PERANCANGAN SOFT SENSOR BERBASIS EXTREME GRADIENT BOOSTING UNTUK PREDIKSI KONSENTRASI NH3 PADA UNIT KRISTALISER DI UREA PLANT I-B PT PUSRI PALEMBANG

Fakhri Nugraha Yuanto, Ir. Nazrul Effendy, S. T., M. Eng., Ph.D., IPM.; Ir. Agus Arif, M.T

2023 | Skripsi | FISIKA TEKNIK

Pada produksi urea di plant I-B PT PUSRI Palembang, urea keluaran dekomposer akan dikristalisasi untuk membentuk larutan urea menjadi siap untuk proses pembutiran. Selama proses kristalisasi akan menghasilkan bahan sisa yang masih mengandung gas NH3 yang dikeluarkan melalui Dust Chamber. Gas tersebut meskipun telah melewati berbagai proses penyerapan untuk mengurangi emisi masih berpotensi mengandung konsentrasi gas NH3. Akibatnya, produksi urea diharuskan melakukan pemantauan konsentrasi NH3 pada tempat keluarnya emisi.
Proses pengukuran konsentrasi NH3 menggunakan sistem pengukuran ultrasonik dengan sensor Volumetric flow meter. Kekurangan dari sistem tersebut adalah jika terjadi penumpukan debu pada transduser sensor, maka akurasi pengukuran akan berkurang. Selain itu, proses pemeliharaan yang sulit karena sensor terletak di atas prilling tower sehingga memiliki tingkat risiko tinggi. Penerapan kecerdasan buatan mulai dikembangkan dan digunakan sebagai sistem deteksi parameter industri untuk keperluan predictive maintenance khususnya untuk tugas pemantauan dan pemeliharaan.
Penelitian ini akan mengembangkan soft sensor berbasis Python untuk melakukan prediksi konsentrasi gas NH3 berdasarkan parameter yang memengaruhinya. Dengan menggunakan pustaka XGBoost, model dilatih menggunakan data historis DCS plant I-B PT PUSRI Palembang. Hasil penelitian menunjukkan bahwa model XGBoost setelah optimasi parameter memberikan hasil yang baik dengan model terbaiknya menggunakan masukan 10 fitur memiliki R2 99,54%; MAE 0,00411; dan RMSE 0,01234.

In urea production at plant I-B PT PUSRI Palembang, the urea output of the decomposer was crystallized to form a urea solution to be ready for the granulation process. The crystallization process produced residual material that still contained NH3 gas which was released through the Dust Chamber. Even though the gas has gone through various absorption processes to reduce emissions, it still has the potential to contain NH3 gas. As a result, urea production is required to monitor emissions concentration at the place of emission release.
The NH3 content measurement process used an ultrasonic measurement system with a volumetric flow meter sensor. The disadvantage of the system is that if there is a buildup of dust on the sensor transducer, the measurement accuracy will decrease. In addition, the maintenance process is difficult because the sensor is located above the prilling tower so it has a high level of risk. The application of artificial intelligence began to be developed and used as an industrial parameter detection system for predictive maintenance purposes, especially for monitoring and maintenance tasks.
This research will develop a Python-based soft sensor to predict NH3 gas emissions based on parameters that affect it. Using XGBoost library, the model was trained using historical data from PT Pusri Palembang's DCS plant I-B. The results showed that the XGBoost model after parameter optimization gave good results with its best model using 10 input features having R2 99,54%; MAE 0,00411; and RMSE 0,01234. Keywords: NH3 Co

Kata Kunci : Konsentrasi NH3, Unit Kristalisasi, Urea, XGBoost