Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penggunaan metode Neural Network ini adalah hal yang baru dalam Heat Transfer, setidaknya pada Jurusan Teknik Mesin FI'UI, walaupun Neural Network Ielah berkembang dalam berbagai bidang, karena kemampuannya untuk memprediksi suatu fenomena berdasarkan tahap belajar yang diberikan. Kemampuan disebul juga sebagai kecerdasan buatan, karena mirip dangan kecerdasan yang dimiliki oleh manusla.Dalam simulasi ini, neurnl network rersebut dilatib terlebih dahulu lll1luk memprediksi lemperatur output fluida panas dan dingin pada water to water heat exchanger. Metode ini dilakukan dengan menggunakan data basil percobaan Boris Omar Kahen pada skripsinya [8]. Setelah tahap ini selesai, kemudian neural network disimulasikan mengunakan data input baru, kemudian akan dilihal outputnya unluk dibandingkan dengan output sebenamya pada percobaan. Sebagai pembanding, penulis juga melakukan perhitungan manual menggunakan metode LMTD dan effectiveness-NTU, untuk diperbandingkan hasilnyn dengan simulasi neural network.Setelah membandingkan output neural network , output hasil perhitungan menggunakan metode LMTD, dan output hasil perhitungan melode effectiveness­

---

The application of neural network is a first study in heat transfer , at least in Department of Mechanical Engineering FTUI, although the neural network has been grow in every discipline of sciencebecause of it;s ability to predict for the phenomellll, hase on learning step given. This ability called artificial intelegent, since ifs similarity \\lith human intelegent.

In this simulation.the neural network training first to predict output temperature of hot and cold fluid, from water to water heat exchanger. The method done with data from experiment of Boris Oman Kaher [8] in his study. The next step is to simulate the trained neural network vvith another data. and the output of neural network compared with the actual output from experiment The writer has use the LMTD method and effectiveness.-NTU method to calculate output temperature in order to compare with the output of neural network. After comparing the output from neural network, LMTD method and effectiveness-NTU method, with the actual output, it's seem that neural network has a good approach to the result of experiment."

"Pada skripsi ini dibahas tentang simulasi dan perancangan pengendalian sistem Tangki Berhubungan Multivariabel (3 x 3) dengan menggunakan Neural Network model Kendali lnvers Langsung (Direct Inverse Control / DIC). Pengendali Neural Network model Kendali Invers Langsung mencari invers dari plant sehingga pengendali NN model DIC yang dirangkai seri dengan plant menghasilkan fungsi alih satu satuan, sehingga keluaran sistem akan sama dengan sinyal referensi yang diberikan. Penghilangan interaksi (kopling) yang terjadi pada sistem Tangki Berhubungan Multivariabel dilakukan dengan perancangan dekopling yang menggunakan metode Relative Gain Matrix. Perancangan dan simulasi sistem pengendalian Neural Network model Kendali Invers Langsung ini menggunakan program Matlab versi 6.1. Perbandingan antara analisa tanggapan waktu terhadap sistem kendali yang dirancang dengan sistem kendali Proportional Integral Derivartive (PID) dan sistem kendali Logika Fuzzy menghasilkan tanggapan untuk mencapai keadaan steady srare,dan pada Neural Network model Kendali Invers langsung lebih cepat dibandingkan dengan tanggapan waktu yang dihasilkan oleh pengendali konvensional PID dan Fuzzy."

"Peran transformasi wavelet dalam bidang kompresi dan pengkodean citra telah sangat dikenal dan telah menghasilkan standar format citra digital. Dengan konsep multiskala dan multiresolusi, sebuah citra dapat memberikan representasi yang informatif dengan titur-fitur yang ada. Fitur-fitur ini dapat dimanfaat untuk sebuah sistem pengenalan citra. Jaringan syaraf tiruan sebagai pengklasifikasi telah digunakan secara umum dengan tujuan pengenalan terhadap suatu objek ataupun fungsi. Kelebihan yang dimilikinya karena penggunakan metode training. Training dilakukan terhadap sekumpulan training set yang representatif untuk dapat melakukan proses klasifikasi terhadap objek yang akan dikenali. Skripsi bertujuan untuk memanfaatkan kemampuan transformasi wavelet untuk ekstraksi fitur dengan pengklasifikasi jaringan syaraf tiruan. Penerapannya dilakukan terhadap citra tekstur yang memiliki pola teratur. Pengambilan fitur-fiturnya menggunakan wavelet histogram signazures yang memperlihatkan fitur-fitur wavelet dalam karakteristik statistik orde pertama. Percobaan dilakukan dengan sebuah simulasi software pengenalan pola yang dibuat dengan MATLAB. Sistem dibuat berdasarkan transformasi wavelet dan jaringan syaraf tiruan. Hasil dari percobaan adalah berapa persen jumlah keberhasilan pengenalan sistem terhadap objek pengujian yang diberikan. Pengujian juga dilakukan terhadap tekstur yang diberi gangguan (noise)."

