Perancangan Program Pengestimasi Probabilitas Kegagalan Peralatan Penukar Panas Akibat Korosi Seragam Berbasis Deep Neural Network

  • Jaka Fajar Fatriansyah Faculty of Engineering, Universitas Indonesia
  • Donanta Dhaneswara Faculty of Engineering, Universitas Indonesia
  • Muthia Hanifa Faculty of Engineering, Universitas Indonesia
  • Fernanda Hartoyo Faculty of Engineering, Universitas Indonesia
  • Agrin Febrian Pradana Faculty of Engineering, Universitas Indonesia
  • Muhammad Anis Faculty of Engineering, Universitas Indonesia
  • Andrian Fauzi Faculty of Engineering, Universitas Indonesia
Keywords: Inspeksi, Inspeksi Berbasis Risiko, penukar panas, korosi seragam

Abstract

Meningkatnya standar keamanan dan ketatnya persaingan antar perusahaan meningkatkan kebutuhan bagi suatu perusahan untuk mengendalikan kegagalan pada peralatan. Inspeksi secara teratur dilakukan sebagai bagian dari rangkaian pemeliharaan dan manajemen integritas peralatan. Dalam merencanakan dan melakukan inspeksi, diperlukan strategi yang tepat agar inspeksi yang dilakukan tepat sasaran dan sesuai dengan kebutuhan. Risk-based inspection merupakan teknik pengambilan keputusan dalam perencanaan pemeliharaan yang berdasar pada risiko. Pada saat ini, penggunaan metode-metode kecerdasan buatan untuk kegiatan penilaian risiko, pemodelan konsekuensi, dan perencanaan pemeliharaan telah dilakukan. Penelitian ini bertujuan untuk mengembangkan suatu program yang memanfaatkan pembelajaran mesin dan kecerdasan buatan untuk melakukan penilaian salah satu komponen risiko yaitu probabilitas kegagalan (Probability of Failure, PoF) pada bagian cangkang dalam peralatan penukar panas menggunakan deep learning. Model ini dapat membantu operator yang bekerja di bidang minyak dan gas untuk menentukan tingkatan risiko sehingga inspeksi dapat dilakukan dengan lebih efisien dan terarah. Penelitian ini menghasilkan sebuah program dan disain program pembelajaran mesin berbasis deep learning yang digunakan untuk memprediksi risiko kegagalan akibat korosi seragam pada peralatan sisi dalam cangkang peralatan penukar panas cangkang dan buluh (shell-and-tube heat exchanger) berdasarkan standar API 581 dengan akurasi sebesar 89% yang didapatkan dengan parameter-parameter diantaranya learning rate sebesar 0.001, epoch sebesar 150, random state sebesar 60, tiga hidden layer, dan test size sebesar 0.2.

Downloads

Download data is not yet available.

References

Arunika, A., Fatriansyah, J. F., & Ramadheena, V. A. (2022). Detection of Asphalt Pavement Segregation Using Machine Learning Linear and Quadratic Discriminant Analyses. Evergreen, 9(1), 213-218.
Bhatia, K., Khan, F., Patel, H., & Abbassi, R. (2019). Dynamic risk-based inspection methodology. Journal of Loss Prevention in the Process Industries, 62, 103974.
Chollet, F. (2018). Deep Learning with Python, Second Edition. Shelter Island, NY: Manning Publications.
Danshi, W., Zhang, M., Li, J., Li, Z., Li, J., Song, C., & Chen, X. (2017). Intelligent constellation diagram analyzer using convolutional neural network-based deep learning. Optics Express, XXV(15), 17150.
Faes, W., Lecompte, S., Ahmed, Z. Y., Van Bael, J., Salenbien, R., Verbeken, K., & De Paepe, M. (2019). Corrosion and corrosion prevention in heat exchangers. Corrosion Reviews, 37(2), 131-155.
Fatriansyah, J. F., & Orihara, H. (2015). Electric-field-induced flow-aligning state in a nematic liquid crystal. Physical Review E, 91(4), 042508.
Fatriansyah, J. F., Sasaki, Y., & Orihara, H. (2014). Nonequilibrium steady-state response of a nematic liquid crystal under simple shear flow and electric fields. Physical Review E - Statistical, Nonlinear, and Soft Matter Physics, 90(3), 032504.
Fatriansyah, J. F., Surip, S. N., & Hartoyo, F. (2022). Mechanical Property Prediction of Poly(Lactic Acid) Blends Using Deep Neural Network. Evergreen, 141-144.
Han, L. W. (2019). Manipulating machine learning results with random state. (Toward Data Science) Retrieved Desember 15, 2021, from https://towardsdatascience.com/manipulating-machine-learning-results-with-random-state-2a6f49b31081
Iskand, F. N., & Welly, I. S. (2016). Implementasi Pengenalan Citra Wajah Dengan Algoritma Eigen face Pada Metode Principal Component Analysis ( PCA ).
Novakovic, J. D., Veljovic, A., Ilic, S. S., Z. P., & Tomovic, M. (2017). Evaluation of Classification Models in Machine Learning. Theory and Applications of Mathematics & Computer Science, VII(1), 39-46.
Rachman, A., & Ratnayake, C. C. (2019). Machine learning approach for risk-based inspection screening assessment. Reliability Engineering and System Safety, CLXXXV, 518-532.
Ratnayake, R. C., & Markeset, T. (2011). Strategy, Technical Integrity Management: Measuring HSE Awareness Using AHP in Selecting a Maintenance. Journal of Quality in Maintenance Engineering(16), 44-63.
Rere, L. M. (2017). Strategi Metaheuristik Ssingle Solution Optimasi Deep Learning. Depok: Fakultas Ilmu Komputer, Universitas Indonesia.
SciPay.org. (2020). numpy.random.RandomState. (Scipay.org ) Retrieved Desember 12, 2021, from https://numpy.org/doc/1.16/reference/generated/numpy.random.RandomState.html
Tharwat, A. (2018). Classification Assessment Methods. Applied Computing and Informatics, 17(1), 168-192.
Thohari, A. N., & Hertantyo, G. B. (2018). Implementasi Convolutional Neural Network untuk Klasifikasi Pembalap MotoGP Berbasis GPU. Conference on Electrical Engineering, Telematics, Industrial Technology, and Creative Media, 50-55.
Tran, T. T., Taesam, L., & Jong-Suk, K. (2020). Increasing Neurons or Deepening Layers in Forecasting Maximum Temperature Time Series? Atmosphere, XI(10), 1072. doi:10.3390/atmos11101072
Zohuri, B. (2017). Compact Heat Exchanges: Selection, Application, Design and Evaluation. Switxerland: Springer International Publishing.
Published
2023-03-09