Perpustakaan Digital ITB

Transisi menuju energi bersih mendorong pemanfaatan pembangkit listrik skala mikro menggunakan Pump as Turbine (PAT). PAT merupakan alternatif praktis dan ekonomis, namun memiliki efisiensi rendah karena tidak dirancang sebagai turbin. Peningkatan performa melalui optimasi geometri dengan simulasi numerik langsung umumnya memerlukan biaya komputasi yang tinggi. Dengan demikian, penelitian ini bertujuan mengoptimalkan geometri impeler PAT guna mencapai keseimbangan antara efisiensi dan daya poros melalui pendekatan komputasi. Penelitian ini mengintegrasikan simulasi Computational Fluid Dynamics (CFD), pemodelan machine learning, dan optimasi multiobjektif. Variasi geometri impeler dibangkitkan menggunakan Latin Hypercube Sampling (LHS). Performa hidraulik dari setiap variasi disimulasikan untuk melatih surrogate model berbasis Gaussian Process Regression (GPR). Model GPR tersebut kemudian dioptimasi menggunakan Non-dominated Sorting Genetic Algorithm II (NSGA-II) guna mengekstraksi himpunan solusi optimal tanpa mengharuskan simulasi numerik secara berulang. Hasil penelitian menunjukkan bahwa model GPR memiliki akurasi prediksi yang tinggi dengan nilai ????2 sebesar 0,9778–0,9779 dan nilai ????2 sebesar 0,7642–0,9307 sehingga layak digunakan sebagai surrogate model dalam optimasi. Validasi terhadap solusi Pareto menghasilkan galat rata-rata sebesar 1,22% untuk efisiensi dan 2,68% untuk daya poros. Optimasi menghasilkan efisiensi maksimum sebesar 85,04% pada Model A, dan daya poros maksimum sebesar 9,63 kW pada Model E, lebih besar 2,05% dan 1,8 kW dari baseline. Titik kompromi dicapai Model C, dengan efisiensi 84,86% dan daya poros 9,03 kW. Analisis karakteristik aliran menunjukkan perubahan geometri impeler memengaruhi distribusi tekanan, kecepatan, dan intensitas turbulensi yang menentukan efisiensi hidraulik dan daya poros. Penelitian ini menunjukkan integrasi CFD, GPR, dan NSGA-II efektif untuk optimasi multiobjektif geometri impeler PAT.