"Perkembangan bare dalam neural network telah memberikan keuntungan-keuntungan dalam aplikasi sistem kontrol. Berdasarkan teori stale space dan pendekatan neural network, dikembangkan suatu algoritma yang disebut Stochastic Neural Direct Adaptive Control (SNDAC) untuk mengendalikan plant yang diketahui sebagian matriks sistemnya, yaitu matdks masukan B(.) dan matriks keluaran C(.). Pengendali neural network menggunakan algoritma SNDAC untuk mengubah bobot-bobotnya sehingga dihasilkan sinyal kendali yang mengoptimalkan quadratic performance index. Parameter yang berpengaruh pada pengendalian adalah banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar. Pemilihan banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar tidak dapat dilakukan secara eksak, tetapi dengan trial and error. Dengan pemilihan yang tepat dihasilkan pengendalian yang stabil dengan toleransi kesalahan yang kecil, seperti terlihat pada hasiI simulasi."

"Pilar adalah unit struktural penting yang digunakan untuk memastikan keselamatan penambangan di tambang batuan keras bawah tanah. Oleh karena itu, prediksi yang tepat mengenai stabilitas pilar bawah tanah sangat diperlukan. Salah satu indeks umum yang sering digunakan untuk menilai stabilitas pilar adalah Safety Factor (SF). Sayangnya, batasan penilaian stabilitas pilar menggunakan SF masih sangat kaku dan kurang dapat diandalkan. Penelitian ini menyajikan aplikasi baru dari Artificial Neural Network-Backpropagation (ANN-BP) dan Deep Ensemble Learning untuk klasifikasi stabilitas pilar. Terdapat tiga jenis ANN-BP yang digunakan untuk klasifikasi stabilitas pilar dibedakan berdasarkan activation function-nya, yaitu ANN-BP ReLU, ANN-BP ELU, dan ANN-BP GELU. Dalam penelitian ini juga disajikan alternatif pelabelan baru stabilitas pilar dengan mempertimbangkan kesesuaiannya dengan SF. Stabilitas pilar diperluas menjadi empat kategori, yaitu failed dengan safety factor yang sesuai, intact dengan safety factor yang sesuai, failed dengan safety factor yang tidak sesuai, dan intact dengan safety factor yang tidak sesuai. Terdapat lima input yang digunakan untuk setiap model, yaitu pillar width, mining height, bord width, depth to floor, dan ratio. Hasil penelitian menunjukkan bahwa model ANN-BP dengan Ensemble Learning dapat meningkatkan performa ANN-BP dengan average accuracy menjadi 86,48% dan nilai F2 menjadi 96,35% untuk kategori failed dengan safety factor yang tidak sesuai.

---

Pillars are important structural units used to ensure mining safety in underground hard rock mines. Therefore, precise predictions regarding the stability of underground pillars are required. One common index that is often used to assess pillar stability is the Safety Factor (SF). Unfortunately, such crisp boundaries in pillar stability assessment using SF are unreliable. This paper presents a novel application of Artificial Neural Network-Backpropagation (ANN-BP) and Deep Ensemble Learning for pillar stability classification. There are three types of ANN-BP used for the classification of pillar stability distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and ANN-BP GELU. This research also presents a new labeling alternative for pillar stability by considering its suitability with the SF. Thus, pillar stability is expanded into four categories: failed with a suitable safety factor, intact with a suitable safety factor, failed without a suitable safety factor, and intact without a suitable safety factor. There are five inputs used for each model: pillar width, mining height, bord width, depth to floor, and ratio. The results showed that the ANN-BP model with Ensemble Learning could improve ANN-BP performance with an average accuracy of 86.48% and an F2-score of 96.35% for the category of failed with a suitable safety factor."

