Hasil Pencarian  ::  Simpan CSV :: Kembali

"Minyak merupakan kebutuhan bahan bakar yang utama untuk menunjang kehidupan manusia dalam banyak aspek termasuk menggerakkan roda perekonomian. Kegiatan eksplorasi minyak banyak melibatkan jaringan perpipaan sebagai tempat mengalirkan atau memindahkan fluida. Oleh karena itu kehandalan sistem perpipaan sangat diperlukan untuk mencegah terjadinya kegagalan pada sistem perpipaan. Kegagalan pada sistem perpipaan terjadi akibat adanya interaksi antara logam pipa dengan lingkungannya yang akan mengakibatkan terjadinya korosi. Untuk mengantisipasi terjadinya korosi, dibutuhkan sistem inspeksi yang optimal sehingga mampu mencegah terjadinya korosi serta dapat meningkatkan efektifitas inspeksi. Risk Based Inspection (RBI) merupakan salah satu metode untuk menentukan sistem inspeksi secara optimal dengan menggunakan pendekatan risiko. Dalam pendekatan penghitungan risiko, simulasi Monte Carlo dapat digunakan untuk mendekati nilai risiko aktual pada kondisi lapangan dengan jumlah sampel yang sedikit. Metode simulasi Monte Carlo merupakan bentuk simulasi probabilistik dimana suatu solusi dari suatu masalah diberikan berdasarkan proses randomisasi (acak). Unsur pokok yang diperlukan dalam simulasi Monte Carlo adalah random number generator. Pada penelitian ini, perhitungan keandalan dilakukan dengan menggunakan simulasi Monte Carlo menggunakan bantuan perangkat lunak RStudio® yang akan dibandingkan hasil perhitungannya dengan menggunakan Graphical User Interface (GUI) berbasis bahasa pemrograman R. Tujuan akhir dari penelitan ini adalah untuk menciptakan Graphical User Interface (GUI) berbasis bahasa pemrograman R yang ditargetkan mampu mempermudah  user melakukan kalkulasi risiko dengan menggunakan simulasi Monte Carlo pada metode Risk Based Inspection

---

Oil is the main fuel requirement to support human life in many aspects including propelling the economy. Many oil exploration activities involve pipelines as a place to drain or move fluid. Therefore, the reliability of the piping system is needed to prevent failures in the piping system. Failure in the piping system occurs due to the interaction between the metal pipe and its environment which will result a corrosion. To anticipate the occurrence of corrosion, an optimal inspection system is needed so that it can prevent corrosion and increase the effectiveness of inspections. Risk Based Inspection (RBI) is one of the methods to determine the inspection system optimally by using a risk management approach. In this approach, Monte Carlo simulations can be used to approach the actual risk value in field conditions with a small number of samples. Monte Carlo simulation method is a form of probabilistic simulation where a solution of a problem is given based on a randomization process. The basic element needed in a Monte Carlo simulation is a random number generator. In this study, the reliability calculation is done using Monte Carlo simulation using the help of RStudio® software which will be compared to the results of calculations using the Graphical User Interface (GUI) based on the R programming. The final purpose of this research is to create a Graphical User Interface (GUI) based on the R programming language that is targeted to be able to facilitate users in calculating risk by using Monte Carlo simulations on the Risk Based Inspection method."

"

Kegagalan sistem perpipaan pada industri minyak bumi dan gas merupakan kondisi yang sangat dihindari dan diantisipasi karena kerugian yang dihasilkan dapat mencapai sangat tinggi. Salah satu penyebab yang mengakibatkan kegagalan sistem perpipaan adalah korosi internal. Korosi internal ini disebabkan oleh kandungan karbon dioksida dan zat-zat yang korosif di dalam minyak bumi dan gas. Untuk mengantisipasi kegagalan yang dapat terjadi, dibutuhkan sistem inspeksi yang optimal sehingga tidak hanya dapat mencegah terjadinya korosi yang mengakibatkan kegagalan sistem perpipaan namun juga overbudgetting akibat inspeksi yang terlalu sering. Risk Based Inspection (RBI) merupakan salah satu metode untuk menentukan sistem inspeksi secara optimal dengan menggunakan pendekatan risiko. Dalam pendekatan penghitungan risiko, simulasi monte carlo dapat digunakan untuk mendekati nilai risiko aktual pada kondisi lapangan dengan jumlah sampel yang sedikit. Dalam simulasi monte carlo ini digunakan dua jenis fungsi laju korosi yang sesuai dengan ASTM G-16 95. Dengan membandingkan jenis fungsi laju korosi linier yang umumnya digunakan dalam penghitungan laju korosi di lapangan dengan fungsi laju korosi non-linier akan menghasilkan pendekatan nilai risiko yang lebih akurat. Dengan pendekatan nilai risiko yang lebih akurat, sistem inspeksi yang dihasilkan dalam akan lebih optimal.

 

---

Failures in oil and gas piping system are a condition which may occur and resulting in high amount of loses. One of the main causes on pipeline system failure is Internal corrosion. This internal corrosion is occurred due to high content of carbon dioxide gasses and other corrosive substances inside crude oil and natural gasses. Therefore, an optimum inspection scheduling system will be needed not only to intercept the probability of pipeline failures caused by corrosion but also to prevent overbudgeting on excessive inspection scheduling. For this purpose, Risk-Based Inspection (RBI) is used based on API RP 581 document as a standard procedure of analysis. Also, in this paper Monte Carlo simulation will be applied using stochastic iteration to approximate the actual risk value of the pipeline system with limited amount of sample on site. In addition, the non-linear corrosion rate function is used as a comparison to the commonly used linear corrosion rate function based on the ASTM G-16 95 document. The results show non-linear corrosion rate function will generate more accurate approach on approximating the actual risk value and eventually resulting in more efficient inspection scheduling system during the lifetime of the pipe system.

