its undergraduate 9449 2405100083 paper

7/23/2019 ITS Undergraduate 9449 2405100083 Paper

http://slidepdf.com/reader/full/its-undergraduate-9449-2405100083-paper 1/13

PERANCANGAN SOFT SENSOR SPECIFIC GRAVITY

DALAM GAS COMPRESSOR PETANI GAS PLANT

DENGAN METODE JARINGAN SYARAF TIRUAN

DI PT. CHEVRON PASIFIC INDONESIA( Fatwa Dhana Nugraha, Ir. Moch. Ilyas HS.)

Jurusan Teknik Fisika FTI ITS SurabayaKampus ITS Keputih Sukolilo Surabaya 60111

Telp : +6231-7321352/ Handphone : +6856-3309049

E-mail : [email protected]

AbstrakSpecific Gravity (SG) didefinisikan sebagai rasio dari kerapatan suatu gas terhadap kerapatan

suatu udara dimana diukur dalam keadaan suhu dan tekanan yang sama. Specific Gravity juga merupakan

suatu paramater nilai kualitas dari suatu gas tersebut. Penentuan Specific Gravity sendiri memerlukan

hasil sample gas yang diambil dari plant dan di analisa menggunakan gas cromatography. Hal ini

membutuhkan waktu beberapa hari untuk mendapatkan hasilnya dan tentu saja tidak efisien. Oleh karena

itu dibuatlah sebuah softsensor Specific Gravity agar mendapatkan hasil Specific Gravity lebih cepat dan

akurat dengan menggunakan metode jaringan syaraf tiruan. Dimana softsensor ini memiliki 5 variabelinput dan 1 variabel output, stuktur jaringan feed forward. Arsitektur jaringan Multilayer Perceptron

(MLP), dan struktur model menggunakan NNARX (Neural Network AutoRegresive with eXogenous input)

dengan metode pembelajaran Levenberg Marquardt. Struktur JST yang dihasilkan mampu mengestimasi

nilai Specific Gravity pada saat training dengan nilai RMSE sebesar 0.0086604 serta nilai VAF sebesar

97.2381% dan nilai RMSE = 0.0193 % mole dan VAF = 99.2300 % untuk validasi pemodelan.

Kata kunci : Specific Gravity, Soft Sensor, Jaringan Syaraf Tiruan

1. Latar BelakangPT. Chevron Indonesia Company (PT. CPI) adalah

l h h i k d l di I d i l l

dalam perancangan soft sensor adalah jaringan syaraf tiruan.Dengan batasan masalah antara lain :

li i dil k k d i l di



l h t h i k d l di I d i l l P li i dil k k d P i G Pl di

2. Tinjuan Pustaka

2.1 Proses Gas Compressor Plant

Gambar 1 Unit Gas Compressor Petani Gas Plant Process

Flow Diagram [Chevron Pacific Indonesia, 2007]

2.2.1 Recipcrocating Compressor

Reciprocating compressor pada dasarnya merupakan

suatu mesin yang memiliki variabel kapasitas yang diperolehdengan mengubah kecepatan dari penggerak utama. Reciprocating compressor menjadi salah satu jenis yang telahdigunakan untuk aplikasi yang lebih luas. Kecepatan alirnyadapat mencapai 125 – 514 putaran per menit. Kecepatan kerja

pistonnya dapat mencapai 500 – 950 ft per menit, namunsebagian besar dapat mencapai 700 – 50 ft per menit.Kecepatan nominal gas yang mampu melalui valve biasanya

pada range 4500 – 8000 ft per menit. Tekanan dischargenyamulai dari range tekanan vakum sampai 3000 lb per in2.

K i i k i t

a. Gas filter Gas filter berfungsi sebagai penyaring gas dengan cara

menangkap dan menyerap kotoran berupa partikel padat ataukotoran lain yang terbawa oleh gas, sehingga gas masuk kecompressor dalam keadaan bersih. Bahan filter ini umumnyaterbuat dari glaswool, fibre atau fibre nylon. Ukuran filterdinyatakan dalam:

b. Pulsation dampener Reciprocating compressor memiliki sifat intermitten

delivery atau pengaliran yang terputus-putus. Hal tersebutdapat menimbulkan vibrasi pada sistem pemipaan maupun

peralatan yang berhubungan, dan dapat menyebabkankerusakan mekanikal. Vibrasi tersebut perlu dikurangi denganmemasang peralatan yang disebut pulsation dampener , yangdipasang pada suction dan discharge pada gas compressor .Peralatan ini sering juga disebut sebagai suction bottle dandischarge bottle.

