INTEGRASI
PANAS
TEKNIK
MITAGASI
FOULING
TEKNIK
OPTIMASI
Latar
Belakang
Permasalahan dari Tugas Akhir ini adalah
Bagaimana Cara Mengoptimasi Jadwal Pembersihan HEN menggunakan PSO
Menentukan
Jadwal Pembersihan HEN yg Optimum
Menggunakan PSO.
1. Pekerjaan ini fokus pada optimasi jadwal
pembersihan HEN menggunakan metode PSO
2. Model HEN dan resistansi fouling yang telah
divalidasi menggunakan desertasi sebelumnya *
3. Fungsi tujuan optimasi jadwal pembersihan HEN
merujuk pada peneli sebelumnya *
4. Nama perusahaan dan minyak mentah tidak
Definisi :
Suatu kumpulan dari HE dalam satu sistem
Fungsi dari HEN adalah untuk memulihkan panas fluida sebelum masuk ke
• Fouling merupakan pembentukan lapisan deposit pada HE yang mengakibatkan performance HE menurun.
• Perumusan masalah optimasi pembersihan HEN dirumuskan untuk menghemat penggunaan energi dan biaya pemeliharan semaksimal mungkin.
• Perumusan fungsi tujuan dibagi dalam 2 katagori 1. Memaksimalkan pemulihan panas
2. Meminimalisir energi yang hilang ketika beroperasi
Salah satu fungsi tujuan yang telah dirumuskan oleh peneliti sebelumnya
tf
Nc
j
c
j
x
m
F
E
Q
t
C
t
C
t
dt
C
C
Obj
0
{
(
)
(
)
(
)}
,
Keterangan:Q = Biaya energi ekstra yang disebabkan fouling
,Cx = Biaya pemeliharaan dan biaya energi yg hilang
Nc = Interval pembersihan HE dari 0 - TF
• Optimasi merupakan suatu tindakan yang mengakibatkan suatu perubahan ke arah yang labih baik dari pada sebelumnya.
• Particle swarm optimization (PSO) ialah teknik komputasi evolusioner yang dikembangkan oleh Kennedy dan Eberhart pada tahun 1995.
merupakan sekumpulan partikel yang membentuk populasi sosial atau sering digambarkan dengan sekumpulan burung pada suatu populasi sosial.
• Parameter PSO terdiri dari ukuran jumlah partikel, fungsi tujuan, Pbest, Gbest, faktor inersia, Posisi partikel dan Kecepatan Partikel
x x x x x x x x x x x x x x x x xxxxxxxx
Persamaan perpindahan panas
Keterangan :
Q = Heat Duty (W)
Ua = Nomor Penukar Panas
A = Heat Transfer Area (m2)
F = LMTD Correction Factor
ΔTLM = Log Mean Temperature Difference (LMTD) (oC)
Q = Ua A F ΔTLM Persamaan LMTD
o c i h i c o h o c i h i c o h T T T T T T T T LMTD , , , , , , , , lnPersamaan koefesien perpindahan panas
Keterangan :
Rf,i = Resistansi Fouling bagian dalam
Rf,o = Resistansi Fouling bagian luar
hi = Koefisien perpindahan panas tube-side film
ho = Koefisien perpindahan panas shell-side film
Ua = Koefisien perpindahan panas keseluruhan
kw = Konduktifitas panas dari dinding tube
do = Diameter terluar dari tube
di = Diameter dalam dari tube
o o f, w i o o i i f, o i i o a h 1 R 2k d d ln d d R d h d d U 1
Solusi model penukar panas yang diasumsikan dalam keadaan steady state
Dengan nilai k1 dan k2
c p c h p h
c
m
c
m
k
, , 1
h p hc
m
UA
k
, 2
• Pemodelan fouling menggunakan persamaan sigmoidal boltzmann
• Penurunan tekanan aliran fluida dipengaruhi oleh ketebalan resistansi foulant dan laju aliran massa fluida
f pp
q
W
Keterangan :q = Volme laju aliran fluida
Wp = Besar usaha pompa bekerja
Δpf = Penurunan tekanan saat kondisi kotor
Δpc= Penurunan tekanan saat kondisi bersih (Datasheet)
Keterangan :
CE = Biaya energi
CCl = Biaya pembersihan
Cp = Biaya dari pompa yang bekerja
NE = Jumlah penukar panas dalam HEN
Nc, n = Jumlah pembersihan HE untuk n tahun pada periode operasi yang diberikan
Ntf = Jumlah hari (Waktu Horizon)
= Perpindahan panas dalam n pada waktu t dalam kondisi bersih
c = Perpindahan panas dalam n pada waktu t dengan jadwal pembersihan
Wp = Kinerja pompa yang bertambah
Y = Status dari masing-masing HE, 1 jika unit bekerja dan 0 jika unit tidak bekerja
n = 1,2 … NE nomor penukar panas
E tf E c,n E f 1 1 , p 1 1 Cl, , , 1 1 , , , E n c, ) 1 (J
min
N n N t Pn t N n N J n j nt N n N t n t wcl t n cl t n Q y C y C W Q C t NJumlah partikel yang digunakan untuk mengoptimasi jadwal pembersihan
ditentukan berdasarkan hasil yang lebih baik. Dimensi dalam PSO digunakan untuk mewakili periode pembersihan dari masing – masing penukar panas.
