Penghematan Energy dan Pengurangan Emisi CO2 Melalui Optimasi Jadual Pembersihan pada Jaringan Penukar Panas Totok R. Biyanto1, Petrus Tri Bhaskoro2, Ridho Bayuaji3 , Bambang L. Widjiantoro1, Totok Suhartanto1 1. Engineering Physiscs Department - FTI – ITS Surabaya, INDONESIA 2. Mechanical Engineering Department, Universiti Teknologi PETRONAS, MALAYSIA 3. Civil Engineering Department - FTSP – ITS Surabaya, INDONESIA Kampus ITS Keputih Sukolilo Surabaya 60111 Email :
[email protected]
Abstrak— Fouling pada jaringan penukar panas adalah masalah yang sangat serius karena menyebabkan kerugian trilyunan US$ pertahun dan meningkatkan emisi CO2. Makalah ini menjelaskan bagaimana fouling menurunkan efisiensi penukar panas yang selanjutnya meningkatkan konsumsi bahan bakar pada furnace. Pemakaian bahan bakar yang berlebihan bukan hanya berakibat pada kerugian ekonomi tapi juga berakibat pada lingkungan. Melalui alternatif optimasi jadual pembersihan kerugian ini di mitigasi. Hasil menunjukkan 21% peningkatana efisiensi JPP yang bisa diterjemahkan dalam jutaan US$ bahan bakar bisa dihemat dan pengurangan ton ekuivalen emisi CO2, Keywords: Penghematan bahan bakar, Penurunan emisi CO2, Jaringan penukar panas, Fouling, Jadual pembersihan, Jaringan Saraf Tiruan
I. PENDAHULUAN
F
ouling pada jaringan penukar panas (JPP) menyebabkan penurunan effisiensi, pengurangan produksi karena penghentian proses untuk pembersihan dan tambahan biaya perawatan. Salah satu tipe JPP adalah Crude Preheat Train (CPT) pada refineri. Engineering Sciences Data Unit (ESDU) melaporkan bahwa fouling pada CPT adalah masalah yang sangat serius [1], yang menyebabkan penambahan konsumsi energi dan pemborosan secara ekonomi dalam triyunan dollar per tahun. Untuk unit proses dengan kapasitas 100,000 bbl/hari, penurunan coil inlet temperature (CIT) karena fouling sebesar 1 K menyebabkan sekitar ₤ 25,000 untuk penambahan biaya bahan bakar dan 750te penambahan karbon dioxida pertahun [2]. Bedasarkan pertimbangan ekonomi dan lingkungan tersebut, memberikan motivasi untuk mengurangi efek fouling sambil memaksimalkan energi yang direkoveri pada JPP. Fouling mitigasi sangat diperlukan dan untuk tujuan ini metode yang tepat dan efektif adalah penting [3-6].
