6 Desain Tabung Sampel
Simulasi kontrol temperatur dilakukan untuk model tabung sampel yang terbuat dari pipa tembaga dengan ukuran diameter 1 inci, panjang pipa 20 cm (Gambar 2). Tabung menggunakan kawat nikelin sebagai pemanas yang dililitkan pada tabung sampel serta dilengkapi dengan sensor temperatur (IC LM35DZ) dan sensor ketinggian permukaan fluida di dalam tabung (Gambar 2).
Ket. Gambar 2.
- 1. Mikrokontroler dan power supply
- 2. Tabung pengambilan sampel
- 3. Tabung pelindung
- 4. Sensor Level Fluida
- 5. Lubang udara
- 6. Kawat pemanas (nikelin)
- 7. Sensor temperatur
- 8. Katup tabung sampel
- 9. Pintu masuk sampel
Gambar 2 Model tabung pengambilan sampel
Ketika temperatur telah diukur, maka nilai temperatur tersebut akan dijadikan setpoint pada sistem yang dirancang. Sistem FLC akan menjaga agar temperatur tabung sampel tidak berubah ketika tabung diangkat dari dalam sumur hingga dibawa kepermukaan untuk dianalisis.
7 Simulasi Sistem FLC dan Analisis
Ide dasar dari FLC adalah menciptakan pengontrol yang memiliki kemampuan yang baik untuk mengontrol tanpa memperhatikan persamaan matematika yang rumit [2]. Secara konseptual, pengontrol fuzzy cukup sederhana. Pengontrol ini terdiri dari masukan, pengolahan sinyal dan keluaran (Gambar 3)
Gambar 3 Diagram blok fuzzy logic control
Dalam penelitian ini simulasi kontrol temperatur tabung pengambilan sampel minyak bumi dibangun menggunakan perangkat lunak toolbox fuzzy logic dan simulink. Simulasi dilakukan untuk metode fuzzy logic control (FLC), metode kontrol PID dan metode kontrol on-off. Plant diwakili oleh parameter fungsi transfer yang dihitung dari data eksperimen kontrol temperatur tabung sampel menggunakan metode on-off. Pada kontrol temperatur tabung sampel menggunakan metode fuzzy logic control, optimasi hasil didapatkan dengan melakukan variasi input, output dan aturan fuzzy hingga diperoleh konfigurasi yang terbaik (Tabel 1-6). Pada kontrol PID, tahap awal digunakan metode automatic tuning parameter, kemudian dilakukan evaluasi parameter secara manual hingga didapatkan parameter yang optimal.
Metode kontrol menggunakan fuzzy logic dilakukan dengan tahapan yang pertama adalah mendefinisikan variabel input, output dan menentukan konfigurasi aturan fuzzy, kemudian tahapan berikutnya adalah mendesain blok FLC, blok kontrol PID dan blok kontrol on -off menggunakan simulink dan fuzzy logic toolbox pada matlab (Gambar 5).
Variabel input sistem FLC berupa error (E) dan perubahan error (DE). Error = SP-Tr, DE = Er-Er-1. SP adalah setpoint, Tr adalah temperatur yang terukur, Er adalah error sekarang dan Er-1 adalah error sebelumnya. Simulasi dilakukan dengan setpoint temperatur 50 oC.
Nilai fungsi keanggotaan variabel input dan output serta konfigurasi aturan pada penelitian ini mengacu pada pengamatan respon sistem kontrol konvesional (on/off) yang sebelumnya telah dilakukan. Pada Gambar 4 ditunjukkan konfigurasi input output yang menghasilkan kontrol terbaik (konfigurasi ketiga).
