APLIKASI ARTIFICIAL NEURAL NETWORK DALAM MEMPREDIKSI KEHILANGAN TEKANAN ALIR DI FLOWLINE PADA...
-
Upload
prayudha-rifqi -
Category
Documents
-
view
39 -
download
9
Transcript of APLIKASI ARTIFICIAL NEURAL NETWORK DALAM MEMPREDIKSI KEHILANGAN TEKANAN ALIR DI FLOWLINE PADA...
APLIKASI ARTIFICIAL NEURAL NETWORK DALAM
MEMPREDIKSI KEHILANGAN TEKANAN ALIR DI FLOWLINE
PADA KONDISI ALIRAN MULTIFASA
Sari
Prediksi akurat terhadap kehilangan tekanan alir pada flowline untuk kondisi aliran multifasa
dibutuhkan untuk memperoleh desain yang tepat untuk fasilitas permukaan seperti pompa,
kompresor dan separator. Studi ini memperkenalkan metode Artificial Neural Network
(ANN) untuk memprediksi kehilangan tekanan alir pada pipeline untuk aliran multifasa.
Artificial Neural Network adalah salah satu bentuk kecerdasan buatan (Artifial Intelligence)
yang meniru proses belajar pada sistem syaraf otak manusia. Artificial Neural Network tidak
mengenal formula atau aturan, melainkan hanya belajar dari pengalaman atau sampel data
dan memiliki kemampuan untuk menemukan pila dari sekumpulan data.
I. PENDAHULUAN
Aliran multifasa didefinisikan sebagai
aliran cocurrent dari dua fasa atau lebih
fasa (minyak, gas, dan air). Aliran
multifasa sering terjadi pada sumur
produksi dan sistem transportasi migas.
Sumur minyak pada umumnya
memproduksikan campuran liquid dan gas
ke permukaan. Bahkan sumur gas pun
dapat memproduksikan kondensat
dan/atau air formasi ke permukaan.
Pada operasi produksi, aliran multifasa
pada kondisi horizontal biasa terjadi pada
flowline yang menghubungkan wellhead
dan separator. Kehilangan tekanan alir
yang terjadi pada flowline relatif lebih
kecil dibandingkan dengan kehilangan
tekanan alir yang terjadi pada tubing. Hal
ini disebabkan karenan tidak adanya
hydrostatic losses pada aliran horizontal.
Namun jika flowline membentuk sudut
inklinasi dan menempuh jarak yang jauh,
maka kehilangan tekanan alir pada
flowline menjadi sangat penting untuk
diprediksi.
Prediksi kehilangan tekanan alir untuk
aliran fluida multifasa dalam pipa
tergolong lebih kompleks jika
dibandingkan dengan aliran fluida satu
fasa, dimana semua parameter yang
digunakan merupakan parameter
gabungan dari fasa-fasa yang mengalir.
Untuk aliran satu fasa, perhitungan
kehilangan tekanan alir pada pipa dapat
diselesaikan dengan menggunakan solusi
analitik (hukum konservasi massa dan
momentum linear). Hasil yang diperoleh
pun memiliki tingkat akurasi yang tinggi.
Ada beberapa faktor yang menyebabkan
sulitnya memprediksi kehilangan tekanan
alir pada pipa untuk aliran multifasa.
Banyaknya variabel yang
memengaruhi perhitungan
kehilangan tekanan alir untuk
aliran multifasa
Aliran multifasa bersifat
kompresibel sehingga densitas
campuran bergantung pada
tekanan dan temperatur
Kehilangan tekanan alir akibat
friksi lebih sulit untuk
diprediksikan karena adanya
beberapa fasa yang bersentuhan
dengan dinding pipa
Adanya slippage loss. Hal ini
disebabkan oleh perbedaan yang
signifikan antara densitas cairan
dan gas serta kecenderungan fasa
gas untuk mendahului fasa cair.
Terdapat berbagai jenis flow
pattern pada aliran multifasa.
Perhitungan tekanan alir
membutuhkan prosedur yang
berbeda untuk setiap jenis flow
pattern.
