Studi awal pengaplikasian machine learning dengan model LSTM dalam memprediksi temperatur kolom distilasi reaktif untuk produksi DME

Abstract

Proses distilasi yang merupakan proses yang umum dijumpai pada industri kimia merupakan proses yang membutuhkan energi yang besar. Distilasi reaktif merupakan salah satu jenis distilasi dengan hubungan antar variabel yang rumit karena mengintegrasikan proses distilasi dan reaksi dalam satu alat. Keunggulan unit kolom distilasi reaktif adalah kebutuhan biaya investasi dan biaya utilitas yang lebih rendah dibandingkan unit operasi reaktor dan kolom distilasi yang terpisah. Untuk mendapatkan kemurnian produk dan konversi reaktan pada proses distilasi reaktif maka pengoperasian serta pengendaliannya membutuhkan biaya yang besar serta energi yang banyak. Sehingga pengurangan biaya pada proses distilasi reaktif akan berdampak sangat besar bagi keseluruhan operasi pabrik. Maka proses pengendalian dengan machine learning akan digunakan untuk mengurangi biaya pengendaliannya karena dapat memprediksi temperatur kolom yang merupakan variabel inferensial untuk kemurnian produk. Penelitian ini bertujuan untuk membuktikan keakuratan penggunaan machine learning dalam memprediksi temperatur kolom distilasi reaktif untuk produksi dimetil eter. Kolom distilasi reaktif dimodelkan dan disimulasikan secara tunak dengan menggunakan perangkat lunak ASPEN Plus®. Kemudian simulasi dilanjutkan dengan perangkat lunak ASPEN Plus Dynamic® untuk mendapatkan data profil temperatur kolom distilasi reaktif sebagai fungsi dari waktu. Pada penelitian ini model machine learning yang digunakan adalah model Long-Short Term Memory (LSTM). Model ini digunakan untuk memprediksi profil temperatur kolom distilasi reaktif dengan menggunakan data hasil simulasi ASPEN Plus Dynamic® sebagai data pelatihan. Penelitian ini menggunakan empat jenis metode optimasi yaitu, SGD, RMSprop, AdaGrad, dan Adam. Pada penelitian ini, metode optimasi yang paling bagus adalah Adam dengan nilai MSE hasil pelatihan yang terkecil adalah 0,352 dan nilai R2 hasil pelatihan yang paling mendekati satu adalah 0,999. Dikarenakan terjadi overfitting saat pelatihan, kinerja model saat simulasi prediksi dan pelatihan memiliki hasil yang berbeda. Nilai MSE hasil prediksi model LSTM dengan metode Adam yang terkecil adalah 0,415 untuk temperatur tahap 47 dan R2 yang paling mendekati satu adalah 0,869 untuk temperatur kolom tahap 5. Untuk model LSTM dengan metode RMSprop nilai MSE hasil prediksi terkecilnya adalah 4,094 dan R2 yang paling mendekati satu adalah 0,832. Hasil prediksi dengan metode optimasi AdaGrad memiliki MSE terkecil senilai 28,306 dan nilai R2 terbagusnya sebesar 0,321. Dan untuk model dengan metode optimasi SGD nilai MSE hasil prediksi terkecilnya 40,520 dengan R2nya bernilai 0 semuanya. Hasil-hasil ini masih jauh dari nilai yang diinginkan yaitu MSE dibawah 10 dan nilai R2 diatas 0,9, dan untuk memperbaiki hasil ini dapat dilakukan metode early stopping dan penambahan data pelatihan.