Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dimetil eter (DME) merupakan senyawa yang potensial untuk dikembangkan menjadi bahan bakar berkelanjutan. Unit purifikasi metanol-air merupakan salah satu unit pada sintesis DME yang penting untuk dikendalikan agar metanol dapat dialirkan kembali ke proses sehingga efisiensi pabrik secara keseluruhan dapat meningkat. Penggunaan multivariable model predictive control (MMPC) pada proses ini dapat meningkatkan kinerja pengendalian dan menurunkan biaya modal dalam pembelian pengendali. Hal ini disebabkan karena MMPC dapat mengendalikan beberapa variabel dengan satu pengendali. Penyetelan MMPC yang dilakukan dengan Matlab melalui seleksi turnamen pada 888 kombinasi data tiap perubahan CV menunjukkan bahwa sampling time MMPC memiliki pengaruh yang sangat besar terhadap kinerja pengendalian. Nilai sampling time yang terlalu kecil akan menghasilkan sensitivitas yang terlalu besar dan menyebabkan perubahan parameter lainnya, yaitu prediction horizon dan control horizon, menjadi sulit dipahami karena polanya cukup acak. Metode penyetelan MMPC yang diusulkan berhasil mendapatkan nilai-nilai IAE dan ISE yang optimum dan secara umum dapat memperbaiki kekurangan dari penyetelan penelitian sebelumnya. Dari penelitian ini diperoleh pengendalian yang cukup optimum pada T=0,5; P=20; dan M=2.

---

Dimethyl ether (DME) is a compound that has the potential to be developed into a sustainable fuel. The methanol-water purification unit is important unit to be controlled in DME synthesis, to make sure that methanol can be flowed back into the process then increase the overall efficiency of the plant. The importance of using multivariable model predictive control (MMPC) in this process is to improve process control performance and reduce capital costs in purchasing controllers. It is because MMPC can control several variables with one controller. MMPC tuning performed with Matlab through tournament selection on 888 data combinations for each CV change shows that the MMPC sampling time has a very large influence on control performance. A sampling time value that is too small will result in a very high sensitivity and causes changes in other parameters, namely the prediction horizon and control horizon, to be difficult to understand because the pattern is quite random. The proposed MMPC tuning method has succeeded in obtaining optimum IAE and ISE values ​​and in general can correct the shortcomings of previous research settings. The best control was obtained at T=0.5; P=20; and M=2.

"

"

Gas alam merupakan sumber energi ketiga yang paling banyak digunakan di Indonesia, setelah minyak bumi dan batubara. Agar lebih mudah ditranportasikan, gas alam diubah menjadi LNG kemudian diubah kembali melalui proses regasifikasi LNG. Diperlukan sistem pengendali agar proses regasifikasi LNG dapat berjalan lancar. Multivariabel model predictive control (MMPC) merupakan pengendali tingkat lanjut yang dapat digunakan pada sistem regasifikasi LNG. Terdapat tiga parameter pada MMPC, yaitu sampling time (Ts), prediction horizon (P), dan control horizon (M).  Pada penelitian ini, dilakukan penyetelan MMPC untuk mendapatkan parameter MMPC dengan menggunakan metode minimalisasi nilai integral of square error (ISE). Kinerja pengendalian MMPC dengan tuning minimalisasi nilai ISE kemudian dibandingkan dengan pengendalian MMPC hasil fine-tuning (trial and error) dan didapatkan bahwa kinerja MMPC dengan tuning minimalisasi nilai ISE lebih baik. Selain itu, proses tuning dengan minimalisasi nilai ISE lebih mudah dilakukan dibanding fine-tuning (trial and error) karena dapat berjalan secara otomatis.

 

---

Natural gas is the third most widely used energy source in Indonesia, after oil and coal. To make it easier to transport, natural gas is converted into LNG and then converted back through the LNG regasification process. A control system is needed so that the LNG regasification process can overcome the disturbances that arise. Multivariable model predictive control (MMPC) is an advanced controller that can be used in LNG regasification systems. There are three parameters in MMPC, namely sampling time (Ts), prediction horizon (P), and control horizon (M). In this study, the MMPC was tuned to obtain the MMPC parameters by using the integral of square error (ISE) minimization method. The performance of the MMPC control by tuning the ISE minimization value was then compared with the MMPC control with the results of fine-tuning (trial and error) and it was found that the performance of the MMPC by tuning the minimization of the ISE value was better. In addition, the tuning process by minimization of the ISE value is easier to do than fine-tuning (trial and error) because it can run automatically.