Beberapa ahli menceoba untuk
mengembangkan korelasi empirik dengan
mempertimbangkan batasan-batasan yang
terdapat pada aliran multifasa. Pada
awalnya beberapa ahli menganggap aliran
multifasa sebagai campuran liquid dan gas
yang homogen. Pendekatan ini tidak
berlaku karena gas mengalir lebih cepat
dibandingkan liquid. Kemajuan
penelititan mengenai fenomena aliran
multifasa menghasilkan suatu ide untuk
mempertimbangkan efek slippage di
antara fasa liquid dan gas. Selain itu para
peneliti menemukan bahwa flow pattern
mempengaruhi perhitungan liquid hold-up
dan friction factor.
Artificial Neural Network telah
berkembang dalam beberapa dekade ini
seiring dengan teknik komputasi yang
semakin baik dimana memungkinan
sistem komputerisasi dipergunakan
dengan luas. Beberapa bentuk jaringan
yang telah sukses diaplikasikan dalam
bidang sains maupun teknologi kontrol,
ekologi, pemodelan biologi, sosial dan
keekonomian. Kesuksesan Artificial
Neural Network dalam menyelesaikan
berbagai permasalahan teknis yang rumit
menjadikan Aritificial Neural Network
berpotensi untuk diterapkan dalam
industri perminyakan.
Artifical Neural Network terbentuk dari
banyak neuron yang saling berhubungan
sebagaimana neuron pada otak manusia
dan oleh karenanya dapat belajar seperti
manusia pada umumnya. Seperti manusia,
Neural Network ini belajar dari
pengalaman yang pernah dijalaninya.
Dengan bantuan komputer, maka Neural
Network dapat memiliki kemampuan
belajar, mengkoreksi dirinya, dan juga
dapat dilatih. Neural Network tidak
mengenal formula, jadi bekerja hanya
menggunakan data sampel. Oleh karena
itu sangat cocok untuk diaplikasikan pada
hal-hal dimana formula tidak diketahui,
tetapi variabel-variabel yang berpengaruh
diketahui. Neural network akan mencari
hubungan antar variabel dan
mengeluarkan hasil dari hubungan
tersebut.
II. ALIRAN FLUIDA MULTIFASA
DALAM PIPA HORIZONTAL
DAN INKLINASI
II.1 KONSEP ALIRAN MULTIFASA
Ada beberapa konsep penting yang
berkaitan dengan fenomena aliran
multifasa:
1. Pola Aliran
Pola aliran menyatakan distribusi fasa gas
dan fasa cair yang mengalir di dalam pipa
secara bersama-sama. Pola aliran terjadi
karena adanya perbedaan sifat fisik antara
gas dan cairan, sifat antar muka, dan sifat
membasahi dinding pipa.
Berdasarkan penelitian terhadap pola
aliran yang terjadi dalam pipa horizontal
dan inklinasi (Beggs and Brill, 1972), pola
aliran diklasifikasikan sebagai berikut:
Aliran Segregated
Terdiri atas aliran stratified, wavy,
dan annular.
Aliran Intermittent
Terdiri dari aliran plug dan slug.
Aliran Distributed
Terdiri dari aliran bubble dan mist
Gambar 1. Pola aliran fluida multifasa pada pia horizontal dan inklinasi
2. Gas Slippage
Ketika fasa liquid dan gas mengalir
bersama-sama dalam pipa, gas
cenderung akan mendahului cairan
karena kecepatan alir fasa gas lebih
tinggi dibandingkan dengan fasa liquid.
Fenomena ini dikenal dengan istilah gas
slippage. Gas slippage disebabkan oleh
beberapa faktor, yaitu:
Perbedaan densitas gas yang relatif
ringan bila dibandingkan dengan
densitas liquid sehingga
menghasilkan gaya buoyancy pada
fasa gas yang meningkatkan
kecepatan fasa gas
Energy losses pada aliran fasa gas
lebih rendah dibandingkan fasa
liquid.
3. Hold-up
Hold-up untuk cairan (liquid hold-up)
didefinisikan sebagai perbandingan
antara volume pipa yang terisi oleh
fluida dengan volume pipa secara
keseluruhan. Sedangkan untuk gas
hold-up, merupakan perbandingan
antara volume pipa yang terisi oleh gas
dengan volume pipa secara
keseluruhan. Kedua pengertian tersebut
secara matematis dapat dituliskan
dengan persamaan.