 

"

"[Jaringan pipa adalah salah satu sarana transportasi minyak dan gas yang palingaman dan ekonomis sehingga pipa tidak boleh mengalami kegagalan saatberoperasi. Pipa sambungan dalam suatu pipeline adalah pipa dengan geometriyang paling sering dijumpai. Jalur pipa transmisi biasanya ditanam didalam tanah(underground) sehingga rentan terhadap korosi eksternal. Oleh karena itu perludilakukan analisis keandalan, terutama pada geometri sambungan. Pengujiankeandalan dilakukan dengan menggunakan simulasi Monte Carlo. Untukmengetahui pengaruh tanah terhadap laju korosi pipa maka dilakukan pengukuranpH , resistivitas tanah dan laju korosi pipa pada setiap segmen. Hasil daripengukuran laju korosi pipa sambungan kemudian dibandingkan dengan lajukorosi pipa sambungan. Pengamatan mikrostruktur dilakukan untuk mengetahuipenyebab perbedaan laju korosi kedua jenis pipa tersebut. Nilai resistivitas tanahpada segmen I berada pada level very corrosive 􀀋􀀟􀀘􀀓􀀓􀈍-cm), segmen II beradapada level corrosive (500-􀀔􀀓􀀓􀀓􀀃 􀈍-cm), dan segmen II berada pada levelmoderately corrosive (1000-􀀕􀀓􀀓􀀓􀀃􀈍-cm). Nilai pH berada pada rentang 5-7 untuksemua segmen. Laju korosi pipa sambungan meningkat seiring penurunan nilairesistivitas tanah, dengan range nilai antara 0.03-0.75 mm / year. Keandalan pipasambungan pada segmen adalah 34,53%, segmen II adalah 64,04%, dan segmenIII adalah 99,78%, Pipeline is one mean of oil and gas transportation which is the most safe andeconomical so that the pipe should not fail during operation. Tee pipe in thepipeline is a pipe which geometry is the most frequently encountered.Transmission pipelines are usually planted in the ground (underground) so that itis susceptible to external corrosion. Therefore it is necessary to perform thereliability analysis, especially in a tee geometry. Reliability testing was doneusing Monte Carlo simulations. To determine the influence of soil on the rate ofcorrosion of pipes, the measurements of pH, soil resistivity and corrosion rate ofpipes on each segment were carried out. Results of tee pipe corrosion ratemeasurements were then compared with the corrosion rate of the straight pipe.Microstructural observations was performed to determine the cause of differencesin the corrosion rate of the two types of pipe. Soil resistivity values in the segmentI was at the very corrosive level 􀀋􀀟􀀘􀀓􀀓􀈍-cm), segment II at the corrosive level(500-􀀔􀀓􀀓􀀓􀀃 􀈍-cm), and segment II at the moderately corrosive level (1000-2000􀈍-cm). pH value was in the range 5-7 for all segments. Tee pipe corrosion rateincreases with the decreasing of soil resistivity values, ranging between 0.03-0.75mm / year. Reliability tee pipe segment was 34,53%, segment II was 64,04%, andsegment III was 99,78%]"

"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."

"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."

"Tangki timbun merupakan peralatan yang digunakan sebagai kontainer untuk menyimpan liquid dalam volume yang sangat besar dalam temperatur dan tekanan mendekati atmosfir. Salah satu penyebab kegagalan tangki timbun adalah korosi. Penipisan pada dinding tangki timbun dapat akhirnya menimbulkan kebocoran liquid yang berada dalam tangki. Risk Based Inspection (RBI) adalah suatu prosedur untuk menentukan waktu pemeriksaan fasilitas berdasarkan tingkat risikonya. Level risiko pada metode RBI mengacu pada aspek probabilitas kegagalan (Probability of Failure) dan konsekuensi kegagalannya (Consequence of Failure). RBI digunakan untuk meningkatkan keefektifan biaya pemeliharaan dengan meniadakan perlunya pemeriksaan menyeluruh untuk semua peralatan. Namun perhitungan RBI memerlukan waktu yang lama dan biaya yang mahal. Deep Learning dapat dijadikan basis untuk membuat suatu program pengestimasi level risiko metode RBI yang lebih cepat, murah, dengan akurasi tinggi. Dalam penelitian ini dilakukan pembuatan dan pengotimasian program deep learning dengan analisis parameter test size, jumlah layer, dense, learning rate, ukuran batch, dan epoch. Hasil akhir didapatkan program yang memiliki akurasi tertinggi yaitu 79% untuk estimasi level Probability of Failure dan 92% untuk estimai level Consequence of Failure.

---

Storage tanks are equipment used as containers to store liquids in very large volumes at temperatures and pressures close to atmospheric. One of the causes of storage tank failure is corrosion. The thinning of the storage tank walls can eventually lead to liquid leakage in the tank. Risk-Based Inspection (RBI) is a procedure to determine the time of facility inspection based on the level of risk. The level of risk in the RBI method depends on two aspects: the Probability of Failure and the Consequences of Failure. RBI is used to increase the cost-effectiveness of maintenance by eliminating the need for a thorough inspection of all equipment. However, RBI calculations take a long time and are expensive. Deep Learning can be used as the basis for developing a program for estimating the risk level of the RBI method aster, cheaper, and with high accuracy. In this study, the creation and optimization of a deep learning program were carried out by analyzing the parameters of test size, the number of layers, density, learning rate, batch size, and epoch. The final result is a program that has the highest accuracy of 79% for the estimation of the Probability of Failure level and 92% for the Consequence of Failure level. "