Gambar 2 Compressor dan pulsation dampener



2.3 Specific Gravity

Gas alam didefinisikan sebagai suatu zat yanghomogen dengan kekentalan (viscosity) dan kepadatan(density) dimana volume akan mengikuti suatu luasan yangakan ditempatinya. Umunya, gas alam adalah suatu campuranhidrokarbon dan non hidrokarbon. Zat hidrokarbon yangterkandung di dalam gas alam antara lain adalah metan, etana,

propana, butana pentana dan dalam jumlah kecil terdapatadalah hexana dan zat yang lebih berat lainnya. Serta terdapatzat nonhidrokarbon yang bersifat beracun yang tidakdibutuhkan dalam proses yang nanti akan dihilangkan adalah

karbondioksidsa, nitrogen dan hidrogen sulfida.Hubungan antara komposisi gas dengan sifat-sifat

kimia maupun fisik akan membantu mengetahui karakteristikdari suatu gas tersebut. Beberapa sifat yang terkandung dalamgas antara lain :

Molecular weight, Ma Specific gravity, g Compressibility factor, z

Density, g

Specific volume, v Isothermal gas compressibility coefficient,Cg

Gas formation volume factor, Bg

Gas expansion factor, Eg

Viscosity, µg

Specific gravity didefinisikan sebagai rasio darikerapatan suatu gas terhadap kerapatan suatu udara. Keduakepadatan tersebut diukur dalam keadaan suhu dan tekanan

ang sama Biasan a tekanan bak (Psc) dan s h bak (Tsc)

2.4 Soft SensorSoft sensor tidak dipasang di lapangan. Soft sensor

menerima input dari variabel yang terukur sensor lain, yangkemudian diolah dengan persamaan matematis sistem tersebut,dan kemudian dihasilkan outputan variabel yang diingikan

berdasarkan persamaan matematis tersebut.Terdapat beberapa metode yang digunakan untuk

perancangan soft sensor antara lain dengan metode fuzzy,rekonsiliasi data, jaringan syaraf tiruan, dan lain-lain. Softsensor biasanya digunakan dalam kolom destilasi dimanadigunakan untuk mengestimasi konsentrasi produk yangkeluar dari kolom destilasi. Dalam gas compressor, soft sensor

digunakan untuk mengestimasi specific gravity , dimana perhitungan dalam soft sensor ini menggunakan metodeJaringan syaraf tiruan.

2.5 Jaringan Syaraf TiruanJaringan syaraf tiruan (JST) merupakan algoritma yang

menirukan cara berpikir otak manusia yang selalu mencobauntuk mensimulasikan proses pembelajaran. Seperti halnyaotak manusia, Jaringan syaraf tiruan juga terdiri dari beberapa

neuron, dan terdapat suatu hubungan antara neuron-neuron tersebut. Neuron akan mentransformasikan informasi yangditerima melalui sambungan keluarnya menuju ke neuron-

neuron yang lain.



Bagian-bagian JST antara lain:

neuron atau node

bobot (weight)fungsi aktivasilapis (layer)

Neuron (node)

Merupakan unit pemrosesan sederhana. Dalamneuron ini terdapat mekanisme-mekanisme pengolahan data,antara lain: perkalian input dengan bobot dan fungsi aktivasi.

Bobot (wight)

Bobot adalah nilai pemberat dari suatu input yangmasuk pada JST. Pada JST, bobot akan mengalami prosesadaptasi agar didapatkan suatu fungsi JST yang sesai denganyang diinginkan.

