MENDETEKSI KEBOCORAN PADA SALURAN PIPA MENGGUNAKAN JARINGAN SYARAF TIRUAN

• Main Author: Faris Abdillah Sessu, A.M.
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/73295
• Institution: Institut Teknologi Bandung

Pipeline dalam industri minyak dan gas adalah jaringan sistem pipa yang digunakan untuk mengangkut minyak, gas, dan produk terkait dari satu lokasi ke lokasi lainnya. Urgensi mendeteksi kebocoran pipeline sangat penting dalam industri minyak dan gas karena kebocoran dapat mengakibatkan dampak serius, seperti kerusakan lingkungan, kecelakaan, kebakaran, dan potensi bahaya bagi masyarakat. Deteksi dini kebocoran menjadi krusial untuk melindungi keselamatan masyarakat, menjaga keberlanjutan operasional, dan meminimalkan kerugian finansial yang besar. Metode Machine Learning (ML) yang menggunakan Artificial Neural Network (ANN) telah digunakan secara efektif dalam mendeteksi kebocoran pada pipeline pada studi ini. ML ANN dapat dilatih menggunakan data historis kebocoran dan parameter inlet-outlet (mass flow, pressure, gas velocity, dan temperature) untuk mempelajari pola dan karakteristik yang mengindikasikan adanya kebocoran. Setelah dilatih, model ML ANN dapat digunakan untuk menganalisis data real-time yang diperoleh dari sensor dan sistem pemantauan pipeline untuk mendeteksi kebocoran dengan cepat dan akurat. Pendekatan ini memungkinkan deteksi dini kebocoran, mengurangi dampak negatif terhadap lingkungan, keselamatan, dan keuangan. Pada studi ini akan digunakan data historis dari salah satu pipeline yang ada di Indonesia, lebih tepatnya di daerah Jawa Barat. Pipeline ini berdiameter 12” dan menghubungkan Lapangan A dengan Onshore Processing Facility (OPF) B sepanjang 34 km. Diketahui dari data gas analysis bahwa fluida gas yang mengalir pada pipeline didominasi oleh komponen methane (80%) dengan impurities CO2 (0.98%) dan N2 (2.43%). Untuk data flowrate dan pressure terekam dari tanggal 1 Januari 2017 hingga 31 Juli 2022. Pada akhir studi ini diperoleh sebuah sistem yang dapat memprediksi lokasi dan ukuran kebocoran pipeline menggunakan machine learning model ANN. Model ini dapat memprediksi lokasi kebocoran dengan ????2 score sebesar 0.86 dan memprediksi ukuran kebocoran dengan ????2 score sebesar 0.996. Studi ini dapat diimplementasikan bila diberikan input data real-time, sehingga prediksi akan dilakukan secara berkelanjutan agar dapat mengantisipasi kebocoran.