Teknik fouling mitigasi meliputi penambahan bahan aditif antifoulant dan mendesign peralatan penukar panas yang lebih efisien. Disamping kemampuannya dalam memitigasi fouling, setiap teknik mempunyai kekurangngan masingmasing. Penambahan antifoulant menambah biaya operasional dan masalah lingkungan pada produk akhir. Retrofitting penukar panans dengan ukuran yang lebih besar dan efisien akan menaikkan biaya kapital. [3, 7, 8] . Alternatif lain adalah pembersihan berkala pada penukar panas yang kotor karena fouling [3, 7, 8]. Namun, terlalu sering dibersihkan akan menambah biaya pembersihan/perawatan, sebaliknnya tidak dibersihkan akan kehilangan banyak energi dan masalah lingkungan. Sehingga, optimasi jadual pembersihan wajib dilakukan. Jadual pembersihan bertujuan untuk menentukan berapa banyak pembersihan pada setiap penukar panas dalam periode yang ditinjau, yang dipengaruhi oleh biaya pembersihan, energy yang hilang saat pembersihan dan energi yang direkoveri. Ini memerlukan tiga komponen yaitu model JPP yang terpercaya, model fouling yang valid dan teknik optimisasinya [3, 7, 8]. Model JPP yang biasanya dipakai adalah lumpedparameter model [9]. Sedangkan model fouling bisa dimodelkan dengan beberapa metode. Model regresi [3, 5, 7, 8], model semi-empirickal (seperti model Panchal [9]) atau Jaringan Saraf Tiruan (JST) [10-14] adalah pemodelan yang biasa dipakai. Namun untuk tujuan penjadualan pembersihan biasanya model linier dan asimtotik adalah yang di pakai [3, 5, 7, 8]. Karena ketidaklinieran fouling maka JST digunakan untuk memprediksinya [10-15]. Optimasi jadual pembersihan telah banyak dilakukan. Akhir-akhir ini peneliti menggunakan Mixed Integer NonLinear Programming (MINLP) dan Mixed Integer Linear Programming (MILP) pada banyak aplikasi karena mengandung dua tipe variable yaitu diskrit dan kontinyu [5, 6, 8, 16, 17]. Sering kali model menghasilkan non-convex output, sehingga tidak menjamin solusi yang globaloptimum. Ini mengilhami Lavaja dkk. [5] untuk melinierisasi menjadi MILP dan menyelesaikannya secara sekuensial.
Pada makalah ini tidak dilakukan linierisasi bahkan model fouling mengunakan JST, namun penyelesaiannya dilakukan dengan cara sekuensial dan iteratif. Semua program ditulis dalam VBA-Excel untuk mempermudah penguna di kilang dalam pengunaannya dan kompatibilitinya dengan database dan perangkat lunak perkantoran dan keteknikan lainnya.
II. CRUDE PREHEAT TRAIN JPP yang dipelajari adalah sebuah CPT yang berisi sebelas penukar panas. Setiap penukar panas mempunyai multiple shell yang tergabung secara seri dan/atau paralel. Seperti terlihat pada Gambar 1. Data diambil dari plant historian dalam Distributed Control System (DCS) meliputi 81 tag number selama empat tahun. Data terdiri dari temperatur, laju aliran dan properti masing-masing fluida pada penukar panas. Data diproses untuk merekoveri data yang hilang, membuang data outlier dan data rekonsiliasi.
Diesel PA
AGO PA
256oC
203oC
336oC
HEX-10
242oC
exp k2 F k1 1 1 Th , o Tc , i exp k2 F k1 1 k1 k1 1 Th , i exp k2 F k1 1 k1
(6)
Dimana k1 and k2 adalah
k1
mh c p , h
k2
UA mh c p , h
Gas
232oC
213oC
HEX-09
(5)
350oC
Furnace
HEX-11 Naphtha
256oC
176oC Diesel
Kerosene
306oC 157oC
(7)
mc c p , c
LSWR
321oC 195oC
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
Light Kero PA
176oC 151oC
Kerosene
159oC 147oC
130oC
(8)
Distillation Column Diesel
HEX-O8
172oC
Crude oil tank farm
HEX-07
HEX-06
HEX-05
163oC AGO
Desalter Top PA
122oC
157oC
39oC Pump
77oC HEX-01
95oC HEX-02
85oC
141oC
87oC
130oC
121oC HEX-03
114oC
LSWR HEX-04
130oC
Gambar 1. Skematik diagram dari CPT
Fouling diprediksi dengan JST struktur NARX. Dalam rangka meningkatkan akurasi, semua variabel yang digunakan saat menghitung fouling, digunakan sebagai regresor pada JST. Jumlah pembersihan atau bisa ditulis sebagai interval pembersihan dan jadual pembersihan, diperoleh dengan memaksimalkan fungsi tujuan sebagai berikut: [5]. Np
Objsaving
III.METODOLOGI
p 1
Untuk membangun optimasi jadual pembersihan diperlukan tiga komponen yaitu model CPT, Model fouling dan metode mengoptimasinya Kebanyakan simulasi penukar panas mengunakan lumpedparameter model [9]. Performansi penukar panas di hitung dengan persamaan-persamaan berikut ini:
Q = U a AF TLM
(1)
Kalor pada penukar panas haruslah seimbang antara fluida yang panas dan dingin, oleh sebab itu data rekonsiliasi diperlukan.
