Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kegagalan korosi di bawah insulasi atau corrosion under insulation (CUI) masih terjadi di industri dan selain itu biaya untuk mengatasi CUI mencapai 40-60% total biaya perawatan. Di era revolusi industri 4.0, metode Machine Learning (ML) telah banyak diajukan dan diterapkan baik dalam prediksi maupun interpretasi data inspeksi untuk kasus CUI. Penerapan ML dapat bertujuan untuk memperbaiki ataupun meningkatkan akurasi prediksi CUI dari standar yang sudah ada. Pada penelitian ini, API RP 581 digunakan sebagai baseline asesmen kuantitatif penentuan probabilitas kegagalan dari CUI. Prediksi laju korosi CUI berdasarkan API RP 581 dan data laju korosi aktual di lapangan menunjukkan adanya perbedaan, Perbedaan laju korosi ini dapat mengakibatkan perbedaan nilai prediksi probabilitas kegagalan, oleh karena itu ML diterapkan untuk memperbaiki prediksi probabilitas kegagalan dengan mempelajari data inspeksi lapangan. K-Nearest Neighbor (KNN) dan Logistic Regression (LR) adalah dua model pilihan utama. Berdasarkan nilai akurasi dan R2, metode LR memiliki nilai tertingi sehingga dipilih untuk proses prediksi selanjutnya. Langkah selanjutnya adalah pemilihan variabel minimum untuk prediksi dimana secara nilai akurasi dan R2 diperlukan minimum 5 variabel untuk prediksi yaitu temperatur, tipe insulasi, tipe siklus temperatur, diameter, ketebalan aktual. Pengujian model terhadap data pengukuran terakhir menunjukkan nilai prediksi yang tepat terhadap nilai probabilitas kegagalan prediksi awal dengan nilai probabilitas diatas minimum 57%. Hasil menunjukkan bahwa LR dapat digunakan untuk melakukan prediksi kegagalan CUI berdasarkan data lapangan. ......Failure due to Corrosion Under Insulation (CUI) is still recorded in the industry and CUI maintenance cost is expected up to 40-60% of overall maintenance cost. In the era of Industrial Revolution 4.0, Machine Learning (ML) has been proposed and implement for prediction and interpretation of inspection data for CUI cases. The purpose of ML implementation is to improve or refine accuracy CUI prediction based on available standard. In this research, API RP 581 has been implemented as baseline of quantitative assessment for determination of CUI probability of failure. Based on observation, there were differences between CUI corrosion rate from API RP 581 and aktual CUI corrosion rate. These differences may result in value of predicted probability of failure; therefore implementation of ML is expected to enhance prediction based on aktual field data. KNearest Neighbor (KNN) and Logistic Regression (LR) are primary method selected for ML model development. Based on accuracy value and R2, model developed by LR has higher values based on those criteria hence further model development is prepared using LR. In the next process, minimum variable selection for prediction shows that a minimum of 5 variable is required for prediction including temperatur, type of insulation, cyclic temperatur, pipe diameter, aktual pipe wall thickness. For the last step, testing of model indicates similarity of initial and prediction values with minimum prediction probability above 57%. Thus, research shows that LR can be utilized to predict CUI based on aktual field data in lieu of API RP 581.

Abstrak :
Peralatan Perangkat Pelepas Tekanan (PRD) dioperasikan dengan tujuan untuk melindungi kehidupan dan keselamatan dalam suatu sistem bertekanan. Peralatan akan mengalami penurunan kondisi seiring berjalannya waktu pemakaian. Ketidakmampuan PRD untuk melakukan fungsinya perlu diidentifikasi sebagai mode kegagalan. Untuk mengurangi risiko apabila terjadi kegagalan, suatu pendekatan seperti Risk Based Inspection (RBI) dapat dilakukan. Metode RBI yang umum digunakan masih menggunakan pendekatan kualitatif, sehingga menghasilkan variasi yang cukup besar. Penelitian ini mengusulkan metode analisa risiko dengan menggunakan pembelajaran mesin berbasis deep learning untuk mengembangkan suatu model penilaian risiko pada PRD akibat mode kegagalan fail on demand (POFOD) yang diharapakan dapat mempersingkat waktu, meningkatkan akurasi, efisiensi dalam pengolahan data hasil inspeksi, serta biaya; dengan menawarkan hasil akurasi perhitungan yang tinggi. Penelitian ini menghasilkan program prediksi risiko dengan menggunakan metode klasifikasi pembelajaran mesin berbasis deep learning akibat mode kegagalan fail on demand pada peralatan perangkat pelepas tekanan. Pembuatan dataset yang digunakan pada model bersumber dari 160 data yang diolah dengan menggunakan standar API 581. Penelitian ini menggunakan beberapa parameter model seperti test size sebesar 20%, random state bernilai 0, penggunaan jumlah epoch sebesar 150, learning rate sebesar 0.001, dan layer berjumlah 3 dengan dense 64,64,8; yang menghasilkan akurasi model sebesar 91%, dari validasi confusion matrix. ......Pressure Relief Device (PRD) equipment is operated with the aim of protecting the lives and safety within a pressurized system. An equipment experiences deterioration over time. The inability of PRD equipment to perform its design function needs to be identified as a failure mode. To reduce the risk in case of failure, an approach such as Risk Based Inspection (RBI) can be implemented. The commonly used RBI methods still rely on qualitative approaches, leading to significant variations. This research proposes a method using deep learning to develop a risk assessment model for PRD due to the failure on demand. This is expected to shorten the assessment time, improve accuracy, efficiency, and reduce costs by offering highly accurate calculation results. This research produces a risk prediction program using a deep learning classification method for POFOD in pressure relief device equipment. The dataset used in the model consists of 160 data processed according to API 581 standards. This research utilizes several model parameters, including a test size of 20%, 0 value of random state, 150 epochs, a learning rate of 0.001, and 3 layers with dense of 64, 64, 8. The model achieves an accuracy of 91% from the validation confusion matrix.

