Pemodelan Fouling pada Penukar Panas Menggunakan Jaringan Syaraf Tiruan Totok R Biyanto Bambang L Widjiantoro Teknik Fisika – FTI – ITS Surabaya Sukolilo – Surabaya –Indonesia Email :
[email protected]
Abstract Fouling in Heat Exchanger Network (HEN) has been identified as a major obstacle for efficient energy recovery. Almost half of the overall operational cost of the refineries is due to the energy losses resulted from fouling in the preheat exchangers. Recently, several authors have attempted to use artificial intelligence as an alternative method for the prediction of fouling. Neural networks have often used as a black box modeling strategy where the definition of an adequate topology (interrelations) is necessary. The approach suggested in this paper is the application of Artificial Neural Networks (ANN) with Multi Layer Perceptron (MLP) structure. It was observed that the neural network model has a good predictive capability. Keywords: Heat Exchanger Network, Fouling, Artificial Neural Networks Abstrak Fouling pada Jaringan Penukar Panas (JPP) telah diketahui sebagai penyebab penurunan pada effisiensi pengambilan panas. Hampir setengah dari keseluruhan biaya operasional pada refineri disebabkan olehnya. Akhir-akhir ini, beberapa penulis berusaha mengunakan Jaringan Saraf Tiruan (JST) untuk memprediksi fouling. Sebagai pemodelan jenis black box pemilihan regresor sangatlah diperlukan. Pendekatan yang diajukan pada makalah ini adalah aplikasi JST dengan struktur Multi Layer Perceptron (MLP). Dari pengamatan terlihat bahwa, JST mempunyai kemampuan yang baik dalam memprediksi. Kata kunci:, Jaringan penukar panas, Fouling, Jaringan Saraf Tiruan
PENDAHULUAN Fouling pada JPP adalah masalah yang sangat serius yang menyebabkan peningkatan pemakaian energi dan kerugian ekonomi lainnya. Pengetahuan dalam memprediksi karakteristik fouling adalah sangat berguna untuk mengoperasikan JPP pada kondisi optimal, dengan fouling yang minimal. Fouling dapat disebabkan oleh banyak faktor seperti campuran minyak/fluida, temperatur dan laju aliran.
Mekanisme fouling-pun sangat kompleks sehingga sangat sulit untuk membuat model fundamental yang mampu memprediksi laju fouling pada fluida/minyak yang berbeda dan kondisi operasi yang berbeda pula. Saat ini JST telah menunjukkan pendekatan nonlinier yang mampu memprediksi ketingkat akurasi yang diinginkan [1]. Teknik ini sudah diaplikasikan pada beberapa masalah thermal [2], termasuk untuk memprediksi pada kondisi keadaan tunak
[3] dan karakteristik dinamik pada penukar panas. [4,5,6]. Beberapa penulis juga telah menggunakan JST sebagai alternative untuk memprediksi fouling [7]. Mendeteksi dan mengestimasi keseluruhan heat transfer koefisien, (U), juga telah dilaporkan dalam literatur [8]. JST juga tidak sensitif terhadap noise dan ketidaklengkapan data dibandingkan pendekatan lainnya. Selain itu JST juga mampu memberikan perkiraan hitungan yang cepat dan bisa dipercaya. Kebanyakan model JST untuk memprediksi fouling yang telah dilaporkan dalam literatur hanya mengunakan operasional data, tanpa melibatkan properti dari fluida yang diproses. Padahal dalam perhitungan fouling properti ini juga dipakai, Sehingga akurasi dari model masih belum optimal. Pada makalah ini properti akan digunakan sebagai regresor dan mengaplikasikan JST dengan struktur Multi Layer Perceptron (MLP) Nonlinear Auto Regressive with eXogenous input (NARX) untuk memprediksi fouling pada penukar panas STRUKTUR MLP-NARX Kebanyakan struktur yang digunakan dalam aplikasi JST saat ini adalah MLP dengan arsitektur feed forward. Model ini sebenarnya menggunakan pendekatan fitting data seperti halnya model empiris lainnya, hanya saja menggunakan multi persamaan. Struktur dan teknik lain bisa dibaca dalam literatur yang telah tersedia [9,10]. Jaringan MLP telah dipilih untuk membangun JST pada kajian ini. Persamaan matematik yang menjelaskan MLP adalah sebagai berikut: nh n yi Fi Wi , j . f j w j ,l l w j ,0 Wi ,0 j 1 l 1
