Hasil Pencarian  ::  Simpan CSV :: Kembali

"Moda transportasi kereta merupakan transportasi umum yang cukup diminati penduduk Indonesia. Namun, Moda transportasi ini masih sedikit menggunakan energi yang bersih. Kereta Api jarak jauh Indonesia masih menggunakan diesel. Bahan bakar diesel tentunya merupakan energi konvensional yang penggunaannya ingin dikurangi oleh dunia. Salah satu solusinya adalah dengan mengurangi pengurangan diesel pada kereta api jarak jauh. Untuk mengurangi penggunaan bahan bakar dan mengurangi emisi dari mesin, maka kereta api bisa dibuat secara hibrid dengan menggabungkan mesin diesel dengan sumber energi listrik, seperti baterai. Kereta hibrid memerlukan EMS (Energy Management System) untuk mengatur energi apa yang dipakai dengan cara yang optimal. Salah satu basis dari EMS ini adalah MPC (Model Predictive Control). Salah satu hal yang menjadi pertimbangan dari Model Predictive Control adalah prediktor nya. Dengan perkembangan Deep Learning, Long Short Term Memory Neural Network (LSTM) dikenal baik untuk memodelkan data sequence. LSTM bisa membuat model prediksi kecepatan dengan data yang telah dikumpulkan. Dengan prediksi daya yang akurat, Model Predictive Control bisa menghasilkan kontrol EMS yang lebih ekonomis dengan biaya komputasi yang bisa diimplementasikan.

---

The train mode of transportation is public transportation that is quite attractive to the Indonesian population. However, this mode of transportation still uses little clean energy. Indonesian long-distance trains still use diesel. Diesel fuel is of course a conventional energy whose use the world wants to reduce. One solution is to reduce diesel reduction on long-distance trains. To reduce fuel use and reduce emissions from the engine, a hybrid train can be made by combining a diesel engine with a source of electrical energy, such as a battery. Hybrid trains require an EMS (Energy Management System) to regulate what energy is used in an optimal way. One of the bases of this EMS is MPC (Model Predictive Control). One of the things to consider in the Predictive Control Model is its predictors. With the development of Deep Learning, Long Short Term Memory Network (LSTM) is well known for modeling data sequences. LSTM can create a speed prediction model with the data that has been collected. With accurate power predictions, the Predictive Control Model can produce EMS control that is more economical with computational costs that can be implemented."

"Penelitian ini mengeksplorasi optimasi model pembelajaran mesin untuk implementasi pada perangkat edge, dengan studi kasus Human Activity Recognition (HAR). Fokus utama adalah teknik optimasi model untuk meningkatkan efisiensi komputasi dan penggunaan sumber daya pada perangkat dengan keterbatasan, khususnya ESP32 dan ESP32-S3.Lima arsitektur model diuji sebagai basis evaluasi: Shallow Network, Deep Network, Gated Recurrent Unit (GRU), 1D Convolutional Neural Network (1DCNN), dan Long Short-Term Memory-Convolutional Neural Network (LSTM-CNN). Penelitian menerapkan kombinasi teknik pruning dan kuantisasi untuk mengoptimalkan model-model tersebut.Hasil menunjukkan bahwa teknik optimasi dapat mengurangi ukuran model hingga 90,43% dengan penurunan akurasi minimal. Evaluasi pada ESP32 dan ESP32-S3 mengungkapkan peningkatan kinerja yang signifikan setelah optimasi, dengan peningkatan throughput mencapai 592,09% pada ESP32-S3 yang dilengkapi fitur SIMD. Analisis menggunakan Analytical Hierarchy Process (AHP) mengidentifikasi model 1DCNN teroptimasi sebagai solusi paling seimbang, dengan ukuran 0,18 MB, latency 17,06 ms, dan akurasi 89,56%. Penelitian ini memberikan kerangka kerja sistematis untuk optimasi model pembelajaran mesin pada perangkat edge, serta pemahaman mendalam tentang trade-off antara efisiensi komputasi dan akurasi model.

---

This research explores machine learning model optimization for edge device implementation, using Human Activity Recognition (HAR) as a case study. The primary focus is on model optimization techniques to enhance computational efficiency and resource utilization on constrained devices, specifically ESP32 and ESP32-S3.Five model architectures were tested as evaluation bases: Shallow Network, Deep Network, Gated Recurrent Unit (GRU), 1D Convolutional Neural Network (1DCNN), and Long Short-Term Memory-Convolutional Neural Network (LSTM-CNN). The research applies a combination of pruning and quantization techniques to optimize these models.Results show that optimization techniques can reduce model size by up to 90.43% with minimal accuracy loss. Evaluation on ESP32 and ESP32-S3 reveals significant performance improvements after optimization, with throughput increases reaching 592.09% on the SIMD-equipped ESP32-S3. Analysis using the Analytical Hierarchy Process (AHP) identifies the optimized 1DCNN model as the most balanced solution, with a size of 0.18 MB, latency of 17.06 ms, and accuracy of 89.56%. This research provides a systematic framework for machine learning model optimization on edge devices, as well as deep insights into the trade-offs between computational efficiency and model accuracy."