Fungsi aktivasi Jaringan syaraf tiruan

Hasil penjumlahan dari setiap input yang telahdikalikan matrik pembobot akan dibandingkan dengan suatunilai ambang (treshold) tertentu melalui fungsi aktivasi setiapneuron. Beberapa fungsi aktivasi antara lain:

Linear

F(x) = x untuk semua harga xKurva output untuk fungsi aktifasi liniear dapat dilihat padagambar 2.4 dibawah ini :

supervised learning (berlatih dengan guru)Tiap pola input mempunyai output target pasangannya.

Sehingga pada belajar tipe ini masing-masing input mempunyai output target pasangan yang bersesuaian.Pada proses belajarnya, bobot-bobot dibangun menujukesesuaian respon pasangan input-output dari pola yangdiajarkan bobotnya, dapat memberikan pola yang sesuaidengan output target dari input tersebut. Dalam hal inidapat diterapkan toleransi kesalahan output responterhadap target yang seharusnya.

unsupervised learning (berlatih tanpa guru)

Pada metode belajar ini, jaringan menentukan sendiri pasangan output nya dari input yang diberikankepadanya, dasar yang digunakan adalah kadarkesesuaian dengan pola-pola yang pernah diberikankepadanya atau yang diberikan sebelumnya. Tiap seloutput mempunyai penghargaan paling tinggi terhadap

pola-pola tertentu. Setiap pola input yang diberikan akanmenghasilkan salah satu output dengan harga terbesaryang menunjukkan kemiripan pola input dengan polayang dihargai tinggi oleh sel output tersebut. Bila kadarkemiripannya dapat diterima, maka pola input tersebutdimasukkan dalam kelompok pola yang dihargai tinggioleh sel output tersebut. Bila kadar kemiripannyarendah, yang berarti pola input tersebut terlalu berbedadengan pola-pola sebelumnya, maka diberikan satu seloutput yang lain untuk mewakili pola tersebut yang

bobotnya memberi penghargaan tinggi kepada polainput tersebut.

B b t b b t t b t d di i b t k



x = inputF = fungsi aktivasi

y = output

Secara garis besar algoritma proses training pada jaringansyaraf tiruan adalah sebagai berikut :

Menentukan jumlah lapisan yang akan digunakan,menginisialisasi bobot terkoneksi secara acak antarasatu lapisan dengan lapisan berikutnya pada suatu

bilangan random yang kecil, pemberian nilai parameter α dan µ, serta menentukan nilai Emaks (toleransi kesalahan maksimum) dan jumlah iterasi

maksimum.Menyiapkan data masukan dan nilai output yangdiharapkan (target).Menghitung semua nilai hasil output pada layerhidden Z j untuk keseluruhan masukan. Lalumenghitung nilai hasil output pada layer output untuksemua masukan Z j pada layer hidden.

Mengukur error kekanan dengan melakukan perhitungan nilai sinyal error k pada layer output

dan layer hidden. Nilai sinyal error yang didapatkandisimpan dalam memori tersendiri.Melakukan penyesuaian bobot yang terletak antaralayer input dan layer hidden, selanjutnya antara layer

hidden dan layer output. Dengan memperhatikan apakah total error yang

terjadi dapat diterima (E<Emaks) dan/atau jumlah iterasi yangtelah dilakukan belum melewati batas iterasi yang ditetapkan.Jika telah memenuhi syarat proses training, maka nilai bobot

did t k di i d training l i Jik

θ menunjukkan vektor parameter yang didalamnya terdapat

semua parameter JST yang dapat diatur (bobot dan bias).

Untuk mendapatkan nilai bobot, terlebih dahulu harusdidapatkan suatu contoh bagaimana hubungan antara outputdengan input. Suatu cara untuk mendapatkan bobot disebutsebagai pelatihan (training) atau pembelajaran (learning), yang pada dasarnya merupakan sebuah masalah optimasi.

Gambar 7 MLP umpan maju dengan 3 inputs, 2 lapistersembunyi dan 2 lapis output

2.5.3 Identifikasi Sistem Berbasis Jaringan syaraf tiruan

T h d l i t id tifik i



Memilih sebuah “keluarga” dari struktur model untukmendiskripsikan sebuah sistem, contohnya: struktur

model linier, jaringan multilayer percepteron, jaringan radial basis function, wavelets atau model Hammerstein. Memilih sebuah subset dari keluarga yang telahditentukan. Pada struktur sistem linier, dapat berupasebuah struktur model ARX(3,2,1), dimana (3,2,1)adalah waktu tunda dari satu periode sampling danoutput saat ini tergantung dari dua output masalampau dan tiga input masa lampau.