 

"

"Kualitas pengelasan dipengaruhi oleh beberapa parameter antara lain material induk, heat input, jenis sambungan, jenis fluks, komposisi atau jenis bahan tambahan (elektroda) serta keahlian operator las. Komposisi kimia dari kawat las (filer) berpengaruh besar terhadap kualitas logam las (weldment), karena akan mempengaruhi struktur mikro logam las dan sifat mekaniknya."

"ABSTRAK Tanaman Salam (Eugenia polyantha Wight) merupakan tanaman tingkat tinggi yang banyak tumbuh di Indonesia. Tanaman ini berasal dari Langkawi, Kelantan dan termasuk dalam famili Myrtaceae. Tanaman mi banyak manfaatnya antara lain sebagai penyedap masakan dan banyak digunakan sebagai obat tradisional untuk hipcrtensi, diabetes mcllitus. gangguan pcncemaan. dan lemah lambung. Penelitian ini bertujuan untuk mengisolasi dan menentukan struktur molekul senyawa kimia daiam kulit batang tanaman Salam, Isolasi senyawa kimia ini dilakukan dengan cara perendaman dalarn pelatut metanol. Ekstrak metanol selanjutnya dipisahkan komponen kimianya dengan kolom kromatografi. Kornponen hasil isolasi kemudian ditentukan struktur molekulnya dengan menggunakan spektrofotometer inframerah (IR) dan kromatografi gas - spektrometer massa (GC-MS). Komponen hasil isolasi diduga merupakan senyawa ester 14-metil-metilpentadekanoat, 13-metil-metilpentadekanoat dan metilheksadekanoat dengan rumus molekul C17H34O2."

"Garcinia rigida merupakan tumbuhan asli Indonesia yang banyak terdapat di daerah Sumatera, Jawa, Kalimantan dan Maluku. Sebagian besar genus Garcinia telah diteliti dan memiliki khasiat sebagai tanaman obat. Dua senyawa kimia berhasil diisolasi dari ekstrak n-heksan kulit batang manggis hutan (Garcinia rigida). Kedua senyawa tersebut adalah stigmasterol (senyawa A) dan suatu triterpen asam oleanolat (senyawa B).

---

Isolation and Characterization Chemical Compounds from the Brak of Garcinia rigida. Garcinia rigida is an Indonesia original plant growing on Sumatera, Java, Kalimantan, and Maluku. Most of its genus have been researched and proven as medicinal plants. Two compounds have been isolated from n-hexane stem-bark of Garcinia Rigida. The two compounds are Stigmasterol (compound A) and a triterpen oleanolic acid (compound B)."

"ABSTRAKPengendalian proses pemisahan metanol-air pada produksi dimethyl ether (DME) dari gas sistesis menggunakan pengendali Model Predictive Control (MPC) jenis single-input single-output (SISO) telah menunjukkan hasil yang lebih baik dibandingkan dengan penggunaan pengendali Propotional-Integral (PI). Namun, penerapan pengendali MPC tunggal ini membuat proses produksi DME menjadi tidak ekonomis dikarenakan biaya modal pengendali MPC lebih besar dibandingkan pengendali PI. Pada penelitian ini, dirancang pengendali Multivariable Model Predictive Control (MMPC 4x4) dengan empat variabel masukan atau variabel yang dimanipulasikan (manipulated variable, MV) dan empat variabel keluaran atau variabel yang dikendalikan (controlled variable, CV). Pengendali MMPC diusulkan untuk mengurangi jumlah pengendali yang digunakan (empat MPC) serta mengatasi interaksi antar-variabel yang akan memengaruhi kinerja pengendalian. Perancangan pengendali meliputi identifikasi interaksi antar-variabel melalui pemodelan empirik first-order plus dead time (FOPDT) dan penyetelan pengendali. Empat CV tersebut meliputi suhu kondensor, suhu keluaran cooler, level kondensor, dan level kolom, sedangkan empat MV-nya meliputi beban kondensor, beban cooler, laju alir produk distilat, dan laju alir produk bawah. Hasilnya menunjukkan bahwa interaksi antar variabel yang teridentifikasi meliputi seluruh variabel yang terlibat, sehingga didapatkan matriks 4x4 yang berisi 16 model FOPDT. Nilai parameter pengendali berupa sampling time (T), prediction horizon (P), dan control horizon (M) yang memberikan kinerja pengendalian yang optimum berturut-turut adalah 2, 24, dan 10. Penggunaan MMPC memberikan kinerja pengendalian yang lebih baik dibandingkan dengan MPC, yang ditunjukkan oleh penurunan IAE sebesar 7% hingga 72% dan penurunan ISE sebesar 14% sampe 83%.