"Biaya investasi HPHE dapat diestimasikan melalui direct cost yaitu biaya material dari komponen-komponen yang dibutuhkan seperti heat pipe dan fin ditambah dengan beberapa estimasi biaya lainnya seperti labor cost, overhead cost dan operating profit. Pemasangan HPHE di dalam sistem HVAC dimana seratus persen udara luar dibutuhkan seperti Clean Room dapat mengurangi konsumsi energi listrik melalui pemanfaatan waste heat recovery dengan proses pre-cooling yaitu pendinginan tambahan ke udara luar sebelum memasuki cooling coil. Besarnya biaya listrik yang dihemat oleh HPHE kemudian dapat dihitung berdasarkan nilai pre-cooling, coefficient of performance, waktu pemakaian dan tarif biaya listrik. Software studi kelayakan tekno-ekonomi dikembangkan dengan metode payback period yaitu metode dengan cara membandingkan biaya investasi HPHE dan biaya penghematan listrik untuk mengetahui periode tercepat dimana biaya investasi sudah tertutup oleh biaya penghematan dan mengetahui bagaimana pengaruh input spesifikasi, dimensi dan kondisi operasional HPHE terhadap periode tersebut. Nilai pre-cooling didapatkan dari penelitian yang telah dilakukan sebelumnya dengan nilai masing-masing 30℃, 35℃, 40℃ , 45℃ dan 1,5 m/s, 2,5 m/s, 3,0 m/s dimana 3, 6 dan 9 baris heat pipe digunakan. Hasil perhitungan payback period oleh software studi kelayakan tekno-ekonomi HPHE dari beberapa input yang berbeda kemudian akan diperlihatkan.

---

HPHE investment costs can be estimated through direct costs, namely the material costs of the required components such as heat pipes and fins plus several other estimated costs such as labor costs, overhead costs and operating profit. The installation of HPHE in the HVAC system where one hundred percent of outside air is needed, such as a Clean Room, can reduce electrical energy consumption through the use of waste heat recovery with a pre-cooling process, namely additional cooling to the outside air before entering the cooling coil. The amount of electricity costs saved by HPHE can then be calculated based on the pre-cooling value, the coefficient of performance, usage time and electricity cost rates. Techno-economic feasibility study software was developed with the payback period method, namely a method by comparing the investment costs of HPHE and the cost of saving electricity to find out the fastest period in which the investment costs have been covered by the cost savings and to find out how the input specifications, dimensions and operational conditions of the HPHE will affect that period. The pre-cooling value is obtained from research that has been done previously with the respective values ​​of 30 ℃, 35 ℃, 40 ℃, 45 ℃ and 1.5 m / s, 2.5 m / s, 3.0 m / s where 3 , 6 and 9 rows of heat pipe are used. The results of the calculation of the payback period by the techno-economic feasibility study software of HPHE from several different inputs will then be shown."

"Beberapa studi yang telah dilakukan sebelumnya menunjukkan bahwa minyak kelapa sawit dapat menghasilkan senyawa hidro karbon yang sebagian besarnya berupa bio-gasoline. Diantara cara yang dapat dilakuakn untuk mengolah minyak kelapa sawit adalah melalui teknologi Fluid Catalytic Cracking (FCC). Penggunaan teknologi konversi FCC saat ini juga telah dimanfaatkan untuk menghasilkan bahan bakar biofuel yang dihasilkan dari material minyak nabati. Grup riset AIR mengembangkan sebuah teknologi teknologi sistem FCC skala bench untuk mengolah minyak kelapa sawit menjadi bahan bakar nabati. Salah satu komponen penting dalam sistem FCC yang dikembangkan oleh grup riset AIR ini adalah condenser. Diperlukan sebuah desain yang dapat digunakan untuk mengkondensasi uap produk hasil proses sistem FCC. Studi ini akan membahas tentang desain baru condenser yang dapat menggantikan condenser yang lama agar kinerjanya lebih optimal. Desain bariu dihitung berdasarkan performa dari condenser yang lama kemudian dilakukan pernacangan berdasarkan analisis thermal.