3. Estimasi parameter, meliputi parameter estimation. Jika

struktur model telah ditentukan, maka tahap berikutnyaadalah melakukan estimasi terhadap parameter modelagar mampu memberikan hasil yang baik berdasarkankriteria tertentu. Kriteria tersebut dapat dirumuskandengan berbagai cara, tetapi harus secara idealmenghubungkan penggunaan model yang diharapkan.Strategi yang paling umum adalah dengan mengambilyang menyediakan one-step a head prediction paling

bagus dengan squared error terkecil antara output sistem

dengan output prediksi. Dalam tahap ini, proses yang paling penting adalah penentuan bobot jaringan atau proses pelatihan. Pasangan data diberikan oleh persamaan(2.1) dan pasangan model kandidat adalah:

)(],[)()|()( t et gt et yt y .............(2.7)

Tujuan dari pelatihan adalah untuk mendapatkan sebuah pemetaan dari pasangan data ke pasangan kandidat model

N Z .................................................... ....(2.8)

3. Metodologi Percobaan

Gambar 8 Alur Penelitian

1.2 Data Input-Output Lapangan

Pengambilan data di lapangan berupa data input output dari

l t D t di k d l h d t



mendapatakan model berdasarkan algorima belajar Levenberg

Marquardt.

1.4

Identifikasi proses (Training dan Validasi Model) Gas

Compressor PlantProsedur yang dilakukan untuk melakukan

identifikasi proses dengan jaringan syaraf tiruan dapat dilihat pada gambar 3.3 berikut ini :

Gambar 9 Prosedur Identifikasi

Prosedur yang dilakukan untuk melakukanidentifikasi proses dengan Jaringan Syaraf Tiruan terdiri daritahapan-tahapan sebagai berikut :

layer dan output layer . Pada tiap tiap neuron terdapat fungsiaktifasi yang terdapat pada arsitektur jaringan tersebut.Fungsi aktifasi pada hidden layer menggunakan liniersedangakan pada output layer menggunakan fungsi aktifasitangent hyperbolic. Algoritma training yang digunakanadalah Levenberg Marquardt sehingga setelah didapatkan

bobot training maka bobot tersebut digunakan untuk prosesvalidasi. Data tersebut digunakan untuk training dari JaringanSyaraf Tiruan, yaitu menggunakan struktur jaringan Multi

Layer Perceptron (MLP) dengan jumlah layer sebanyak tiga,yaitu input layer , hidden layer dan output layer .

Gambar 10 Struktur MLP Gas Compressor Plant dengan4 input.5 node pada lapis tersembunyi dan 1 output pada

id tifik i JST

P e m i li h a n s t ru k t u r m o d e l

E k s p e r im e n ( p e n g a m b i la n d a t a )

V a l i d a s i m o d e l

E s t im a s i m o d e l

A p a k a h

S e s u a i ?

t i d a k

y a

s t a r t

e n d



Gambar 11 Flowchart Levenberg Marquardt

Untuk melihat keberhasilan training, maka digunakanacuan parameter nilai RMSE ( Root Mean Square Error ).

RMSE k Ak t t t t l k d t

dengan output proses dengan parameter nilai RMSE terkecildan VAF terbesar.Berikut ini Flowchart proses identifikasi JST secara lengkapmulai training dan validasi seperti tergambar dalam gambar12.

Gambar 12Flowchart proses identifikasi JST

start

Penyusunan data matrik input jaringan

Inisialisasi bobot awal (W1 dan W2) dan lamda

Kriteria

terpenuhi

Menentukan arah pencarian (search direction)

)(]([ )()()()( iiiiwG f I w R

),(minarg N Z wVnw

)()()()1( iiii f ww

)),(()),()(( N

N

N

N Z iwV Z i f iwV

)()()1( i f iwiw

)()1( ii

end

25,0)(ir 75,0)(ir

2/)()( ii )()( 2 ii

ya

tidak

ya

tidak



pembuatan soft sensor . Dengan menggunakan persamaan 2.6dan telah mengetahui bobot dan bias baik bobot dan bias padainput layer maupu output layer maka persamaan tersebut akanmenghasilkan sebuah model matematis dari pola-pola datadari soft sensor tersebut. Serta pemilihan fungsi-fungsi aktifasiyang telah dipilih.

