APLIKASI ARTIFICIAL NEURAL NETWORK DALAM

MEMPREDIKSI KEHILANGAN TEKANAN ALIR DI FLOWLINE

PADA KONDISI ALIRAN MULTIFASA

Sari

Prediksi akurat terhadap kehilangan tekanan alir pada flowline untuk kondisi aliran multifasa

dibutuhkan untuk memperoleh desain yang tepat untuk fasilitas permukaan seperti pompa,

kompresor dan separator. Studi ini memperkenalkan metode Artificial Neural Network

(ANN) untuk memprediksi kehilangan tekanan alir pada pipeline untuk aliran multifasa.

Artificial Neural Network adalah salah satu bentuk kecerdasan buatan (Artifial Intelligence)

yang meniru proses belajar pada sistem syaraf otak manusia. Artificial Neural Network tidak

mengenal formula atau aturan, melainkan hanya belajar dari pengalaman atau sampel data

dan memiliki kemampuan untuk menemukan pila dari sekumpulan data.

I. PENDAHULUAN

Aliran multifasa didefinisikan sebagai

aliran cocurrent dari dua fasa atau lebih

fasa (minyak, gas, dan air). Aliran

multifasa sering terjadi pada sumur

produksi dan sistem transportasi migas.

Sumur minyak pada umumnya

memproduksikan campuran liquid dan gas

ke permukaan. Bahkan sumur gas pun

dapat memproduksikan kondensat

dan/atau air formasi ke permukaan.

Pada operasi produksi, aliran multifasa

pada kondisi horizontal biasa terjadi pada

flowline yang menghubungkan wellhead

dan separator. Kehilangan tekanan alir

yang terjadi pada flowline relatif lebih

kecil dibandingkan dengan kehilangan

tekanan alir yang terjadi pada tubing. Hal

ini disebabkan karenan tidak adanya

hydrostatic losses pada aliran horizontal.

Namun jika flowline membentuk sudut

inklinasi dan menempuh jarak yang jauh,

maka kehilangan tekanan alir pada

flowline menjadi sangat penting untuk

diprediksi.

Prediksi kehilangan tekanan alir untuk

aliran fluida multifasa dalam pipa

tergolong lebih kompleks jika

dibandingkan dengan aliran fluida satu

fasa, dimana semua parameter yang

digunakan merupakan parameter

gabungan dari fasa-fasa yang mengalir.

Untuk aliran satu fasa, perhitungan

kehilangan tekanan alir pada pipa dapat

diselesaikan dengan menggunakan solusi

analitik (hukum konservasi massa dan

momentum linear). Hasil yang diperoleh

pun memiliki tingkat akurasi yang tinggi.

Ada beberapa faktor yang menyebabkan

sulitnya memprediksi kehilangan tekanan

alir pada pipa untuk aliran multifasa.

Banyaknya variabel yang

memengaruhi perhitungan

kehilangan tekanan alir untuk

aliran multifasa

Aliran multifasa bersifat

kompresibel sehingga densitas

campuran bergantung pada

tekanan dan temperatur

Kehilangan tekanan alir akibat

friksi lebih sulit untuk

diprediksikan karena adanya

beberapa fasa yang bersentuhan

dengan dinding pipa

Adanya slippage loss. Hal ini

disebabkan oleh perbedaan yang

signifikan antara densitas cairan

dan gas serta kecenderungan fasa

gas untuk mendahului fasa cair.

Terdapat berbagai jenis flow

pattern pada aliran multifasa.

Perhitungan tekanan alir

membutuhkan prosedur yang

berbeda untuk setiap jenis flow

pattern.

Beberapa ahli menceoba untuk

mengembangkan korelasi empirik dengan

mempertimbangkan batasan-batasan yang

terdapat pada aliran multifasa. Pada

awalnya beberapa ahli menganggap aliran

multifasa sebagai campuran liquid dan gas

yang homogen. Pendekatan ini tidak

berlaku karena gas mengalir lebih cepat

dibandingkan liquid. Kemajuan

penelititan mengenai fenomena aliran

multifasa menghasilkan suatu ide untuk

mempertimbangkan efek slippage di

antara fasa liquid dan gas. Selain itu para

peneliti menemukan bahwa flow pattern

mempengaruhi perhitungan liquid hold-up

dan friction factor.