(1)
dimana φ adalah eksternal input, nφ adalah jumlah input pada input layer input, nh adalah jumlah hidden neuron pada hidden layer, W dan w bobotbobots, f and F adalah fungsi aktifasi untuk hidden layer dan output layer, berturut-turut. Kebanyakan sistem kontinyu dapat dimodelkan dengan akurasi yang mencukupi menggunakan JST dengan struktur satu hidden layer dengan
fungsi aktifasi hyperbolic tangent dan fungsi aktifasi linier pada output layer [11,12,13]. Stuktur JST feed forward tanpa umpan balik dari output layer ke input layer tidak bisa memodelkan sistem dinamik dengan akurat. Dalam rangka hal tersebut JST dengan struktur NARX bisa dimanfaatkan.. JST dengan struktur NARX dapat digunakan untuk memodelkan sistem yang menggunakan data time-series. Pada NARX, variabel input berisi input saat ini dan output masa lampau. Persamaan yang menerangkan struktur NARX dapat ditulis sebagai berikut: Yˆ f (Y1, Y2 ,..., Yn ,U1,U 2 ,....,U m ) (2) dengan: Yˆ [ yˆ1 (k 1) yˆ 2 (k 1)]T Y1 [ y1 (k ), y1 (k 1), , y1 (k ny1 )] . . . Yn yn (k ), yn (k 1),, yn (k nyn )
U1 u1 (k ), u1 (k 1),, u1 (k nu1 ) . . .
U m um (k ), um (k 1), , um (k num )
dimana m adalah jumlah variabel input dan n adalah jumlah variabel output. ny dan nu adalah panjang data masa lalu atau history length untuk variabel output dan input, berurutan. MODEL FOULING DENGAN JST JPP pada Crude Distillation Unit (CDU) adalah rangkaian penukar panas yang tersusun secara seri untuk memanaskan minyak mentah mengunakan produk dan produk pump around dari CDU. Minyak dialirkan dan dipanaskan dari penyimpanan ke dalam JPP sebelum dikirim ke furnace dan CDU. JPP mempunyai peranan penting dalam penghematan energi karena sekitar 70% panas akan diambil ulang pada JPP ini. Pada makalah ini JST digunakan untuk memodelkan hambatan yang disebabkan fouling pada sebuah penukar panas dalam JPP di refineri. Pada penukar panas ini minyak mentah mengalir melalui sisi dalam tube dan produk melalui sisi luar tube (shell-side).
Dalam rangka mengembangkan model fouling pada penukar panas, operasional data telah dikumpulkan dalam selang waktu dua tahun. Data-data tersebut berisi : 1. Data operational berisi temperatur dan laju aliran untuk minyak mentah dan produk 2. Fraksi campuran minyak 3. Properti dari minyak dan produk 4. Laporan operational dan perawatan 5. Data desain. Data telah dianalis dengan menggunakan principle component analysis untuk dibuang bagian-bagian yang dianggap ourlier dan telah direkonsiliasi agar sesuai dalam memenuhi kesetimbangan masa dan energi. Variabel input yang menunjukkan hubungan yang erat dengan fouling dipilih menggunakan Projection to Latent Structure (PLS). Pasangan data untuk training model JST model sebanyak 280 pasang dan untuk validasi sebanyak 110 pasang. Model fouling berbasis JST yang diajukan dapat dilihat pada Gambar 1. Variabel input berisi hari, temperatur inlet untuk minyak dan produk, laju aliran, properti minyak dan produk, sedangkan variabel output berisi tahanan fouling.
Gambar 1. Input - output pada model fouling penukar panas berbasis JST Model JST struktur NARX ini mempunyai beberapa hidden neuron pada sebuah hidden layer, yang ditraining menggunakan algoritma Levenberg Marquard selama 100 iterasi.