Pembuatan soft sensor ini akan diaplikasikan denganmenggunakan software GUI (Graphical User Interface) sehingga dapat secara cepat diketahui dan lebih mudah dalamhal mengetahui hasil specific gravity tersebut.

2. Simulasi dan Analisa Data

4.1 Data Input Output Gas Compressor PlantData yang digunakan sebagai input output dari

pemodelan gas compressor dan perancangan soft sensor adalah data input output lapangan, antara lain :- data laju alir gas yang masuk dalam compressor (mscfd)- data Temperature gas alam masuk compressor

(Fahrenheit)- data Pressure gas alam masuk compressor (psi)

- data Temperature gas alam keluar compressor (Fahrenheit)- data Pressure gas alam keluar compressor (psi)- data Specifig Gravity dalam gas alam setelah keluar

Compressor

4.2 Perancangan Model Jaringan Syaraf TiruanPada bab ini akan diketahui struktur jaringan yang

akan dibuat untuk merancang soft sensor yang digunakanmetode jaringan syaraf tiruan. Telah dijelaskan pada bab

b l b h f i i k

4.2.1 Preprocessing Data

Gambar 14 Data input untuk training yang telah discalling



Gambar 17 Data output untuk validasi yang telah discalling

4.2.2 Identifikasi Jaringan Syaraf TiruanData input output yang telah di scalling akan

mengalami proses indentifikasi jaringan syaraf tiruan. Datainput output tersebut akan didapatkan pola-pola data dan

berubah menjadi sebuah vektor-vektor dengan komposisi1x100. Sehingga data input output tersebut masing-masingakan mempunyai data 5 variable sebagai input dengankomposisi 5x100 dan 1 variable output dengan komposisi1x100. Hal ini bertujuan untuk membuat data tersebutmemiliki pola input output yang sesuai dengan satuan waktumasing-masing.

Masing-masing data (6 buah data) memakai history

length sepanjang hl. Jumlah input node dalam pemodelan inisebanyak (6 x hl) + 1 (bias node dari input ke hidden layer

b k t ) S d k j l h hidd d (h)

dikalikan dengan fungsi aktivasinya pada setiap layer yaituinput layer , hidden layer dan output layer untuk menghasilkanoutput yang dinginkan. Setelah didapatkan output dari prosestraining maka akan dilihat seberapa bagus hasil outputtersebut dengan dinyatakan dalam kreteria pemodelan prosesyang dirumuskan dalam persamaan 3.25 yaitu RMSE ( Root

Mean Square Error . Dengan ketentuan semakin kecil RMSEyang dihasilkan (mendekati nilai 0) akan menghasilkan

prediksi output yang lebih baik. Selain menggunakan nilaiRMSE dalam menyatakan kriteria model plant , jugadinyatakan dalam VAF (Variance Accounted For ) dalam

persen sebagaimana dinyatakan dalam persamaan 3.26.

Dengan ketentuan bahwa nilai VAF yang dihasilkan semakin besar semakin bagus (mendekati nilai 100).

Dalam proses peyempurnaan hasil output yangmaksimal dan bagus maka dilakukan proses uji coba dalam halstruktur jaringan syaraf tiruan. Karena dalam penelitian inidigunakan struktur jaringan multilayer layer perceptron (MLP), maka dapat dilakukan perubahan layer-layer nyasehingga mampu memprediksi output proses yang baik.Perubahan layer-layer dimaksudkan agar didapatkan proses

training yang sesuai dengan karakteristik yang sesuai danmendapatkan output yang sesuai dengan target.Struktur JST yang dicoba untuk diganti- ganti

diantaranya adalah jumlah hidden node dan jumlah history

length. Batas iterasi yang dipakai dalam pemodelan ini adalah500 iterasi. Namun pada proses training ini hanya mengalami

proses iterasi sebanyak 78 iterasi. Pada proses training tidakhanya diketahui proses iterasi saja namun hal yang paling

penting yang ada di dalam proses training adalahdidapatkanya bobot u pdate yang didapatkan yang akanb i k lid i d b



bobot dari neuron lapisan tersembunyi, sedangkan kolom ke-2merupakan bobot dari bias ke lapisan output .

