PREDIKSI WATER REMOVAL PADA PROSES
DEHYDRATION GAS ALAM MENGGUNAKAN
JARINGAN SYARAF TIRUAN
Sisca Dina Nur Nahdliyah .
Deny Arifianto.
Winarno.
Program Studi Otomasi Sistem Instrumentasi.
Program Studi Fisika.
Fakultas Vokasi.
Universitas Airlangga.
Surabaya.
Jawa Timur.
Fakultas Sains dan Teknologi.
Universitas Airlangga.
Surabaya.
Jawa Timur .
sisca-dina-nur-n@vokasi.
ABSTRACT
Raw natural gas contains water vapor or hydrates that must be purified to meet sales gas The most commonly used water vapor purification process is the natural gas absorption dehydration process with TEG.
The optimal natural gas dehydration process is indicated by the water removal value in accordance with gas sales standards, where the water removal value is influenced by the operating conditions and the raw natural gas feedstock.
Therefore, this study predicts the water removal value of the natural gas dehydration process using MLP (Multi-Layer Percepto.
neural network with NARX structure (Nonlinear AutoRegressive, eXternalinpu.
using Levenberg-Marquardt learning algorithm in order to obtain optimal operating conditions.
The input parameters of the artificial neural network are operating conditions, raw natural gas components, and TEG content, while the output is the value of water removal and reboiler energy.
The results showed that the Root Mean Square Error (RMSE) on the training data was 0.
0005 kgmole/h for water removal and 0.
kW for reboiler energy, proving that the ANN model used had a fairly good performance in capturing complex and nonlinear characteristics in the natural gas dehydration process.
Keywords: Natural Gas.
Dehydration.
Artificial Neural Networks.
Prediction.
Water Removal ABSTRAK Gas alam mentah mempunyai kandungan uap air atau hidrat yang harus dimurnikan agar memenuhi spesifikasi gas penjualan.
Proses pemurnian kandungan uap air yang paling sering digunakan adalah proses dehydration gas alam absorpsi dengan TEG.
Proses dehydration gas alam yang optimal ditunjukkan oleh nilai water removal yang sesuai dengan standart penjualan gas, dimana nilai water removal dipengaruhi oleh kondisi operasi dan bahan baku gas alam mentah.
Oleh karena itu, penelitian ini memprediksi nilai water removal proses dehydration gas alam menggunakan jaringan syaraf tiruan MLP (Multi Layer Percepto.
struktur NARX (Nonlinear AutoRegressive, eXternalinpu.
dengan algoritma pembelajaran Levenberg-Marquardt agar mendapatkan kondisi operasi yang optimal.
Parameter input jaringan syaraf tiruan adalah kondisi operasi, komponen gas alam mentah, dan kandungan TEG, sedangkan output adalah nilai water removal dan energi reboiler.
Hasil penelitian diperoleh nilai Root Mean Square Error (RMSE) pada data latih sebesar 0,0005 kgmol/jam untuk water removal dan 0,0010 kW untuk energi reboiler, membuktikan bahwa model JST yang digunakan memiliki kinerja yang cukup baik dalam menangkap karakteristik komplek dan nonlinear pada proses dehydration gas alam.
Kata Kunci : Gas Alam.
Dehydration.
Jaringan Syaraf Tiruan.
Prediksi.
Water Removal 436 Jurnal Teknologi Informasi dan Komputer.
Volume 7.
Nomor 4.
Oktober 2021
PENDAHULUAN
Gas alam di Indonesia mempunyai peran penting sebagai sumber daya alam selain minyak bumi dengan ditunjukkan permintaan gas bumi diperkirakan mencapai 47,9 MTOE (Million Tonnes of Oil Equivalen.
di tahun 2040 berdasarkan bauran energi nasional (Tim Sekretaris Jenderal Dewan Energi Nasional, 2.
, dengan jumlah permintaan gas alam yang cukup besar memicu industri pengolahan gas alam untuk meningkatkan produksi dengan membuka lapangan baru ataupun dengan mengoptimalkan sumber gas alam yang sudah Gas alam di dalam perut bumi mempunyai kandungan uap air.