---

ABSTRACTProcess control of separating methanol-water from the production of dimethyl ether (DME) from synthesis gas using the Model Predictive Control (MPC) controller of single-input single-output (SISO) type has shown better results compared to the use of Propotional-Integral (PI) controllers. However, the application of this single MPC controller made the DME production process uneconomical because the MPC controllers capital cost was greater than the PI controller. In this study, a Multivariable Model Predictive Control (MMPC 4x4) controller was designed with four input variables or manipulated variables (manipulated variables, MV) and four controlled variables (controlled variables, CV). The MMPC controller is proposed to reduce the number of controllers used (four MPC) and overcome inter-variable interactions that will affect control performance. The design of the controller includes the identification of inter-variable interactions through first-order plus dead time (FOPDT) empirical modeling and controller adjustments. The four CVs include condenser temperature, cooler output temperature, condenser level, and column level, while the four MVs include condenser load, cooler load, distillate product flow rate, and bottom product flow rate. The results show that the interactions between the variables identified include all the variables involved, resulting in 16 FOPDT models. The control parameter values ​​in the form of sampling time (T), prediction horizon (P), and control horizon (M) that provide optimum control performance are 2, 24, and 10. The use of MMPC provides better control performance compared to MPC, which is indicated by a decrease in IAE of 7% to 72% and a decrease in ISE of 14% to 83%."

"Dimetil eter DME sebagai energi alternatif yang bersih telah mendapat perhatian dalam beberapa tahun terakhir. Produksi DME dengan distilasi reaktif memiliki potensi untuk menghemat biaya kapital dan penggunaan energi. Meski begitu, kombinasi sistem reaksi dan distilasi dalam satu kolom membuat proses distilasi reaktif menjadi sistem multivariabel yang kompleks dengan perilaku proses yang sangat non linear dan adanya interaksi antar variabel proses yang kuat. Studi ini menginvestigasi pengendalian proses distilasi reaktif DME dengan multivariable Model Predictive Control MPC berdasarkan struktur pengendalian suhu dua titik untuk menjaga kemurnian kedua aliran produk. Model proses diestimasi dengan model first-order plus dead time. Kemurnian DME dan air masing-masing dijaga dengan mengendalikan suhu tahap 5 di zona rektifikasi dan suhu tahap 47 pelucutan. Hasil simulasi menunjukkan bahwa nilai integral of squared error ISE untuk perubahan set point suhu tahap 5 dan 47 dapat dikurangi masing-masing 19,89 dan 18,26 untuk sistem dengan pengendali multivariable MPC dibandingkan dengan pengendali PI konvensional. Selain itu, pengendali multivariable MPC mampu menangani interaksi lup pengendalian yang ditunjukkan oleh respon yang lebih stabil dan tidak berosilasi.

---

Dimethyl ether DME as an alternative clean energy has attracted a growing attention in the recent years. DME production via reactive distillation has potential for capital cost and energy requirement savings. However, combination of reaction and distillation on a single column makes reactive distillation process a very complex multivariable system with high non linearity of process and strong interaction between process variables. This study investigates a multivariable model predictive control MPC based on two point temperature control strategy for the DME reactive distillation column to maintain the purities of both product streams. The process model is estimated by a first order plus dead time model. The DME and water purity is maintained by controlling stage 5 temperature in rectifying section and stage 47 in stripping section, respectively. The results show that the integral of squared error ISE values for the set point tracking in stages 5 and 47 temperatures can be reduced, respectively, 19.89 and 18.26 for the system under multivariable MPC controller compared to the conventional PI controllers. In addition, the MPC controller is able to handle the loop interactions that is shown by more stable and non oscillatory responses."