Abstrak :
ABSTRAK
Dalam penelitian ini, efek ketidakpastian tanah dianalisis secara probabilistik untuk beberapa kondisi geometri lereng. Geometri lereng yang yang berbeda di representasikan dalam sudut 27, 34, 45 dan 63 pada ketinggian 5, 10 dan 15 m. Analisis probabilistik stabilitas lereng dilakukan menggunakan SLOPE/W utuk menggambarkan pola keruntuhan dan probabilitas kegagalan yang dimiliki oleh setiap bentuk geometri. Hasil probabilistik digunakan dalam mencari faktor yang mempegaruhi pengambilan keputusan bentuk geometri lereng dengan meninjau keadaan lereng dari konstruksi hingga pengoperasiannya dengan perhitungan Expected Monetary Value EMV . Pendekatan analisis decision making memberikan gambaran bagaimana pengaruh konsekuensi dari setiap pemilihan keputusan geometri lereng dilihat dari biaya.

---

ABSTRACT
In this study, soil uncertainties were analyzed probabilistically in different slope geometries. Different slope geometries are represented in 27, 34, 45 and 63 angles at 5m, 10m and 15 m height. The probabilistic analysis of slope stability is conducted with SLOPE W to describe the slip surface and the probability of failure possessed by slope geometries. Probabilistic results are used to know the factors that influences the decision making on slope geometries considering its state of the construction until operation with Expected Monetary Value EMV calculations. The decision making analysis approach gives an overview of how the consequences of slope geometries determined the decision made by its cost.

Abstrak :
Bejana tekan  merupakan peralatan yang sebagai penampung fluida cair maupun gas dengan temperatur yang memiliki perbedaan dengan lingkungan yang ada di sekitarnya yang memiliki kemungkinan kegagalan yang tinggi yang dapat berpengaruh pada banyak faktor. Kegagalan bejana tekan dapat disebabkan karena adanya fenomena korosi seragam yang menyebabkan keluarnya fluida berbahaya dari peralatan yang memiliki tekanan karena adanya penipisan pada dinding bejana tekan. Hal ini dapat dihindari dengan melakukan inspeksi menggunakan risk-based inspection (RBI) yang mampu meningkatkan keamanan bejana tekan berbasis risiko yang dilakukan pada suatu peralatan berdasarkan prioritas risiko yang mempermudah dalam melakukan inspeksi dengan memperhatikan Probability of Failure dan Consequence of Failure. Salah satu metode untuk menganalisis risiko pada bejana tekan adalah dengan menggunakan metode pembelajaran mesin berbasis deep learning yang akan mengembangkan model penilaian risiko kegagalan bejana tekan minyak dan gas akibat korosi seragam yang dapat mempersingkat waktu, meningkatkan akurasi, efisien dalam melakukan pengolahan data, serta lebih lebih hemat biaya dengan menawarkan akurasi perhitungan yang tinggi. Penelitian menghasilkan program prediksi risiko bejana tekan dengan menggunakan klasifikasi pembelajaran mesin berbasis deep learning untuk memprediksi kegagalan pada peralatan bejana tekan akibat korosi seragam dengan menggunakan metode Risk Based Inspection dengan beberapa parameter model seperti random state senilai 25, learning rate sebesar 0.001, dengan layer berjumlah 3 dan dense 64,32,16, test size sebesar 20% dan batch size sebesar 32, dan epoch dengan nilai 150 menghasilkan akurasi model sebesar 93% yang didapatkan dari validasi confusion matrix. Nilai akurasi 93% bersumber dari 300 data yang didapatkan dari pembuatan dataset dengan berlandaskan standard API RBI 581. ...... A pressure vessel is an equipment that acts as a container for a liquid or gas with a different temperature from the surrounding environment, a high probability of failure, which can affect many factors. Pressure vessel failure can be caused by uniform corrosion, causing the dangerous liquid to be discharged from the pressure vessel due to thinning the pressure vessel wall. Pressure vessel failure can prevent failure by performing Risk Based Inspection (RBI), improving the safety and reliability of pressure vessels based on the risk performed on the equipment are based on risk priority. RBI facilitates the execution of tests that consider the probability of failure and the consequences of failure. One risk analysis method in pressure vessels is to use deep learning based machine learning to develop a failure risk assessment of pressure vessels due to uniform corrosion. This method can shorten the time, increase accuracy, be efficient in data processing, and be more cost-effective by offering high calculation accuracy. In this study, a risk prediction program of a pressure vessel is completed using a deep learning based machine learning classification to predict failure of pressure vessel using the Risk based Inspection method. This program which obtained the following model parameters such as random state of 25, a learning rate of 0.001, with three layers and dense 64,32,16, test size of 20% and batch size of 32, and an epoch with a value of 150, resulted in a model accuracy of 93% obtained from the validation of the confusion matrix. Program with accuracy of 93% comes from 300 dataset based on the RBI 581 API standard.

