EVALUASI KINERJA KOLOM DEETHANIZER DENGAN REAL TIME OPTIMIZATION

EVALUASI KINERJA KOLOM DEETHANIZER DENGAN REAL TIME OPTIMIZATION

Indra Darmawan (2311 100 180)

Fadillah Akhbar Marsha (2311 100 192)

Dosen Pembimbing

Prof. Ir. Renanto Handogo MS., Ph.D.

Juwari Purwo Sutikno , S.T., M.Eng., Ph.D.

PROPOSAL SKRIPSI

Outline Presentasi

2

Pendahuluan

Tinjauan Pustaka

Metodologi Penelitian

Latar Belakang

Persaingan di bidang industri proses semakin meningkat

Berkembangnya dunia industri, sehingga menjadi tulang punggung perekonomian bangsa

Perlu Optimisasi Proses

Teknologi Komputerisasi Semakin Canggih

3

Bagaimana merancang dan mensimulasikan proses pada kolom deethanizer dual reboiler untuk mendapatkan kondisi operasi yang optimal.

Bagaimana memodelkan konfigurasi untuk mendapatkan Total Annual Cost minimum dengan menggunakan Real Time Optimization.

Sistem yang ditinjau adalah kolom deethanizer PT Chandra Asri Petrochemical.

Program yang digunakan adalah Aspen Plus

Optimisasi dilakukan bertujuan untuk memperoleh Total Annual Cost minimum.

Variabel yang diatur Reflux Rate, Rate aliran pemanas boiler kolom

Disturbance Laju Alir Feed

Batasan Masalah

Rumusan Masalah

4

Menentukan kondisi operasi optimum kolom deethanizer yang menghasilkan produk sesuai dengan spesifikasi.

Menghitung Total Annual Cost minimum.

Tujuan Penelitian

5

Mendapatkan konfigurasi optimum pada kolom deethanizer untuk plant dengan nilai Total Annual Cost minimum.

Meningkatkan efisiensi energi dan biaya dari kolom deethanizer yang merupakan salah satu alat utama di industri polimer PT Chandra Asri Petrochemical

Diharapkan hasil penelitian ini dapat memberikan kontribusi pada optimasi proses di PT Chandra Asri Petrochemical dan penelitian selanjutnya.

Manfaat Penelitian

6

7

Data Operasi Kolom Deethanizer

Jumlah Tray = 70 tray

Feed Tray (valve tray) = tray ke 16 dan 34

Tekanan Top = 20,88 kg/cm2

Tekanan Bottom = 21,30 kg/cm2

Temperatur Top= -21,5oC

Temperatur Bottom= 66,10oC

Reflux Ratio = 20 minimum

8

Feed Arus 4201Feed Arus 4202Feed Arus 4227FaseLiquidMixedLiquidKomponen% MolMetana0,010,01Astilena0,890,89Etilen62,0162,0176,12Etana10,1710,1723,66Propadiena0,610,61Propilena15,915,90,22Propana3,453,45Butadiena2,512,51Butilena2,12,1Butana1,521,52C5+ Hidrokarbon0,60,6C6 C8 Non Aromatik0,090,09Benzena0,130,13Toluena0,010,01

Komposisi Feed

Komposisi Top And Bottom Product

Top ProductBottom ProductFaseVaporLiquidKomponen% MolMetana0,01Astilena1,04Etilen82,56Etana16,270,01Propadiena0,1259,02Propilena2,28Propana12,84Butadiena9,34Butilena7,83Butana5,64C5+ Hidrokarbon2,22C6 C8 Non Aromatik0,33Benzena0,47Toluena0,02

9

Real Time Optimization

Real Time Optimization berguna untuk mengindikasi atau re-evaluasi secara kontinu perubahan kondisi operasi proses agar produktifitas ekonomi proses pada kondisi maksimal. Optimisasi pada proses industri menjadi sesuatu yang menarik seiring semakin ketatnya persaingan global dan ketentuan kualitas produk yang semakin spesifik. Real Time Optimization merupakan konsep yang menarik karena berada pada level hierarki kontrol dimana keputusan dari segi ekonomi berhubungan langsung dengan operasional proses produksi.

10

Blok Diagram RTO dengan Feedback Control

11

Model ekonomi berkaitan dengan harga bahan baku, nilai produk, dan biaya produksi sebagai fungsi dari kondisi operasi. Fungsi objektif, quantitas secara spesifik digambarkan melalui, ekspresi profit operasi pabrik dalam satu perioda waktu tertentu berikut ini :

P = - OC

Dimana,

P= operating profit/time

= sum product flow rates times respective product values

= sum of feed flow rate times respective unit cost

OC= Operating costs/time

12

Penelitian Terdahulu

Real Time Optimization Processes A Comparison Of Closed Open Form Equations Using Commercial Simulation Packages.

(Naysmith and Matthew R.1997)

Dalam Metode Real Time Optimization, digunakan beberapa general step, antara lain.