"Di era dengan ketersediaan bahan bakar fosil yang semakin rendah, diperlukan sumber energi terbarukan. Salah satu pembangkit dengan efisiensi optimal adalah pembangkit listrik tenaga nuklir. Badan Energi Atom Jepang (JAEA) memulai proyek HTTR pada tahun 1985 dengan inti prismatik, moderator grafit, dan reaktor berpendingin gas helium. Model matematis dan parameter merupakan acuan yang penting digunakan untuk melakukan suatu desain pengendali. Model kinetik reaktor nuklir yang digunakan terdiri dari model point kinetics, model thermal hydraulic, dan model reaktivitas masukan dan umpan balik ke model point kinetics. Beberapa parameter model pada reaktor nuklir sering kali tidak diketahui, oleh karena itu dilakukan estimasi model parameter menggunakan metode curve fitting nonlinear least squares. Didapatkan model yang telah dioptimasi dengan nilai akurasi dari hasil pada tingkat daya 9, 15 dan 18 MW berturut-turut yaitu sebesar 98.85%, 94.60% dan 97.95% dengan nilai RMSE masing-masing sebesar 0.0778, 0.2366 dan 0.1469. Sudah banyak sekali peneliti yang mengembangkan metode kendali untuk reaktor nuklir. Pada penelitian ini digunakan metode kendali terbaru yaitu Linear Parameter Varying Model Predictive Control (LPV-MPC). Kelebihan pada metode LPV-MPC yaitu model nonlinear dapat dibentuk dari model linear dan nonlinear dengan parameter yang bersifat varying tanpa harus menggunakan linearisasi.

---

In an era where the availability of fossil fuels is getting lower, renewable energy sources are needed. One of the plants with optimal efficiency is a nuclear power plant. The Japan Atomic Energy Agency (JAEA) started the HTTR project in 1985 with a prismatic core, graphite moderator, and a helium gas-cooled reactor. Mathematical models and parameters are important references used to carry out a controller design. The nuclear reactor kinetic model consists of a point kinetics model, a thermal hydraulic model, and an input reactivity model and feedback to the point kinetics model. Some model parameters in nuclear reactors are often unknown, therefore the parameter model estimation is carried out using the nonlinear least squares curve fitting method. The model has been optimized with accuracy values from the results at power levels of 9, 15 and 18 MW, respectively, 98.85%, 94.60% and 97.95% with RMSE values of 0.0778, 0.2366 and 0.1469, respectively. Many researchers have developed control methods for nuclear reactors. In this study, the latest control method is used, namely Linear Parameter Varying Model Predictive Control (LPV-MPC). The advantage of the LPV-MPC method is that nonlinear models can be formed from linear and nonlinear models with varying parameters without having to use linearization.

"

"Lithium-Ion Battery (LIB) masih menjadi alternatif teknologi yang efektif dalam memaksimalkan efisiensi kendaraan listrik atau Electric Vehicle (EV). Penerapan EV telah memberikan dampak yang signifikan dalam rangka mengurangi isu permasalahan global-pengurangan emisi gas karbon. Mekanisme pengisian LIB dengan metode fast-charging menjadi alternatif pengaplikasian EV dalam skala yang lebih masif. Namun, adanya dinamika pada baterai dimana fungsi kerja baterai dapat mengalami penurunan dari waktu ke waktu akan mempengaruhi kinerja baterai. Selain itu, upaya pengisian fast-charging pada LIB dengan kecepatan maksimum memberikan dampak resiko peningkatan suhu baterai dan adanya celah yang semakin besar terjadinya degradasi baterai. Pada penelitian ini diusulkan penerapan algoritma Deep Neural Network (DNN) untuk optimasi fast-charging Lithium-Ion Battery (LIB) sebagai solusi pendekatan yang inovatif dalam menanggulangi dinamika fast-charging LIB yang kompleks. Penelitian ini mengembangkan pendekatan yang integratif dengan mengombinasikan metode Quasi-Newton Limited-memory Broyden–Fletcher–Goldfarb–Shanno Bound (L-BFGS-B) dan algoritma DNN. Hasil penelitian menunjukkan bahwa metode Quasi Newton L-BFGS-B mampu menemukan solusi awal arus pengisian optimal. Metode ini mampu mempertahankan kesehatan baterai (SoH) dan kapasitasnya dengan hanya mengalami penurunan SoH sekitar 2% serta kapasitas baterai dipertahankan 98% dari kapasitas awal. Pengembangan algoritma DNN juga mampu memprediksi arus pengisian optimal berdasarkan input dari hasil optimasi Quasi-Newton L-BFGS-B. Namun, model DNN yang diterapkan menunjukkan adanya overfitting yang perlu ditangani lebih lanjut.

---

Lithium-Ion Battery (LIB) is still an effective alternative technology in maximizing the efficiency of electric vehicles (EV). The application of EVs has provided a significant impact in order to reduce the issue of global problems - reducing carbon gas emissions. The LIB charging mechanism with the fast-charging method is an alternative to the application of EVs on a massive scale. However, the dynamics of the battery where the battery work function can decrease over time will affect battery performance. In addition, fast-charging efforts at LIB with maximum speed have the impact of increasing the risk of battery temperature and the existence of a larger gap in battery degradation. This research proposes the application of Deep Neural Network (DNN) algorithm for Lithium-Ion Battery (LIB) fast-charging optimization as an innovative solution approach to address the complex dynamics of LIB fast-charging. This research develops an integrative approach by combining the Quasi-Newton Limited-memory Broyden–Fletcher–Goldfarb–Shanno Bound (L-BFGS-B) method and DNN algorithm. The results show that this approach can improve the speed and efficiency of fast-charging. The research shows that the Quasi Newton L-BFGS-B method is capable of finding an initial solution to the optimal charging current. This method is effective in maintaining battery health (SoH) and capacity by reducing SoH by only 2% and maintaining battery capacity by 98% of the initial capacity. The DNN algorithm development is further capable of predicting the optimal charging current based on inputs from the Quasi-Newton L-BFGS-B optimization results. However, the implemented DNN model shows the overfitting which should be further explored."