Gambar 4 Fungsi keanggotaan a input error (E) b input perubahan error (De) dan c output
Tabel 1 Aturan fuzzy konfigurasi pertama (12 aturan)
| Error | |||||
|---|---|---|---|---|---|
| DE | NB | NS | Z | PS | PB |
| NB | MOD | H | |||
| NS | MED | MOD | |||
| Z | MED | MOD | H | ||
| PS | MOD | H | |||
| PB | MED | MOD | VH |
Tabel 2 Selang nilai variabel input dan output konfigurasi pertama
| Input | Output | |
|---|---|---|
| Error | D_Error | Temp |
| -5 sd 5 | -3 sd 3 | 30 sd 70 |
Tabel 3 Aturan fuzzy konfigurasi kedua (25 aturan)
| Error | |||||
|---|---|---|---|---|---|
| DE | NB | NS | Z | PS | PB |
| NB | L | L | L | MOD | H |
| NS | L | MED | MED | MOD | VH |
| Z | L | MED | MOD | H | VH |
| PS | L | MOD | H | VH | VH |
| PB | MED | MOD | VH | VH | VH |
Tabel 4 Selang nilai variabel input dan output konfigurasi kedua
| Input | Output | |
|---|---|---|
| Error | D_Error | Temp |
| -21 sd 21 | -21 sd 21 | 30 sd 70 |
Tabel 5 Aturan fuzzy konfigurasi ketiga (9 aturan)
| Error | |||
|---|---|---|---|
| DE | N | Mod | P |
| N | L | M | M |
| Mod | L | M | H |
| P | L | L | H |
Tabel 6 Selang nilai variabel input dan output konfigurasi ketiga
| Input | Output | |
|---|---|---|
| Error | D_Error | Temp |
| -21 sd 21 | -21 sd 21 | 30 sd 70 |
Tabel 7 Definisi Linguistic
| Linguistic | Definisi |
|---|---|
| NB | Negative Big |
| NS | Negative Small |
| Z | Zero |
| PS | Positive Small |
| PB | Positive Big |
| L | Low |
| MED | Medium |
| MOD | Moderate |
| H | High |
| VH | Very High |
Gambar 5 Skema blok kontrol fuzzy, kontrol PID dan kontrol On-Off
Simulasi FLC dilakukan dengan tiga konfigurasi seperti yang ditunjukkan pada Gambar 6. Konfigurasi yang pertama, input error dan input D_error menggunakan 5 variabel yaitu NB (negative Big), NS (Negative Small), Z (Zero), PS (Positive Small) dan PB (Positive Big) sedangkan output temp menggunakan tiga variabel yaitu Med (Medium), Mod (Moderate) dan H (High) seperti yang ditunjukkan dalam tabel 1. Pada konfigurasi pertama digunakan 12 aturan (tabel 2). Hasil simulasi konfigurasi pertama berwarna biru (Gambar 6) memperlihatkan bahwa error cenderung bernilai positif (di bawah setpoint).
Konfigurasi yang kedua, input error dan D_error masing-masing menggunakan lima variabel seperti konfigurasi yang pertama, namun output temp menggunakan lima variabel yaitu L (Low), MED (Medium), MOD (Moderate), H (High) dan VH (Very High). Pada konfigurasi yang kedua digunakan 25 aturan seperti yang ditunjukkan pada Tabel 3 dan Tabel 4. Simulasi FLC konfigurasi fuzzy yang kedua (Tabel 3 dan Tabel 4) nilai error cenderung lebih kecil dibandingkan dengan hasil simulasi FLC konfigurasi pertama (warna merah), error cenderung bernilai negatif (di atas setpoint).
Ketidakstabilan sistem hasil simulasi menggunakan FLC dapat dipengaruhi oleh pemilihan konfigurasi input, output dan aturan yang digunakan. Semakin baik pemahaman terhadap plant yang akan dikontrol dan ketepatan dalam pemilihan konfigurasi fuzzy akan menghasilkan output kontrol yang lebih baik.
Konfigurasi yang ketiga digunakan tiga variabel untuk masing-masing input dan output. Variabel input error dan D_error terdiri dari N (negative), Mod (Moderate) dan P (Positive) sedangkan variabel output temp terdiri dari L (Low), Mod (Moderate) dan H (High) serta menggunakan sembilan aturan seperti yang ditunjjukan dalam Tabel 5 dan Tabel 6. Hasil simulasi menggunakan konfigurasi yang ketiga menunjukkan respon yang lebih baik dibandingkan dengan konfigurasi pertama dan kedua. Nilai parameter settling time, rise time, delay time relatif sama namun hasil simulasi menggunakan konfigurasi ketiga lebih stabil. Hasil simulasi konfigurasi pertama mulai terjadi error sekitar detik ke 2. Sedangkan menggunakan konfigurasi kedua, nilai error terjadi sekitar detik ke 9. Hasil yang lebih baik diperoleh menggunakan konfigurasi yang ketiga yang memperlihatkan kestabilannya menjaga output temperatur pada nilai setpoint. Nilai error untuk masing-masing konfigurasi FLC dapat dilihat pada Tabel 8.
