Optimasi Umur Pakai dan Efektivitas Boiler Akibat Korosi Menggunakan Algoritma Particle Swarm

Optimasi Umur Pakai dan Efektivitas Boiler Akibat Korosi

Menggunakan Algoritma Particle Swarm

Reza Setiawan1, Vera Pangni Fahriani2, Sugeng Riyadi3

1,3

Prodi Teknik Mesin, Fakultas Teknik, Universitas Singaperbangsa Karawang, Karawang

2

Prodi Teknik Kimia, Fakultas Teknik, Universitas Singaperbangsa Karawang, Karawang *Koresponden email: reza.setiawan@ft.unsika.ac.id

Diterima: 20 Desember 2020 Disetujui: 4 Januari 2021

Abstract

One of the causes of boiler pipe breakage is corrosion. The prediction of the lifetime of the tube and superheater effectiveness on the boiler shall be calculated to determine and predict the failure time. The prediction of the lifetime of the tube is a prediction of the time of the failure of the superheater tube in the boiler so that the return can be performed. The effectiveness of the superheater in the boiler is a comparison of the heat transfer rate of the overheated tubes inside the boiler. The research method was research and development, a computational program using an optimization process. The variables used in the study were steam input temperature, metal tube temperature, steam outlet temperature, natural gas input temperature, natural gas mass flow rate, vapour mass flow rate, and natural gas outlet temperature. This study takes a case study of the superheater boiler from the company. The results of calculation of the life expectancy of the operating conditions shall be 11 years when the boiler data sheet is used and 14 years for using the actual boiler data. Superheater effectiveness in boilers with 56% is a data sheet on boilers and 56% of the actual data. Optimization of the particle swarm algorithm predicted a 29 year lifespan. The effectiveness of the superheater in the boiler is 86%.

Keywords: optimization, particle swarm algorithm, superheater effectiveness, lifetime of tube prediction, superheater tube

Abstrak

Salah satu penyebab kegagalan pada tube boiler adalah korosi. Prediksi lifetime of tube dan efektivitas superheater pada boiler perlu dihitung untuk mengetahui dan memprediksi waktu kegagalan tube boiler. Prediksi lifetime tube merupakan prediksi waktu kegagalan tube superheater pada boiler agar bisa dilakukan retubing. Efektivitas superheater pada boiler merupakan perbandingan laju perpindahan panas

tube superheater pada boiler. Metode penelitian yang dipakai adalah research and development program

komputasi menggunakan proses optimasi. Variabel penelitian ini adalah temperatur masuk steam, metal

tube temperature, temperatur keluar steam, temperatur masuk natural gas, mass flow rate natural gas, mass flow rate steam, dan temperatur keluar natural gas. Penelitian ini mengambil studi kasus boiler

bagian superheater dari perusahaan. Hasil perhitungan manual prediksi lifetime of tube menggunakan kondisi operasi yang terjadi adalah 11 tahun jika menggunakan data sheet boiler dan 14 tahun jika mengunakan data aktual boiler. Efektivitas superheater pada boiler dengan data sheet boiler 56% dan pada data aktual 56%. Hasil optimasi algoritma particle swarm adalah prediksi lifetime of tube 29 tahun. Efektivitas superheater pada boiler sebesar 86%.

Kata Kunci: optimasi, algoritma particle swarm, efektivitas superheater, prediksi lifetime tube, tube superheater

1. Pendahuluan

Boiler atau ketel uap adalah suatu bejana atau wadah yang di dalamnya berisi air atau fluida lain

untuk dipanaskan. Boiler dipakai di pembangkit listrik dan perusahaan yang membutuhkannya [1]. Boiler berfungsi untuk mengubah air menjadi uap superheat yang bertemperatur dan bertekanan tinggi. Proses memproduksi uap ini disebut steam raising atau pembuat uap. Unit atau alat yang digunakan untuk membuat uap disebut boiler atau lebih dikenal dengan steam generator atau pembangkit uap [2]. Salah satu komponen dalam boiler yang dapat mempengaruhi performa kerja adalah tube-tube pada boiler. Terjadinya kegagalan pada tube-tube boiler maka akan menyebabkan dampak yang besar bagi performa

Gambar 1. Boiler

Sumber: [3]

Kegagalan pada tube-tube ini perlu dicegah dan diminimalkan sekecil mungkin atau zero failure. Cara untuk melakukannya adalah dengan melihat parameter-parameter yang mempengaruhi atau menyebabkan kegagalan tube-tube pada boiler. Prediksi lifetime sangat diperlukan untuk memberikan prediksi waktu sebuah tube pada boiler akan mengalami kegagalan. Ketika waktu tersebut diketahui maka kita akan tahu kapan untuk melakukan retubing pada boiler agar menghindari mematikan pembangkit listrik secara tidak terduga akibat kegagalan tube-tube pada boiler. Efektivitas superheater pada boiler merupakan salah satu parameter untuk mengukur peforma boiler. Efektivitas superheater pada boiler juga terpengaruh pada kondisi operasional tube boiler.

