Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Di antara sebagian besar sektor industri lainnya, industri kimia sedang mengalami pergolakan signifikan yang didorong oleh konsep yang secara kolektif dikenal sebagai Industri 4.0. Data sains adalah komponen penting dari Industri 4.0 karena memungkinkan ekstraksi informasi kontekstual dari berbagai sumber data. Ketika sistem menjadi lebih kompleks, kebutuhan para insinyur untuk mengekstrak sinyal dari data dengan tepat berkembang secara dramatis, menuntut literasi data dan keahlian analitik pada generasi berikutnya dari lulusan teknik kimia. Salah satu dari banyak kasus di mana data sains dan machine learning dapat diterapkan adalah untuk prediksi. Prediksi berbasis machine learning dapat diterapkan pada banyak aspek teknik kimia contohnya pada Chemical Engineering Plant Cost Index (CEPCI). CEPCI sangat penting untuk perhitungan desain pabrik dan dipengaruhi oleh banyak variabel. Pendekatan machine learning diperlukan untuk memperhitungkan semua variabel tersebut dan mendapatkan hasil yang tepat untuk variabel yang ditargetkan. Dengan demikian, tujuan dari tugas akhir ini adalah merancang program yang mampu memprediksi CEPCI. Alhasil, model regresi yang telah dibuat mampu memprediksi Composite CE Index dengan error rata-rata 3.75% dari index aslinya.

---

Among most other industrial sectors, the chemical industry is undergoing a significant upheaval driven by concepts known collectively as Industry 4.0. Data science is an important component of Industry 4.0 since it enables the extraction of contextualized information from a variety of data sources. As systems become more complex, the necessity for engineers to appropriately extract signal from data develops dramatically, demanding data literacy and analytics expertise in the next generation of chemical engineering graduates. One of the many cases where data science and machine learning can be applied to is for prediction. Machine Learning based prediction can be applied to many chemical engineering aspects, in this case the Chemical Engineering Plant Cost Index (CEPCI). CEPCI is essential for plant design calculations and is greatly affected by numerous variables. Machine learning approach is needed to account for all said variables and obtain valid result for target variables. Thus, the purpose of this thesis is to design programs that are able to predict CEPCI. As a result, the regression model created was able to predict the Composite CE Index with average error of 3.75% from the real index.

 

"

"Thermal power plant performance analysis focuses on the presentation of reliability-based tools used to define performance of complex systems and introduces the basic concepts of reliability, maintainability and risk analysis aiming at their application as tools for power plant performance improvement, including, selection of critical equipment and components, definition of maintenance plans, mainly for auxiliary systems, and execution of decision analysis based on risk concepts."

"Salah satu pemanfaatan gas suar bakar adalah sebagai bahan bakar pembangkit. Pembangkit Listrik X adalah PLTGU existing yang menghasilkan daya listrik 410 MW dengan menggunakan bahan bakar gas alam sebanyak 87,74 MMSCFD. Pada penelitian ini gas suar bakar akan dijadikan bahan bakar pengganti gas alam untuk membangkitkan listrik 410 MW. Total maksimum laju alir gas suar bakar yang tersedia adalah 7,9 MMSCFD. Pemanfaatan gas suar bakar sebagai bahan bakar pembangkit listrik akan menurunkan biaya bahan bakar namun juga menambah biaya investasi berupa alat kompresor. Dalam penelitian ini dilakukan dua skenario, yaitu skenario existing menggunakan bahan bakar gas alam dan skenario menggunakan variasi laju alir gas suar bakar terhadap laju alir gas alam sebagai bahan bakar Pembangkit Listrik X. Skenario yang paling memberikan keuntungan dari pada desain existing adalah saat menggunakan laju alir gas suar bakar sebesar 7,9 MMSCFD dengan laju alir gas alam sebesar 79,06 MMSCFD. NPV skenario desain tersebut 56.976.160,22 dengan pay back period 14,84 tahun.

---

Utilization of flare gas is as fuel for power plants. Power plant X is the existing gas and steam power plant that generates 410 MW of electrical power using natural gas fuel as much as 87.74 MMSCFD. In this study flare gas will be used as fuel instead of natural gas to generate 410 MW of electricity. The maximum total flare gas flow rate provided is 7.9 MMSCFD. Utilization of flare gas as power plant fuel will reduce fuel costs but also add to the cost of investment of compressor tool.

In this study two scenarios will be compared, the existing scenarios using natural gas fuel and scenarios using a variation of the flow rate of gas flaring on the flow rate of natural gas as fuel for power plants X. Scenario would benefit from the existing design are currently using flow rate gas flare 7,9 MMSCFD and natural gas with flow rate 79,06 MMSCFD. The design scenarios NPV is 56.976.160,22 with a payback period of the plant investation is 14,84 years."