Kandungan uap air tinggi dapat menimbulkan masalah dalam proses operasi dan penjualan (Affandy dkk, 2.
Kandungan air yang tinggi dapat menyebabkan korosi dalam pipa maka diperlukan proses dehydration gas alam untuk (Rahimpour.
Saidi dan Seifi, 2.
Metode dehydration gas alam terdiri dari beberapa metode yaitu absorpsi dengan larutan, adsorpsi dengan padatan, dan kondensasi gas menggunakan refrigerator, metode absorpsi dengan larutan glycol merupakan metode yang paling banyak digunakan dalam pemurnian gas alam (Felicia dan Evbuomwan, 2.
Keuntungan penggunaan glycol pada proses dehydration gas alam adalah tekanan uap rendah, solubilitas gas alam rendah, dan titik didih tinggi.
Ada empat jenis glycol yang sering digunakan pada proses dehydration gas alam yaitu, tetraethylene glycol, triethylene glycol (TEG), diethylene glycol (DEG), dan ethylene glycol (EG).
Proses absorpsi dengan TEG merupakan metode standart dalam dehydration gas alam (Chebbi.
Qasim dan Abdel Jabbar, 2.
Maka pada penelitian ini proses dehydration gas alam menggunakan TEG.
Pada proses dehydration gas alam unit-unit berkesinambungan seperti contactor/absorber dan stripper/regenerator, dimana pada kolom contactor kandungan uap air pada gas alam diabsorpsi oleh larutan TEG, sedangkan pada kolom stripper/regenerator digunakan untuk memurnikan larutan TEG yang akan digunakan pada kolom contactor.
Proses dehydration gas alam dilakukan untuk memenuhi standart kadar air maksimal sebesar 7 lb H2O per MMSCF (Saeid Mokhatab.
William A.
Poe, 2.
Kondisi operasi dan bahan baku gas alam mentah pada proses dehydration gas alam adalah salah satu faktor utama dalam proses pemurnian uap air, seperti suhu, tekanan, dan kandungan glycol pada kolom contactor.
Serta kondisi pada gas masukan awal sebelum proses absorbsi.
Maka penelitian ini akan melakukan prediksi nilai menghilangkan uap air pada gas alam yang dipengaruhi faktor-faktor tersebut.
Pemodelan proses dehydration gas alam dilakukan dengan jaringan syaraf tiruan, karena JST merupakan salah satu alat yang menarik selama dua dekade terakhir dengan kemampuan menghubungkan antara input dan output tanpa pengetahuan tentang proses (Ahmadi.
Soleimani Bahadori.
Pemodelan dehydration gas alam dengan jaringan syaraf tiruan telah berhasil dilakukan oleh beberapa penelitian sebelumnya seperti oleh (Ghiasi.
Bahadori dan Zendehboudi, 2.
yang melakukan penelitian tentang pengembangan model cerdas dengan feed-forward back propagation neural network untuk prediksi kemurnian TEG pada proses dehydration gas alam yang akurat berdasarkan kondisi operasi (Afshin dkk.
, 2.
melakukan perbandingan prediski dengan MLP dan RBF menggunakan TEG dengan hasil model MLP (Multilayer dibandingkan model dengan RBF (Radial Basis Functio.
(Ahmad.
Bahadori dan Zhang, kesetimbangan titik didih air pada proses dehydration gas alam menggunakan Bayesian Feedforward Artificial Neural Network (FANN) dengan hasil model yang cukup baik dengan input parameter adalah kandungan wt % TEG dan suhu TEG, sedangkan output adalah nilai titik didih air pada aliran gas alam.
Pada penelitian ini menggunakan jaringan syaraf tiruan MLP (Multi Layer Percepto.
struktur NARX (Nonlinear AutoRegressive.
Nadliyah.
Arifianto.
Winarno.
Prediksi Water Removal Pada Dehydration Gas AlamA 437 eXternalinpu.
dengan algoritma pembelajaran Levenberg-Marquardt.
Prediski nilai water removal berdasar data lapangan real plant akan terjadi distorsi data maka pemodelan proses dehydration gas alam dimodelkan dengan Aspen HYSYS agar mendapatkan model yang valid sesuai keadan pada real plant.