Artificial Neural Network telah

berkembang dalam beberapa dekade ini

seiring dengan teknik komputasi yang

semakin baik dimana memungkinan

sistem komputerisasi dipergunakan

dengan luas. Beberapa bentuk jaringan

yang telah sukses diaplikasikan dalam

bidang sains maupun teknologi kontrol,

ekologi, pemodelan biologi, sosial dan

keekonomian. Kesuksesan Artificial

Neural Network dalam menyelesaikan

berbagai permasalahan teknis yang rumit

menjadikan Aritificial Neural Network

berpotensi untuk diterapkan dalam

industri perminyakan.

Artifical Neural Network terbentuk dari

banyak neuron yang saling berhubungan

sebagaimana neuron pada otak manusia

dan oleh karenanya dapat belajar seperti

manusia pada umumnya. Seperti manusia,

Neural Network ini belajar dari

pengalaman yang pernah dijalaninya.

Dengan bantuan komputer, maka Neural

Network dapat memiliki kemampuan

belajar, mengkoreksi dirinya, dan juga

dapat dilatih. Neural Network tidak

mengenal formula, jadi bekerja hanya

menggunakan data sampel. Oleh karena

itu sangat cocok untuk diaplikasikan pada

hal-hal dimana formula tidak diketahui,

tetapi variabel-variabel yang berpengaruh

diketahui. Neural network akan mencari

hubungan antar variabel dan

mengeluarkan hasil dari hubungan

tersebut.

II. ALIRAN FLUIDA MULTIFASA

DALAM PIPA HORIZONTAL

DAN INKLINASI

II.1 KONSEP ALIRAN MULTIFASA

Ada beberapa konsep penting yang

berkaitan dengan fenomena aliran

multifasa:

1. Pola Aliran

Pola aliran menyatakan distribusi fasa gas

dan fasa cair yang mengalir di dalam pipa

secara bersama-sama. Pola aliran terjadi

karena adanya perbedaan sifat fisik antara

gas dan cairan, sifat antar muka, dan sifat

membasahi dinding pipa.

Berdasarkan penelitian terhadap pola

aliran yang terjadi dalam pipa horizontal

dan inklinasi (Beggs and Brill, 1972), pola

aliran diklasifikasikan sebagai berikut:

Aliran Segregated

Terdiri atas aliran stratified, wavy,

dan annular.

Aliran Intermittent

Terdiri dari aliran plug dan slug.

Aliran Distributed

Terdiri dari aliran bubble dan mist

Gambar 1. Pola aliran fluida multifasa pada pia horizontal dan inklinasi

2. Gas Slippage

Ketika fasa liquid dan gas mengalir

bersama-sama dalam pipa, gas

cenderung akan mendahului cairan

karena kecepatan alir fasa gas lebih

tinggi dibandingkan dengan fasa liquid.

Fenomena ini dikenal dengan istilah gas

slippage. Gas slippage disebabkan oleh

beberapa faktor, yaitu:

Perbedaan densitas gas yang relatif

ringan bila dibandingkan dengan

densitas liquid sehingga

menghasilkan gaya buoyancy pada

fasa gas yang meningkatkan

kecepatan fasa gas

Energy losses pada aliran fasa gas

lebih rendah dibandingkan fasa

liquid.

3. Hold-up

Hold-up untuk cairan (liquid hold-up)

didefinisikan sebagai perbandingan

antara volume pipa yang terisi oleh

fluida dengan volume pipa secara

keseluruhan. Sedangkan untuk gas

hold-up, merupakan perbandingan

antara volume pipa yang terisi oleh gas

dengan volume pipa secara

keseluruhan. Kedua pengertian tersebut

secara matematis dapat dituliskan

dengan persamaan.

H 1=V l

V p

H g=V g

V p

Harga liquid hold-up merupakan fraksi

dan berharga nol apabila segmen pipa

berisi gas atau sebaliknya berharga satu

bila seluruh segmen pipa terisi oleh

cairan. Dengan demikian maka jumlah

dari gas hold-up dan liquid hold up

sama dengan satu.