Q = mcCpc Tc = mhCph Th
(2)
Hubungan koefisien perpindahan panas keseluruhan dan fouling bisa ditulis sebagai berikut:
n 1
E
yn , p Qn ,clean Qn , p t (9)
Np
p 1
C 1 y NE
n 1
cl
n, p
Persamaan diatas diperngaruhi oleh dua komponen biaya yaitu biaya pembersihan (Ccl) yang tergantung dari ukuran penukar panas dan biaya energi (CE). Dalam aplikasi ini lama pembersihan adalah lima hari, dimana penukar panas akan di-bypass. Periode yang ditinjau dalam optimasi jadual pembersihan ini adalah 4 tahun. Diskritisasi waktu dilakukan (Δt) untuk selang 30 hari. Procedure optimisasi diadopsi dari [5] dan bisa dilihat pada Gambar 2.
IV. HASIL DAN PEMBAHASAN
1 1 Rf Ua Uo
d 1 o U o di hi
NE
C
(3)
d do Ln o di 1 2k w ho
(4)
Mengunakan persamaan diatas maka dapat dihitung temepratur luaran dari penukar panas sebagai berikut [7, 9]:
Semua data yang digunakan telah melalui proses pembuangan outlier dan data rekonsiliasi. Operational data harian yang digunakan adalah data actual yang diperoleh dari kilang selama empat tahun sejak 2007. Properti fluida harian adalah actual dari minyak mentah dan produk. Properti campuran dan berbeda kondisi operasi dihitung berdasarkan perhitungan-perhitungan standar API dalam perangkat lunak Petrosim.
Perhitungan perpindahan panas mengunakan persamaan Colburn untuk sisi tube, metode Bell-delaware dan persamaan Peng untuk untuk sisi shell. Hasilnya divalidasi dengan data design serta perangkat lunak komersial seperti HTRI dan Petrosim. Data tersebut digunakan untuk mengembangkan model fouling berbasis JST dan JPP model. Model JST yang telah dilatih, dioptimalkan dan divalidasi, telah digunakan bersama-sama dengan model JPP untuk mensimulasikan jadual pembersihan dan mengitung penghematan yang dicapai. Detail dari model JST yang dikembangkan dan performansinya yang sangat baik, dapat dilihat pada Lampiran A1. Kelebihan JST ini dari penelitian sebelumnya adalah karena mengikutsertakan semua variabel input yang mungkin mempengaruhi fouling sebagai regresor pada JST. Pemilihan variabel input tidak dibahas dalam makalah ini.
menurun, dan akan naik kembali bila dilakukan pembersihan. Gambar 6 menunjukkan tren yang sama dengan kalor yang direkoveri. Efisiensi akan turun sepanjang waktu dan akan naik kembali saat dilakukan pembersihan. Sebaliknya kehilangan energi akan terus bertambah sepanjang waktu sampai pembersihan dilakukan, seperti terlihat pada Gambar 7.
Mulai
Gambar 3. Interval pembersihan untuk E-1
Selesaikan penukar panas satu per satu, dar yang pertama sampai yang terakhir (asumsi : ketika sebuah penukar panas dibersihkan, maka penukar panas yang lain dalam kondisi pembersihan sebelumnya)
N Konvergen? Gambar 4. Interval pembersihan untuk E-2
Y
End
Secara ekonomis, penghematan tahunan yang bisa diperoleh dengan mengaplikasikan optimasi jadual pembersihan untuk tiap-tiap penukar panas dapat dilihat pada Tabel 1. Tabel 1 menunjukkan bahwa, penghematan total untuk keseluruhan CPT adalah US$ 1.33 juta/tahun or 21% kenaikan efisiensi.