H 1=V l
V p
H g=V g
V p
Harga liquid hold-up merupakan fraksi
dan berharga nol apabila segmen pipa
berisi gas atau sebaliknya berharga satu
bila seluruh segmen pipa terisi oleh
cairan. Dengan demikian maka jumlah
dari gas hold-up dan liquid hold up
sama dengan satu.
H l=1−H g
Harga liquid hold-up akan digunakan
sebagai variabel untuk menggabungkan
densitas gas dan cairan menjadi densitas
campuran.
4. Kecepatan Superfisial (superficial
velocity)
Pada aliran multifasa, kecepatan aliran
masing-masing fasa (liquid dan gas)
sulit sekali untuk diperkirakan. Oleh
karena itu, sebagian besar korelasi
empirik menggunakan parameter ini
dalam memprediksi kehilangan tekanan
alir pipa.
Kecepatan superfisial didefinisikan
sebagai kecepatan fasa tersebut apabila
fasa itu sendiri yang mengalir di seluruh
pipa.
V sl=ql
A
V sg=qg
A
5. Mixture Properties
Pada kondisi dimana terdapat
perbedaan kecepatan aliran liquid dan
gas, maka viskositas campuran
ditentukan dengan persamaan:
μm=μ l . H l+μg .(1−H l)
Sedangkan densitas campuran
dinyatakan dengan persamaan:
ρm=ρl . H l+ρg .(1−H l)
II.2 KORELASI EMPIRIK UNTUK
PREDIKSI KEHILANGAN
TEKANAN ALIR PADA
FLOWLINE
Beberapa ahli telah mengembangkan
korelasi yang dapat memprediksi
kehilangan tekanan alir pada pipeline.
Korelasi-korelasi tersebut dikembangkan
berdasarkan kondisi lapangan dimana para
ahli tersebut melakukan penelitian,
sehingga aplikasinya perlu dibahas lagi
untuk kondisi lapangan yang lainnya. Dari
beberapa korelasi yang telah
dikembangkan, korelasi Beggs and Brill
dan Mukherjee and Brill lah yang
dikembangkan untuk aliran horizontal
maupun inklinasi.
Korelasi Begss and Brill adalah korelasi
empirik pertama yang dapat memprediksi
kehilangan tekanan alir untuk berbagai
sudut inklinasi. Namun terdapat
keterbatasan korelasi ini untuk
memprediksi pola aliran pada kondisi
aliran inklinasi. Korelasi Mukherjee and
Brill dikembangkan untuk mengkoreksi
keterbatasan yang dimiliki oleh korelasi
Beggs and Brill (Brill & Mukherjee,
1999). Korelasi ini mempertimbangkan
perubahan pola aliran pada pipa inklinasi.
III. ARTIFICIAL NEURAL
NETWORK
Artificial Neural Network (ANN) adalah
salah satu bentuk kecerdasan buatan
(artificial intelligence) yang meniru proses
belajar pada sistem syaraf otak manusia.
Seperti manusia, ANN dapat belajar dari
data-data yang diberikan sebelumnya dan
mengenal pola dari data yang selalu
berubah. Dengan bantuan teknologi
komputasi yang berkembang saat ini maka
suatu sistem ANN dapat memiliki
kemampuan untuk belajar dan mengoreksi
dirinya.
ANN tidak mengenal formula dan aturan,
jadi bekerja hanya dengan menggunakan
data sampel. Oleh karena itu, ANN sangat
cocok untuk diaplikasikan pada hal-hal
dimana kita tidak mengetahui formula,
tetapi diketahui variabel-variabel yang
berpengaruh. ANN akan mencari
hubungan antar variable dan mengeluarkan
hasil.
3.1 Struktur Artificial Neural Network
1. Neuron
ANN memiliki neuron yang saling
berhubungan yang berfungsi untuk
mentransfer informasi. Neuron pada ANN
sering disebut juga sebagai processing
element, node, unit, atau sel. Tiap neuron
menerima sinyal output dari neuron
lainnya. Sebuah neuron menghitung
outputnya berdasarkan jumlah weight.
Weight adalah tingkat kekuatan koneksi
antara dua neuron.
Gambar 2. Struktur Umum Model
Artificial Neural Network
2. Layer
Berdasarkan gambar struktur umum ANN,
lapisan-lapisan penyusun ANN dapat
dibagi menjadi tiga, yaitu:
a. Lapisan masukan (input layer).
