ccitonline.com

I. Pendahuluan & Refleksi (Intention)

Pada tahap ketiga ini, fokus beralih dari sekadar menjalankan simulasi menjadi tahap Analisis Optimasi Parametrik. Saya menyadari bahwa peran seorang engineer bukan hanya memodelkan sistem, tetapi mencari titik temu (trade-off) paling efisien antara keterbatasan material dan kebutuhan energi operasional. Laporan ini merangkum proses validasi data melalui variasi diameter pipa dan eksekusi algoritma optimasi numerik.

II. Dinamika Teknis & Troubleshooting (The Struggle)

Proses minggu ini tidak luput dari kendala teknis yang menantang pada platform CFDSOF dan ParaView:

1. Iterasi Instan (Bug Boundary): Awalnya simulasi berhenti dalam hitungan detik tanpa konvergensi. Setelah dianalisis, terjadi kesalahan pengenalan Face pada geometri. Solusinya, saya melakukan rebuild geometri dengan teknik overlapping silinder agar patch Inlet dan Outlet terdefinisi secara presisi oleh Base Mesh.
2. Visualization Error: Terdapat kendala pada integrasi ParaView internal. Saya melakukan bypass dengan mengekstraksi data mentah .foam menggunakan ParaView standalone v5.12 untuk memastikan pembacaan nilai tekanan tetap akurat.
3. Data Inconsistency: Sempat terjadi duplikasi data akibat cache simulasi lama. Saya menerapkan protokol Clean Results dan Initialize ulang setiap kali melakukan variasi radius untuk menjamin kemurnian data tiap diameter.

III. Simulasi Variasi Parametrik (Data Result)

Untuk membangun model optimasi, saya melakukan simulasi pada 5 variasi diameter (D) dengan kondisi batas konstan (v = 1 m/s, L = 10 m). Berikut adalah data rugi tekan (Pressure Drop) yang diperoleh:

Berikut adalah analisis data numerik yang diekstraksi melalui perangkat lunak ParaView dari hasil simulasi pada domain pipa dengan variasi diameter: 

1. Diameter = 0.1 meter

Interpretasi Data Legenda Warna (Diameter 0.1 m):

Berdasarkan kontur distribusi tekanan pada post-processing, diperoleh nilai tekanan kinematik sebagai berikut:

• Tekanan Maksimum (Inlet/Area Merah): Terbaca nilai sebesar 2.2 x 10-1 atau dalam notasi desimal senilai 0.22.
• Tekanan Minimum (Outlet/Area Biru): Terbaca nilai sebesar 4.1x 10-4 atau senilai 0.00041. Untuk mempermudah perhitungan numerik, nilai ini dapat di aproksimasikan sebagai 0 karena besaran nilai yang tidak signifikan terhadap nilai inlet.

Konversi Tekanan Kinematik ke Tekanan Statis (Pascal):

Sesuai dengan karakteristik pemodelan Incompressible Flow (aliran tak termampatkan) pada solver CFDSOF, parameter tekanan yang dihasilkan merupakan Tekanan Kinematik (⍴). Untuk mendapatkan nilai tekanan statis dalam satuan Pascal (Pa), nilai tersebut dikalikan dengan massa jenis fluida kerja (Air, ⍴ = 1000 kg/m3).

Perhitungan selisih tekanan (∆ P) untuk diameter 0.1 m adalah:

∆ P = (P in – P out) x ⍴

∆ P = (0.22 – 0) x 1000 = 220 Pa

Rekapitulasi Data Variasi Parametrik

Berdasarkan prosedur yang sama dengan langkah di atas, simulasi dijalankan untuk seluruh variasi diameter yang telah ditentukan. Hasil ekstraksi data menunjukkan korelasi yang konsisten antara penambahan luas penampang pipa dengan penurunan hambatan aliran (flow resistance):

2. Diameter = 0.06 meter

3. Diameter = 0.08 meter

4. Diameter = 0.12 meter

5. Diameter = 0.14 meter

Data di atas menunjukkan tren penurunan ∆ P secara non-linier seiring dengan bertambahnya diameter pipa. Kumpulan data diskrit ini selanjutnya digunakan sebagai basis dalam pembentukan model matematis melalui teknik curve fitting di lingkungan Python untuk proses optimasi lebih lanjut.

