Optimasi dan prediksi kinerja water injection pump dengan variable frequency drive di lapangan x menggunakan artificial neural network
Info Katalog
File Repositori
Penerbit : FTKE - Usakti
Kota Terbit : Jakarta
Tahun Terbit : 2025
Pembimbing 1 : Dwi Atty Mardiana
Pembimbing 2 : Muhammad Taufiq Fathaddin
Kata Kunci : Artificial Neural Network; Frequency Optimization; Levenberg-Marquadt; Variable Frequency Drive; Wat
Status Posting : Published
Status : Lengkap
File Repositori
| No. | Nama File | Hal. | Link |
|---|---|---|---|
| 1. | 2025_TS_MTP_171012210007_Halaman-Judul.pdf | ||
| 2. | 2025_TS_MTP_171012210007_Surat-Pernyataan-Revisi-Terakhir.pdf | ||
| 3. | 2025_TS_MTP_171012210007_Surat-Hasil-Similaritas.pdf | 1 | |
| 4. | 2025_TS_MTP_171012210007_Halaman-Pernyataan-Persetujuan-Publikasi-Tugas-Akhir-untuk-Kepentingan-Akademis.pdf | ||
| 5. | 2025_TS_MTP_171012210007_Lembar-Pengesahan.pdf | 1 | |
| 6. | 2025_TS_MTP_171012210007_Pernyataan-Orisinalitas.pdf | ||
| 7. | 2025_TS_MTP_171012210007_Formulir-Persetujuan-Publikasi-Karya-Ilmiah.pdf | 1 | |
| 8. | 2025_TS_MTP_171012210007_Bab-1.pdf | 4 | |
| 9. | 2025_TS_MTP_171012210007_Bab-2.pdf |
|
|
| 10. | 2025_TS_MTP_171012210007_Bab-3.pdf |
|
|
| 11. | 2025_TS_MTP_171012210007_Bab-4.pdf |
|
|
| 12. | 2025_TS_MTP_171012210007_Bab-5.pdf | 2 | |
| 13. | 2025_TS_MTP_171012210007_Daftar-Pustaka.pdf | ||
| 14. | 2025_TS_MTP_171012210007_Lampiran.pdf |
|
W Water Injection Pump (WIP) digunakan untuk menginjeksikan air ke dalam injection well guna mempertahankan tekanan dan kelangsungan operasi fasilitas perminyakan. Namun, efisiensi WIP sering terpengaruh oleh fluktuasi beban dan konsumsi energi yang tinggi. Untuk mengatasi tantangan ini, Variable Frequency Drive (VFD) digunakan untuk mengatur kecepatan motor dan menyesuaikan laju injeksi air secara fleksibel.Penelitian ini bertujuan untuk menentukan pengaturan frekuensi optimal pada VFD menggunakan pendekatan Artificial Neural Network (ANN). Model ANN yang dikembangkan memiliki tiga hidden layer, masing-masing terdiri dari 12 neuron, menggunakan metode Levenberg-Marquardt untuk pelatihan karena keunggulannya dalam konvergensi cepat dan akurasi tinggi pada dataset kecil hingga menengah. Fungsi aktivasi yang digunakan adalah sigmoid tangen untuk menangkap hubungan non-linear antara variabel operasional, seperti frekuensi, arus, daya, dan laju injeksi air. Dataset yang digunakan terdiri dari 31 data, dengan 16 data diproses menggunakan Monte Carlo simulation untuk mengembangkan ruang sampel menjadi 116 data guna melatih model ANN. Sisa 15 data digunakan untuk validasi dan prediksi. Model ANN yang dihasilkan memiliki koefisien korelasi (R) sebesar 0,774, menunjukkan hubungan yang kuat antara parameter operasi dan laju injeksi air.Hasil penelitian menunjukkan bahwa frekuensi 40 Hz merupakan frekuensi optimal karena memberikan keseimbangan terbaik antara laju injeksi air dan konsumsi energi. Pada frekuensi ini, laju injeksi air tetap tinggi sementara konsumsi daya lebih rendah dibandingkan dengan frekuensi lainnya. Dengan model ANN ini, operator dapat mengoptimalkan pengaturan VFD guna meningkatkan efisiensi injeksi air sambil menjaga konsumsi energi tetap terkendali.
W Water Injection Pump (WIP) is used to inject water into injection wells to maintain pressure and sustain operations in oil and gas facilities. However, WIP efficiency is often affected by load fluctuations and high energy consumption. To address these challenges, Variable Frequency Drive (VFD) is implemented to regulate motor speed and adjust water injection rates flexibly.This study aims to determine the optimal frequency setting for VFD using an Artificial Neural Network (ANN) approach. The developed ANN model consists of three hidden layers, each with 12 neurons, and is trained using the Levenberg-Marquardt algorithm, chosen for its fast convergence and high accuracy with small to medium datasets. The activation function used is tangent sigmoid, which effectively captures the nonlinear relationships between operational variables such as frequency, current, power, and water injection rate. The dataset consists of 31 data points, with 16 data points expanded using Monte Carlo simulation to generate 116 data points for training. The remaining 15 data points are used for validation and prediction. The resulting ANN model achieves a correlation coefficient (R) of 0.774, indicating a strong relationship between operational parameters and water injection rate.Results show that 40 Hz is the optimal frequency as it provides the best balance between water injection rate and energy consumption. At this frequency, water injection remains high while power consumption is lower than at other frequencies. This ANN model enables operators to optimize VFD settings to enhance water injection efficiency while maintaining controlled energy consumption.