Lapisan input berfungsi sebagai
penghubung jaringan ke dunia luar.
Lapisan masukan akan menerima
data dari dunia luar, misalnya dari
file data.
b. Lapisan tersembunyi (hidden
layer). Lapisan tersembunyi
merupakan lapisan yang
menghubungkan lapisan masukan
dan lapisan keluaran. Besarnya
nilai masukan ke lapisan
tersembunyi tergantung pada
akumulasi perkalian antara nilai
weight dengan nilai output dari
lapisan sebelumnya.
c. Lapisan keluaran (output layer).
Lapisan keluaran merupakan solusi
ANN terhadap suatu permasalahan.
Karakteristik dari unit-unit output
tergantung dari aktivitas unit-unit
lapisan tersembunyi dan bobot
antara unit-unit lapisan
tersembunyi dan unit-unit output.
3.2 Backpropagation Network
Pada algoritma backpropagation, input
dan target digunakan untuk melatih ANN
sampai ANN dapat melakukan pendekatan
sebagai deret data. Error adalah selisih
yang terjadi antara target dengan data yang
sebenarnya, ditransmisikan kembali ke
dalam jaringan melalui hidden layer
menuju ke neuron input. Bobot akan
dihitung kembali dan masing-masing
neuron akan mentransmisikan kembali
sinyal ke hidden layer dan neuron output
untuk kemudian error akan dihitung
kembali antara target dengan keluaran
ANN. Proses ini akan diulang terus
menerus sampai mendapatkan suatu
perintah yang membuat proses berhenti
(Demuth & Hagan, 2002).
IV. METODOLOGI
Berikut diperlukan prosedur agar proses
desain ANN memberikan hasil yang
optimum.
4. 1 Pengumpulan Data
Sejumlah 500 set data hipotetik digunakan
untuk membangun model ANN ini.
Masing-masing set data terdiri dari sebelas
input (gas rate, oil rate, water rate,
wellhead pressure, wellhead temperature,
oil API, kekasaran pipa, ID Pipeline,
length of pipe, horizontal distance,
elevation difference) serta satu output yaitu
kehilangan tekanan alir. Untuk
memperoleh nilai output untuk masing-
masing set data digunakan software
SCHLUMBERGER-PIPESIM. Korelasi
yang digunakan adalah korelasi Mukherjee
and Brill yang dapat diaplikasikan untuk
aliran horizontal maupun inklinasi.
Seluruh data dibagi menjadi tiga bagian,
yaitu data training, data validation, dan
data training. Data Training adalah data
utama yang digunakan sebagai dasar
dalam membangun model ANN, dimana
dari data ini lah ANN akan mengenali pola
hubungan antara masing-masing input
terhadap outputnya yang ditentukan dari
pembobotannya. Data Validation
digunakan untuk memastikan generalisasi
yang dilakukan oleh jaringan ANN yang
dibuat adalah benar. Sedangkan data
testing digunakan menguji keakuratan dari
jaringan ANN yang dibuat apabila
diberikan data diluar set data yang pernah
dikenali oleh jaringan ANN. Dalam
pembuatan model jaringan ANN berikut,
dipilih proporsi data training, data
validation, dan data testing sebesar 8:1:1,
dimana dari 500 data, 400 data digunakan
sebagai data training, 50 data digunakan
sebagai data validation, dan 50 data
digunakan sebagai data testing.
4.2 Data Transformation
Data Transformation dilakukan dengan
mentransformasikan seluruh data input
berada dalam rang -1 sampai dengan 1.
Normalisasi data ini bertujuan untuk
meminimalisir efek yang ditimbulkan oleh
range data input data yang bervariasi.
Pemetaan inilah yang berdampak besar
terhadap keakuratan hasil prediksi model
ANN. Persamaan yang digunakan untuk
melakukan normalisasi data yaitu (Ayoub
& Demiral, 2011):
4.3 Desain Network
Pemilihan arsitektur dari model ANN
dilakukan dalam beberapa tahap dan dilih
berdasarkan beberapa tahap dan dipilih
berdasarkan beberapa kriteria. Tahap
pertama adalah menentukan jumlah neuron
input dan input yang dibutuhkan. Jumlah
neuron input dan output ini adalah sama
dengan jumlah parameter input dan
outputnya. Selain itu, perlu dilakukan
penentuan jumlah neuron pada hidden
layer. Penentuan jumlah hidden layer
dilakukan dengan prinsip trial and error
hingga dihasilakn model ANN yang paling
optimum.
