Prediksi Kebutuhan Arus Proteksi Pada Underground
Impressed Current Cathodic Protection (ICCP)
dengan
Menggunakan Artificial Neural Network
SIDANG
TUGAS AKHIR
RIFQI AULIA TANJUNG (2711 100 071)
Selasa, 12 Januari 2016 @MT 204
Jurusan Teknik Material dan Metalurgi
Dosen Pembimbing
Outline
Penjelasan
Apa itu Artificial Neural Network
dan bagaimana
mengaplikasikannya
Data
Data yang dimiliki dan digunakan dalam
penelitian dan juga data tersebut
didistribusi
Simulasi dan Analisa
Penjelasan bagaimana simulasi
dilaksanakan dan bagaimana
hasilnya
Latar
Belakang
Pengembangan metode baru untuk menghitung kebutuhan arus proteksi pada system ICCP
Permasalahan
|
Tujuan
•
Model ANN kebutuhan arus proteksi
•
Pengaruh struktur dan pengulangan pengujian
ANN
•
Akurasi model yang dihasilkan
Batasan
Masalah
•
Data yang digunakan adalah dalam skala laboratiorium
•
Sistem proteksi korosi yang digunakan adalah system ICCP tanah
P
E
ND
A
H
UL
U
A
Penelitian
Sebelumnya
Penelitian kebutuhan arus
proteksi ICCP telah dilakukan
sebelumnya dan telah
memiliki rumus perhitungan
di masing masing kondisi
Fact 1
Pengaruh lingkungan
terhadap kebutuhan arus
proteksi ICCP telah dilakukan
oleh Pratama dan
Ardiansyah pada tahun 2014
Fact 2
Penelitian tersebut belum
menggunakan
Artificial
Intelligent
Fact 3
AI sangat jarang digunakan
dalam bidang korosi
Fact 4
Penggunaan
ANN lebih
sering digunakan dalam
bidang ekonomi, medical,
fracture mechanic
Fact 5
Satu-satunya peneilitian
berbasi
ANN yang
mengandung bidang korosi
adalah perhitungan umur
jembatan beton pada
lingkungan korosif (Sobhania
& Ramezanianpour, 2011)
Artificial
Neural Network (ANN)
P
EN
JELAS
AN
NN
Structure
P
EN
JELAS
AN
Struktur neural network
𝑓𝑓
(
𝑥𝑥
)
=
1
Training
Illustration
P
EN
JELAS
AN
Model
Variable
P
EN
JELAS
AN
Variabel yang biasanya digunakan pada model artificial neural network
Tipe
Training
Algorithm
Layer
Perceptron
D
DATABASE
- Content
MATERIAL
KEASAMAN (PH)
PARAMETER COATING
PROTECTED AREA
(%)
SHAPE
AISI 1045 Steel
pH: 11, 7, 3
0%, 92%, 96%, 97%, 98%,
99%, 100%
Lingkaran dan persegi
24 jam hingga 184 jam dengan
interval 8 jam
Target
D
A
TA
B
A
S
E
DATABASE
- Distribusi
2105 Data
D
A
TA
B
A
S
E
DATABASE
- Normalisasi
Dilakukan agar tidak terjadi dinamisasi data yang dapat mengurangi performa NN dalam belajar
𝑁𝑁
=
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 − 𝐷𝐷
𝑚𝑚𝑚𝑚𝑚𝑚
𝐷𝐷
𝑚𝑚𝑚𝑚𝑥𝑥
− 𝐷𝐷
𝑚𝑚𝑚𝑚𝑚𝑚
Sehingga seluruh data yang
SI
M
U
LA
SI
SIMULASI
- Step by Step
SI
M
U
LA
SI
SIMULASI
- Step by Step
SI
M
U
LA
SI
SIMULASI
- Step by Step
SI
M
U
LA
SI
SIMULASI
- Step by Step
SI
M
U
LA
SI
SIMULASI
- Step by Step
SI
M
U
LA
SI
SIMULASI
- Step by Step
SI
M
U
LA
SI
SIMULASI
- Step by Step
D
A
TA
B
A
S
E
DATABASE
- Denormalisasi
Dilakukan untuk mengembalikan nilai hasil simulasi menjadi nilai aslinya
𝐷𝐷
= H ×
𝐷𝐷
𝑚𝑚𝑚𝑚𝑥𝑥
− 𝐷𝐷
𝑚𝑚𝑚𝑚𝑚𝑚
+
𝐷𝐷
𝑚𝑚𝑚𝑚𝑚𝑚
Sehingga seluruh data yang berada
dalam range 0 – 1 bisa kembali ke
HA
SI
L
HASIL
– rekap hasil simulasi
Berikut rata-rata hasil simulasi ANN di setiap jumlah neuron dalam pengulangan sebanyak sepuluh kali
Target NEURON
5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
HA
SI
L
HASIL
– AKURASI
Berikut akurasi hasil simulasi ANN di setiap jumlah neuron dalam pengulangan sebanyak sepuluh kali
HA
SI
L
HASIL
– AKURASI
Berikut akurasi hasil simulasi ANN di setiap jumlah neuron per simulasi
8%
Akurasi Linear (Akurasi)
32%
HA
SI
L
HASIL
– AKURASI
Berikut akurasi hasil simulasi ANN pada material AISI 1045
5
JUMLAH NEURON
Akurasi Linear (Akurasi)
2