Semakin baik kondisi tube maka efektivitas superheater pada boiler semakin baik. Kegagalan pada

tube boiler juga membuat efektivitas superheater pada boiler menjadi turun. Sehingga metode penentuan life time (sisa umur pakai) yang dipakai berdasarkan ketebalan tubing yang disebabkan corrosion rate [4].

Parameter prediksi lifetime tube dan efektivitas superheater pada boiler dapat dicari titik optimalnya dengan melakukan optimasi. Salah satu cara optimasi yaitu menggunakan algoritma particle swarm dengan software Matlab. Hasil optimasi ini bisa menjadi rekomendasi yang bisa diimplementasikan di dunia industri terkait boiler dengan kasus dan kondisi yang sama. Menghitung prediksi life time atau

remaining life pada tube akibat dari korosi yang dapat menyebabkan kegagalan tube dapat diperoleh

dengan mengetahui pengurangan ketebalan tube dan laju korosi rata-ratanya [5]. Skema proses korosi dapat dilihat pada Gambar 2.

Berbagai studi tentang optimisasi proses termal menggunakan algoritma cerdas telah banyak dilakukan. Studi optimasi dilakukan pada shell-and-tube heat exchanger fluida cair ke cair untuk mendapatkan harga termurah menggunakan kombinasi metode Bell-Delaware dan algoritma genetika. Hasil optimasi menghasilkan penurunan total harga sebesar 28,83 % pada studi kasus pertama dan 52,56 % pada studi kasus kedua jika dibandingkan dengan total harga dari desain asli [7].

Gambar 2. Skema proses korosi pada tube boiler

Sumber: [6]

Optimasi terhadap termal dan konsumsi listrik pada heat exchanger juga dilakukan menggunakan kombinasi metode Bell-Delaware dan algoritma ant colony. Hasil didapatkan terjadi penurunan biaya total sebesar 10,6 % pada studi kasus pertama dan 41,6 % pada studi kasus kedua dari data asli desain [8]. Optimasi dilakukan pemanasan awal drum boiler menggunakan simulasi dinamik dan algoritma genetika mikro.

Hasil penelitian menunjukan dapat mempersingkat pemanasan awal drum boiler 35 % lebih cepat dari sebelumnya [9]. Optimisasi pada boiler tua 200 MW berbahan batubara dengan penginjeksian urea menggunakan algoritma mahine learning untuk mendapatkan pembangkit listrik yang lebih bersih [10]. Studi optimasi juga dilakukan pada skema pembakaran boiler berbahan batubara berdasarkan informasi entropi dan algoritma K-prototipe termodifikasi [11]. Optimisasi boiler berbasis online dilakukan menggunakan metode Grey-Relational Theory (GR-CBR). Hasilnya mampu mengoptimasi pembakaran

boiler secara real-time untuk meningkatkan efisiensi boiler dan mereduksi emisi NOx [12]. Optimasi

menggunakan Computational Fluid Dynamic (CFD) dapat dilakukan pada komponen boiler.

Pada manifold udara boiler, penggunaan CFD digunakan untuk optimasi boiler berbahan bakar biomassa. Variabel kunci optimasi yang digunakan adalah entropi dan penurunan tekanan yang terjadi [13]. Optimasi pada pemanasan area menggunakan boiler dilakukan optimasi menggunakan optimasi multi objek. Proses optimasi menghasilkan konsumsi gas alam yang lebih efektif [14]. Optimasi boiler pada proses kompleks industri logam dilakukan untuk meminimalisasi konsumsi gas alam dan memaksimalkan efisiensi. Proses pemodelan menggunakan perlengkapan operasional karakteristik energi. Hasil optimasi didapatkan dapat menurunkan 5% konsumsi gas alam [15].