Gambar 2. Prosedur optimisi Table 1. Penghematan energi tahunan untuk setiap penukar panas dan CPT
Mengacu kepada prosedur optimisasi, maka penukar panas yang mula-mula di optimisasi jadual pembersihannya adalah E-1, setelah itu E-2 sampai E-11. Ini akan berulang sampai konvergensi tercapai. Hasil optimisasi khususnya E1 and E-2 adalah berturut-turut setiap 22 dan 30 bulan. Hal ini dapat dilihat pada Gambar 3 dan 4. Pada Gambar 4, untuk E-2 sebagai contoh, ada beberapa titik optimum yang bisa menjebak kepada local optimum. Oleh sebab itu kecukupan iterasi diperlukan. Untuk keseluruhan hasil optimasi tersaji dalam jadual pembersihan pada Lampiran A2. Dimana tanda ‘1’ berarti beroperasi dan ‘0’ adalah masa pembersihan selama lima hari di awal bulan. Energi yang direkoveri untuk E-1 pada kondisi bersih (clean) dan kotor (dirty) bisa dilihat pada Gambar 5. Saat bersih kalor yang direkoveri adalah tertinggi. Kenaikan tren dan flutuasi data disebabkan perubahan kondisi operasi penukar panas dan perubahan properti pada kedua fluida. Bila tidak dibersihkan, maka kalor yang direkoveri akan
Heat Exchanger E-1 E-2 E-3 E-4 E-5 E-6 E-7 E-8 E-9 E-10 E-11 Total
Penghematan tahunan (US$) 142,085 71,958 120,982 207,556 135,801 49,824 22,374 371,843 77,373 123,612 9,615 1,333,024
Nomenclature:
Gambar 5. Kalor pada kondisi E-1 bersih dan kotor
CE Δt Ccl
= = =
Qn,clean
=
Qn,p
=
Yn,p
=
Q Ua
= =
A LMTD Cp D
= = = =
Subscripts A C C F H I
= = = = = =
Energi unit Periode waktu, Δt = 30 hari Biaya pembersihan, tergantung besarnya penukar panas. Perpindahan panas pada unit n saat kondisi bersih, kW Perpindahan panas pada unit n pada periode p saat kondisi kotor, Kw Status pembersihan untuk unit n in setiap period p. Perpindahan panas, Watt Koefisien perpindahan panas keseluruhan, W/m2.oC Area perpindahan panas, m2 Log Mean Temperature Difference in oC Kapasitas panas (W hr/kg °C) Diameter (m)
Aktual Clean Cold Fouling Hot Inside, inlet, index
REFERENCES [1] [2] Gambar 6. Efisiensi untuk E-1
[3]
[4]
[5]
[6]
Gambar 7. Kehilangan Energi untuk E-1
V.
[7]
KESIMPULAN
Menggunakan aktual data dalam menghitung heat transfer, memodelkan fouling dan JPP serta melakukan optimasi penjadualan menghasilkan luaran yang mendekati dengan kondisi real kilang. Data rekonsiliasi diperlukan untuk memodelkan dan mengoptimasi JPP. Fouling model berbasis JST menunjukkan akurasi yang tinggi. Kerumitan MINLP pada kasus optimasi jadual pembersihan JPP dapat dipecahkan mengunakan teknik optimasi sekuensial dan iteratif. Hasil penghematan mencapai US$ 1.33 juta/tahun or 21% kenaikan efisiensi untuk kilang yang ditinjau. Yang berarti tanpa penambahan biaya operasi, tanpa penambahan biaya Kapital untuk membeli peralatan, alternative usaha ini bisa menghemat bahan bakar di furnace dan pengurangan emisi CO2.
