Pengembangan Prototype Deteksi Dan Estimasi Posisi Kebocoran Pipa Air Secara Real-Time Menggunakan Teknik Emisi Akustik Dengan Metode Convolutional Neural Network Dan Triangulasi

Winaya, Jhagas Hana (2024) Pengembangan Prototype Deteksi Dan Estimasi Posisi Kebocoran Pipa Air Secara Real-Time Menggunakan Teknik Emisi Akustik Dengan Metode Convolutional Neural Network Dan Triangulasi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5001201017-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Kebocoran pada pipa air menimbulkan masalah serius secara global, seperti kehilangan air, kerusakan infrastruktur, dan peningkatan biaya operasi. Solusi yang telah ada untuk masalah tersebut melibatkan pembongkaran pipa di dalam tanah, sehingga tidak efektif untuk mendeteksi dan mencari posisi kebocoran pipa. Sedangkan solusi tanpa pembongkaran yang ada sebelumnya harus melibatkan tenaga ahli untuk menganalisis suara dari sumber kebocoran pipa. Untuk menanggapi masalah tersebut, penelitian ini mengembangkan metode deteksi dan estimasi posisi kebocoran pipa menggunakan emisi akustik secara real-time. Dalam penelitian ini dibuat pipa sistem saluran air untuk diuji, akuisisi data, dan pelatihan algoritma deteksi Convolutional Neural Network (CNN), dan mengembangkan sebuah aplikasi untuk mendeteksi dan memperkirakan posisi kebocoran dengan memanfaatkan model CNN yang telah dilatih serta metode triangulasi dari ketiga mikrofon. Antarmuka pengguna pada laptop digunakan untuk menampilkan hasil deteksi dan estimasi. Sistem ini diuji lima kali dalam empat kondisi pipa yang berbeda. Berdasarkan intensitas suara yang terukur, sistem berhasil mengestimasi posisi dari kebocoran pipa. Analisis galat menunjukkan bahwa model CNN berhasil mendeteksi semua variasi yang diuji tanpa adanya kesalahan. Sedangkan rerata galat estimasi posisi kebocoran horizontal berkisar antara 0,86% hingga 4,89%, dan galat untuk kedalaman kebocoran sekitar 2,47%. Hasil ini mengindikasikan bahwa sistem efektif dalam mendeteksi dan memperkirakan posisi kebocoran dengan gangguan suara latar yang minimal.
=================================================================================================================================
Leaks in water pipes pose serious problems globally, such as water loss, infrastructure damage, and increased operating costs. Existing solutions to the problem involve dismantling the pipe in the ground, making it ineffective for detecting and locating pipe leaks. Meanwhile, the existing no-disassembly solution must involve experts to analyze the sound from the source of pipe leakage. To address these issues, this research develops a method for detecting and estimating the location of pipeline leaks using real-time acoustic emissions. In this research, a pipeline system was built for testing, data acquisition and training of Convolutional Neural Network (CNN) detection algorithms and developing an application to detect and estimate the location of leaks by utilizing the trained CNN model and triangulation method of the three microphones. A user interface on a laptop was used to display the detection and estimation results. The system was tested five times in four different pipe conditions. Based on the measured sound intensity, the system successfully estimated the location of the pipe leak. Error analysis showed that the CNN model successfully detected all tested variations without any error. The average error of horizontal leak location estimation ranged from 0.86% to 4.89%, and the error for leak depth was about 2.47%. These results indicate that the system is effective in detecting and estimating leak locations with minimal background noise.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Acoustic Emission, CNN, NDT, Triangulation, Water Pipe Leak, Emisi Akustik, Kebocoran Pipa Air, Triangulasi
Subjects:	Q Science > QC Physics > QC100.5 Measuring instruments (General) Q Science > QC Physics > QC271.8.C3 Calibration
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Physics > 45201-(S1) Undergraduate Thesis
Depositing User:	Jhagas Hana Winaya
Date Deposited:	13 Aug 2024 15:33
Last Modified:	13 Aug 2024 15:33
URI:	http://repository.its.ac.id/id/eprint/113931

Actions (login required)

View Item