H l=1−H g

Harga liquid hold-up akan digunakan

sebagai variabel untuk menggabungkan

densitas gas dan cairan menjadi densitas

campuran.

4. Kecepatan Superfisial (superficial

velocity)

Pada aliran multifasa, kecepatan aliran

masing-masing fasa (liquid dan gas)

sulit sekali untuk diperkirakan. Oleh

karena itu, sebagian besar korelasi

empirik menggunakan parameter ini

dalam memprediksi kehilangan tekanan

alir pipa.

Kecepatan superfisial didefinisikan

sebagai kecepatan fasa tersebut apabila

fasa itu sendiri yang mengalir di seluruh

pipa.

V sl=ql

A

V sg=qg

A

5. Mixture Properties

Pada kondisi dimana terdapat

perbedaan kecepatan aliran liquid dan

gas, maka viskositas campuran

ditentukan dengan persamaan:

μm=μ l . H l+μg .(1−H l)

Sedangkan densitas campuran

dinyatakan dengan persamaan:

ρm=ρl . H l+ρg .(1−H l)

II.2 KORELASI EMPIRIK UNTUK

PREDIKSI KEHILANGAN

TEKANAN ALIR PADA

FLOWLINE

Beberapa ahli telah mengembangkan

korelasi yang dapat memprediksi

kehilangan tekanan alir pada pipeline.

Korelasi-korelasi tersebut dikembangkan

berdasarkan kondisi lapangan dimana para

ahli tersebut melakukan penelitian,

sehingga aplikasinya perlu dibahas lagi

untuk kondisi lapangan yang lainnya. Dari

beberapa korelasi yang telah

dikembangkan, korelasi Beggs and Brill

dan Mukherjee and Brill lah yang

dikembangkan untuk aliran horizontal

maupun inklinasi.

Korelasi Begss and Brill adalah korelasi

empirik pertama yang dapat memprediksi

kehilangan tekanan alir untuk berbagai

sudut inklinasi. Namun terdapat

keterbatasan korelasi ini untuk

memprediksi pola aliran pada kondisi

aliran inklinasi. Korelasi Mukherjee and

Brill dikembangkan untuk mengkoreksi

keterbatasan yang dimiliki oleh korelasi

Beggs and Brill (Brill & Mukherjee,

1999). Korelasi ini mempertimbangkan

perubahan pola aliran pada pipa inklinasi.

III. ARTIFICIAL NEURAL

NETWORK

Artificial Neural Network (ANN) adalah

salah satu bentuk kecerdasan buatan

(artificial intelligence) yang meniru proses

belajar pada sistem syaraf otak manusia.

Seperti manusia, ANN dapat belajar dari

data-data yang diberikan sebelumnya dan

mengenal pola dari data yang selalu

berubah. Dengan bantuan teknologi

komputasi yang berkembang saat ini maka

suatu sistem ANN dapat memiliki

kemampuan untuk belajar dan mengoreksi

dirinya.

ANN tidak mengenal formula dan aturan,

jadi bekerja hanya dengan menggunakan

data sampel. Oleh karena itu, ANN sangat

cocok untuk diaplikasikan pada hal-hal

dimana kita tidak mengetahui formula,

tetapi diketahui variabel-variabel yang

berpengaruh. ANN akan mencari

hubungan antar variable dan mengeluarkan

hasil.

3.1 Struktur Artificial Neural Network

1. Neuron

ANN memiliki neuron yang saling

berhubungan yang berfungsi untuk

mentransfer informasi. Neuron pada ANN

sering disebut juga sebagai processing

element, node, unit, atau sel. Tiap neuron

menerima sinyal output dari neuron

lainnya. Sebuah neuron menghitung

outputnya berdasarkan jumlah weight.

Weight adalah tingkat kekuatan koneksi

antara dua neuron.

Gambar 2. Struktur Umum Model

Artificial Neural Network

2. Layer

Berdasarkan gambar struktur umum ANN,

lapisan-lapisan penyusun ANN dapat

dibagi menjadi tiga, yaitu:

a. Lapisan masukan (input layer).

Lapisan input berfungsi sebagai

penghubung jaringan ke dunia luar.