2. Metode Penelitian

Metode penelitian ini adalah research and development program komputasi. Metode ini merupakan metode penyelesaian penelitian dengan cara melakukan pembuatan dan pengembangan program komputasi melalui software Matlab untuk membuat script program perhitungan dan optimasi algoritma

particle swarm terhadap prediksi lifetime tube dan efektivitas boiler. Program komputasi ini dilakukan

dengan sampel berdasarkan studi kasus boiler bagian superheater disalah satu perusahaan. Pembuatan program selesai maka bisa digunakan untuk perhitungan pada studi kasus tersebut. Diagram alir penelitian ini merupakan kerangka berpikir dalam menyelesaikan penelitian dari awal sampai dengan selesai. Diagram alir penelitian dari awal sampai akhir dapat dilihat pada Gambar 3.

MULAI

Identifikasi Masalah

Studi Literatur

Pengambilan Data

Data Desain - Data sheet boiler Data aktual

- Inspeksi terakhir

boiler - Log sheet boiler

Kapasitas Panas (C)

Laju Perpindahan Panas Aktual (Qact)

Laju Perpindahan Panas Maksimum (Qmaks)

Efektivitas Boiler (ɛ)

Pengolahan Data

Tekanan Pada Tube (Pr)

Tegangan Rupture Tube (σr)

Ketebalan Tube Akibat Tegangan (δσ )

Ketebalan Minimum Tube (δmin)

Corrosion Rate (CR)

Prediksi Lifetime Tube

Script Algoritma

Genetika

Optimasi Algoritma Genetika

SELESAI Hasil Dan Analisa Hasil

No No

Yes

Kesimpulan

Gambar 3. Diagram alir penelitian

Sumber: Rancangan penelitian, 2020

3. Hasil dan Diskusi

Hasil penelitian ini memperbaiki atau mencari hasil optimasi terbaik untuk prediksi lifetime of tube dan efektivitas superheater pada boiler dengan acuan fungsi (y) dan variabel (x). Hasil optimasi kemudian dibandingkan dengan hasil perhitungan manual, perhitungan software, dan hasil optimasi algoritma particle swarm. Hasil penelitian ini dapat membandingkan antara hasil perhitungan manual, software Matlab dan optimasi algoritma

particle swarm. Perbandingan ini untuk melihat perbandingan hasil perhitungan.

Tabel 1. Perbandingan perhitungan manual, software Matlab dan optimasi particle swarm

Persamaan Manual (Desain) Matlab (Desain) Manual (Aktual) Matlab (Aktual) Optimasi Particle Swarm Cpc (J/kg.K) 2.756 2.765 2.856 2.804 2.680 Cph (J/kg.K) 1.400 1.406 1.403 1.403 1.355 mc (kg/s) 28 28 20 20 19 mh (kg/s) 33 33 18 18 33 Ch (W/K) 46.329 46.334 25.205 25.203 44.430 Cc (W/K) 77.539 77.538 56.208 55.176 30.658 Qact (W) 27.611.859 27.615.000 15.009.615 15.008.000 40.207.000

Persamaan Manual (Desain) Matlab (Desain) Manual (Aktual) Matlab (Aktual) Optimasi Particle Swarm Qmaks (W) 49.256.591 49.262.000 26.685.861 26.683.000 45.583.000 ɛ (%) 56 56 56 56 88 Pr (MPa) 4,742 4,742 4,207 4,207 3,966 σr (MPa) 51,000 50,400 51,000 50,400 62,000 𝛿𝜎 (mm) 1,9 2,0 1,8 1,8 1,4 𝑛 4,23 4,23 4,23 4,23 4,25 𝛿𝑚𝑖𝑛 (mm) 1,9 2,0 1,8 1,8 1,4 CR (mm/thn) 0,08 0,08 0,08 0,08 0,08 Re-Lifetime (Tahun) 11,47 11,18 14,24 13,96 19,17

Full Lifetime (Tahun) 25,49 25,1764 28,25 27,96 -

Sumber: Data hasil penelitian, 2020

Gambar 3. Perbandingan hasil data sheet, aktual dan optimasi particle swarm

Sumber: Data hasil penelitian, 2020

Tabel 1 dan Gambar 3 dapat dijelaskan bahwa hasil efektivitas superheater pada boiler memiliki hasil

perhitungan antara data sheet dan aktual boiler adalah 56 % dan 56 %. Hasil optimasi algoritma particle swarm sebesar 88,21%, maka peningkatan efektivitas superheater pada boiler sebesar + 36 %. Remaining lifetime of tube antara data sheet dan aktual boiler adalah 11 tahun dan 14 tahun. Data aktual memiliki hasil lebih lama + 3 tahun karena kondisi aktual disesuaikan dengan kebutuhan lapangan, sedangkan kondisi desain dilakukan pada kondisi maksimal boiler. Hasil optimasi algoritma particle swarm sebesar 19 tahun, maka peningkatan remaining lifetime of