Gambar. 6 Grafik nilai fitness dari fungsi tujuan optimasi
Gambar 6 merupakan grafik dari hasil perhitungan fungsi tujuan (fitness) menggunakan 25 partikel dengan 100 iterasi.
Nilai fitness merupakan jumlah biaya pemulihan energi, biaya pembersihan, dan biaya pompa bekerja. Kondisi konvergen didapatkan ketika nilai fitness berkisar 1.32 x 107 ketika iterasi ke 54.
Optimasi jadwal pembersihan jaringan penukar panas (HEN) dilakukan selama periode 44 bulan. Posisi terbaik keseluruhan partikel atau disebut dengan Gbest dari hasil optimasi jadwal pembersihan HEN
direpresentasikan pada table 1
E-01 E-02 E-03 E-04 E-05 E-06 E-07 E-08 E-09 E-10 E-11 16 24 28 9 5 9 28 5 9 5 24
E-01 E-02 E-03 E-04 E-05 E-06 E-07 E-08 E-09 E-10 E-11 2 1 1 4 8 4 1 8 4 8 1
TABEL I
Posisi Terbaik Keseluruhan Partikel (Gbest)
TABEL II
Resistansi fouling setiap penukar panas memiliki nilai yang berbeda, hal ini disebabkan oleh kecepatan fluida dan suhu pada dinding atau film
bervariasi.
Gambar. 9 Resistansi fouling penukar panas saat kondisi kotor
Dapat diketahui bahwa resistansi fouling tertinggi terjadi pada penukar panas E-05 sedangkan resistansi fouling terendah terjadi pada penukar panas E-10.
0 5 10 15 20 25 30 35 40 45 1 101 201 301 401 501 601 701 801 901 1001 1101 1201 1301 W pum p (W k) Waktu (Hari)
Kondisi Bersih Kondisi kotor Kondisi Jadwal Pembersihan
Gambar. 10 Profil kinerja pompa di HE-01 setelah dilakukan optimasi jadwal pembersihan.
Proses Pembersihan
Proses Pembersihan
profil kinerja pompa setelah dilakukan optimasi pembersihan, kinerja pompa mendekati saat kondisi kinerja pompa dalam keadaan bersih tanpa adanya resistansi fouling.
Perubahan profil koefesien perpindahan panas mengikuti jadwal
pembersihan penukar panas. Penukar panas setelah dilakukan proses pembersihan diasumsikan kembali ke kondisi saat penukar panas dalam keadaaan bersih tanpa fouling.
Gambar 4.8 Profil koefisien perpindahan panas HE-01 setelah dilakukan optimasi
Proses Pembersihan
Tingkat perpindahan panas atau heat duty dipengaruhi oleh koefesien perpindahan panas dan perubahan nilai log mean temperature difference (LMTD).
Gambar. 11 Heat duty dalam kondisi bersih, kotor, dan setelah di optimasi
Hasil perubahan heat duty untuk HE-01 direpresentasikan pada gambar 11. Grafik heat duty HE- 01 dalam kondisi kotor mengalami penurunan dari waktu ke waktu 0 10 20 30 40 50 60 70 80 90 1 101 201 301 401 501 601 701 801 901 1001 1101 1201 1301 Pe rpi ndaha n Pa nas K es el uruhan (M W ) Waktu(Hari)
Penghematan Ekonomi = ( RE(cs) - RE(f) ) - ( CC(cs) – CC(f) ) - ( PC(cs) – PC(f) ) Keterangan;
RE = Energi yang dipulihkan CC = Biaya pembersihan
PC = Biaya dari pompa yang bekerja cs = Kondisi cleaning schedule
f = Kondisi kotor
• Total Penghematan Ekonomi yang dicapai dalam tugas akhir ini adalah $ 1.236 juta dolar USD
Kondisi Recovered Energy ($) Cleaning cost ($) Pumping cost ($) Bersih 23.437.800 0 236.909 Kotor 18.570.433 0 596.365 Cleanning Schedul 21.138.727 1.478.400 449.504 TABEL III
Perbandingan Optimasi jadwal pembersihan HEN menggunakan metode PSO dengan metode preventive maintenace
No. Optimasi dengan PSO Preventive Maintenance
1. Cenderung digunakan
untuk optimasi kinerja Cenderung digunakanuntuk Reability
2. Jadwal perawatan
tergantung dari prediksi dari pemodelan yang
dibuat
Jadwal perawatan tergantung dari umur dari
peralatan 3. Jadwal perawatan tidak
teratur, tergantung dari prediksi dari pemodalan
yg dibuat
Jadwal perwatan tertatur, tergantung dari umur
peralatan tersebut
1. Pengoptimasian Jadwal pembersihan jaringan penukar panas dilakukan berdasarkan pemodelan HEN, Resistansi Fouling, dan perumusan fungsi tujuan
2. Jadwal pembersihan dari masing – masing HE setelah dilakukan optimasi menggunakan PSO dalam periode 44 bulan adalah HE-01(16), HE-02(24), HE-03(28), HE-04(9), HE-05(5), HE-06(9), HE-07(28), HE-08(5), HE-09(9),
HE-10(5), HE-11(24).
3. Penghematan ekonomi yang dihasilkan selama 44 bulan setelah dilakukan optimasi adalah $ 1.236 juta dolar USD.