Studi awal penerapan deep learning pada dinamika proses distilasi reaktif untuk memproduksi butil asetat | PERPUSTAKAAN UNIVERSITAS KATOLIK PARAHYANGAN

Text

Studi awal penerapan deep learning pada dinamika proses distilasi reaktif untuk memproduksi butil asetat

Wiratama, I Gede Pandega - Nama Orang; Bisowarno, Budi Husodo - Nama Orang;

Penggunaan distilasi reaktif dalam memproduksi butil asetat dari reaksi esterifikasi dapat menghemat biaya investasi alat dan juga biaya produksi. Akan tetapi, di dalam distilasi reaktif terdapat hubungan antar variabel yang rumit karena mengintegrasikan proses distilasi dan reaksi dalam satu alat. Hal ini menimbulkan ketidak-akuratan dalam penyusunan model fungsi alih (input-output) karena dalam penyusunannya melibatkan linearisasi dari proses yang sebenarnya tidak linear. Ketidak-akuratan ini lebih lanjut dapat menimbulkan kesalahan dalam sistem kendali. Oleh sebab itu, dalam penelitian ini diusulkan penggunaan deep learning dalam menentukan hubungan antara output terhadap input variabel dalam kolom distilasi reaktif.

Deep learning merupakan bagian dari machine learning yang bisa melatih sistem komputer seperti manusia, yaitu berlatih berdasarkan contoh atau pola (pattern). Arsitektur/ model deep learning dapat dibedakan menjadi 2, yaitu supervised dan unsupervised. Terdapat 2 jenis unsupervised deep learning yang paling populer, yaitu Self Organizing Map (SOM) dan restricted Boltzman machine (RBM). Supervised deep learning sendiri memiliki 2 jenis yang paling populer: Convolutional neural networks (CNN) dan Recurrent neural networks (RNN). RNN dibagi lagi menjadi 2 jenis, yaitu long short-term memory (LSTM) dan gated recurrent unit (GRU).

Penelitian ini bertujuan untuk menguji keakuratan LSTM dalam memprediksi respons dinamik output variabel akibat perubahan input variable pada kolom distilasi reaktif. Variabel input adalah laju alir mol umpan asam asetat dan butanol. Variabel output adalah laju alir mol dan fraksi mol air pada aliran distilat, serta laju alir mol dan fraksi mol butil asetat pada aliran bottom. Variasi parameter-parameter deep-learning yang digunakan adalah proses scaling, activation function, dan look-back period. Data input-output terhadap waktu akan didapat melalui simulasi dinamika menggunakan software Aspen Plus Dynamic. Hasil yang didapatkan adalah bahwa LSTM mampu memprediksi kelakuan dinamik kolom distilasi reaktif dengan R2 di atas 0.997.

Ketersediaan

Barcode		Tipe Koleksi	Nomor Panggil	Lokasi	Status
147039	R/SB - FTI	Laporan Penelitian Dosen	540.028 5 WIR s	Gdg9-Lt3 (LPD-LPM FTI/TK)	Tersedia namun tidak untuk dipinjamkan - No Loan

Informasi Detail

Judul Seri
No. Panggil: 540.028 5 WIR s
Penerbit: Bandung : Lembaga Penelitian dan Pengabdian Kepada Masyarakat UNPAR., 2023
Deskripsi Fisik: 20 p. : ill. ; 29 cm.
Bahasa: Indonesia
ISBN/ISSN: -
Klasifikasi: NONE
Tipe Isi: -
Tipe Media: -
Tipe Pembawa: -
Edisi: -
Subjek: INPUT-OUTPUT
DEEP LEARNING
BUTIL ASETAT
Info Detail Spesifik: -
Pernyataan Tanggungjawab: I Gede Pandega Wiratama, Budi Husodo Bisowarno

Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas

Tidak Ada Data

Komentar

Anda harus masuk sebelum memberikan komentar