tube dari data aktual sebesar 5 tahun. Peningkatan ini dikarenakan variabel optimasi yang bergerak ke lower bound

dan diantara bound. Laju korosi rata-rata pertahun dari tube sebesar 0,78 mm/tahun. Laju korosi termasuk kecil, hal ini dikarenakan air atau feed water pada tube sudah diperlakukan sedemikian rupa agar air tidak mengandung mineral atau zat lain yang dapat bereaksi dengan logam sehingga menyebabkan korosi.

Hasil dari penelitian dari studi kasus tentang boiler bagian superheater di perusahaan ini dapat dianalisa prediksi lifetime of tube dan efektivitas boiler bagian superheater. Hasil perhitungan manual menggunakan data

sheet, prediksi lifetime of tube secara remaining dan fulltime 11 dan 25 serta efektivitas boler 56 %. Perhitungan software menggunakan data sheet, prediksi lifetime of tube secara remaining dan fulltime 11 dan 25 serta efektivitas

boler 56 %. Jika berdasarkan inspeksi terakhir boiler 2019, maka prediksi lifetime of tube boiler berdasarkan data

sheet bagian superheater berakhir pada Tahun 2030. Sedangkan perhitungan manual menggunakan data aktual,

prediksi lifetime of tube secara remaining dan fulltime 14 tahun dan 28 serta efektivitas boler 56 %. Perhitungan

software menggunakan data aktual, prediksi lifetime of tube secara remaining dan fulltime adalah 14 dan 28 serta

efektivitas boler 56 %. Jika berdasarkan inspeksi terakhir boiler 2019, maka prediksi lifetime of tube boiler berdasarkan data aktual bagian superheater berakhir pada tahun 2033.

Hasil data sheet boiler menunjukkan hasil lebih rendah dari pada data aktual dalam hal efektivitas boiler,

remaining lifetime of tube, full lifetime of tube dikarenakan perhitungan data sheet dalam kondisi beban kerja

maksimal yang terjadi pada boiler bagian superheater, sedangkan data aktual disesuaikan dengan kebutuhan lapangan. Perbedaan hasil perhitungan pada software terjadi karena sistem hasil yang menuliskan 4 angka setelah tanda koma pada hasil serta sistem eksponen sehingga hasilnya menjadi berbeda dengan perhitungan manual. Hasil

0 20 40 60 80 100 Manual Data Sheet

Software Matlab Manual Data Aktual

Software Matlab Optimasi GA

optimasi penghubung algoritma particle swarm. Program tersebut sudah terbukti dapat digunakan untuk menyelesaikan perhitungan dan optimasi studi kasus yang ada di boiler bagian superheater di perusahaan script program dibuat dengan mengitu alur dari perhitungan manual dengan penambahan logic statement sehingga program menjadi lebih fleksibel.

Hasil optimasi algoritma particle swarm menunjukkan prediksi lifetime of tube secara remaining yaitu 19 tahun dan efektivitas superheater pada boiler 88 %. Jika inspeksi boiler terakhir 2019, maka prediksi lifetime of tube

boiler bagian superheater berakhir pada Tahun 2038. Hasil tersebut menunjukkan bahwa prediksi lifetime of tube

berbanding terbalik dengan efektivitas boiler. Hal ini terjadi karena keduanya beririsan dengan variabel Tc_in atau

steam inlet temperature side tube. Jika nilai Tc_in kecil maka nilai tekanan rupture kecil, tekanan rupture kecil

maka lifetime of tube naik sedangkan jika Tc_in kecil maka laju perpindahan panas maksimal menjadi besar, laju perpindahan panas maksimal besar maka efektivitas boiler turun sehingga hubungan ini menjadi terbalik. Hasil terbaik disini sebagian variabel berada di titik bawah, tengah dan atas. Variabel 1, 2, dan 7 berada pada titik terbawah (lower bound), sedangkan variabel 3 dan 6 berada diantara bound serta variabel 4 dan 5 berada pada titik teratas (upper bound). Hasil keduanya optimum tetapi optimasi memberikan nilai variabel yang berada pada lower dan upper bound. Variabel yang variatif atau berada diantara bound menghasilkan salah satu yang paling optimum antara prediksi lifetime of tube dan efektivitas boiler. Jika memilih optimum pada prediksi lifetime of tube dengan variabel yang berada diantara bound, maka hasil optimum efektivitas boiler menjadi turun dan berlaku sebaliknya.