Steady State Detection

Data Reconciliation and Gross Error Detection

Parameter Estimation

Process Model

Optimization

Updating of Set Points

13

Penelitian Terdahulu

Data Reconciliation & Gross Error Detection

(Shankar Narasimhan and Cornelius Jordache.2000)

Data Reconciliation, dapat diformulasikan melalui penyelesaian least square optimization dengan menggunakan weighted constrain.

Dimana : w = weighted

y = measurement

x = reconciliation estimation

u = the estimates of unmeasured variable

14

Penelitian Terdahulu

Robust parameter estimation in on-line optimization part 1. methodology and simulated case study

(S. Krishnan, W. Barton and J. D. Perkins.1991)

Parameter kunci dari process model ditentukan dari basis terhadap effect pada kondisi operasi optimum. Parameter tersebut membutuhkan estimasi, ketidakjelasan didalam parameter ini dapat menyebabkan ketidakakuratan dalam optimisasi. Dan jika parameter tidak memiliki efek perubahan yang signifikan pada menentukan kondisi operasi optimal, maka estimasi pada parameter tidak dibutuhkan.

14

1. Steady State Detection

Mendeteksi bahwa proses yang digunakan sudah steady state, untuk dilakukannya proses Real time optimization, untuk mengoptimalkan model proses dengan pertimbangan akurasi dari optimasi. Ketika plant sudah steady state, data dari proses dilanjutkan ke tahap optimasi

15

1. Steady State Detection

Kasus 1 : T2() , maka kondisi proses sudah pada kondisi steady state

Kasus 2 : T2() , maka kondisi proses belum mencapai kondisi steady state

16

2. Data Reconciliation & Gross Error Detection

Berguna untuk mengatur semua variabel yang terukur ( massa, energi, dll) dan memungkinkan untuk mengestimasi variabel-variabel yang tidak terukur. Gross Error Detection akan mengkoreksi error data proses yang ditemukan dengan metode yang sesuai , kemudian data yang telah disesuaikan akan dilanjutkan ke tahap selanjutnya.

1. Linear Or Non Linear Steady State Data Reconciliation

17

3. Parameter Estimation

Tahapan ini , memperbarui parameter model terhadap proses data plant yang didapat. Model yang telah diperbarui ini kemudian dipakai untuk menentukan set point baru pada model proses yang dioptimisasi.

18

4. Process Model

Merupakan model dari proses yang merepresentasikan perubahan akibat dari algoritma optimisasi saat iterasi menuju solusi optimum.

19

5. Optimization

a. Fungsi objektif (Darby & White) :

Objektif = Harga Produk Harga Bahan Baku Biaya Utilitas Variabel Ekonomi lainnya

b. Algoritma Optimisasi

Algoritma optmisasi menggunakan model proses dan fungsi objektif untuk menentukan set poin optimum pada sebuah proses pabrik. Tipe algoritma yang paling umum digunakan adalah Successive Quadratic Programming ( SQP) dengan bentuk persamaan berikut ini :

Minimize , dengan Ax = b , x 0

20

6. Updating of Process Set Points

Set point optimum yang telah ditemukan oleh optimizer di implementasikan pada proses pabrik. Saat kondisi proses pabrik kembali menuju steady state , siklus real time optimizer berulang lagi untuk menjaga kondisi operasi pabrik tetap optimum.

21

Total Annual Cost

Total Annual Cost = Annualized Capital Cost + Utility Cost/Energy Cost

Energy Cost

Total Utility Cost =

Dimana : = Besar flowrate utilitas yang digunakan (m3/s)

Cu = Unit harga utilitas ( Rp/m3)

Annualized Capital Cost

Annualized Capital Cost = Capital Cost (financed) x Annualization Factor

Dimana :

Annualization Factor = ; i = interest

22

Metodologi Penelitian

1. Tahap Persiapan

-Mendefinisikan Komponen

2. Tahap Perancangan

-Mendefinisikan dan membuat arus

-Mendefinisikan dan membuat unit

-Menghubungkan stream dengan unit

3. Operasi

-Menjalankan Program

23

Variabel

Variabel yang diubah-ubah (Design Variabel)

Laju Steam Reboiler operasi kolom deethanizer

Laju Reflux kolom deethanizer

Variabel yang diatur konstan :

Laju alir feed masuk kolom deethanizer sebesar 1000 kmol/h

Variabel yang diamati :

Heat duty reboiler dan condensor kolom deethanizer

Mole fraksi produk C2 pada kolom deethanizer

24

SEKIAN

TERIMAKASIH

Simulation and Steady State Detection

2EA-402DA-401GA-401A,BC3 RefrigerantLP Steam1416344070EA-401Quench WaterC3 Refrigerant420142024207420342284204422742104212EA-4034204

MulaiPengumpulan dan Pengolahan dataSimulasi Steady State menggunakan ASPEN PLUSValidasi hasil (Steady State Detection)AAParameter EstimationProcess ModelYaTidakOptimisasi kondisi operasi menggunakan Software ASPEN PLUSMenghitung total Annual Cost menggunakan Software ASPEN PLUSEndData Reconciliation and Gross Error Detection