PREDIKSI LAJU KOROSI INTERNAL PIPA MENGGUNAKAN PENDEKATAN MACHINE LEARNING

• Main Author: Mahatirazikra, Kevin
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/73322
• Institution: Institut Teknologi Bandung

Meskipun terdapat pilihan transportasi alternatif lain untuk minyak dan gas, pipa baja tetap menjadi metode transportasi yang paling efisien secara biaya. Namun, pipa-pipa tersebut rentan terhadap degradasi dan kerusakan saat terpapar zat korosif. Dampak ekonomi dari kegagalan korosi dan kerusakan lingkungan diperkirakan mencapai sekitar 3,4% dari GDP global, setara dengan $2,5 triliun setiap tahunnya. Saat ini, simulator aliran yang umum digunakan masih mengandalkan model semi-empiris untuk memprediksi tingkat korosi. Model semi-empiris yang banyak digunakan adalah De Waard 95 oleh De Waard, Lotz, dan Dugstaad. Model ini menghadapi tantangan dalam menggambarkan secara akurat interaksi kompleks non-linear yang terlibat dalam korosi internal pipa CO2. Oleh karena itu, machine learning muncul sebagai alternatif yang menjanjikan untuk melatih model prediksi menggunakan data dan mencapai representasi yang lebih baik terhadap hubungan non-linear antara faktor-faktor korosi yang beragam. Studi ini menggunakan satu model machine learning tunggal, yaitu k-nearest neighbor (KNN), dan empat model ensemble learning (random forest, gradient boosting tree, adaboost, dan xgboost) untuk menangani masalah tersebut. Ensemble learning menggabungkan beberapa model machine learning tunggal untuk membuat prediksi yang akurat, dan implementasinya lebih sederhana daripada model hibrida. Sebagian besar model ensemble learning yang diusulkan menunjukkan kinerja prediksi yang dapat diterima untuk mengukur laju korosi internal. Di antara model-model tersebut, model XGBoost secara konsisten menunjukkan kinerja keseluruhan terbaik. Saat membandingkan model ensemble learning dengan model machine learning tunggal (KNN), XGBoost memiliki kinerja keseluruhan yang lebih baik. Namun, terdapat beberapa model ensemble learning, seperti AdaBoost, yang memiliki kinerja yang lebih buruk daripada KNN. Perlu diperhatikan bahwa penyetelan hyperparameter belum dilakukan, yang dapat memengaruhi kinerja model. Meskipun demikian, model ensemble learning masih menunjukkan kemampuan prediksi yang lebih baik untuk mengukur laju korosi internal CO2 dibandingkan dengan model machine learning tunggal. Selain itu, kinerja prediksi laju korosi internal CO2 menggunakan pendekatan machine learning dibandingkan dengan metode korelasi semi-empiris yang umum digunakan (De Waard 95) mununjukkan keunggulan machine learning dibandingkan metode tradisional. Oleh karena itu, AI/ML terbukti sebagai solusi yang lebih baik dalam memprediksi laju korosi pipa dengan beberapa variabel dibandingkan dengan metode tradisional yang umum digunakan dalam simulator aliran, yaitu metode semi-empiris. Selanjutnya, analisis kepentingan fitur dilakukan untuk menilai signifikansi variabel masukkan dan memahami pengaruhnya terhadap hasil. Studi ini mengidentifikasi tekanan parsial CO2 sebagai fitur yang paling penting, yang memainkan peran penting dalam memulai atau mempercepat laju korosi internal CO2 dalam pipa minyak dan gas. Salah satu aplikasi praktis dari studi ini adalah untuk menentukan waktu kebocoran pipa. Dengan memanfaatkan model terbaik, XGBoost, dan mengevaluasi data yang direkam dari kondisi di mana dataset diambil, model dapat memprediksi laju korosi internal CO2. Berdasarkan laju ini, estimasi dapat dibuat mengenai waktu sebelum terjadi kebocoran pipa. Jika kebocoran terjadi dalam batas waktu tertentu, hal tersebut menjadi pemberitahuan kepada para engineer untuk mempersiapkan program penggantian pipa.