Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dewasa ini pengembangan teknologi penyimpanan gas Hidrogen sebagai energi tanpa emisi terus dilakukan, terutama sebagai bahan bakar kendaraan ringan. Penggunaan material Boron Triazine sebagai modifikasi Carbon Nano Tube CNT untuk menyimpan gas Hidrogen secara adsorpsi merupakan salah satu pilihan untuk meningkatkan kapasitas CNT dalam menyimpan gas Hidrogen dan ringan sehingga mengurangi berat sistem secara keseluruhan dalam tangki penyimpanan. Penelitian ini menggunakan 2 metode sebagai perbandingan yaitu metode simulasi dinamika molekul dengan struktur modifikasi CNT pada ruang penyebaran hidrogen VMD, Packmol, Lammps yang kemudian diikuti dengan analisa termodinamika molekuler, dan metode Artificial Neural Network dengan menggunakan MATLAB. Kedua metode ini dilakukan untuk mengetahui kapasitas CNT yang sudah dimodifikasi untuk menyimpan gas Hidrogen. Wt yang tinggi dimiliki oleh Boron-Triazin CNT dengan temperatur 77 Kelvin yaitu 7.81. Konversi penggunaan Hidrogen pada 1 CNT material Boron Triazin menjadi listrik sebesar 0.17182 kWh/kg.

---

Nowadays the development of storage technology for Hydrogen as energy without emissions continues to be done, especially as light vehicle fuel. The use of Boron Triazine material as a modified Carbon Nano Tube CNT to store Hydrogen by adsorption is one of options to increase CNT capacity in storing Hydrogen and also light weight thereby reducing the overall system weight in storage tanks. This research uses two methods as comparison which are molecular dynamics simulation method with CNT modification structure on hydrogen dispersion chamber VMD, Packmol, Lammps followed by molecular thermodynamic analysis, and Artificial Neural Network method using Matlab. Both methods are performed to determine the capacity of CNT that have been modified to store Hydrogen. Highest wt is owned to Boron Triazine CNT with temperature 77 Kelvin which is 7.81 . So conversion of Hydrogen usage on 1 CNT of Boron Triazin material into electricity is 0.17182 kWh kg."

"Boron triazin dengan doping lithium serta karbon nitride merupakan material modifikasi dari CNT, lebih baik dari massa zat maupun kemampuan mengadsorp hidrogen. Penelitian mengenai adsorpsi hidrogen oleh material nanostruktur seperti CNT yang dilakukan secara eksperimental serta simulasi memilki banyak kekurangan. Artificial Neural Network dimodelkan sebagai alat prediksi kapasitas adsorpsi hidrogen yang menjadi solusi kekurangan metode penelitian yang ada. Tujuan penelitian ini mencari pengkonfigurasian terbaik untuk ANN sehingga dapat menjadi alat prediksi yang presisi dan teruji jalan cepat mendapatkan data adsorpsi hidrogen tanpa melakukan simulasi. Goal dari penelitian ini ialah mendukung percepatan pengimplementasian hidrogen sebagai renewable energy untuk kapal masa depan. Penelitian dilakukan dengan simulasi struktur nano pada ruang penyebaran hidrogen (VMD, Packmol, Lammps), pengolahan data banyak (Ms.Excel), dan training data (NN). Pemodelan fungsi prediksi ANN pada adsorpsi Hidrogen oleh Boron triazin dengan doping Lithium menghasilkan konfigurasi nn terbaik yakni pada varian pemilihan pertama dengan neuron 10. Sementara untuk Material Triazin pada temperature 77 menghasilkan konfigurasi nn terbaik pada skala 100-1000, pemilihan pertama, neuron 10. Sedangkan pada temperature 233 konfigurasi nn terbaik ditunjukan pada 100-10000 dengan neuron yang sama yakni 10.

---

Boron triazine with lithium doping and carbon nitride is a material modification of the CNT, better than the mass of a substance as well as the ability adsorbing hydrogen. Research on hydrogen adsorption by nanostructured materials such as CNT conducted experimental and simulation has many shortcomings. Artificial Neural Network is modeled as predictors of hydrogen adsorption capacity of the solution to be no shortage of research methods.

The purpose of this study look for the best configuration to ANN that can be a predictor of precision and proven fast way to get hydrogen adsorption data without doing simulations. Goal of this study is to support the accelerated implementation of hydrogen as a renewable energy for future ships. The study was conducted with a simulation of nanostructures in space deployment of hydrogen (VMD, Packmol, Lammps), many data processing (Ms.Excel), and the training of data (NN).

ANN predictive modeling function on hydrogen adsorption by Boron doping triazine with Lithium produce the best nn configuration variant first election to the neuron 10. While for Material Triazines at temperatures of 77 to produce the best nn configuration on a scale of 100-1000, the first election, the neuron 10. Meanwhile, at temperatures of 233 nn configuration best shown in 100-10000 the same neurons that is 10."