Rekomendasi yang dapat diberikan terhadap boiler bagian superheater milik perusahaan sebagai hasil dari pembuktian studi kasus dengan program optimasi algoritma particle swarm adalah Tc_in 523 K, Tskin 520oC, Tc_out 707,58 K, Th_in 1549 K, mh 32,79 kg/s, mc 18,90 kg/s, Th_out 644 K untuk menghasilkan lifetime of tube sebasar 19,17 (19 tahun 2 bulan 1 hari 4 jam) dan efektivitas superheater pada boiler 88,21%. Jika inspeksi boiler terakhir 2019, maka prediksi lifetime of tube boiler bagian superheater berakhir pada Tahun 2038.

4. Kesimpulan

Kesimpulan yang didapat dari penelitian efektivitas dan prediksi lifetime of tube boiler bagian

superheater adalah hasil perhitungan manual data sheet prediksi lifetime of tube secara remaining dan fulltime 11 tahun dan 25 tahun serta efektivitas boiler 56%. Perhitungan software data sheet prediksi lifetime of tube secara remaining dan fulltime 11 tahun dan 25 tahun serta efektivitas boiler 56%. Inspeksi

terakhir boiler 2019, maka prediksi lifetime of tube boiler bagian superheater berakhir pada Tahun 2030. Perhitungan manual data aktual prediksi lifetime of tube secara remaining dan fulltime 14 tahun dan 28 tahun serta efektivitas boler 56 %. Perhitungan software data aktual prediksi lifetime of tube secara

remaining dan fulltime adalah 14 tahun dan 30 serta efektivitas boler 56 %.

Inspeksi terakhir boiler 2019, maka prediksi lifetime of tube boiler bagian superheater berakhir pada Tahun 2033. Script program komputasi Matlab berupa program perhitungan software dan optimasi penghubung algoritma particle swarm telah dibuat dan dibuktikan pada studi kasus boiler bagian

superheater. Hasil terbaik dari optimasi algoritma particle swarm pada prediksi lifetime of tube dan

efektivitas boiler bagian superheater dengan menggunakan 7 variabel optimasi mendapatkan hasil terbaik Tc_in 523 K, Tskin 520 oC, Tc_out 707 K, Th_in 1549 K, mh 32,79 kg/s, mc 18,90 kg/s, Th_out 644 K untuk menghasilkan lifetime of tube sebasar 19 tahun dan efektivitas superheater pada boiler 88 %.

Jika inspeksi boiler terakhir 2019, maka prediksi lifetime of tube boiler bagian superheater berakhir pada Tahun 2038. Rekomendasi yang bisa diberikan kepada perusahaan adalah Tc_in 523 K, Tskin 520 o

C, Tc_out 708 K, Th_in 1549 K, mh 32,79 kg/s, mc 18,90 kg/s, Th_out 644 K untuk menghasilkan

lifetime of tube sebasar 19 tahun dan efektivitas superheater pada boiler 88 %. Jika inspeksi boiler

terakhir 2019, maka prediksi lifetime of tube boiler bagian superheater berakhir pada Tahun 2038.

5. Ucapan Terima kasih

Penulis mengucapkan terima kasih kepada Kementerian Riset Dan Teknologi /Badan Riset Dan Inovasi Nasional Deputi Bidang Penguatan Riset dan Pengembangan atas dukungannya untuk mendanai penelitian melalui program Penelitian dan Pengabdian kepada Masyarakat tahun 2020 dengan skema Penelitian Dosen Pemula dengan Surat Keputusan No. 067/SP2H/LT/DRPM/2020 Dan Perjanjian Kontrak No. 53/SP2H/UN64.10/PP/2020.

