Search Result  ::  Save as CSV :: Back

"ABSTRAKEnergi matahari rertfnasuk kazegori energi _yung dapar d¢erbahami dan ketersediaannyn !uk ierbaras. Srzmber energi ini mempunym' kererba/asnn pada kererseckammya yang hanya didapat ,nada siang hari. Mako dari iru iangld penyimpanan energi dgveriukan umuk mcnyimpan energi rersebui dan digunakan un ruk walau yang Iain.Tujuan dari penelitian ini adaiah menghasilkan oprimasf desain yang meng/zasilkan Idnerja rerbaik dengan mefalalkan variasi rerhadap berbagai desain secara geomeiris maupunpemilihan material.Telmik CF D (Compularfonal Fluid Dynmnics) dapar dfgunahm untulc memprediI»;s~i pola aliran, distribusi Iceceparan, densitas, dan remperalur dari sualujiuida yang lerjadi daiam lcmgki. Dengrm perhitungan secara If/J!?lpllfGSf, simulasi ini dapat memperliharkarf' tingkat srrarffikasf tenqneramr dan Idnerja dari fangld wntuk berbagai parame!er: Simufasr numerfk a'!lakulaan berdasarkan domain tiga dfmensi. Ifbiidasi hasil simuiasi dilalmkan dengan pengukuram tempemiur daiam rangid pada berbagai ti tik yang diamarf.Kondisi geometrispgoa masukan air sangat menenrukan kineja dan perj%rma yang dihasillrzm lumgld TES. Letakpgoa mamkan yang dekat dengan pgoa keluaran alsan menghasilkan lemperatur keluaran yang malcsimal dan srratgfikasi termocline yang semakin bafk dimana airpanas alxm rerpisah .secara sfgnf/ikan dengan air dingfn.Desam terbaik yung menghasilkan temperatur keiuaran rertinggi (34.7 "C) ialah Desain 4 dimana lefakpgoa mawkannya berada dekat (f;?!1g0l1 pqxr keluarannya "

"Di dalam dunia industri, operasi pencampuran banyak digunakan untuk mengolah bahan mentah menjadi suatu produk seperti minyak bumi, bahan kimia, dan lainnya. Biasanya, pada plant skala industri digunakan PID kontroler sebagai sistem pengendaliannya, akan tetapi PID kontroler ini akan menjadi kurang baik ketika menghadapi sistem non-linear, sehingga pada penilitian ini dirancang suatu sistem kendali berbasis neural network yang diharapkan dapat memberikan performa yang lebih baik dan efisien dibandingkan PID konvensional. Model plant yang digunakan untuk simulasi di dalam penelitian ini adalah proses pencampuran air, dimana temperatur dan level air akan dikendalikan. Dibuat dua jenis sistem pengendali neural network (NN) dengan perbedaan pada input-nya, yaitu NN dengan input SP, PV(n), PV(n-1) dan NN dengan input SP, error, dan perubahan error. Kedua sistem pengendali neural network ini dibuat dengan menggunakan metode feed-forward neural network dan simulasinya dibuat dengan menggunakan Simulink. Berdasarkan hasil pengujian, dapat disimpulkan bahwa sistem pengendalian dengan menggunakan neural network memberikan performa yang lebih baik jika dibandingkan dengan sistem pengendalian PID konvensional, yaitu dengan settling time dan rise time yang lebih cepat, serta menghasilkan respon sistem yang tidak memiliki overshoot sama sekali.

---

In the industrial world, blending operations are widely used to process raw materials into products such as petroleum, chemicals, and others. Usually, in industrial-scale plants, the PID controller is used as a control system, but this controller will be less good when dealing with non-linear systems. In this study, a neural network-based control system is expected to provide better and more efficient performance compared to conventional PID control. The plant model used for simulation in this study is the process of mixing water, where the temperature and water level will be controlled. Created two types of neural network (NN) control systems with differences in the input, the first is a NN with SP, PV(n), PV(n-1) for the input, and the second is a NN with SP, error, and change of error for the input. Both of these neural network control systems are made using a feed-forward neural network method, and the simulation was created by using Simulink. Based on the test results, it can be concluded that the control system using a neural network provides better performance when compared to conventional PID control systems with a faster settling time and rise time, and produces a system response that has no overshoot at all."

"Proses Thermal Mixing adalah jenis dari proses pencampuran yang penting di berbagai industri, Proses ini bekerja dengan mengendalikan flow air yang masuk yang memiliki temperatur yang berbeda untuk menghasilkan temperatur campuran yang diinginkan. Dalam penelitian ini dilakukan simulasi pengendalian temperatur air pada proses pencampuran dalam suatu tangki menggunakan Matlab. Tujuan dari penelitian ini adalah menjaga temperatur air di set point dengan mengendalikan flow air dingin yang masuk ke tangki pencampuran sedangkan flow air panas dan flow keluar dijaga konstan. Sistem dikendalikan menggunakan pengendali Reinforcement Learning (RL) dengan menerapkan algoritma Proximal Policy Optimization (PPO). Algoritma RL melakukan serangkaian tahapan training kepada agent untuk menghasilkan action yang sesuai berupa bukaan control valve. Pada proses training, sistem akan diberikan perubahan set point. Performa dari pengendali RL akan dilihat dari parameter-parameter seperti overshoot, rise time, dan settling time sebagai data kualitatif. Hasilnya secara keseluruhan menunjukkan bahwa pengendali RL dapat melakukan proses belajar dalam pengujian perubahan set point. Hal ini dapat dilihat dari grafik nilai process variable yang mendekati nilai set point (SP) dengan nilai overshoot terbesar saat SP 45 ℃ dan 60 ℃ yaitu sebesar 0,003% dan nilai steady state error terbesar senilai 0,3 ℃. Jika dibandingkan dengan pengendali PID yang diterapkan dengan menggunakan closed-loop PID autotuner, pengendalian yang dilakukan oleh agent PPO lebih baik dibandingkan PID. Hal ini didukung oleh data kecepatan respons yang menunjukkan nilai rise time dan settling time pada pengendali RL di semua nilai SP lebih kecil dibandingkan dengan PID.

---

Thermal Mixing Process is a type of mixing process that is important in various industries, This process works by controlling the incoming water flow which has different temperatures to produce the desired temperature mixture. In this study, a simulation of water temperature control in the mixing process in a tank was carried out using Matlab. The purpose of this research is to maintain the air temperature at the set point by controlling the flow of cold air entering the mixing tank while the hot air flow and flow are kept constant. The control system uses a Reinforcement Learning (RL) controller by applying the Proximal Policy Optimization (PPO) algorithm. The RL algorithm performs training stages for agents to produce actions in the form of control valve openings. In the training process, the system will be given a set point change. The performance of the RL controller will be seen from parameters such as overshoot, rise time, and settling time as qualitative data. The overall result shows that the RL controller can carry out the learning process in testing set point changes. This can be seen from the graph of the value of the process variable which is close to the set point (SP) value with the largest overshoot value at SP 45 and 60 which is 0.003% and the largest steady state error value is 0.3. When compared with PID control applied using a closed loop PID autotuner, the control performed by PPO agents is better than PID. This is supported by the data rate response which shows that the rise time and settling time values ​​for the RL controller in all SP values ​​are smaller than the PID."