Aspen HYSYS merupakan alat yang dapat digunakan memodelkan dan mensimulasikan proses pemurnian gas alam yang cukup akurat yang dapat mendekati kondisi real plant (Darwish dan Hilal, 2008.
Chebbi.
Qasim dan Abdel Jabbar, 2019.
Haydary, 2.
Pada penelitian ini akan melakukan pembangunan model proses dehydration gas
alam untuk memprediski nilai water removal dan energi reboiler yang dipengaruhi beberapa parameter seperti tekanan, suhu, laju aliran dan komposisi gas mentah, serta variabel
proses glycol pada kolom contactor
menggunakan JST MLP dengan struktur
NARX
(Nonlinear AutoRegressive, eXternalinpu.
dengan algoritma pembelajaran Levenberg-Marquardt.
Penelitian diharapkan dapat memperoleh variabel proses secara tepat yang dapat memenuhi spesifikasi kandungan kadar air pada gas alam.
TINJAUAN PUSTAKA
Proses Dehydration Gas Alam Proses pemurnian gas alam yang ditunjukkan pada Gambar 1 dimulai dengan gas alam mentah dengan kandungan uap air/hidrat masuk ke separator untuk mengurangi kandungan air sebelum masuk ke dalam kolom contactor/absorber.
Pada kolom absorber pelarut triethylene glycol (TEG) mengalir dari atas dan aliran gas dari bawah.
Kandungan hidrat dalam gas alam diserap oleh larutan triethylene glycol (TEG) dan dry gas meninggalkan absorber untuk diproses lebih Rich glycol mengalir melalui heat exchanger untuk meningkatkan suhu.
Rich glycol panas diregenerasi/stripping pada kandungan air.
Lean glycol dikirim kembali melalui heat exchanger untuk menurunkan Sebuah pompa digunakan untuk meningkatkan tekanan larutan glycol.
Heat exchanger berguna untuk mendinginkan larutan glycol sebelum masuk ke kolom absorber dan mengubah kondisi dry gas agar sesuai dengan kebutuhan kondisi sales gas (Saeid Mokhatab.
William A.
Poe, 2.
Data variabel proses gas mentah ditunjukkan pada Tabel 1.
Tabel 1.
Variabel Proses Inlet Gas Parameter Nilai Suhu inlet gas 44 oC Tekanan inlet gas 6205 kPa Laju aliran inlet gas 9183 kg/jam 6 kgmole/jam Nama Komponen Komposisi .
ol %) CO2
2,84
H 2S
1,55
Methane 89,10 Ethane
3,18
Propane i-Butane 1,27 Nitrogen
0,18
H 2O
0,18
Water removal dari sebuah proses dehydration gas alam dipengaruhi oleh beberapa komponen yaitu laju aliran masukan gas, kandungan air di masukan gas, dan kandungan air di sales gas.
Persamaan perhitungan water removal adalah sebagai berikut (Saeid Mokhatab.
William A.
Poe, ycOyc = ycEya .
cOycn OeycOycu ) .
Dimana ycOyc : Water removal, kgmol/jam ycOycn : kandungan air di masukan gas ycOycu : kandungan air di sales gas ycEya : laju aliran gas masukan kgmol/jam Jaringan Syaraf Tiruan Pada jaringan syaraf tiruan, training adalah proses pembentukan konfigurasi hargaharga bobot dari jaringan.
Pembentukan ini mempunyai tujuan akhir agar input yang diberikan akan direspon melalui bobot tersebut, menghasilkan output yang sesuai Pada metode pembelajaran supervised training setiap pola mempunyai output target 438 Jurnal Teknologi Informasi dan Komputer.
Volume 7.
Nomor 4.
Oktober 2021 pasangan yang bersesuaian.
Pada proses pembelajaran, bobot- bobot dibangun agar pasangan input-output sehingga memberikan pola yang sesuai dengan output target dari input tersebut.
Toleransi kesalahan diperoleh dari respon output terhadap target.
Proses pemetaan antara input dan output JST untuk mendapatkan bobot yang tepat disebut training JST.
