Prediksi Drop Pressure Dan Over Pressure Pada Jaringan Pipa Distribusi Gas Bumi Menggunakan Machine Learning

Supriatna, Reza Yudistira (2025) Prediksi Drop Pressure Dan Over Pressure Pada Jaringan Pipa Distribusi Gas Bumi Menggunakan Machine Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032222035-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (3MB) | Request a copy

Abstract

Menjaga stabilitas distribusi gas bumi sangat penting untuk memastikan pasokan energi yang dapat diandalkan dan mendukung tujuan energi yang berkelanjutan. Pemantauan dan simulasi secara real time sangat penting untuk mengelola gangguan pasokan sehingga menyebabkan fluktuasi tekanan yang dapat membahayakan jika tidak segera ditangani, serta dapat menyebabkan penurunan produksi sehingga berdampak kepada revenue perusahaan dan risiko keselamatan pada peralatan. Kondisi tekanan over pressure dapat mendorong sistem untuk melampaui batas operasional yang aman, sehingga mengancam infrastruktur dan personel yang berada di sekitar peralatan. Menstabilkan jaringan distribusi tidak hanya mengatasi masalah keselamatan tetapi juga meningkatkan efisiensi energi, mengurangi limbah, dan mendukung upaya keberlanjutan. Studi ini mengevaluasi empat model prediktif ARIMAX, SARIMAX, random forest regression, dan linear regression untuk mengurangi risiko dan meningkatkan pengambilan keputusan operasional dalam distribusi gas alam. Model-model tersebut dinilai dengan menggunakan metrik kinerja utama, termasuk Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE), untuk mengidentifikasi metode yang paling akurat dan dapat diandalkan untuk prediksi waktu nyata. Mengingat risiko operasional dan keuangan yang terkait dengan ketidakseimbangan pasokan, memilih model prediksi yang tepat sangat penting untuk menjaga stabilitas jaringan dan meminimalkan potensi kerugian. Temuan ini menunjukkan bahwa random forest regression memberikan akurasi tertinggi dalam pengujian di dunia nyata dimana memiliki nilai MAPE 2.264, menjadikannya model yang paling cocok untuk memprediksi fluktuasi tekanan yang kompleks. Sebaliknya, linear regression kurang efektif karena variabilitasnya yang lebih tinggi ketika menangani kompleksitas manajemen tekanan memiliki nilai MAPE sebesar 31.714. Pada akhirnya, memilih model prediktif yang tepat adalah kunci untuk memastikan stabilitas jaringan, mengurangi risiko, dan mempromosikan praktik energi yang berkelanjutan.

===========================================================
=======================================================================

Maintaining stability in natural gas distribution is essential for ensuring reliable energy supply and supporting sustainable energy goals. Real time monitoring and simulations are crucial for managing supply disruptions that can cause dangerous pressure fluctuations, which, if not addressed promptly, can lead to costly production delays and significant safety risks.
Overpressure conditions can push systems beyond safe operational limits, threatening infrastructure and personnel. Stabilizing the distribution network not only addresses safety concerns but also improves energy efficiency, reduces waste, and supports sustainability efforts. This study evaluates four predictive models ARIMAX, SARIMAX, Random Forest Regression, and Linear Regression to mitigate risks and enhance operational decision making
in natural gas distribution. The models are assessed using key performance metrics, including Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE),
and Mean Absolute Percentage Error (MAPE), to identify the most accurate and reliable method for real time predictions. Given the operational and financial risks associated with
supply imbalances, selecting the right predictive model is critical for maintaining network stability and minimizing potential losses. The findings indicate that Random Forest Regression provides the highest accuracy in real world testing, making it the most suitable model for predicting complex pressure fluctuations. In contrast, Linear Regression was less effective due to its higher variability when handling the complexities of pressure management. Ultimately, choosing the appropriate predictive model is key to ensuring network stability, reducing risks, and promoting sustainable energy practices.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Gas Bumi, Drop Pressure, Over Pressure, Keberlanjutan Energi, Natural Gas Pipeline Distribution Network, Sustainable Energy
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T57.74 Linear programming T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Reza Yudistira Supriatna
Date Deposited:	01 Feb 2025 09:10
Last Modified:	01 Feb 2025 09:10
URI:	http://repository.its.ac.id/id/eprint/117602

Actions (login required)

View Item