[8]
[9]
[10]
[11]
[12]
ESDU, "Heat exchanger fouling in the preheat train of a crude oil distillation unit," ESDU, London 2000. B. L. Yeap, "Design of heat exchanger networks with fouling mitigation," in CGPS dissertation: University of Cambridge , UK, 2001. F. Smaïli, V. S. Vassiliadis, and D. I. Wilson, "Mitigation of fouling in refinery heat exchanger networks by optimal management of cleaning," Energy & Fuels, vol. 15, pp. 1038-1056, 2001. M. C. Georgiadis, L. G. Papageorgiou, and S. Macchietto, "Optimal cleaning policies in heat exchanger networks under rapid fouling," Ind. Eng. Chem. Res, vol. 39, pp. 441-454, 2000. J. H. Lavaja and M. J. Bagajewicz, "On a New MILP Model for the Planning of Heat-Exchanger Network Cleaning†," Ind. Eng. Chem. Res, vol. 43, pp. 3924-3938, 2004. M. Markowski and K. Urbaniec, "Optimal cleaning schedule for heat exchangers in a heat exchanger network," Applied Thermal Engineering, vol. 25, pp. 1019-1032, 2005. S. Sanaye and B. Niroomand, "Simulation of heat exchanger network (HEN) and planning the optimum cleaning schedule," Energy Conversion and Management, vol. 48, pp. 1450-1461, 2007. M. C. Georgiadis, L. G. Papageorgiou, and S. Macchietto, "Optimal cyclic cleaning scheduling in heat exchanger networks under fouling," Computers & Chemical Engineering, vol. 23, pp. S203-S206, 1999. E. M. Ishiyama, A. V. Heins, W. R. Paterson, L. Spinelli, and D. I. Wilson, "Scheduling cleaning in a crude oil preheat train subject to fouling: Incorporating desalter control," Applied Thermal Engineering, vol. 30, pp. 1852-1862, 2010. C. Riverol and V. Naopolitano, "Estimation of fouling in a plate heat exchanger through the application of neural networks," Journal of Chemical Technology and Biotechnology, vol. 80, pp. 594-600, 2005. C. Riverol and V. Napolitano, "Estimation of fouling in a plate heat exchanger through the application on neural networks," Journal of Chemical Technology and Biotechnology, vol. 80, pp. 594-600, 2005. S. Lalot, "On-line detection of fouling in a water circulating temperature controller (WCTC) used in
[13]
[14]
[15]
injection moulding: part 2: application," Applied Thermal Engineering, vol. 26, pp. 1095-1105, 2006. J. Aminian and S. Shahhosseini, "Evaluation of ANN modeling for prediction of crude oil fouling behavior," Applied Thermal Engineering, vol. 28, pp. 668-674, 2008. J. Aminian and S. Shahhosseini, "Neuro-based formulation to predict fouling threshold in crude preheaters," International Communications in Heat and Mass Transfer, vol. 36, pp. 525-531, 2009. V. R. Radhakrishnan, M. Ramasamy, H. Zabiri, V. Do Thanh, N. M. Tahir, H. Mukhtar, M. R. Hamdi, and N. Ramli, "Heat exchanger fouling model and preventive maintenance scheduling tool," Applied Thermal Engineering, vol. 27, pp. 2791-2802, 2007.
[16]
[17]
F. Smaïli, D. K. Angadi, C. M. Hatch, and O. Herbert, "Optimization of scheduling of cleaning in heat exchanger networks subject to fouling: sugar industry case study," Food and Bioproducts Processing, vol. 77, pp. 159-64, 1999. M. C. Georgiadis and L. G. Papageorgiou, "Optimal scheduling of heat-integrated multipurpose plants under fouling conditions," Applied thermal engineering, vol. 21, pp. 1675-1697, 2001.