Nilai keberhasilan training ditunjukkan oleh nilai RMSE (Root Mean Square Erro.
yang kecil.
Langkahlangkah jaringan syaraf tiruan dengan pembelajaran algoritma Levenberg Marquard adalah sebagai berikut (Balara.
Timko dan Republic, 2.
Pemilihan vector bobot awal w.
dan harga awal .
w adalah bobot dan harga awal.
Menentukan arah pencarian.
cI .
]yce .
= Oeya.
) .
= ycOycA .
,ycs ycA )Oe ycOycA .
,ycs ycA ) ycOycA .
,ycs ycA )Oe ya .
) .
Jika r.
> 0.
= .
/2 Jika r.
> 0.
25 maka .
= 2 .
Ketika kriteria tercapai, maka perhitungan berhenti, tetapi apabila kriteria belum tercapai maka mengulangi langkah kedua.
JST Ae MLP struktur NARX (Nonlinear Auto Regressive, eXternal inpu.
dengan variabel input (U) dan output (Y) masa sekarang dan Persamaan output model C Y dapat ditulis sebagai berikut:
C = f(Y1 .
Y2 .
U1 .
U2 ) .
Dimana :
Y = .
C1 .
yC2 .
]T Y1 = .
, y2 .
Oe .
, u , y1 .
Oe ny1 )] Y2 = .
, y2 .
Oe .
, u , y2 .
Oe ny2 )] Diperoleh f dan dimasukkan ke:
yc = arg min ycOycA .
c, ycs ycA ) sebagai iterasi baru, maka yuI.
cn ) = yuI.
Jika tidak maka mencari harga baru dari r Jika ycOycA .
, ycs ycA ) < ycOycA .
, ycs ycA ) sehingga memenuhi yc .
= yc .
U1 = .
, u1 .
Oe .
, u , u1 .
Oe nu1 )] U2 = .
, u2 .
Oe .
, u , u2 .
Oe nu2 )] Gambar 1.
Proses Dehydration Gas Alam Nadliyah.
Arifianto.
Winarno.
Prediksi Water Removal Pada Dehydration Gas AlamA 439 Dimana : history length untuk output proses : history length untuk input proses Model JST divalidasi dengan memberikan input yang belum pernah dilatihkan di JST dan mencatat Root Mean Squared Error(RMSE) yang terjadi sepanjang N sampel validasi.
Persamaan Root Mean Squared Error (RMSE) adalah sebagai berikut:
state diubah menjadi kondisi kondisi dinamik, karena pada penelitian ini berfokus pada pengaruh parameter inlet gas terhadap water removal di sales gas dan energi reboiler yang digunakan.
Tabel 2.
Spesifikasi pada Kolom Contactor dan Regenerator METODOLOGI PENELITIAN Variabel Jumlah Tray Diameter Spasi Tray Tekanan Atas Tekanan Bawah Suhu Atas Suhu Bawah Laju Aliran Atas Kolom Laju Aliran Bawah kolom Simulasi dengan Aspen HYSYS Prediksi dengan Jaringan Syaraf Tiruan OcN .
Oey Ct )2 RMSE = Oo i=1 t .
Dimana :
yCt : data output proses : data hasil training JST : jumlah data Langkah Ae langkah simulasi dengan Aspen HYSYS adalah sebagai berikut:
Pemilihan model termodinamika atau fluid package yang disesuaikan dengan jenis senyawa yang digunakan.
Pada proses dehydration gas alam ini menggunakan fluid package Basis-1.
Melengkapi kondisi operasi data gas mentah yang terdiri dari jenis senyawa serta komposisinya.
Mengisi variabel proses gas masukan seperti tekanan, suhu, dan laju alir.
Melengkapi komponen dan unit dalam proses dehydration gas alam seperti absorber, regenerator, pompa, heat exchanger, dan splitter.
Menentukan parameter tekanan dan suhu pada heat exchanger dan reboiler agar kolom absorber konvergen.
Menentukan nilai tekanan, suhu, ratio refluks, dan laju aliran agar kolom regenerator konvergen.