6. Singkatan

Lambang Keterangan

ɛ Efektivitas boiler (%)

𝜹𝝈 Ketebalan tube akibat tegangan (mm) 𝜹_𝒎𝒊𝒏 Ketebalan minimum tube (mm) Cc Kapasitas panas fluida dingin (W/K) Ch Kapasitas panas fluida panas (W/K) Cpc Panas spesifik fluida dingin (J/kg.K) Cph Panas spesifik fluida panas (J/kg.K) CR Laju korosi rata-rata per tahun (mm/thn) mc Laju aliran massa fluida dingin (kg/s) mh Laju aliran massa fluida panas (kg/s)

n Rupture exponent

Pr Tekanan di dalam tube pada rupture (MPa) Qact Laju perpindahan panas aktual (W)

Qmaks Laju perpindahan panas maksimum (W) Tc_in Temperatur fluida dingin masuk (K) Tc_out Temperatur fluida dingin keluar (K) Th_in Temperatur fluida panas masuk (K) Th_out Temperatur fluida panas keluar (K) Tskin Temperatur permukaan (K)

7. Referensi

[1] H. C. Hasibuan, F. H. Napitupulu, ”Analisa Pemakaian Bahan Bakar Dengan Melakukan Pengujian Nilai Kalor Terhadap Perfomansi Ketel Uap Tipe Pipa Air Dengan Kapasitas Uap 60 Ton/Jam,” J.

e-Dinamis, vol. 4 (4), pp. 239-243, 2013.

[2] E. Yendri, Pengoperasian Boiler Edisi 1, Suralaya, Indonesia: PLN Corporate University, 2013 [3] M. Pronobis, Environmentally Oriented Modernization of Power Boilers, Amsterdam, Netherlands:

Elsevier, 2020.

[4] B. Wijonarko, “Analisa Keandalan Antara Metode Iterasi Dan Konvensional Dalam Evaluasi Sisa Umur Pakai Tubing Boiler berbasis Material SA213-T2,” Tesis Universitas Indonesia, Depok, Indonesia: Universitas Indonesia, 2012.

[5] API 570, Piping Inspection Code: In-service Inspection, Rating, Repair, and Alteration of Piping

Systems, 4rd ed. Washington, US: American Petroleum Institute, 2016.

[6] D. Jiang, H. Xu, H. I. Khan, Z. Zhu, B. Deng, N. Zhang, “Transport of Corrosion Products In The Steam-Water Cycle of Supercritical Power Plant,” Journal Applied Thermal Engineering, vol. 113, pp. 1164-1169, 2017.

[7] R. Setiawan, F. Hrdlička, P. S. Darmanto, V. P. Fahriani, S. R. Pertiwi, “Thermal Design Optimization of Shell-and-Tube Heat Exchanger Liquid to Liquid to Minimize Cost using Combination Bell-Delaware Method and Genetic Algorithm,”J. of Mechanical Engineering

Science and Technology (JMEST), vol. 4 (1), pp. 14-27, 2020.

[8] R. Setiawan, R. Hidayat, “Optimasi Termal-Konsumsi Listrik Heat Exchanger Berbasis Kombinasi Metode Bell-Delaware dan Algoritma Ant Colony,” Barometer, vol. 4 (1), pp. 155-162, 2019. [9] E. Rosado-Tamariz, M. A. Zuniga-Garcia, R. Batres, “Optimization of a drum boiler startup using

dynamic simulation and a micro-genetic algorithm,” The 6th International Conference on Power

and Energy Systems Engineering (CPESE 2019), September 20–23, 2019, Okinawa, Japan.

[10] D. Strušnik, M. Agrež, J. Avsec, M. Golob, “Optimisation of an old 200 MW coal-fired boiler with urea injection through the use of supervised machine learning algorithms to achieve cleaner power generation,” J. of Cleaner Production, vol. x, pp. 1-19, 2020.

[11] H. Gu, H. Zhu, Y. Cui, F. Si, R. Xue, H. Xi, J. Zhang, “Optimized scheme in coal-fired boiler combustion based on information entropy and modified K-prototypes algorithm,” Results in

Physics, vol. 9, pp. 1262-1274, 2018.

[12] Y. Niu, J. Kang, F. Li, W. Ge, G. Zhou, " Case-based reasoning based on grey-relational theory for the optimization of boiler combustion systems," ISA Transactions, vol. 103, pp. 166-176, 2020. [13] V. Bianco, M. Szubel, B. Matras, M. Filipowicz, K. Papis, S. Podlasek, "CFD analysis and design

optimization of an air manifold for a biomass boiler," Renewable Energy, vol. 163, pp. 2018-2028, 2021.

[14] H. Dorotić, T. Pukšec, N. Duić, " Analysis of displacing natural gas boiler units in district heating systems by using multi-objective optimization and different taxing approaches,"Energy Conversion

and Management, vol. 205, 2020.

[15] K. L. Sergeevich, K. O. Valerevna, T. A. Dmitrievna, " A Method for Steam Boilers Load Optimization,", IFAC-PapersOnLine, vol. 51, pp. 765-769, 2018.