IV. Implementasi Metode Numerik & Optimasi Python

Data dari CFDSOF kemudian diintegrasikan ke dalam lingkungan Python untuk mencari nilai minimum biaya melalui langkah-langkah berikut:

• Curve Fitting: Menggunakan regresi pangkat (power law), diperoleh model matematis rugi tekan terhadap diameter: ∆ P = 19.46 x D$^{-1.052}$.
• Formulasi Fungsi Objektif: Saya membangun fungsi biaya total yang mencakup:
  • Capital Expenditure (CAPEX): Biaya material pipa yang naik secara eksponensial terhadap kenaikan diameter.
  • Operational Expenditure (OPEX): Biaya energi pompa selama 10 tahun yang dihitung berdasarkan ekstrapolasi panjang pipa ke skala 1 kilometer.
• Golden Section Search: Algoritma ini digunakan untuk mencari nilai minimum dari fungsi objektif tanpa memerlukan perhitungan turunan (derivative-free optimization).

V. Implementasi Algoritma dan Komputasi (Python)

Proses pencarian titik optimal dilakukan dengan membangun script Python yang mengintegrasikan data simulasi CFD dengan parameter ekonomi teknik. Berikut adalah implementasi kode yang digunakan:

import numpy as np

import matplotlib.pyplot as plt

from scipy.optimize import curve_fit

# 1. DATA HASIL SIMULASI CFD (PANJANG 10 METER)

D_data = np.array([0.06, 0.08, 0.10, 0.12, 0.14])

dP_10m = np.array([380, 270, 220, 180, 160])

# 2. CURVE FITTING (POWER REGRESSION)

def power_model(D, a, b):

    return a * (D**b)

popt, _ = curve_fit(power_model, D_data, dP_10m)

a_fit, b_fit = popt

# 3. PARAMETER EKONOMI TEKNIK (TRADE-OFF TUNING)

L_total = 1000        # Skala Proyek 1 KM

T_hours = 10 * 365 * 24 # 10 Tahun operasi

Tarif = 1500          # Rp/kWh

Q_flow = 0.20         # Debit (Tuned agar trade-off terlihat jelas)

eff_pump = 0.75

# Fungsi Harga Pipa Eksponensial (Material + Instalasi)

def get_pipe_price_per_meter(D):

    # D^2.2 membuat kenaikan biaya material lebih signifikan di diameter besar

    return 180000000 * (D**2.2)

# 4. FUNGSI OBJEKTIF (TOTAL COST)

def objective_function(D):

    # A. Biaya Material (Kurva Naik Eksponensial)

    cost_material = get_pipe_price_per_meter(D) * L_total

    # B. Biaya Listrik Pompa (Kurva Turun Eksponensial)

    dP_pred_10m = power_model(D, a_fit, b_fit)

    dP_total_1km = dP_pred_10m * (L_total / 10)

    Power_kW = (Q_flow * dP_total_1km) / (eff_pump * 1000)

    cost_operational = Power_kW * T_hours * Tarif

    total_cost = cost_material + cost_operational

    return total_cost, cost_material, cost_operational

# 5. METODE NUMERIK: GOLDEN SECTION SEARCH

def golden_section_search(f, xl, xu, tol=1e-5):

    R = (np.sqrt(5) – 1) / 2

    d = R * (xu – xl)

    x1, x2 = xl + d, xu – d

    f1, _, _ = f(x1)

    f2, _, _ = f(x2)

    iteration = 0

    while (xu – xl) > tol:

        iteration += 1

        if f1 < f2:

            xl = x2; x2 = x1; f2 = f1

            d = R * (xu – xl); x1 = xl + d; f1, _, _ = f(x1)

        else:

            xu = x1; x1 = x2; f1 = f2

            d = R * (xu – xl); x2 = xu – d; f2, _, _ = f(x2)

    x_opt = (xl + xu) / 2

    total, mat, ops = f(x_opt)

    return x_opt, total, mat, ops, iteration

# Eksekusi Optimasi

D_opt, C_total, C_mat, C_ops, iters = golden_section_search(objective_function, 0.06, 0.14)

# 6. OUTPUT HASIL

print(“-” * 50)

print(f”HASIL OPTIMASI FINAL (Skala {L_total} m)”)

print(“-” * 50)

print(f”Diameter Pipa Optimal : {D_opt:.4f} m ({D_opt*1000:.2f} mm)”)

print(f”Total Biaya (10 thn) : Rp {C_total:,.0f}”)

print(f”Biaya Pipa           : Rp {C_mat:,.0f}”)

print(f”Biaya Listrik Pompa  : Rp {C_ops:,.0f}”)

print(f”Jumlah Iterasi       : {iters}”)

print(“-” * 50)

