Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengawasan distribusi bahan radioaktif atau radionuklida merupakan hal yang penting. Hal ini mengingat bagaimana serangan dan terorisme berbasis radioaktif merupakan ancaman yang nyata. Untuk itu, diperlukan suatu algoritma yang dapat digunakan untuk mendeteksi keberadaan dan jenis dari radionuklida. Algoritma identifikasi radioaktif atau RIID (Radioisotope Identification) telah disusun secara klasik menggunakan metode seperti peak-matching atau ROI (Region of Interest). Akan tetapi, performa dari algoritma tersebut sudah didahului dengan munculnya machine learning. Salah satu subdisiplin dari machine learning, yakni deep learning, melahirkan apa yang dinamakan dengan CNN atau Convolutional Neural Network. Jenis algoritma machine learning ini sudah jamak digunakan untuk permasalahan identifikasi dan pengenalan obyek. Di dalam kerangka RIID sendiri, studi yang membahas mengenai penggunaan CNN sebagai algoritma identifikasi radionuklida sudah tidak dapat dihitung menggunakan jari. Teknik baru seperti transformasi spektrum gamma dari radionuklida menjadi data 2-D seperti suatu citra mulai diperkenalkan beberapa tahun terakhir. Penelitian ini menggabungkan teknik tersebut dengan proses colormapping, yakni ‘pewarnaan’ dari data skalar yang bergantung pada nilai data tersebut. Melalui penggabungan teknik tersebut, model CNN yang disusun pada penelitian ini mampu untuk melakukan identifikasi multikelas radionuklida dengan akurasi di atas 95%.

---

Monitoring the distribution of radioactive materials or radionuclides is important. This is because radioactive attacks and terrorism are a real threat. To solve this problem, it is imperative to build an algorithm that can be used to detect and identify the presence of radionuclides. Radionuclide identification or (RIID) algorithm has been made classically using methods such as peak-matching or ROI (Region of Interest). However, the performance of these algorithms has been superseded by the emergence of machine learning. One of the sub-disciplines of machine learning, that is deep learning, has given birth to what is called CNN or Convolutional Neural Network. This machine learning algorithm has been used far and wide to solve object detection and identification problems. Within the RIID framework itself, studies discussing the use of CNN as a radionuclide are already plentiful. New techniques such as transforming the gamma spectrum of radionuclides into 2-D data have been introduced in recent years. This study attempts to combine this technique with color mapping, which is the pseudo-coloring of scalar data which depends on the value of the data. Through this combined technique, CNN models that are devised in this study can perform multiclass radionuclide identification with an accuracy higher than 95%."

"Produksi minyak dan gas dapat menghasilkan sejumlah besar Naturally Occurring Radioactive Materials (NORM). Ketentuan terkait penimbunan NORM diatur dalam Peraturan Menteri Lingkungan Hidup dan Kehutanan Nomor P.63/Menlhk/Setjen/KUM.1/7/2016. Kriteria desain minimal yang dipersyaratkan masih perlu dikaji lagi kemamputerapannya untuk melindungi pekerja, masyarakat dan lingkungan dari dampak radiologis. Kajian diawali dengan pemodelan hidrologis menggunakan software HELP untuk mengetahui laju lindi. Software RESRAD digunakan untuk mengkaji dosis radiasi di dalam tapak dan di luar tapak landfill pada masa yang akan datang. TSD-DOSE digunakan untuk mengkaji dosis radiasi yang diterima pekerja landfill dan masyarakat di dekat landfill. Hasil penelitian menunjukan bahwa desain landfill yang sesuai dengan peraturan dapat menerima limbah NORM dari industri minyak dan gas dengan batasan jumlah limbah NORM yang dibuang. Pembuangan limbah NORM dari industri minyak dan gas dapat dilakukan pada landfill kelas II. Konsentrasi aktivitas maksimum limbah NORM yang dapat dibuang ke landfill untuk Ra-226, Ra-228, Pb-210 dan Th-232 berturut adalah sebesar 0,64 Bq/gram, 8,33 Bq/gram, 526,32 Bq/gram, dan 4,35 Bq/gram untuk landfill dengan total kapasitas 787.500 m³ yang beroperasi selama 18 tahun. Parameter sensitif meliputi, keberadaan geomembran untuk pemodelan hidrologis; ketebalan penutup landfill, laju erosi, densitas penutup landfill, jarak landfill ke badan air dan curah hujan untuk keselamatan radiasi pasca penutupan landfill; bentuk limbah untuk keselamatan radiasi fase operasional.

---

Oil and gas production can produce a large amount of Natural Radioactive Materials (NORM). Provisions related to NORM disposal are regulated in the Minister of Environment and Forestry Regulation Number P.63/Menlhk/Setjen/KUM.1/7/2016. The minimum required design criteria still need to be assessed again to ensure the performance of radiation protection for workers, public and the environment. The study began with hydrological modeling using HELP software to study leachate rates. RESRAD is used to assess radiation doses on site and offsite for future use of landfill. TSD-DOSE is used to assess radiation doses received by landfill workers and public near the landfill.

The results of the study show that the design of landfill in accordance with regulations can accept NORM waste from the oil and gas industry with a limit to the amount of NORM. NORM waste disposal from the oil and gas industry can be carried out in class II landfill. The maximum radioactivity concentration of NORM waste which can be disposed into landfills for Ra-226, Ra-228, Pb-210 and Th-232 respectively is 0.64 Bq/gram, 8.33 Bq/gram, 526.32 Bq/gram, and 4.35 Bq/gram for landfills with a total capacity of 787,500 m³ and operating for 18 years. Sensitive parameters are, presence of geomembrane for hydrological modeling; thickness of landfill cover, erosion rate, landfill cover density, landfill distance to water bodies and rainfall for radiation safety after landfill closure; form of waste for radiation safety in the operational phase."