"Senyawa turunan indol dan tiazolidin memiliki bioaktivitas yang luas. Salah satunya adalah aktivitas antioksidan. Pada penelitian ini, dilakukan sintesis senyawa turunan spiro[indol-tiazolidinon] menggunakan amina primer, asam tioglikolat, serta asam oksalat sebagai katalis. Reaksi ini dilakukan dengan metode one-pot synthesis dengan cara Multi Component Reaction (MCR) dan menggunakan variasi amina primer, yaitu anilin, 4-nitroanilin, dan 4-aminofenol untuk masing-masing senyawa turunan spiro[indol-tiazolidinon] 1, 2, dan 3. Senyawa hasil sintesis dikarakterisasi menggunakan Kromatografi Lapis Tipis (KLT), uji titik leleh, serta analisis menggunakan Ultra Violet-Visible Spectroscopy (UV-Vis), Fourier-Transform Infrared Spectroscopy (FTIR), dan Liquid Chromatography–Mass Spectrometry (LC-MS). Didapatkan senyawa spiro[indol-tiazolidinon] 1, 2, dan 3 dengan persen yield masing-masing sebesar 15,64%; 12,179%; 19,36%. Kemudian produk yang disintesis dilakukan uji antioksidan menggunakan metode 1,1-difenil-2-pikrihidazil (DPPH). Hasil uji menunjukkan bahwa seluruh senyawa turunan spiro[indol-tiazolidinon] memiliki aktivitas antioksidan dengan nilai IC50 senyawa spiro[indol-tiazolidinon] 1, 2, dan 3 masing-masing sebesar 692,90; 683,88; dan 667,32 ppm.

---

Indole and thiazolidine derivatives have diverse bioactivities, one of them is an antioxidant. In this research, spiro[indole-thiazolidinone] derivatives were prepared by a one-pot synthesis method. This Multi-Component Reaction (MCR) consisted of isatin, primary amine, and thioglycolic acid, with the addition of oxalic acid as a catalyst. Aniline, 4-nitroaniline, and 4-aminophenol were used as the variation of primary amine for the preparation of spiro[indole-thiazolidinone] 1, 2, and 3 respectively. After preparation, spiro[indole-thiazolidinone] derivatives were identified using Thin-Layer Chromatography (TLC), melting point, and were analyzed using Ultra Violet-Visible Spectroscopy (UV-Vis), Fourier-Transform Infrared Spectroscopy (FTIR), dan Liquid Chromatography–Mass Spectrometry (LC-MS). Percent yield of spiro[indole-thiazolidinone] 1, 2, and 3 were 15.64%; 12.179%; and 19.36% respectively. The antioxidant activity of the compounds was tested using DPPH method. IC50 value of spiro[indole-thiazolidinone] 1, 2, and 3 respectively were 692.90; 683.88; and 667.32 ppm.

"

"Skenario produksi minyak yang dilakukan Dewan Energi Nasional pada 2050 menunjukan tren penurunan, terutama dipengaruhi oleh rendahnya kegiatan eksplorasi migas dan tingkat keberhasilan eksplorasi yang dilakukan oleh perusahaan minyak Oleh karena itu, DME dapat digunakan sebagai alternatif sumber energi yang lebih ramah lingkungan dan berkelanjutan. Pada pabrik purifikasi DME, umpan diseparasi menghasilkan DME murni dengan konsentrasi 99%. Untuk menjalankan proses ini dalam keadaan optimal, maka diperlukan pengendali. Penelitian mengenai pengendali pada proses ini sudah pernah dilakukan, namun masih menggunakan model dengan pendekatan FOPDT sehingga orde proses masih tidak sesuai dengan aktualnya. Model Auto-Regressive eXogenous merupakan model yang menggambarkan hubungan antara data masukan dengan data keluaran berdasarkan metode least-square sehingga sederhana dan fleksibel serta estimasinya mendekati dengan nilai sebenarnya. Penggunaan model ARX dapat digunakan secara luas seperti pada penggunaan energi, pabrik kimia, dan kilang minyak sejak tahun 1980-an. Oleh karena itu, penelitian ini melakukan identifikasi model ARX pada pengendali MMPC serta melakukan verifikasi model dan menganalisis kinerja dari MMPC tersebut. Hasilnya didapatkan model ARX proses dan model ARX gangguan memiliki tingkat ketepatan dengan data sebesar 93-99% dan 70-97% dengan nilai RMSE 39-99% lebih kecil dari model FOPDT. Kinerja dari MMPC dengan parameter pengendalian terbaik yaitu T=5, P=20, dan M=20 menghasilkan peningkatan nilai IAE dan ISE sebesar 18-99.99% pada perubahan set point namun belum optimal dalam mengatasi gangguan pada suhu keluaran pendingin dan suhu kolom dengan nilai IAE dan ISE yang tinggi dan tidak menunjukkan peningkatan.