Lampiran A1. Detail model JST untuk fouling pada CPT
Heat Exchanger E-1 E-2 E-3 E-4 E-5 E-6 E-7 E-8 E-9 E-10 E-11
Training Data Set Start 5-Feb-07 5-Feb-07 5-Feb-07 20-Mar-07 8-Feb-07 5-Feb-07 1-Apr-07 10-Apr-07 19-Feb-07 6-Mar-07 1-Apr-07
Validation Data Set
End 30-Apr-08 15-Nov-07 30-Oct-07 9-Oct-07 29-Aug-07 16-Apr-08 15-Nov-07 13-Nov-07 10-Feb-08 10-Feb-08 9-Feb-08
Start 4-May-08 17-Oct-08 27-Feb-08 6-Apr-08 18-Nov-07 28-Apr-08 9-Dec-07 21-Nov-07 22-Feb-08 18-Mar-08 19-Feb-08
End 31-Dec-08 31-Dec-08 24-Apr-08 15-Aug-08 30-Mar-08 9-Sep-08 24-Apr-08 22-Mar-08 25-Jun-08 17-Aug-08 2-Sep-08
No. of hidden neurons 9 30 20 20 9 23 9 24 15 17 12
RMSE, Training Rf
RMSE, Validation Rf
m2 K/W 2.43E-06 1.53E-06 4.60E-06 2.19E-05 1.25E-05 1.37E-05 1.05E-05 6.62E-07 5.39E-06 2.69E-06 1.14E-05
m2 K/W 2.16E-05 7.66E-05 1.81E-04 3.04E-04 3.03E-04 6.55E-05 6.12E-04 1.66E-05 3.02E-04 1.59E-04 1.65E-04
A2. Jadual pembersihan hasil optimasi Month
E-1
E-2
E-3
E-4
E-5
E-6
E-7
E-8
E-9
E-10
E-11
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
1
1
1
1
4
1
1
1
1
1
1
1
1
1
1
1
5
1
1
1
1
1
1
1
1
1
1
1
6
1
1
1
1
1
1
1
1
1
1
1
7
1
1
1
1
1
1
1
1
1
1
1
8
1
1
1
1
1
1
1
1
1
1
1
9
1
1
1
1
1
1
1
1
1
1
1
10
1
1
1
1
1
1
1
1
1
1
1
11
1
1
1
1
1
1
1
1
1
1
1
12
1
1
1
1
1
1
1
1
1
1
1
13
1
1
1
1
1
1
1
1
1
1
1
14
1
1
1
1
1
1
1
1
1
0
1
15
1
1
1
1
1
1
1
1
1
1
1
16
1
1
1
1
1
1
1
1
1
1
1
17
1
1
1
1
1
1
1
1
1
1
1
18
1
1
1
1
1
1
1
1
1
1
1
19
1
1
1
1
1
1
1
1
1
1
1
20
1
1
1
1
1
0
1
1
1
1
1
21
1
1
1
1
1
1
0
1
1
1
0
22
0
1
1
1
0
1
1
1
1
1
1
23
1
1
1
1
1
1
1
1
1
1
1
24
1
1
1
1
1
1
1
1
1
1
1
25
1
1
1
1
1
1
1
0
1
1
1
26
1
1
1
1
1
1
1
1
1
1
1
27
1
1
1
1
1
1
1
1
1
0
1
28
1
1
1
1
1
1
1
1
1
1
1
29
1
1
1
1
1
1
1
1
1
1
1
30
1
0
1
1
1
1
1
1
1
1
1
31
1
1
1
1
1
1
1
1
1
1
1
32
1
1
1
1
1
1
1
1
1
1
1
33
1
1
1
1
1
1
1
1
0
1
1
34
1
1
1
1
1
1
1
1
1
1
1
35
1
1
1
1
1
1
1
1
1
1
1
36
1
1
1
1
1
1
1
1
1
1
1
37
1
1
0
0
1
1
1
1
1
1
1
38
1
1
1
1
1
1
1
1
1
1
1
39
1
1
1
1
1
0
1
1
1
1
1
40
1
1
1
1
1
1
1
1
1
0
1
41
1
1
1
1
1
1
0
1
1
1
0
42
1
1
1
1
1
1
1
1
1
1
1
43
0
1
1
1
0
1
1
1
1
1
1
44
1
1
1
1
1
1
1
1
1
1
1
