Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas penggunaan arsitektur Long Short-Term Memory (LSTM) dalam merancang sebuah model identifikasi. Riset ini membahas pengaruh hyperparameter seperti jumlah hidden layer, jenis fungsi aktivasi, tipe optimizer, dan hyperparameter lainnya terhadap kinerja arsitektur neural network. Selebihnya, Skripsi ini juga membandingkan model Long Short Term Memory (LSTM) dengan arsitektur Convolutional Neural Network (CNN) dan Artificial Neural Network (ANN). Hasil dari penelitian skripsi ini menunjukkan bahwa arsitektur Long Short Term Memory menunjukkan hasil yang optimal pada sistem yang time dependent dan dinamis.

---

This paper discusses the application of Long Short-Term Memory Networks in designing a identification model. Firstly, this paper discusses the effect of different hyperparameters such as but not limited to: number of hidden layers, type of activation function, type of optimizer used on the performance of the neural network. Furthermore, this paper also compares the performance and effectiveness of different neural networks such as Convolutional Neural Network (CNN) and Artificial Neural Network (ANN) to a LSTM model. The result of this research shows that a Long Short-Term Memory (LSTM) network performs optimally in systems that are time-dependent and dynamic.>i/>

"

"This book, offers an insight on how to close the gap and exploit this progress for the next generations of vehicles."

"Penelitian ini membahas tentang perancangan sistem identifikasi pada sistem dinamik kapal Makara 03 dengan konfigurasi multi masukan dan multi keluaran. Penelitian ini merancang berbagai metode perombakan struktur Jaringan Saraf Tiruan (JST) baik metode sekuensial maupun fungsional untuk dapat menangkap dinamik yang ada pada dinamik kapal Makara 03. Metode-metode pada JST yang dibuat akan dibandingkan dengan hasil dari model matematika yaitu Transfer Function dan State Space untuk membuktikan keberhasilan dan keunggulan JST dalam membuat sistem identifikasi. Hasil dari perbandingan tersebut membuktikan semua metode yang dihasilkan pada penelitian ini mendapatkan hasil yang lebih baik dibandingkan dengan model matematika konvensional.

---

This research discusses the design of the identification system on the dynamic system of the Makara 03 ship with a multi-input and multi-output configuration. This study designed various structural reshuffle methods for sequensial and functional model of Artificial Neural Network (ANN) to be able to capture the dynamics of Makara 03. The methods in the ANN that were made will be compared with the results of mathematical models namely Transfer Function and State Space for prove the success and superiority of ANN in making identification systems. The results of this comparison prove that all the ANN methods produced in this study get better results compared to conventional mathematical models."

"This volume comprises a collection of contributions by leading experts in system identification, time-series analysis, environmetric modelling and control system design."

"Produksi dimetil eter (DME) dapat menggunakan proses indirect. Pada proses indirect, terdapat proses yang penting, yaitu sintesis metanol dan sintesis DME. Untuk memastikan proses ini dapat berlangsung secara optimum, perlu dilakukan pengendalian. Pengendali yang digunakan adalah Model Predictive Control (MPC), yang menggunakan model FOPDT secara langsung dalam pengendaliannya. Untuk mendapatkan model FOPDT terbaik (IAE terkecil), dilakukan reidentifikasi sistem dari model sebelumnya, sedangkan proses optimasi dilakukan dengan penyetelan terhadap parameter-parameter pengendali MPC: waktu sampel (T), prediction horizon (P), dan control horizon (M). Pengendalian dilakukan pada unit heater, cooler, compressor, dan reaktor sistesis dimetil eter (pengendali konsentrasi). Hasil perancangan sistem pengendalian menggunakan MPC ini memberikan kinerja yang lebih baik dibandingkan dengan pengendai PI, dengan pengurangan kesalahan masing-masing unit sebagai berikut: 29,62% (IAE) dan 1,51% (ISE) untuk TC Heater 1; 51,69% (IAE) dan 79,04% (ISE) untuk TC Heater 2; 67,44% (IAE) dan 82,24% (ISE) untuk TC Cooler 1; 49,07% (IAE) dan 67,26% (ISE) untuk TC Cooler 2; 56,75% (IAE) dan 53,03% (ISE) untuk PC Compressor; 4,46% (IAE) dan 50,00% (ISE) untuk CC DME.

---

Production of dimethyl ether (DME) can use indirect process. In indirect process, there are two important processes which are methanol synthesis and DME synthesis. To ensure this process going optimally, controlling is needed. The controller that can be used is Model Predictive Control (MPC), which uses FOPDT model directly in controlling. To get the best FOPDT model (the least IAE), system reidentification is done from the previous model while the optimizing process is done by adjusting the parameters of MPC controllers: the time of sample (T), prediction horizon (P), and the control horizon (M). The controlling is done by units of heater, cooler, compressor, and reactor of dimethyl ether synthesis (the concentration controller). The result of this control system design using MPC provides better performance than PI controller by decreasing the errors for each unit as follows: 29,62% (IAE) and 1,51% (ISE) for TC Heater 1; 51,69% (IAE) and 79,04% (ISE) for TC Heater 2; 67,44% (IAE) and 82,24% (ISE) for TC Cooler 1; 49,07% (IAE) and 67,26% (ISE) for TC Cooler 2; 56,75% (IAE) and 53,03% (ISE) for PC Compressor; 4,46% (IAE) and 50,00% (ISE) for CC DME."