Setelah keseluruhan unit atau kolom yang digunakan pada proses dehydration gas alam konvergen maka dari kondisi steady Contactor 1500 mm 500 mm 6205 kPa 6205 kPa 31,49 oC 30,08 oC 512 kg/jam Regenerator 1193 mm 610 mm 101,4 kPa 103,4 kPa 104,4 oC 204,4 oC 527,2 kg/jam 9190 kg/jam 511,9 kg/jam Pada penelitian ini jaringan syaraf tiruan (JST) digunakan untuk memprediksi nilai water removal dan energi reboiler pada proses dehydration gas alam.
Beberapa hal yang harus diperhatikan adalah pemilihan input dan output dan penentuan jumlah hidden node.
Pemilihan input dan output dilakukan berdasarkan dengan hubungan dan pengaruh setiap input terhadap ouput, pemilihan input output yang kurang tepat dapat menghasilkan keakurasian model JST yang rendah.
Jumlah hidden node juga salah satu faktor yang dapat mempengaruhi keakurasian model JST.
Data yang digunakan untuk melakukan pelatihan JST diperoleh dari hasil simulasi proses dehydration gas alam di Aspen HYSYS yang didekati kondisi real plant, data diambil dengan memberikan perubahan masukan yang nantinya akan digunakan sebagai lapisan masukan pada JST seperti komposisi gas alam masukan, sifat termodinamik gas alam masukan, komposisi glycol pada masukan kolom contactor, dan suhu glycol.
Setelah diperoleh data yang memadai dari hasil simulasi dengan Aspen HYSYS, maka 440 Jurnal Teknologi Informasi dan Komputer.
Volume 7.
Nomor 4.
Oktober 2021 selanjutnya dilakukan pelatihan JST pada perangkat lunak MatLab.
Pada pelatihan, pertama harus ditentukan apa saja yang akan dijadikan elemen masukan untuk dapat memperikaran keluaran yang diharapkan.
Dengan dasar kesetimbangan massa dan energi, maka dipilih delapan masukan dan dua keluaran yang ditunjukkan pada Tabel 3.
Sedangkan arsitektur jaringan syaraf tiruan yang digunakan ditunjukkan pada Gambar 2.
Laju aliran Inlet
Gas
Tanh
Suhu Inlet Gas
Tanh
Tekanan Inlet
Gas
Tanh
Fraksi Mol
Methana
Tanh
Lin
Water Removal Lin
Q Reboiler Fraksi Mol H2O
Tanh
Laju aliran TEG
FEED
Tanh Fraksi Mol TEG Tabel Error! No text of specified style in Input dan Output JST Tanh Suhu TEG FEED Tanh Input Laju aliran (Inlet Ga.
Tekanan (Inlet Ga.
Output Water Removal ( kgmol/ja.
Energi Reboiler .
W) Suhu (Inlet Ga.
Fraksi mol Methane (Inlet Ga.
Fraksi mol H2O (Inlet Ga.
Laju aliran ( TEG Fee.
Fraksi Mol TEG (TEG Fee.
Suhu ( TEG Fee.
HASIL DAN PEMBAHASAN Water removal pada proses dehydration gas alam merupakan hal yang sangat penting dalam sebuah proses pemurnian gas alam.
Nilai water removal yang kecil menunjukkan bahwa proses pemurnian gas tersebut berhasil untuk memenuhi syarat keadaan gas alam yang bersih tidak mengandung hidrat atau air.
Proses dehydration merupakan proses yang cukup rumit dengan beberapa komponen yang digunakan seperti separator, absorber, regenerator, dan heat exchanger.
Maka pada penelitian ini melakukan prediksi nilai water removal proses dehydration gas alam dengan menggunakan jaringan syaraf tiruan.
Input Layer Hidden Layer Output Layer Gambar 2.
Arsitektur JST Pada Proses Dehydration Gas Alam Pemodelan dan Simulasi di Aspen HYSYS Hasil menggunakan Aspen HYSYS pada proses dehydration gas alam ditunjukkan dengan konvergennya unit atau kolom yang digunakan, seperti kolom contactor dan Kolom contactor dan regenerator merupakan unit penting dalam proses pemurnian gas alam.