---

Oil production scenario carried out by the National Energy Council in 2050 shows a decreased trend, mainly influenced by low oil and gas exploration activities and the success rate of exploration activities carried out by oil companies. Therefore, DME can be used as an alternative energy source that is more environmentally friendly and sustainable. In the DME purification plant, the feed was separated to produce pure DME with a concentration of 99%. To run this process in optimal conditions, a controller is needed. Research on controllers in this process has been carried out, but still uses FOPDT model approach so the process order is still not in accordance with the actual order. Auto-Regressive eXogenous model is a model that describes the relationship between input and output data based on least-square method so the estimate close to the actual value. The application of ARX model can be widely used such as in energy uses, chemical plants, and oil refineries since 1980s. Therefore, this study identifies ARX model on the MMPC controller as well as verifying the model and analyzing its performance. The result obtained that the process ARX model and the disturbance ARX model have fit percentage with data reach 93-99% and 70-97% with RMSE value 39-99% smaller than FOPDT model. The performance of MMPC with best control parameters T=5, P=20, and M=20 has improved IAE and ISE value with 18-99.99% when set point changed but still not optimal for controlling disturbance in cooler output temperature and column temperature with a high IAE and ISE value and not showing improvement."

"Hidrogen merupakan salah satu gas yang memiliki banyak kegunaan. Salah satunya pada industri kimia. Pada pabrik biohidrogen, unit kompresor merupakan salah satu unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berfungsi untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya. Multivariable model predictive control (MMPC) digunakan untuk mengendalikan proses pada pabrik. Untuk mendapatkan pengendalian yang optimal, perlu dilakukan penyetelan. Penyetelan akan dilakukan pada Matlab-Simulink yang diintegrasikan dengan Aspen Plus Dynamics. Sistem pengendalian akan dibuat pada Simulink dan simulasi proses akan dilakukan pada Aspen Plus Dynamic. Penyetelan ini dilakukan dungeon metode Genetic Algorithm dungeon metode pencarian seleksi turnamen. Setelah itu, hasil penyetelan akan dijalankan juga dengan unisim design agar kinerja pengendalian dapat dibandingkan dengan penelitian sebelumnya. Model first order plus dead time (FOPDT) digunakan sebagai model prediksi MMPC. Pada penelitian ini, model FOPDT yang digunakan di MMPC pada Matlab harus dihasilkan dengan cara satuan tekanan keluaran kompresor terlebih dahulu diubah menjadi satuan persentase karena MMPC pada Matlab akan menginterpretasikan variabel-variabel perhitungan dalam satuan persen. Parameter time sampling (T), prediction horizon (P), dan control horizon (M) terbaik yang diperoleh dari metode penyetelan seleksi turnamen pada simulasi dengan unisim untuk perubahan set-point (SP) yaitu 1 detik, 18, dan 3. Untuk uji gangguan parameter T, P, dan M yang diperoleh dengan penyetelan fine tuning terbaik yaitu 1 detik, 341, dan 121. Pada simulasi Matlab-Simulink-Aspen Plus Dynamics, parameter T, P, dan M yang terbaik yaitu 0,05 detik, 18, dan 2 untuk perubahan SP dan 0,05 detik, 7, dan 1 untuk perubahan gangguan.

---

Hydrogen is one of the gases that has many uses, including in the chemical industry. In a biohydrogen plant, the compressor unit is one of the important units in the biomass-based biohydrogen plant. The compressor unit works to achieve high pressure for further operational conditions. Multivariable Model Predictive Control (MMPC) is used to control the processes in the plant. To obtain optimal control performance, tuning process is necessary. The tuning process will be conducted in Matlab-Simulink integrated with Aspen Plus Dynamics. The control system will be designed in Simulink, and the process simulation will be executed in Aspen Plus Dynamics. The tuning was done using the Genetic Algorithm with tournament selection search method. Subsequently, the tuning results will also be implemented in Unisim Design to compare the control performance with previous research. The First Order Plus Dead Time (FOPDT) model is applied as the prediction model for MMPC. In this study, the FOPDT model used in MMPC in Matlab must be generated by converting the compressor output pressure unit into a percentage unit due to the MMPC in Matlab will interpret the calculation variables in percent units. For the set-point change, the best time sampling (T), prediction horizon (P), and control horizon (M) parameters that were obtained from the tournament selection tuning method in the simulation with Unisim design are 1 second, 18, and 3. For disturbance testinwere obtainedest parameters are 1 second, 341, and 121 that obtained by fine-tuning method. In the Matlab-Simulink-Aspen Plus Dynamics simulation, the best parameters T, P, and M for set-point changes are 0.05 seconds, 18, and 2, and for disturbance changes are 0.05 seconds, 7, and 1."