Lapisan masukan akan menerima

data dari dunia luar, misalnya dari

file data.

b. Lapisan tersembunyi (hidden

layer). Lapisan tersembunyi

merupakan lapisan yang

menghubungkan lapisan masukan

dan lapisan keluaran. Besarnya

nilai masukan ke lapisan

tersembunyi tergantung pada

akumulasi perkalian antara nilai

weight dengan nilai output dari

lapisan sebelumnya.

c. Lapisan keluaran (output layer).

Lapisan keluaran merupakan solusi

ANN terhadap suatu permasalahan.

Karakteristik dari unit-unit output

tergantung dari aktivitas unit-unit

lapisan tersembunyi dan bobot

antara unit-unit lapisan

tersembunyi dan unit-unit output.

3.2 Backpropagation Network

Pada algoritma backpropagation, input

dan target digunakan untuk melatih ANN

sampai ANN dapat melakukan pendekatan

sebagai deret data. Error adalah selisih

yang terjadi antara target dengan data yang

sebenarnya, ditransmisikan kembali ke

dalam jaringan melalui hidden layer

menuju ke neuron input. Bobot akan

dihitung kembali dan masing-masing

neuron akan mentransmisikan kembali

sinyal ke hidden layer dan neuron output

untuk kemudian error akan dihitung

kembali antara target dengan keluaran

ANN. Proses ini akan diulang terus

menerus sampai mendapatkan suatu

perintah yang membuat proses berhenti

(Demuth & Hagan, 2002).

IV. METODOLOGI

Berikut diperlukan prosedur agar proses

desain ANN memberikan hasil yang

optimum.

4. 1 Pengumpulan Data

Sejumlah 500 set data hipotetik digunakan

untuk membangun model ANN ini.

Masing-masing set data terdiri dari sebelas

input (gas rate, oil rate, water rate,

wellhead pressure, wellhead temperature,

oil API, kekasaran pipa, ID Pipeline,

length of pipe, horizontal distance,

elevation difference) serta satu output yaitu

kehilangan tekanan alir. Untuk

memperoleh nilai output untuk masing-

masing set data digunakan software

SCHLUMBERGER-PIPESIM. Korelasi

yang digunakan adalah korelasi Mukherjee

and Brill yang dapat diaplikasikan untuk

aliran horizontal maupun inklinasi.

Seluruh data dibagi menjadi tiga bagian,

yaitu data training, data validation, dan

data training. Data Training adalah data

utama yang digunakan sebagai dasar

dalam membangun model ANN, dimana

dari data ini lah ANN akan mengenali pola

hubungan antara masing-masing input

terhadap outputnya yang ditentukan dari

pembobotannya. Data Validation

digunakan untuk memastikan generalisasi

yang dilakukan oleh jaringan ANN yang

dibuat adalah benar. Sedangkan data

testing digunakan menguji keakuratan dari

jaringan ANN yang dibuat apabila

diberikan data diluar set data yang pernah

dikenali oleh jaringan ANN. Dalam

pembuatan model jaringan ANN berikut,

dipilih proporsi data training, data

validation, dan data testing sebesar 8:1:1,

dimana dari 500 data, 400 data digunakan

sebagai data training, 50 data digunakan

sebagai data validation, dan 50 data

digunakan sebagai data testing.

4.2 Data Transformation

Data Transformation dilakukan dengan

mentransformasikan seluruh data input

berada dalam rang -1 sampai dengan 1.

Normalisasi data ini bertujuan untuk

meminimalisir efek yang ditimbulkan oleh

range data input data yang bervariasi.

Pemetaan inilah yang berdampak besar

terhadap keakuratan hasil prediksi model

ANN. Persamaan yang digunakan untuk

melakukan normalisasi data yaitu (Ayoub

& Demiral, 2011):

4.3 Desain Network

Pemilihan arsitektur dari model ANN

dilakukan dalam beberapa tahap dan dilih

berdasarkan beberapa tahap dan dipilih

berdasarkan beberapa kriteria. Tahap

pertama adalah menentukan jumlah neuron

input dan input yang dibutuhkan. Jumlah

neuron input dan output ini adalah sama

dengan jumlah parameter input dan

outputnya. Selain itu, perlu dilakukan

penentuan jumlah neuron pada hidden

layer. Penentuan jumlah hidden layer

dilakukan dengan prinsip trial and error

hingga dihasilakn model ANN yang paling

optimum.