Pada kolom contactor gas alam mentah yang mengandung uap air/hidrat akan diabsorsi menggunakan larutan TEG.
Pemodelan kolom contactor yang berhasil adalah ditunjukkan dengan nilai konvergen dari kolom tersebut.
Hal ini ditunjukkan pada Gambar 3, dimana menunjukkan grafik penurunan suhu setiap jumlah tray kolom.
Dimulai pada suhu atas kolom contactor sebesar 31,6oC dan turun menjadi 30oC pada tray ke-14.
Gambar 3.
Penurunan Suhu Setiap Tray Pada Kolom Contactor Nadliyah.
Arifianto.
Winarno.
Prediksi Water Removal Pada Dehydration Gas AlamA 441 setiap iterasi pelatihan.
Prosedur pelatihan JST menggunakan fungsi aktivasi tangen hiperbolik .
untuk menghitung output dari node hidden layer dan fungsi identitas linear digunakan untuk node output layer.
RMSE Train RMSE Test Total Scaled RMSE Pada kolom regenerator, glycol yang telah digunakan untuk menyerap uap air pada kolom contactor akan diregenerasi ulang agar dapat dipakai kembali.
Larutan glycol memerlukan panas dari reboiler untuk membersihkan kandungan glycol, maka energi reboiler merupakan salah satu parameter penting dalam water removal pada proses dehydration gas Kolom regenerator yang konvergen ditunjukkan dengan kenaikan nilai suhu dari atas kolom menuju bawah kolom, karena pada bagian bawah kolom terdapat reboiler yang digunakan untuk memanaskan larutan glycol seperti ditunjukkan pada Gambar 4.
Gambar 4.
Kenaikan Suhu Tiap Tray pada Kolom Regenerator Pemodelan JST Pemodelan proses dehydration gas alam dengan jaringan syaraf tiruan Multi Layer Perceptron algoritma LevenbergAeMarquardt memiliki delapan input yang mewakili variabel proses operasi yang signifikan, yaitu, laju aliran masukan gas, tekanan masukan gas, suhu masukan gas, konsentrasi H2O dan H2S dari masukan gas, laju aliran TEG FEED, fraksi mol TEG FEED, dan suhu TEG FEED.
Sedangkan parameter output adalah water removal dan energi reboiler.
Sehingga pemodelan berbasis data dengan JST merupakan sistem MIMO atau multi input dan multi output.
Akuisisi Data dan Pembangunan Model Data proses berjumlah 1500 diperoleh dari hasil simulasi dengan Aspen HYSYS.
Kemudian untuk memastikan bahwa model JST mampu mengeneralisasi data, set inputoutput dibagi secara acak ke dalam training set .
0 pol.
dan test set .
Sementara training set dipergunakan untuk menyesuaikan bobot dari model JST, test set digunakan untuk mengukur kinerja generalisasi jaringan setelah Hidden Node Gambar 4.
Hidden Node terhadap Nilai RMSE Train dan Test Pada penelitian ini arsistektur JST MLP yang digunakan adalah 8 lapisan input, 1 lapisan hidden dan 2 lapisan output.
Pemilihan hidden node terbaik dilakukan dengan pelatihan data dengan hidden node dari 2-22.
Hidden node terbaik dari pelatihan data ditunjukkan oleh nilai RMSE yang kecil pada data latih maupun validasi.
Dari arsitektur JST yang diterapkan pada proses dehydration gas alam dengan 8 input dan output diperoleh nilai RMSE terkecil yaitu sebesar 0,008806 untuk training dan 0,014766 untuk test, yang terdapat pada hidden node 8, seperti ditunjukkan pada Gambar 4.
Oleh karena itu pada pemodelan JST menggunakan jumlah hidden node sebanyak 8.
Akurasi Pemodelan JST Hasil keakuratan model JST yang diterapkan pada proses dehydration gas alam ditunjukkan dengan nilai RMSE yang kecil pada setiap output.
Hal tersebut ditunjukkan pada Gambar 5 dan 6 yang menggambarkan perbandingan nilai actual atau sebenarnya dengan prediksi hasil pelatihan dan validasi JST pada output water removal.