Selain melakukan sensivitas terhadap
jumlah neuron pada hidden layer,
penentuan proporsi data juga menentukan
kinerja dari model ANN. Komposisi yang
tepat antara jumlah data training, data
validation, dan data testing akan
menghasilkan model ANN yang paling
akurat. Arsitektur jaringan ANN yang
terbaik kemudian ditentukan berdasarkan
berbagai kriteria, yaitu:
a. Root Mean Square (RMSE)
RMSE adalah akar dari rata-rata
kuadrat selisih antara output yang
menjadi target atau output
seharusnya dengan output yang
dihasilkan dari model ANN.
Semakin kecil nilai MSE, maka
model ANN akan semakin baik.
MSE dapat dinyatakan dengan
persamaan sebagai berikut
(Demuth & Hagan, 2002):
b. Coefficient Correlation (R)
Koefisien korelasi menunjukkan
derajat keberhasilan dalam
mengurangi persebaran data dalam
analisa regresi. Semakin mendekati
1 nilai R, maka model jaringan
tersebut semakin baik. Persamaan
untuk koefisien korelasi adalah
sebagai berikut (Osman, Ayoub, &
Anggour, 2005):
4.4 Proses Training
Model ANN ini dilatih dengan
menggunakan algoritma back-
propagation. Proses training bertujuan
untuk mencari jaringan yang optimal dan
selanjutnya dapat digunakan untuk
melakukan peramalan. Yang dimaksud
dengan jaringan dalam hal ini adalah bobot
pembelajaran dan biasnya. Berikut adalah
hal-hal yang termasuk ke dalam proses
training:
a. Melakukan inisialisasi jumlah layer
dan neuron yang disesuaikan
dengan pengguna.
b. Fungsi aktivasi yang digunakan
adalah fungsi aktivasi sigmod
biner. Pada sigmoid biner ini
memiliki nilai pada range 0-1.
Fungsi sigmoid biner ini
dirumuskan sebagai berikut
(Kusumadewi, 2004):
Jika digambarkan, persamaan
fungsi dari fungsi aktivasi sigmoid
biner adalah sebagai berikut
(Kusumadewi, 2004):
Gambar 3. Fungsi Aktivasi Sigmoid Biner
c. Model pembelajaran menggunakan
Lavenberg-marquardt
backpropagation.
d. Perbandingan nilai output dan nilai
input pada kelas target sebenarnya
adalah berupa nilai error atau
kesalahan.
e. Jika error masih kurang dari error
yang diinginkan, maka error akan
diperkecil dengan mengganti bobot
atau bias.
f. Jika error yang diinginkan tidak
dapat tercapai pada saat epoch/
pengulangan yang telah ditentukan,
maka proses training berhenti.
V. ANALISA DAN HASIL
5.1 Optimasi Model ANN
Penentuan proporsi pembagian data
(training, validation, dan testing) sangat
menentukan dalam memperoleh model
ANN yang optimum. Penulis telah
melakukan model ANN yang optimum.
Penulis telah melakukan sensivitas
pengaruh komposisi data training,
validation, dan testing terhadap nilai
coefficient correlation (R) dan root mean
square error (RMSE) dari model ANN
yang diperoleh. Gambar 4 dan 5
memperlihatkan nilai R dan RMSE untuk
tiap rasio pembagian data. Dapat
disimpulkan bahwa pembagian data
training, validation, dan testing dengan
rasio 8:1:1 menghasilkan model ANN
yang paling optimum karena menghasilkan
nilai R yang paling mendekati satu serta
nilai RMSE yang paling minimum.
Gambar 4. Sensivitas Proporsi Pembagian
Data terhadap Koefisien Korelasi (R)
Gambar 5. Sensivitas Proporsi Pembagian
Data terhadap Root Mean Square Error
(RMSE)
Selanjutnya adalah penentuan jumlah
neuron pada hidden layer. Dengan
melakukan sensivitas jumlah neuron pada
hidden layer akan diperoleh model ANN
yang paling optimum sehingga
meghasilkan nilai R yang paling
mendekati satu serta nilai RMSE yang
terkecil.
