📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenSTUDI PENGARUH UJI ULANG REAKSI KALSINASI DAN KARBONASI BATU KAPUR TERHADAP KINERJA PENANGKAPAN GAS CO\TEXTSUBSCRIPT{2}
Peningkatan kadar gas karbon dioksida (CO2) di atmosfer menjadi isu lingkungan utama karena kontribusinya sebagai gas rumah kaca penyebab pemanasan global. Pada tahun 2020, United States Environmental Protection Agency (EPA) mencatat 16% emisi CO2 berasal dari sektor industri dengan industri semen menyumbang sekitar 8% emisi gas rumah kaca global, terutama dari proses kalsinasi dan pembakaran bahan bakar. Kalsinasi adalah reaksi dekomposisi batu kapur (CaCO3) menjadi kalsium oksida (CaO) dan karbon dioksida (CO2). Salah satu teknologi untuk mengurangi emisi ini adalah teknologi siklus kalsium, yang memanfaatkan proses kalsinasi dan karbonasi untuk menangkap dan menyimpan CO2. Penelitian ini bertujuan untuk mengkaji penurunan daya serap sorben dari enam sampel batu kapur yang berasal dari enam sumber tambang batu kapur berbeda pada lima siklus kalsinasi dan karbonasi berulang dalam menangkap CO2, serta membandingkan efektivitas siklus kalsium pada sampel tersebut menggunakan reaktor fluidized bed. Karakterisasi material dilakukan menggunakan teknik difraksi sinar-X (XRD) dan SEM untuk menganalisis perubahan fase kristalin dalam material setelah perulangan beberapa kali siklus. Hasil penelitian menunjukkan keberhasilan reaktor fluidisasi sebagai kalsiner dan karbonator dengan untuk mendukung siklus kalsium. Pengujian XRD menunjukkan keberhasilan reaksi kalsinasi dan karbonasi menggunakan reaktor fluidized bed dengan parameter yang ditetapkan. Setelah lima siklus sampel batu kapur mengalami penurunan daya serap secara bertahap dengan sampel Citeureup, Tuban, Padang, Cilacap, Bayah, dan Narogong mengalami penurunan daya serap berturut-turut sebesar 29,63%, 23,62%, 26,19%, 22,75%, 23,49%, dan 23,99%. Analisis SEM memperlihatkan penurunan daya serap sorben disebabkan oleh fenomena sintering pada sampel batu kapur setelah uji ulang kalsinasi dan karbonasi
SIMULASI LABORATORIUM DAMPAK PROSES STRAIGHTENING ROTOR HIP PLTU PACITAN UNIT 2
Pada overhaul Mean Inspection+ (ME+) PLTU Pacitan Unit 2, terdapat temuan pada rotor turbin HIP berupa deformasi berlebih dengan TIR maksimum 310 ?m melalui uji runout. Temuan ini mengakibatkan vibrasi tinggi pada bearing 1 dan bearing 2 pada spektrum dominan 1x RPM melebihi batas alarm. Selama ini, cacat deformasi ini diperbaiki dengan straightening menggunakan 2 metode, yaitu hotspot dan peening. Proses straightening ini mampu menurunkan nilai defleksi maksimum hingga 50 ?m dan mengatasi isu vibrasi tinggi. Proses hotspot dan peening meninggalkan bekas permanen pada rotor. Untuk itu, perlu dilakukan studi lebih lanjut untuk mengetahui dampak dari proses straightening ini terhadap sifat materialnya. Metodologi penelitian yang digunakan diawali dengan studi literatur untuk mengidentifikasi parameter-parameter relevan. Selanjutnya, penelitian skala laboratorium dilakukan dengan menguji spesimen material 30Cr1Mo1V. Material diamati pada 3 kondisi yang berbeda: tanpa perlakuan, hotspot, dan peening. Spesimen dievaluasi dengan pengujian metalografi, SEM-EDS, uji kekerasan, uji tarik, dan analisis tegangan sisa. Terdapat dua temuan utama pada pengujian ini. Pertama, ditemukan adanya kenaikan kekerasan pada spesimen hotspot naik dari 232,2 HV menjadi 383,6 HV. Kedua, pada spesimen peening, tegangan sisa yang terjadi adalah tegangan sisa sebesar 441 MPa. Keduanya hal ini berpotensi berdampak signifikan pada operasional rotor di lapangan. Perlakuan lebih lanjut terhadap spesimen peening dengan mengaplikasikan stress relief annealing pada temperature 540 ?C dapat menurunkan tegangan sisa hingga 112 MPa. Hal ini menyimulasikan kondisi operasi sebenarnya di lapangan. Diharapkan hal ini dapat menurunkan dampak negatif proses straightening di lapangan.
ANALISIS MODEL REGRESI PADA DATA NIRS MENGGUNAKAN DIMENSIONALITY REDUCTION DAN MACHINE LEARNING
Analisis material merupakan sektor yang sangat penting dalam kehidupan modern. Salah satu metode yang sering digunakan dalam analisis material adalah Near-Infrared Spectroscopy (NIRS), yang dikenal dengan karakteristiknya yang non-destruktif, cepat, dan mudah digunakan. Seiring dengan perkembangan teknologi, model machine learning dan deep learning semakin banyak diterapkan di berbagai bidang, termasuk dalam analisis material. Dalam tugas akhir ini, akan dilakukan penelitian mengenai berbagai model regresi machine learning dan deep learning yang digunakan untuk analisis material menggunakan data NIRS. Penelitian ini juga akan membahas karakteristik data NIRS serta metode-metode yang mendukung implementasi machine learning dan deep learning pada data NIRS, seperti Dimensionality Reduction dan data augmentation. Dari keseluruhan penelitian ini, diharapkan dapat dihasilkan suatu model dengan akurasi yang tinggi untuk analisis material menggunakan NIRS. Hasil menunjukan implementasi Dimensionality Reduction dan data augmentation meningkatkan performa model prediksi dan model machine learning secara umum memiliki performa lebih baik dibandingkan model klasik dalam memprediksi komposisi dengan data NIRS.