommend Documents