Abstrak :
Bejana tekan merupakan peralatan yang sebagai penampung fluida cair maupun gas dengan temperatur yang memiliki perbedaan dengan lingkungan yang ada di sekitarnya yang memiliki kemungkinan kegagalan yang tinggi yang dapat berpengaruh pada banyak faktor. Kegagalan bejana tekan dapat disebabkan karena adanya fenomena korosi seragam yang menyebabkan keluarnya fluida berbahaya dari peralatan yang memiliki tekanan karena adanya penipisan pada dinding bejana tekan. Hal ini dapat dihindari dengan melakukan inspeksi menggunakan risk-based inspection (RBI) yang mampu meningkatkan keamanan bejana tekan berbasis risiko yang dilakukan pada suatu peralatan berdasarkan prioritas risiko yang mempermudah dalam melakukan inspeksi dengan memperhatikan Probability of Failure dan Consequence of Failure. Salah satu metode untuk menganalisis risiko pada bejana tekan adalah dengan menggunakan metode pembelajaran mesin berbasis deep learning yang akan mengembangkan model penilaian risiko kegagalan bejana tekan minyak dan gas akibat korosi seragam yang dapat mempersingkat waktu, meningkatkan akurasi, efisien dalam melakukan pengolahan data, serta lebih lebih hemat biaya dengan menawarkan akurasi perhitungan yang tinggi. Penelitian menghasilkan program prediksi risiko bejana tekan dengan menggunakan klasifikasi pembelajaran mesin berbasis deep learning untuk memprediksi kegagalan pada peralatan bejana tekan akibat korosi seragam dengan menggunakan metode Risk Based Inspection dengan beberapa parameter model seperti random state senilai 25, learning rate sebesar 0.001, dengan layer berjumlah 3 dan dense 64,32,16, test size sebesar 20% dan batch size sebesar 32, dan epoch dengan nilai 150 menghasilkan akurasi model sebesar 93% yang didapatkan dari validasi confusion matrix. Nilai akurasi 93% bersumber dari 300 data yang didapatkan dari pembuatan dataset dengan berlandaskan standard API RBI 581. ......A pressure vessel is an equipment that acts as a container for a liquid or gas with a different temperature from the surrounding environment, a high probability of failure, which can affect many factors. Pressure vessel failure can be caused by uniform corrosion, causing the dangerous liquid to be discharged from the pressure vessel due to thinning the pressure vessel wall. Pressure vessel failure can prevent failure by performing Risk Based Inspection (RBI), improving the safety and reliability of pressure vessels based on the risk performed on the equipment are based on risk priority. RBI facilitates the execution of tests that consider the probability of failure and the consequences of failure. One risk analysis method in pressure vessels is to use deep learning based machine learning to develop a failure risk assessment of pressure vessels due to uniform corrosion. This method can shorten the time, increase accuracy, be efficient in data processing, and be more cost-effective by offering high calculation accuracy. In this study, a risk prediction program of a pressure vessel is completed using a deep learning based machine learning classification to predict failure of pressure vessel using the Risk based Inspection method. This program which obtained the following model parameters such as random state of 25, a learning rate of 0.001, with three layers and dense 64,32,16, test size of 20% and batch size of 32, and an epoch with a value of 150, resulted in a model accuracy of 93% obtained from the validation of the confusion matrix. Program with accuracy of 93% comes from 300 dataset based on the RBI 581 API standard.