Gambar 6 memperlihatkan pengaruh
jumlah neuron pada hidden layer terhadap
nilai koefisien korelasi (R) dimana dapat
disimpulkan bahwa model ANN dengan
sebelas neuron pada hidden layer
menghasilkan nilai R terbesar baik pada
data training, validation, maupun testing.
Gambar 6. Sensivitas Jumlah Neuron pada
Hidden Layer terhadap Koefisien Korelasi (R).
Gambar 7. Sensivitas Jumlah Neuron pada
Hidden Layer terhadap Root Mean Square
Error (RMSE).
Dapat disimpulkan bahwa model ANN
yang memiliki rasio perbandingan data
training, validation, dan testing sebesar
8:1:1 serta memiliki sebelas neuron pada
hidden layer adalah model yang terbaik
dengan nilai R sebesar 0.992015 untuk
data training, 0.97199 untuk data testing.
Selain itu, model ini juga menghasilkan
nilai RMSE terkecil yaitu sebesar 14.27.
Gambar 8. Koefisien korelasi (R) Untuk Data
Training
Gambar 9. Koefisien Korelasi (R) untuk Data
Validation
Gambar 10. Koefisien Korelasi (R) Untuk
Data Testing
5.2 Analisa Trend
Analisa trend bertujuan untuk memastikan
bahwa apakah model ANN yang telah
dibangun secara fisik benar atau tidak.
Untuk mengetahui efek dari masing-
masing parameter input terhadap output
yang dihasilkan, maka perlu dilakukan
persiapan terhadap data yang akan diuji
dengan menggunakan model ANN yang
telah dibangun.
Dasar dari persamaan aliran untuk
menghitung kehilangan tekanan adalah
persamaan kesetimbangan energi antara
dua titik dalam suatu sistem, kemudian
dengan menggunakan prinsip
termodinamika, persamaan tersebut
dituliskan di dalam bentuk persamaan
gradien tekanan, dimana berdasar Brill &
Mukherjee, 1999 :
Persamaan diatas akan digunakan dalam
melakukan analisis terhadao trend untuk
mengetahui apakah model ANN yang
dibuat adalah benar bila melihat dari
pengaruh dari masing-masing parameter
terhadao kecenderungan perubahan
pressure drop.
Adapun analisa trend yang didapatkan
adalah :
1. Semakin besar gas rate akan
mengakibatkan pressure drop
2. Efek water rate linear positif
terhadap besarnya pressure drop
3. Efek Oil rate menunjukkan
hubungan positif terhadap pressure
drop
4. Efek diameter pipa menunjukkan
efek linear negatif terhadap
pressure drop
5. Sudut inklinasi cenderung tidak
memberikan efek terhadap pressure
drop
6. Densitas minyak menunjukkan
hubungan negatif terhadap pressure
drop
VI. KESIMPULAN DAN SARAN
6.1 Kesimpulan
1. Artificial Neural Network (ANN_
dapat digunakan untuk
memprediksi kehilangan tekanan
alir pada flowline dengan tingkat
akurasi yang dapat
dipertimbangkan
2. Perlu dilakukan optimasi terhadap
jumlah hidden neuron untuk
memperoleh model ANN yang
optimum
3. Selain ini perlu dilakukan optimasi
ratio pembagian data untuk
memperoleh model yang optimum
4. Model ANN terbaik diperoleh
dengan sebelas hidden neuron serta
ratio pembagian data 8:1:1
5. Koefisien korelasi (R) yang
didapatkan dari model ini adalah
sebesar 0,99205 untuk data
training, 0,97074 untuk data
validation, dan 0,97199 untuk data
testing
6. Nilai Root Mean Square Error yang
didapatkan pada model ANN
sebesar 14,27
7. Model ini hanya valid untuk
upward
6.2 Saran
1. Perlunya data lapangan dengan
jumlah yang besar serta range data
yang luas untuk memperoleh
tingkat akurasi yang tinggi dalam
memprediksi kehilangan tekanan
alir pada flowline
2. Akan sangat baik bila hasil studi ini
dikembangkan dalam bentuk
software khusus untuk perthitungan
tekanan alir pada flowline
3. Perlunya menggunakan data dalam
range yang mencakup semua jenis
pola aliran