Gambar 6 Output fuzzy logic control konfigurasi pertama (garis merah), konfigurasi kedua (garis biru) dan konfigurasi ketiga (garis hijau)
Tabel 8 Nilai error pada tiga konfigurasi FLC
| Konfigurasi FLC | Error (oC) |
|---|---|
| 1 | 1,649 |
| 2 | 1,232 |
| 3 | 1,53 |
Pada Gambar 7 dapat dilihat simulasi kontrol temperatur menggunakan tiga metode kontrol yang berbeda yakni metode kontrol on-off (grafik warna biru), metode kontrol PID (grafik warna merah) dan yang terakhir menggunakan metode FLC (grafik warna hijau). Parameter kontrol PID terdiri dari P = 0,4, I = 1,5 dan D = 0,1. Pada simulasi menggunakan metode kontrol on-off terjadi overshoot yang cukup besar hingga mencapai 74 oC, sedangkan pada metode PID dan FLC tidak terjadi overshoot yang signifikan. Nilai settling time untuk metode on-off dan PID relatif sama yakni sebesar 4 s sedangkan menggunakan FLC settling time lebih kecil yakni sebesar 0,5 s. Jika dibandingkan hasil simulasi ketiga metode kontrol tersebut terlihat bahwa metode FLC (Fuzzy Logic Control) menunjukkan respon kontrol yang lebih baik. Nilai error untuk masing-masing metode kontrol dapat dilihat pada Tabel 9.
Gambar 7 Output fuzzy logic control (garis hijau), output pid (garis merah) dan output onoff (garis biru)
Tabel 9 Nilai error pada metode On-Off, PID dan FLC
| Metode | Error (oC) |
|---|---|
| On-off | 4,248 |
| PID | 3,127 |
| Fuzzy | 1,153 |
8 Kesimpulan
Simulasi menggunakan FLC untuk mengontrol temperatur tabung sampel minyak bumi metode direct subsurface sampling dilakukan untuk tiga konfigurasi sistem fuzzy. Hasil control yang optimal diperoleh pada simulasi kontrol temperatur menggunakan konfigurasi yang ketiga dengan nilai error sebesar 1,153 oC dan settling time sebesar 0,5 s.
Optimasi hasil kontrol menggunakan FLC diperoleh dengan melakukan pemilihan konfigurasi input, output dan aturan yang terbaik serta pemahaman plant yang akan dikontrol.
Hasil simulasi menggunakan sistem Fuzzy Logic Control (FLC) lebih handal bila dibandingkan dengan sistem kontrol PID dan kontrol on/off. Simulasi kontrol menggunakan FLC diperoleh nilai error sebesar 1,153 oC dan settling time sebesar 0,5 s. Simulasi kontrol metode PID diperoleh nilai error sebesar 3,127 oC dengan settling time 4 s, sedangkan simulasi kontrol on-off diperoleh error sebesar 4,248 oC dengan settling time 4 s.
9 Daftar Pustaka
- [1] Ahmed G. & Emad A H., Relative Permeability Curves for High Pressure, High Temperatur Reservoir Conditions, Petroleum and Natural Gas Engineering. www.ksu.edu.sa/agawish.
- [2] Jantzen J., Foundations of Fuzzy Kontrol Technical University of Denmark, 2007
- [3] Jahn F., Hydrocarbon Exploration and Production., TRAC International ltd, 2003
- [4] Pashin. J. C., Reservoir Pressure and Temperatur in the Black Warrior Basin: Implications for Carbon Sequestration and Enhanced Coalbed Methane Recovery, Geol Survey, Alabama, 2002.
- [5] Saade Jean J. & Ali H. Ramadan., Kontrol of Thermal-Visual Comfort and Air Quality in Indoor Environments Through a Fuzzy Inference-Based Approach, International Journal of Mathematical Models and Methods in Applied Sciences, 2 (2), pp. 213-221, 2008.
- [6] Alipoor M, Zeinali M, & Yazdi H. S., Fuzzy Temperatur Kontrol in a Batch Polymerization Reactor Using ANFIS Method, International Journal of Engineering and Technology, 1(1), pp. 7-12, 2009.
- [7] Hanamane, dkk., Implementation of Fuzzy Temperature Control Using Microprocessor, Journal of Scientific & Industrial Research, vol 65, pp. 142-147, 2006.