DETAIL KOLEKSI

Artificial neural network for power output prediction of organic rankine cycle power plant in Lahendong geothermal field


Oleh : Satriyo Nurhanudin Wibowo

Info Katalog

Nomor Panggil : 1332/TP/2021

Penerbit : FTKE - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2021

Pembimbing 1 : M. Taufiq Fathaddin, Ir. M.T.,Ph.D

Pembimbing 2 : R. Hari Karyadi Oetomo, Bs.P.E, Ms. P.E

Subyek : Geothermal

Kata Kunci : geothermal prediction, application of artificial intelligence, real-time data monitoring, remote

Status Posting : Published

Status : Lengkap


File Repositori
No. Nama File Hal. Link
1. 2021_TA_STP_071001600098_Halaman-judul-.pdf
2. 2021_TA_STP_071001600098_Pengesahan.pdf 1
3. 2021_TA_STP_071001600098_Bab-1_Pendahuluan-.pdf 3
4. 2021_TA_STP_071001600098_Bab-2_Tinjauan-literatur.pdf
5. 2021_TA_STP_071001600098_Bab-3_Kerangka-konsep.pdf
6. 2021_TA_STP_071001600098_Bab-4_Metode.pdf
7. 2021_TA_STP_071001600098_Bab-5_Kesimpulan-.pdf
8. 2021_TA_STP_071001600098_Daftar-pustaka.pdf 3
9. 2021_TA_STP_071001600098_Lampiran-.pdf

P Perkembangan industri telah masuk dalam babak 4.0, AritificialIntelligence (AI) sebagai hal yang luar biasa, terutama Machine Learning (ML),guna meningkatkan hasil prediksi yang berdampak pada pengambilan keputusanpada manajemen panas bumi. Pembangkit listrik Lahendong Organic RankineCycle (ORC) menawarkan siklus yang unik dengan siklus tambahan yang disebutintermediate cycle dengan menggunakan air panas. Sebagai salah satu potensienergi terbarukan di Indonesia, prediksi performa power output adalah hal yangpenting, dan implementasi ML dengan Real-time Monitoring System (RTMS) padastudi kasus lapangan panas bumi Lahendong.Model prediksi menggunakan Artificial Neural Network (ANN)berdasarkan Multilayer Perceptron (MLP) untuk periode jangka pendek untukmendapatkan hasil solusi sempurna untuk prediksi. Support Vector Regression(SVR) dan Ridge Regression (L2) digunakan sebagai perbandingan dengan ANN.Dataset yang digunakan variabel hasil pengukuran berdasarkan riwayat sepertisifat air formasi, sifat air panas, dan power output. Selanjutnya dataset dibagimenjadi 70 % untuk training dan 30 % untuk testing. Sementara itu, akurasi dariprediksi diukur dengan Root Mean Squared Error (RMSE), Mean Absolute Error(MAE), dan R-squared (R2).Secara keseluruhan, hasil prediksi dari ANN menunjukan hasil yang luarbiasa. R2 menunjukan hasil sempurna, dengan hasil 0.9955 mendekati satu, danvalidasi menunjukan hasil 4.7 % untuk MAE dan 9.2 % untuk RMSE. SVR di lainsisi, memiliki hasil yang cukup dekat dengan ANN dengan nilai R2 adalah 0.9905 dengan validasi dikategorikan sebagai luar biasa untuk MAE dengan nilai 5.9%dan dikategorikan sebagai prediksi yang bagus untuk RMSE dengan nilai 14.6 %.Sementara itu, nilai L2 tidak begitu baik dibanding lainnya dengan 0.9731, danvalidasi hanya dikategorikan sebagai prediksi yang bagus untuk MAE dengan nilai16 % dan prediksi yang biasa untuk RMSE dengan nilai 24 %.Selanjutnya, studi ini dapat meningkatkan kecepatan dan akurasi daripengambilan keputusan dari pembangkit listrik Lahendong ORC, khususnya untukpengelolaan pembangkit listrik

I Industry development has been entering the 4.0 era, Artificial Intelligence(AI) as significant opportunities, especially Machine Learning (ML), to improveprediction results, affecting geothermal management decision-making. TheLahendong Organic Rankine Cycle (ORC) power plant has offered a unique cyclewith an additional cycle called the intermediate cycle using hot water. As the mostpotential renewable energy in Indonesia, predicting power output performance is acrucial task, and implementation of ML collaborated with the Real-time MonitoringSystem (RTMS) at the Lahendong geothermal field case study.The prediction model follows the application of the Artificial NeuralNetwork (ANN) based on the Multilayer Perceptron (MLP) for short-periods toobtain the most robust solution in prediction. Support Vector Regression (SVR) andRidge Regression (L2) were used to compare with the ANN. The dataset containsthe measured variables from history, such as brine properties, hot water properties,and power output. Later, the dataset is split into 70% for training and 30% fortesting. Meanwhile, the prediction accuracy is performed by using normalized RootMean Square Error (RMSE), Mean Absolute Error (MAE), and R-squared (R2).Overall, the prediction results from ANN are excellent. The R2 score isperfect, with a score of 0.9955 close to one, with a validation score of 4.7 % forMAE and 9.2 % for RMSE. The SVR, as the comparison shows slightly differentfrom ANN with a score of 0.9905 with validation categorized as an excellentprediction for MAE with a score of 5.9 % and categorized as a good prediction forRMSE with a score of 14.6 %. Whilst L2 score not quite impressive compared to others with a score of 0.9731, and validation merely satisfy in good prediction forMAE with a score of 16 % and fair prediction for RMSE with a score of 24 %.Furthermore, this study surely can improve fast and accurate decisionmaking in the Lahendong ORC power plant, especially for power plantmanagement.

Bagaimana Anda menilai Koleksi ini ?