Dengan bobot jaringan pada tabel 4.1 dan tabel 4.2,maka didapatkan output prediksi yang hampir mendekatioutput proses dengan masukan yang sama. Berikut ini hasil

proses training sistem dengan menggunakan JST.

Gambar 18 Hasil training Specific Gravity output

Kriteria hasil training adalah nilai RMSE ( Root Mean

Square Error ) dan nilai VAF (Variance Account For ). RMSEmerupakan nilai error dari hasil model Jaringan Syaraf Tiruan.

Nilai error merupakan penyimpangan nilai specific gravity output yang didapatkan dari hasil identifikasi terhadap output

proses yang sebenarnya. Hasil proses training JST dapatdilihat pada gambar 4.10.

D i ji b t b t ( t i i ) did t il i

traning-kan sama seperti pada jaringan syaraf tiruan yangtelah dibangun.

Hasil validasi dari training yang telah dilakukandapat dilihat pada gambar 19

Gambar 19 Hasil validasi Specific gravity output

Dari hasil validasi di atas didapatkan nilai RMSEuntuk data testing Specifig Gravity output adalah 0.0193%.Sedangkan untuk nilai VAF konsentrasi Specifig Gravityoutput adalah 99.2300 %.

Jika dilihat dari hasil validasi yang dilakukan, dimananilai RMSE dan VAF sudah bagus, karena jaringan syaraftiruan sudah mampu mengidentifikasi proses yang belum

h dit i d t t i i S hi b b t h il



tiruan yang telah mengalami proses pengolahan data sepertidijelaskan diatas. Berikut ini tampilan dari soft sensor aplikasiyang telah dibuat dengan menggunakan GUI.

Gambar 20 Soft Sensor aplikasi specifc gravity dalam gascompressor

Pada aplikasi ini mempunyai 2 buah kolom variable

proses yaitu input proses dan output soft sensor . Masing –masing mewakili data yang telah diambil dalam proses

pengambilan data sebelumnya. Pada kolom input proses mempunyai 5 buah sub-kolom yaitu flow gas incoming yangmewakili data data laju alir gas masukkan dalam compressordalam satuan MSCFD, temperature Incoming mewakili datatemperature gas yang masuk ke dalam compressor dalamsatuan Fahrenheit, Pressure incoming mewakili data pressure

gas yang masui ke dalam compressor dalam satuan Psi,

t t t i kili t t k l

5.2 SaranPada penelitian selanjutnya, perancangan soft sensor

dapat menggunakan metode lain seperti metode fuzzy,rekonsiliasi data, dan lain-lain. Serta dapat digunakansebagai estimator dalam sistem kontrol.

DAFTAR PUSTAKA

[1] Fortuna,Graziani,Rizzo and Xibilia, 2007: Soft

Sensors for Monitoring and Control of Industrial Processes, Springer, London

[3] Widjiantoro, Bambang L; 2005; Handout Ajar Jaringan syaraf Tiruan; Jurusan Teknik Fisika;ITS .

[4] Norgaard, Magnus; 2000; Neural Network for

Modelling and Control of Dynamic Systems ,

Verlag Springer; London.[5] Team Human Resource Sumatra, 2005 : Production

Operation ( Modul 4A ) Operation & MaintenanceCertification, PT. Chevron Pasific Indonesia.

[6] Riazi, M.R, “ Characterization and Properties of Petroleum Fractions” AMERICAN SOCIETY FOR

TESTING AND MATERIALS , West Conshohocken,2005.

[8] Danesh, Ali, “ PVT and Phase Behaviour of

Petroleum Reservoir Fluids”, Elsevier ScienceB.V, USA, 1998

[9] Tarek, Ahmad, “ Reservoir Engineering Handbook

Third Edition”, Elsevier Science B.V, USA, 2006



13

its undergraduate 9449 2405100083 paper

Documents