Selain melakukan sensivitas terhadap

jumlah neuron pada hidden layer,

penentuan proporsi data juga menentukan

kinerja dari model ANN. Komposisi yang

tepat antara jumlah data training, data

validation, dan data testing akan

menghasilkan model ANN yang paling

akurat. Arsitektur jaringan ANN yang

terbaik kemudian ditentukan berdasarkan

berbagai kriteria, yaitu:

a. Root Mean Square (RMSE)

RMSE adalah akar dari rata-rata

kuadrat selisih antara output yang

menjadi target atau output

seharusnya dengan output yang

dihasilkan dari model ANN.

Semakin kecil nilai MSE, maka

model ANN akan semakin baik.

MSE dapat dinyatakan dengan

persamaan sebagai berikut

(Demuth & Hagan, 2002):

b. Coefficient Correlation (R)

Koefisien korelasi menunjukkan

derajat keberhasilan dalam

mengurangi persebaran data dalam

analisa regresi. Semakin mendekati

1 nilai R, maka model jaringan

tersebut semakin baik. Persamaan

untuk koefisien korelasi adalah

sebagai berikut (Osman, Ayoub, &

Anggour, 2005):

4.4 Proses Training

Model ANN ini dilatih dengan

menggunakan algoritma back-

propagation. Proses training bertujuan

untuk mencari jaringan yang optimal dan

selanjutnya dapat digunakan untuk

melakukan peramalan. Yang dimaksud

dengan jaringan dalam hal ini adalah bobot

pembelajaran dan biasnya. Berikut adalah

hal-hal yang termasuk ke dalam proses

training:

a. Melakukan inisialisasi jumlah layer

dan neuron yang disesuaikan

dengan pengguna.

b. Fungsi aktivasi yang digunakan

adalah fungsi aktivasi sigmod

biner. Pada sigmoid biner ini

memiliki nilai pada range 0-1.

Fungsi sigmoid biner ini

dirumuskan sebagai berikut

(Kusumadewi, 2004):

Jika digambarkan, persamaan

fungsi dari fungsi aktivasi sigmoid

biner adalah sebagai berikut

(Kusumadewi, 2004):

Gambar 3. Fungsi Aktivasi Sigmoid Biner

c. Model pembelajaran menggunakan

Lavenberg-marquardt

backpropagation.

d. Perbandingan nilai output dan nilai

input pada kelas target sebenarnya

adalah berupa nilai error atau

kesalahan.

e. Jika error masih kurang dari error

yang diinginkan, maka error akan

diperkecil dengan mengganti bobot

atau bias.

f. Jika error yang diinginkan tidak

dapat tercapai pada saat epoch/

pengulangan yang telah ditentukan,

maka proses training berhenti.

V. ANALISA DAN HASIL

5.1 Optimasi Model ANN

Penentuan proporsi pembagian data

(training, validation, dan testing) sangat

menentukan dalam memperoleh model

ANN yang optimum. Penulis telah

melakukan model ANN yang optimum.

Penulis telah melakukan sensivitas

pengaruh komposisi data training,

validation, dan testing terhadap nilai

coefficient correlation (R) dan root mean

square error (RMSE) dari model ANN

yang diperoleh. Gambar 4 dan 5

memperlihatkan nilai R dan RMSE untuk

tiap rasio pembagian data. Dapat

disimpulkan bahwa pembagian data

training, validation, dan testing dengan

rasio 8:1:1 menghasilkan model ANN

yang paling optimum karena menghasilkan

nilai R yang paling mendekati satu serta

nilai RMSE yang paling minimum.

Gambar 4. Sensivitas Proporsi Pembagian

Data terhadap Koefisien Korelasi (R)

Gambar 5. Sensivitas Proporsi Pembagian

Data terhadap Root Mean Square Error

(RMSE)

Selanjutnya adalah penentuan jumlah

neuron pada hidden layer. Dengan

melakukan sensivitas jumlah neuron pada

hidden layer akan diperoleh model ANN

yang paling optimum sehingga

meghasilkan nilai R yang paling

mendekati satu serta nilai RMSE yang

terkecil.

