Kontrol dan Optimisasi Temperature Profile pada Nickel Kiln untuk Menurunkan Emisi SO2 Menggunakan MPC (Model Predictive Control) Berbasis Neural Network

Purnomo, Leo Agung Arie (2019) Kontrol dan Optimisasi Temperature Profile pada Nickel Kiln untuk Menurunkan Emisi SO2 Menggunakan MPC (Model Predictive Control) Berbasis Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
02311650022011-Master_Thesis.pdf

Download (2MB) | Preview

Abstract

Proses pyrometallurgy pada pemurnian nikel menggunakan rotary kiln untuk proses kalsinasi dan reduksi dengan cara dipanaskan (pembakaran). Proses kalsinasi bertujuan untuk menghilangkan water content yang terikat secara kimiawi pada ore nikel yang sudah dikeringkan. Proses reduksi bertujuan untuk melepaskan oksigen (O) dari ikatan kimiawi metal oksida (Fe2O3 dan NiO2). Penambahan sulfur (S) dilakukan agar terjadi proses sulfurisasi antara Fe dan Ni dengan S menjadi FeS dan NiS, sedangkan O berikatan dengan C menjadi CO2. Proses sulfurisasi yang tidak sempurna membuat S berikatan dengan O menjadi SO2 yang dibuang pada stack sehingga menjadi emisi SO2 di stack. Untuk memastikan proses kalsinasi terjadi maka temperature profile harus dijaga secara gradual dari Feed End ke Discharge End dengan cara mengatur proses aerasi sepanjang kiln. Proses aerasi dijaga dengan memberikan supply udara pada 4 tertiary air flow. Hubungan antara temperature profile dan emisi SO2 merupakan system multivariable dan nonlinear kompleks sehingga dipilih metode stokastik Neural Network untuk mendapatkan pemodelannya dengan menggunakan data-data historical lapangan. Hasilnya akan diaplikasikan pada Model Predictive Control untuk mengendalikan temperature dengan memanipulasi variabel tertiary air flow. SO2 diminimumkan dengan menggunakan Duelist Algorithm untuk mendapatkan setpoint temperature. 6 variable utama yang terkait dengan kendali SO2 adalah bahan bakar total, ore feed, batubara, sulfur, temperature pada titik ke-5 dan SO2 itu sendiri. Dengan pemodelan neural network dan optimisasi Duelist Algorithm didapatkan nilai optimum Ftot = 62814 kg/h, More = 208ton/h, Mcoal = 7416 kg/h, S = 1814 kg/h, T5 = 834 C untuk mendapatkan nilai minimum SO2 = 2090 ppm. Temperature control diaplikasikan menggunakan MPC untuk menjaga nilai T5 pada setpoint 834 C, didapat parameter tuning Control interval = 3 detik, Prediction horizon = 70, Control horizon = 30. Penelitian ini mengambil study kasus Kiln#5 di PT Vale Indonesia Tbk, Soroako – Sulawesi Selatan. ================================================================================================ Pyrometallurgical process in nickel processing uses rotary kiln to calcination and reduction process by increasing the temperature (burning process). Calcination process is to eliminate water content which is bound chemically in the dried nickel ore. Reduction process is to release oxygen (O) from chemical bond of metal oxide (Fe2O3 and NiO2). Sulfur (S) addition is for sulfurization between Fe/Ni and S so that becoming FeS and NiS, while O to be bound with C becoming CO2. Undesired sulfurization occurs when S to be bound with O becoming SO2 which will be released in the stack then becoming SO2 emmission. To ensure calcination process occurs, temperature profile shall be maintained gradually from Feed End area into Discharge End area by manipulating aeration process alongside the kiln. The aeration is maintained by injecting fresh air into 4 tertiary air flows. The relationship between temperature profile and SO2 emission is multivariable and nonlinear complex system then Neural Network stochastic method has been chosen to model by using empirical historian data. The result will be applied into Model Predictive Control to control temperature by manipulating tertiary air flow. SO2 minimized by using Duelist Algorithm to get temperature setpoint. 6 important variables chosen to control SO2 are total fuel, nickel ore feed, coal feed, sulfur feed, temperature at point-5 and SO2 itself. By neural network modeling and Duelist Algorithm optimization, the optimum values are Ftot = 62814 kg/h, More = 208ton/h, Mcoal = 7416 kg/h, S = 1814 kg/h, T5 = 834 C to achieve minimum value of SO2 = 2090 ppm. Temperature control is applied by MPC to maintain T5 at setpoint 834 C. parameter tuning of MPC are Control interval = 3 seconds, Prediction horizon = 70, Control horizon = 30. This research is case study of Kiln no.5 in PT Vale Indonesia Tbk, Soroako – South Sulawesi.

Item Type: Thesis (Masters)
Additional Information: RTF 546.625 Pur k-1 2019
Uncontrolled Keywords: Emisi SO2, MPC, Neural Network, Rotary Kiln, Temperature Profile
Subjects: T Technology > TJ Mechanical engineering and machinery > TJ217.6 Predictive Control
T Technology > TN Mining engineering. Metallurgy > TN799.N6 Nickel--Metallurgy
Divisions: Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30101-(S2) Master Thesis
Depositing User: Leo Agung Arie Purnomo
Date Deposited: 21 Apr 2022 07:07
Last Modified: 21 Apr 2022 07:07
URI: https://repository.its.ac.id/id/eprint/62440

Actions (login required)

View Item View Item