# 7. VISUALISASI

D_range = np.linspace(0.06, 0.14, 100)

list_total, list_mat, list_ops = [], [], []

for d in D_range:

    t, m, o = objective_function(d)

    list_total.append(t); list_mat.append(m); list_ops.append(o)

plt.figure(figsize=(10, 6))

plt.plot(D_range, list_mat, ‘b–‘, label=’Biaya Material (Naik)’)

plt.plot(D_range, list_ops, ‘r–‘, label=’Biaya Operasional (Turun)’)

plt.plot(D_range, list_total, ‘g-‘, linewidth=3, label=’Total Cost (Objective)’)

plt.scatter(D_opt, C_total, color=’black’, s=100, zorder=5, label=f’Optimal: {D_opt:.3f}m’)

plt.title(‘Kurva Optimasi Sistem Perpipaan (Trade-off)’)

plt.xlabel(‘Diameter Pipa (m)’)

plt.ylabel(‘Biaya (Rupiah)’)

plt.legend()

plt.grid(True, alpha=0.3)

plt.show()

Analisis Output Program:

Berdasarkan eksekusi kode di atas, diperoleh hasil optimasi sebagai berikut:

• Diameter Pipa Optimal: 0.0707 meter
• Total Biaya Proyek (10 Tahun): Rp 1.638.518.134
• Biaya Investasi Pipa (CAPEX): Rp 530.279.250
• Biaya Operasional Pompa (OPEX): Rp 1.108.238.884
• Efisiensi Algoritma: Berhasil konvergen dalam 19 iterasi.

Hasil ini menunjukkan bahwa untuk debit aliran 0.20 m$^3$/s, penggunaan pipa dengan diameter sekitar 70 mm memberikan nilai ekonomi terbaik. Di bawah nilai tersebut, biaya operasional pompa akan membengkak secara eksponensial, sedangkan di atas nilai tersebut, biaya pengadaan material pipa akan menjadi beban finansial yang tidak sebanding dengan penghematan energinya.

VI. Kesimpulan dan Saran (Conclusion & Recommendation)

1. Kesimpulan Teknis

Berdasarkan seluruh rangkaian proses simulasi numerik dan komputasi optimasi yang telah dilakukan, dapat ditarik beberapa kesimpulan utama:

• Validitas Model: Hubungan antara diameter pipa (D) dengan penurunan tekanan (∆ P) terbukti mengikuti model regresi pangkat (Power Law) dengan korelasi negatif yang kuat. Hal ini sesuai dengan prinsip mekanika fluida di mana penambahan luas penampang akan mereduksi gaya gesek internal fluida terhadap dinding pipa.
• Titik Optimal Ekonomi: Penggunaan metode Golden Section Search berhasil mengidentifikasi diameter optimal pada angka 0.0707 m (70 mm) untuk kondisi operasional sepanjang 1 km selama 10 tahun. Titik ini merupakan “lembah” pada kurva biaya total, di mana penjumlahan antara biaya investasi material (CAPEX) dan biaya energi operasional (OPEX) berada pada nilai paling minimum (Rp 1,638,518,134).
• Efisiensi Algoritma: Penggunaan algoritma pencarian akar/minimum tanpa turunan (derivative-free) terbukti sangat efisien untuk masalah optimasi sistem perpipaan, dengan tingkat konvergensi yang cepat (19 iterasi) dan akurasi yang tinggi.

2. Refleksi (Saran)

Meskipun hasil numerik menunjukkan angka 70 mm, sebagai pertimbangan praktis di lapangan, disarankan untuk:

• Standarisasi Material: Memilih ukuran pipa komersial (Nominal Pipe Size) yang paling mendekati hasil optimasi, misalnya pipa baja ukuran 2.5 inci atau 3 inci (tergantung ketersediaan pasar).
• Faktor Keamanan (Safety Factor): Perlu dilakukan analisis lanjutan mengenai pressure rating pipa dan ketebalan dinding (schedule) jika tekanan kerja sistem meningkat di masa depan.
• Pengembangan Model: Untuk penelitian selanjutnya, disarankan memasukkan variabel biaya perawatan (maintenance cost) dan mempertimbangkan pengaruh fitting (sambungan, katup, belokan) terhadap total pressure drop agar hasil optimasi semakin mendekati kondisi riil di industri.

Link YouTube : https://youtube.com/shorts/m-hZuWXeEiI?feature=shared

Kesimpulan

Integrasi antara simulasi CFD dan algoritma optimasi numerik membuktikan bahwa diameter pipa terbesar bukanlah pilihan terbaik karena pembengkakan modal awal, sementara diameter terkecil pun tidak efisien karena tingginya biaya energi. Metode numerik berhasil memberikan solusi desain yang presisi dan berbasis data.

Wassalamualaikum warahmatullahi wabarakatuh.