Gambar 6 memperlihatkan pengaruh

jumlah neuron pada hidden layer terhadap

nilai koefisien korelasi (R) dimana dapat

disimpulkan bahwa model ANN dengan

sebelas neuron pada hidden layer

menghasilkan nilai R terbesar baik pada

data training, validation, maupun testing.

Gambar 6. Sensivitas Jumlah Neuron pada

Hidden Layer terhadap Koefisien Korelasi (R).

Gambar 7. Sensivitas Jumlah Neuron pada

Hidden Layer terhadap Root Mean Square

Error (RMSE).

Dapat disimpulkan bahwa model ANN

yang memiliki rasio perbandingan data

training, validation, dan testing sebesar

8:1:1 serta memiliki sebelas neuron pada

hidden layer adalah model yang terbaik

dengan nilai R sebesar 0.992015 untuk

data training, 0.97199 untuk data testing.

Selain itu, model ini juga menghasilkan

nilai RMSE terkecil yaitu sebesar 14.27.

Gambar 8. Koefisien korelasi (R) Untuk Data

Training

Gambar 9. Koefisien Korelasi (R) untuk Data

Validation

Gambar 10. Koefisien Korelasi (R) Untuk

Data Testing

5.2 Analisa Trend

Analisa trend bertujuan untuk memastikan

bahwa apakah model ANN yang telah

dibangun secara fisik benar atau tidak.

Untuk mengetahui efek dari masing-

masing parameter input terhadap output

yang dihasilkan, maka perlu dilakukan

persiapan terhadap data yang akan diuji

dengan menggunakan model ANN yang

telah dibangun.

Dasar dari persamaan aliran untuk

menghitung kehilangan tekanan adalah

persamaan kesetimbangan energi antara

dua titik dalam suatu sistem, kemudian

dengan menggunakan prinsip

termodinamika, persamaan tersebut

dituliskan di dalam bentuk persamaan

gradien tekanan, dimana berdasar Brill &

Mukherjee, 1999 :

Persamaan diatas akan digunakan dalam

melakukan analisis terhadao trend untuk

mengetahui apakah model ANN yang

dibuat adalah benar bila melihat dari

pengaruh dari masing-masing parameter

terhadao kecenderungan perubahan

pressure drop.

Adapun analisa trend yang didapatkan

adalah :

1. Semakin besar gas rate akan

mengakibatkan pressure drop

2. Efek water rate linear positif

terhadap besarnya pressure drop

3. Efek Oil rate menunjukkan

hubungan positif terhadap pressure

drop

4. Efek diameter pipa menunjukkan

efek linear negatif terhadap

pressure drop

5. Sudut inklinasi cenderung tidak

memberikan efek terhadap pressure

drop

6. Densitas minyak menunjukkan

hubungan negatif terhadap pressure

drop

VI. KESIMPULAN DAN SARAN

6.1 Kesimpulan

1. Artificial Neural Network (ANN_

dapat digunakan untuk

memprediksi kehilangan tekanan

alir pada flowline dengan tingkat

akurasi yang dapat

dipertimbangkan

2. Perlu dilakukan optimasi terhadap

jumlah hidden neuron untuk

memperoleh model ANN yang

optimum

3. Selain ini perlu dilakukan optimasi

ratio pembagian data untuk

memperoleh model yang optimum

4. Model ANN terbaik diperoleh

dengan sebelas hidden neuron serta

ratio pembagian data 8:1:1

5. Koefisien korelasi (R) yang

didapatkan dari model ini adalah

sebesar 0,99205 untuk data

training, 0,97074 untuk data

validation, dan 0,97199 untuk data

testing

6. Nilai Root Mean Square Error yang

didapatkan pada model ANN

sebesar 14,27

7. Model ini hanya valid untuk

upward

6.2 Saran

1. Perlunya data lapangan dengan

jumlah yang besar serta range data

yang luas untuk memperoleh

tingkat akurasi yang tinggi dalam

memprediksi kehilangan tekanan

alir pada flowline

2. Akan sangat baik bila hasil studi ini

dikembangkan dalam bentuk

software khusus untuk perthitungan

tekanan alir pada flowline

3. Perlunya menggunakan data dalam

range yang mencakup semua jenis

pola aliran