---

Previous studies have shown that palm oil can produce hydro-carbon compounds, mostly bio-gasoline. Among the ways that can be done to process palm oil is through Fluid Catalytic Cracking (FCC) technology. The use of FCC conversion technology at this time has also been utilized to produce biofuel fuel produced from vegetable oil materials. The AIR research group developed a bench scale FCC system technology to process palm oil into biofuels. One of the important components in the FCC system developed by the AIR research group is the condenser. A condenser design is required that can be used to condense the product vapor from the process of the FCC system. This study will discuss about a new condenser design that can replace the old condenser for optimal performance. The new design is calculated based on the performance of the old condenser. The design is carried out based on thermal analysis."

"Kemajuan teknologi mengiringi kemajuan Pesawat Tanpa Awak yang membuat peneliti terus mengembangkannya. Quadcopter merupakan Pesawat Tanpa Awak yang saat ini telah banyak digunakan untuk berbagai tujuan. Bentuknya yang ringkas serta beratnya yang ringan dengan empat buah baling-baling motor membuat quadcopter memiliki keunggulan dalam kemampuan dalam melakukan maneuver di udara. Tujuan dari penelitian skripsi ini adalah diajukannya sebuah ide menciptakam pengendali Jaringan Saraf Kendali Inverse Langsung NN ndash;DIC ndash; Neural Network Direct Inverse Control dengan algoritma Elman Recurrent untuk quadcopter, dan membandingkannya dengan pengendali berbasis algoritma Back Propagation Neural Network biasa. Dalam skripsi ini dikemukakan hasil simulasi dari identifikasi quadcopter dengan memodelkan secara black box, serta hasil dari dua jenis pengendali Inverse untuk quadcopter yaitu Elman Recurrent Neural Network Direct Inverse Control dan Back Propagation Neural Network Direct Inverse Control.

---

Technological advances accompany the progress of Unmanned Aircraft that keeps researchers on the rise. Quadcopter is an Unmanned Aircraft that is now widely used for various purposes. Its compact shape and light weight with four motor propellers make the quadcopter has an advantage in the ability to maneuver in the air. The purpose of this thesis research is to propose an idea to create a controller of the Direct Inverse Control Neural Network NN ndash DIC with Elman Recurrent algorithm for quadcopter, and compare it with an ordinary Back Propagation Neural Netwok algorithm. In this thesis, the shown simulation results are those of quadcopter plant based on black box modeling identification, and the result of two types of Inverse controllers for quadcopter, Elman Recurrent Neural Netwok Direct Inverse Control and Back Propagation Neural Network Direct Inverse Control."

"Penelitian yang telah dilakukan dalam menentukan kondisi optimum dari preparasi katalis CuO/Zeolit untuk mengeliminasi SOx ternyata memakan biaya yang besar karena harga parameter-parameter kondisi preparasi katalis yang banyak jumlahnya itu dilakukan secara trial dan error di laboratorium. Salah satu metode yang banyak mendapat perhatian karena keunggulannya dalam memecahkan permasalahan yang melibatkan banyak parameter dengan derajat non-linearitas yang tinggi adalah Jaringan Neural Artifisial. Oleh karena im kondisi preparasi katalis CuO/Zeolit akan disimulasikan oleh Jaringan Neural Propagasi Maju dengan metode pelatihan Jaringan Neural Conjugate Gradient.Simulasi ini sendiri bertujuan untuk mendapatkan luas perrnukaan zeolit yang paling optimal dengan data masukan berupa suhu kalsinasi dan % loading. Metode preparasi katalis yang digunakan adalah metode presipitasi da.n metode impregnasi sulfat. Data-data preparasi katalis diambil dari penelitian RUT IV TGP-FTUI. Hasil pembelajaran menunjukkan bahwa Janingan Neural Conjugate Gradient berhenti melakukan pencarian vektor bobot W pada error 0-01793 untuk presipitasi dan 0.03479 untuk impreguasi sulfat dari error tollerance sebosar 0.01 yang diset. Berhentinya proses pembelajaran sebelum tercapainya error toilerance ini disebabkan oleh terjebaknya Jaringan Neural Conjugate Gradient pada daerah lokal optima. Analisa simulasi dengan Propagasi Maju juga menunjukkan bahwa kondisi data latih yang digunakan untuk pelatihan jaringan mempunyai pengaruh yang cukup besar terhadap keakurasian hasil simulasi Jaringan Neural dengan data aktual yang diperoleh dari laboratorium. Makin banyak jumlah data dan makin bagus kondisi data (benar-benar didapatkan dari hasil percobaan di laboratorium) maka makin baik pula hasil simulasi."