HASIL DAN DISKUSI Sebuah model JST dengan satu input layer, satu hidden layer dan satu output layer telah dipilih untuk memodelkan fouling pada penukar panas. Jumlah node pada input layer adalah 14 dimana jumlahnya sama dengan jumlah variabel input. Jumlah neuron pada output layer adalah satu dimana jumlahnya sama dengan jumlah variabel output. Jumlah neuron pada hidden layer dengan fungsi aktifasi tangent hyperbolic ditentukan berdasarkan prosess optimasi struktur JST. Model telah training dan divalidasi menggunakan jumlah hidden neuron (HN) yang berbeda-beda. Struktur yang mempunyai Root Mean Square Error (RMSE) terkecil selama training dan validasi akan dipilih sebagai model terbaik. RMSE selama training dan validasi dapat dilihat pada Tabel 1 dan juga Gambar 2. Harga RMSE dapat dihitung menggunakan formula sebagai berikut:
Y Yˆ N
Temperatur minyak
RMSE Temperatur produk
Laju aliran minyak
Laju aliran produk
Properti minyak
Properti produk
Hari
Model JST
Tahanan fouling
i 1
2
i
i
(3)
N
Dimana, Yi adalah harga aktual Yˆi adalah harga prediksi dan N adalah jumlah data Dapat diamati bahwa RMSE pada training dan validasi akan mengecil dengan bertambahnya HN sampai jumlah HN 18, setelah itu RMSE naik lagi yang mengindikasikan adanya overtraining.
0.0008
0.0000
0.0007
0.0000
0.0006
0.0000
0.0005
0.0000
2 0.0004 m
0.0000
W °/
0.0003
W /° 2 m
0.0000
Lowest Training and Validation RMSE 0.0002
0.0000
0.0001
0.0000
0
0 1
2
3
4
5
6
7
8
9
10
1
12
1
14
15
16
17
18
19
20
21
22
23
24
2
hidden neurons Validation RMSE
Training RMSE
Gambar 2. RMSE selama training dan validasi untuk HN yang berbeda
Output Training 0.012
0.01
Fouling resistance (m2 °C/W)
Tabel 1. RMSE pada training dan validasi RMSE Hidden Neuron (HN) Training Validasi 1 6.920E-05 5.656E-04 2 9.477E-06 6.931E-04 3 7.152E-06 4.371E-04 4 1.422E-05 4.574E-04 5 6.362E-07 5.626E-04 6 5.761E-06 1.065E-04 7 3.176E-05 1.002E-04 8 1.064E-06 8.967E-05 9 1.185E-06 5.418E-05 10 2.746E-06 3.551E-05 11 4.626E-06 4.631E-05 12 5.233E-07 1.112E-04 13 2.751E-06 2.160E-04 14 3.784E-07 3.832E-05 15 5.153E-06 3.955E-05 16 1.644E-07 2.166E-04 17 1.709E-07 3.003E-05 18 5.225E-08 1.014E-05 19 9.749E-08 9.169E-05 20 9.524E-09 4.602E-05 21 5.109E-07 8.759E-05 22 3.621E-07 7.273E-05 23 1.144E-07 9.751E-05 24 5.727E-08 2.946E-05 25 1.156E-08 9.803E-05
0.008
0.006 Solid : Actual Dot : Predicted 0.004
0.002
0
0
50
100
150 Day
200
250
300
Gambar 3. Tahanan fouling aktual dan prediksi selama training Berdasarkan RMSE pada saat training dan validasi, maka JST dengan struktur 18 neuron pada hidden layer dipilih sebagai model terbaik. Perbandingan antara harga tahanan fouling yang aktual dan prediksi ditunjukkan pada Gambar 3 dan 4, berurutan.
-3
10
Output Validation
x 10
1.