Output water removal hasil latih dan validasi model JST berkisar antara 0 - 0,08 kgmol/jam dan secara keseluruhan memiliki nilai 0,02 kgmol/jam.
Data validasi digunakan untuk melihat kinerja dari data latih dengan menverifikasi data baru 442 Jurnal Teknologi Informasi dan Komputer.
Volume 7.
Nomor 4.
Oktober 2021 sebanyak 500 set.
Perbandingan nilai actual dan prediksi JST hasil pelatihan dan validasi ditunjukkan dengan nilai RMSE minimum sebesar 0,0005 kgmol/jam dan 0,1075 kgmol/jam.
dan prediksi JST hasil pelatihan dan validasi ditunjukkan dengan nilai RMSE minimum sebesar 0,0010 kW dan 0,2486 kW.
Network Training Network Training Solid : Actual Dot : Predicted Q Reboiler Water Removal Solid : Actual Dot : Predicted Trained Trained Network Validation Solid : Actual Dot : Predicted Network Validation Q Reboiler Water Removal Gambar 7.
Perbandingan Nilai Actual dan Prediksi Hasil Pelatihan JST untuk Q Reboiler Gambar 5.
Perbandingan Nilai Actual dan Prediksi Hasil Pelatihan JST untuk Water Removal Solid : Actual Dot : Predicted Validation Gambar 8.
Perbandingan Nilai Actual dan Prediksi Hasil Validasi JST untuk Q Reboiler Validation Gambar 6.
Perbandingan Nilai Actual dan Prediksi Hasil Validasi JST untuk Water Removal Gambar 7 dan 8 menunjukkan perbandingan nilai actual atau sebenarnya dengan prediksi hasil pelatihan dan validasi JST pada output Q reboiler atau energi reboiler.
Output Q reboiler atau energi pada reboiler hasil latih dan validasi model JST berkisar antara 28 kW dan dan rata-rata memiliki nilai 50 kW.
Data validasi digunakan untuk melihat kinerja dari data latih dengan menverifikasi data baru sebanyak 500 set.
Perbandingan nilai actual Secara umum kedua output mempunyai nilai RMSE yang kecil untuk hasil pelatihan dan uji set data yang menunjukkan bahwa model proses berdasar JST memiliki akurasi prediksi dan karakteristik generalisasi yang sangat baik dan memiliki kecocokan dengan nilai sebenarnya.
Dapat dicatat bahwa rentang kondisi operasi antara fase pelatihan dan validasi yang sangat berbeda dan model itu masih mampu memprediksi output secara lebih Sifat contactor/absorber akibat perubahan kondisi operasi dan kondisi masukan contactor telah ditangkap cukup baik oleh model yang ditunjukkan secara keseluruhan pada Tabel 4.
Nadliyah.
Arifianto.
Winarno.
Prediksi Water Removal Pada Dehydration Gas AlamA 443 Tabel 4.
Hasil Nilai RMSE JST
Output
RMSE
RMSE
Train Test Water removal 0,0005 0,1075 .
gmol/ja.
QReboiler .
W) 0,0010 0,2486 SIMPULAN Pemodelan JST MLP (Multi Layer Percepto.
struktur NARX (Nonlinear AutoRegressive, eXternalinpu.
algoritma pembelajaran Levenberg-Marquardt digunakan untuk mempredikasi nilai water removal pada proses dehydration gas alam.
Proses dehydration gas alam yang cukup komplek dan dipengaruhi oleh kondisi operasi, komposisi gas mentah dan kandungan TEG yang digunakan sangat menentukan hasil water removal.
Parameter input jaringan syaraf tiruan adalah kondisi operasi, komponen gas alam mentah, dan kandungan TEG, sedangkan output adalah nilai water removal dan energi reboiler.
Hasil penelitian diperoleh nilai Root Mean Square Error (RMSE) pada data latih sebesar 0,0005 kgmol/jam untuk water removal dan 0,0010 kW untuk energi reboiler, membuktikan bahwa model JST yang digunakan memiliki kinerja yang cukup baik dalam menangkap karakteristik komplek dan nonlinear pada proses dehydration gas alam.
DAFTAR PUSTAKA