Satriatama, I Dewa Gede Pramanatha (2026) Pengembangan Sistem Artificial Intelligence Berbasis Graph-RAG Untuk Perancangan Kolom Absorber Packed-Type, Instrumentasi, Dan Kontrol Pada Proses Pembersihan Gas Hidrogen Sulfida Berdasarkan Evaluasi Teknoekonomi. Other thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 5009221105-Undergraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
5009221105-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy |
Abstract
Kolom absorber merupakan peralatan proses dalam industry minyak dan gas alam yang berfungsi untuk melakukan pembersihan terhadap aliran produk dari gas H2S dengan menggunakan metode absorpsi menggunakan larutan MDEA. Salah satu kolom yang umum digunakan dalam industry pemisahan minyak dan gas adalah Packed Column. Perancangan rekayasa kolom absorpsi merupakan proses yang rumit dan lambat dikarenakan harus melakukan perhitungan serta penentuan jenis packing yang benar dan optimal sehingga dapat membuat banyak waktu dan biaya. Oleh karena itu, dilakukan perancangan dengan alternatif lain yaitu menggunaka teknologi kecerdasan buatan atau Artificial Intelligence yang dapat meng-generate respons atau GenAI untuk melakukan perhitungan perancangan ukuran (sizing), perhitungan biaya kolom, dan optimisasi desain kolom dengan pendekatan teknoekonomi. Model AI dibangun dengan menggunakan python pada software Antigravity IDE dengan nama model adalah PyAbsorber PITON. PyAbsorber PITON bekerja sebagai Chatbot dengan menggunakan LLM sebagai generator respons dan juga bekerja dalam kerangka Retrieval Augmented Generation (RAG) yang menggunakan sumber pengetahuan dari Knowledge Graph dan kemampuan Scraping dari Internet sebagai basis untuk melakukan reasoning dalam memberikan jawaban kepada user. Hasil yang dihasilkan oleh PyAbsorber PITON AI adalah Hasil sizing kolom absorber, Dokumen flowsheet, Estimasi biaya kolom, serta optimisasi kolom dan biaya tahunan TAC. Hasil akan divalidasi dengan menggunakan software Aspen Plus untuk parameter sizing, MATLAB untuk konvergensi biaya TAC, serta akan dilakukan RAG Assessment atau RAGAS untuk menguji ketepatan dan performa kerangka kerja RAG pada PyAbsorber PITON. Hasil Validasi perancangan dalam Aspen Plus menghasilkan Error terkecil parameter desain Kolom sebesar 0% dan yang terbesar adalah 26,89%. Pada pengujian flowsheet rendering, program PyAbsorber AI dapat menghasilkan PFD dengan berdasarkan tujuan ekonomi kolom absorber yaitu mengejar kemurnian sweet gas atau meminimalkan penggunaan solvent. Pengujian tekno-ekonomi menunjukkan penghematan biaya Tahunan proyek kolom sebesar Rp. 9,07 miliar per tahun atau sekitar 0,30% dari biaya TAC awal, serta implementasi strategi PWC mampu menghemat biaya sebesar Rp. 1,2 miliar per tahun. Pengujian RAGAS menunjukkan bahwa PyAbsorber AI mengalami kestabilan pada parameter Faithfulness dan Relevancy dengan nilai 100% baik dengan GraphRAG maupun tanpa GraphRAG, serta penurunan pada parameter Context Recall dan Context Precision.
===================================================================================================================================
An absorber column is a process equipment in the oil and natural gas industry designed to purify gas product streams through an absorption method using MDEA solution. One of the common columns used in the oil and gas separation industry is the Packed Column. The engineering design of an absorption column is a complex and time-consuming process due to the extensive calculations required, as well as the determination of the correct and optimal packing type, which can incur significant time and cost. Therefore, an alternative approach was developed by utilizing Artificial Intelligence technology, specifically Generative AI (GenAI), to perform sizing calculations, column cost estimations, and column design optimization using a technoeconomic approach. The AI model was built using Python on the Antigravity IDE software, named PyAbsorber PITON. PyAbsorber PITON operates as a Chatbot using Large Language Models (LLM) as a response generator, functioning within a Retrieval-Augmented Generation (RAG) framework. This framework leverages knowledge sources from Knowledge Graphs and internet scraping capabilities as the basis for reasoning when answering user queries. The outputs generated by PyAbsorber PITON AI include absorber column sizing results, flowsheet documents, column cost estimations, and column optimization alongside Total Annualized Cost (TAC). The results were validated using Aspen Plus software for sizing parameters, MATLAB for TAC cost convergence, and RAG Assessment (RAGAS) to evaluate the accuracy and performance of the RAG framework in PyAbsorber PITON. Validation results in Aspen Plus demonstrated that the column design parameters achieved a minimum error of 0% and a maximum error of 26.89%. In the flowsheet rendering evaluation, PyAbsorber AI successfully generated Process Flow Diagrams (PFD) aligned with the economic objectives of the absorber column—specifically targeting sweet gas purity or minimizing solvent usage. Technoeconomic analysis showed an annual project cost saving for the column of IDR 9.07 billion per year, representing approximately 0.30% of the initial TAC, while the implementation of the PWC strategy saved IDR 1.2 billion per year. RAGAS evaluation indicated that PyAbsorber AI maintained stability in Faithfulness and Relevancy parameters, scoring 100% both with and without GraphRAG, alongside a decrease in Context Recall and Context Precision parameters.
Actions (login required)
 |
View Item |