Perpustakaan Digital ITB

Dalam konteks aliran gas-cair dua fase horizontal, prediksi liquid holdup memiliki peranan penting dalam memahami perilaku aliran dan desain peralatan yang efisien. Tujuan dalam studi ini adalah untuk mengusulkan dan mengevaluasi metode prediksi liquid holdup dengan akurasi tertinggi menggunakan machine learning serta menganalisis faktor – faktor yang mempengaruhi kinerja prediksi yang dapat bervariasi secara kompleks tergantung pada berbagai parameter aliran. Studi ini melibatkan pemilihan model machine learning dan evaluasi performanya dalam memprediksi liquid holdup pada kondisi horizontal two-phase gas-liquid flow. Dari tujuh model machine learning yang digunakan, didapatkan dua model machine learning dengan hasil yang paling akurat, yaitu Gradient Boosting dan Adaptive Boosting. Kedua metode tersebut dievaluasi dan dibandingkan. Performa model-model ini dievaluasi menggunakan metrik Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Coefficient of Determination (R2). Hasil Penelitian ini menunjukkan bahwa model Gradient Boosting dan Adaptive Boosting memiliki akurasi tertinggi dan menghasilkan nilai error yang paling kecil dan nilai R2 mendekati 1. Pada studi ini mengungkapkan bahwa normalisasi data yang digunakan untuk training dan testing memiliki dampak yang signifikan terhadap performa machine learning. Jumlah dataset yang digunakan dalam prediksi dan representasi data training terhadap data testing juga mempengaruhi hasil prediksi secara signifikan. Kesimpulan yang didapatkan adalah model machine learning Gradient Boosting dan Adaptive Boosting memiliki kemampuan yang baik dalam memprediksi liquid holdup pada horizontal two-phase gas-liquid flow. Studi ini memberikan pemahaman yang lebih baik tentang faktor-faktor yang perlu dipertimbangkan dalam memilih model dan menerapkan machine learning untuk memprediksi fenomena kompleks seperti prediksi liquid holdup. Hasil studi ini diharapkan memberikan kontribusi signifikan dalam pengembangan dan pengaplikasian machine learning dalam teknik prediksi liquid holdup yang dapat diandalkan dan digunakan secara luas dalam industri migas.