(B. Teknologi) Pengembangan Teknologi Deteksi Kebocoran Pipa pada Aliran Dua Phase Gas-Cair (Gas-Liquid Twophase Flow) Menggunakan Kecerdasan Buatan (Artificial Neural Networks)

Santoso, Budi (2012) (B. Teknologi) Pengembangan Teknologi Deteksi Kebocoran Pipa pada Aliran Dua Phase Gas-Cair (Gas-Liquid Twophase Flow) Menggunakan Kecerdasan Buatan (Artificial Neural Networks). .

[img] Microsoft Word (kebocoran pipa, aliran plug, aliran dua fase, fluktuasi beda tekanan, jaringan syaraf tiruan) - Published Version
Download (27Kb)

    Abstract

    Jaringan perpipaan adalah bagian penting dari infrastruktur transportasi fluida dan deteksi kebocoran pipa pada aliran dua fase menggunakan parameter aliran (debit dan tekanan) masih sangat jarang diteliti. Pengetahuan pola aliran merupakan hal sangat penting dalam studi aliran dua fase. Ketika fluida dua fase hadir dalam sebuah aliran di dalam pipa maka dapat memberikan pola aliran yang berbeda dan karakteristik slip antar fase. Hal ini sangat meningkatkan ketidakpastian dalam deteksi kebocoran, dimana harus menentukan karakteristik (pola aliran) sebelum suatu titik kebocoran dapat dikenali. Diskontinyu kecepatan superfisial cairan dan gas yang ditimbulkan pada titik kebocoran memperlihatkan indikasi sangat nyata dari suatu kebocoran. Perubahan kecepatan superfisial gas dan cairan juga mengubah liquid holdup dan mengakibatkan perubahan besarnya penurunan tekanan. Sebuah sistem yang berdasar pada Jaringan Syaraf Tiruan (JST) diajukan untuk mendeteksi kebocoran pipa aliran dua fase plug dengan menggunakan pengukuran beda tekanan. Campuran air-udara dialirkan pada pipa horisontal berdiameter (D) 24 mm dan kebocoran buatan dilakukan dengan selenoid valve pada posisi bagian bawah pipa. Differential pressure transducer (DPT) diletakan sebelum dan sesudah posisi kebocoran dan dihubungkan dengan peralatan data akuisisi kecepatan tinggi. Sinyal fluktuasi beda tekanan yang terekam sebagai data random time series. dianalisis menggunakan Power Spectral Density (PSD). Empat belas parameter karakteristik dari kurva PSD digunakan sebagai input vektor pelatihan teknik jaringan syaraf tiruan (JST) untuk identifikasi kebocoran pipa. Penelitian ini menggunakan 94 kondisi operasi dengan rincian 80 kondisi operasi digunakan untuk pelatihan dan 14 kondisi operasi digunakan untuk pengujian. Hasil pengujian memperlihatkan bahwa JST yang diajukan mampu membedakan antara kondisi pipa tidak bocor dengan kondisi pipa bocor dengan akurasi 57,14%.

    Item Type: Article
    Subjects: T Technology > T Technology (General)
    Divisions: Lembaga Penelitian dan Pengabdian Kepada Masyarakat - LPPM
    Depositing User: Miranda Nur Q. A.
    Date Deposited: 26 Apr 2014 17:32
    Last Modified: 03 May 2014 23:09
    URI: https://eprints.uns.ac.id/id/eprint/13436

    Actions (login required)

    View Item