Fouling resistance (m2 °C/W)
9 8 7 6 5 Solid : Actual Dot : Predicted
4 3 2
0
20
40
60 Day
80
100
120
Gambar 4. Tahanan fouling aktual dan prediksi selama validasi Performansi dari fouling model berbasis JST yang telah ditraining memberikan RMSE sebesar 5.225E-08 m2°C/W. Untuk menjamin model tidak overtraining maka model harus diuji untuk memperediksi menggunakan data yang belum pernah dilatihkan selama training, hal ini disebut validasi. Dari proses validasi, diperoleh RMSE validasi model sebesar 1.014E-05 m2°C/W. Perbandingan antara harga aktual dan prediksi selama validasi dapat dilihat pada Gambar 4. Secara umum, tahanan fouling hasil prediksi model JST mempunyai kedekatan yang sangat baik dengan harga aktualnya. Kekomplekkan karakteristik fouling pada penukar panas karena perubahan-perubahan pada kondisi operasi dan campuran minyak pada JPP di refineri dapat diatasi dengan baik oleh model JST
KESIMPULAN Sebuah JST model berstruktur NARX telah diajukan dan dikembangkan menggunakan regresor yang sesuai untuk memprediksi karakteristik tahanan fouling yang kompleks pada sebuah penukar panas dalam JPP di refineri. Hal ini dapat diamati bahwa kemampuan prediksi yang baik telah diperoleh dan tercermin dalam RMSE training dan validasi yang kecil. RMSE tahanan fouling antara harga aktual dan prediksi adalah kurang dari 1.014E-05 m2°C/W.
DAFTAR ACUAN
R. Hecht Nielsen, Kolmogorov's mapping neural network existence theorem”, Proceedings of the First International Conference on Neural Networks, IEEE, 3, 1987, pp. 11-13. 2. M. Sen, and K.T. Yang, Applications of artificial neural networks and genetic algorithms in thermal engineering, in: F. Kreith (Ed.), CRC Handbook of Thermal Engineering, 2000, pp. 620-661. 3. G. Dõaz, M. Sen, K.T. Yang, R.L. and McClain, (1999). “Simulation of heat exchanger performance by artificial neural networks”, Int. J. HVAC and R Res. 5 (3), pp. 195-208. 4. G. Dõaz, M. Sen, K.T. Yang, R.L. and McClain, Use of artificial neural networks for temperature control, Proceedings of the Fourth ISHMT/ASME Heat and Mass Transfer Conference, Pune, India, 2000. 5. M. Ayoubi, (1997), “Dynamic multi-layer perceptron networks: application to the nonlinear identification and predictive control of a heat exchanger, Applications of Neural Adaptive Control Technology”, World Scientific series in Robotics and Intelligent Systems, vol. 17, pp. 205-230. 6. S. Bittanti, and L. Piroddi, (1997),”Nonlinear identification and control of a heat exchanger: a neural network approach”, J. Franklin Inst,. 334B (1), pp. 135-153. 7. C. Riverol, and V. Napolitano, (2005), “Estimation of fouling in a plate heat exchanger through the application of neural networks”, J Chem Technol Biotechnol, 80, pp. 594–600. 8. S. Lalot, and S. Lecoeuche, (2000), “Onlinefouling detection in electrical circulation heaters using neural networks”, International Journal of Heat and Mass Transfer, 46, pp 2445–2458. 9. M. Norgaad, N. Poulsen, and L. Hansen, Neural Networks for Modeling and Control of Dynamic Systems, Springer-Verlag, London, 2000. 10. S. Haykin, Neural network – a comprehensive foundation, Prentice Hall Inc, New Jersey, 1999.
11. G. Cybenko, (1989), “Approximation by superpositions of a sigmoidal function”, Mathematics of Control, Signal and Systems, Vol. 2 No. 4, pp. 303-314. 12. G. Shetty, S. and Chellam, (2003), “Predicting membrane fouling during municipal drinking water nanofiltration using artificial neural networks”, Journal of Membrane Science, pp 217, pp. 69–86. 13. T. Kathirvalavakumar, and P. Thangavela, (2006), “Modified backpropagation training algorithm for feedforward neural networks”, Neural Processing Letters, 23, pp. 111–119.
