Perpustakaan Digital ITB

Korosi merupakan salah satu ancaman utama terhadap integritas pipeline yang dapat memicu kegagalan katastrofik. Sebagai langkah optimasi manajemen integritas, metode penilaian umur sisa pipeline terkorosi berevolusi dari pendekatan deterministik menuju pemodelan probabilistik dan machine learning. Selain itu, tuntutan efisiensi operasi mendorong perkembangan kelas material standar API 5L menuju kekuatan luluh yang lebih tinggi. Perkembangan paralel antara metode penilaian umur sisa dan kelas material ini memunculkan kebutuhan untuk meninjau korelasi keduanya terhadap estimasi umur sisa pipeline. Oleh karena itu, penelitian ini bertujuan untuk menganalisis pengaruh perbedaan kelas material API 5L dan metode penilaian terhadap estimasi umur sisa pipeline, sekaligus menentukan metode penilaian yang paling optimal. Penelitian dimulai dengan pemrosesan awal data in-line inspection (ILI) yang mencakup identifikasi cacat, replikasi data, dan modifikasi SMYS untuk merepresentasikan 14 kelas. Penilaian deterministik dilakukan berdasarkan standar ASME B31.G Level 1 (original dan modified). Selanjutnya, penilaian probabilistik dilakukan melalui simulasi Monte Carlo yang juga berdasarkan standar tersebut dengan ketebalan, laju korosi, dan dimensi cacat sebagai parameter berdistribusi normal. Hasil penilaian probabilistik berbasis modified B31.G digunakan sebagai data latih (80%) dan data uji (20%) untuk membangun surrogate model XGBoost. Kinerja model dievaluasi menggunakan root mean square error (RMSE), mean absolute error (MAE), koefisien determinasi (R2), perbandingan waktu komputasi, serta analisis SHapley Additive exPlanations (SHAP). Hasil simulasi menunjukkan bahwa peningkatan kelas material berkorelasi positif terhadap peningkatan umur sisa, namun mencapai titik jenuh setelah melampaui kelas tertentu seperti API 5L X65. Pada kelas material tinggi, mode kegagalan bergeser menjadi kebocoran akibat penipisan dinding, sementara kelas material rendah (A25 dan A) mengalami kegagalan pecah instan. Komparasi metode menunjukkan bahwa simulasi Monte Carlo memberikan estimasi yang lebih konservatif dibanding perhitungan deterministik karena mampu mengakomodasi nilai ekstrem pada ekor distribusi. Karakteristik yang sama terdapat pada estimasi berdasarkan formula Modified B31.G yang terbukti lebih konservatif dibandingkan original B31.G untuk profil cacat pendek akibat perbedaan rumusan shape factor (0,85 dan 2/3). Selain itu, surrogate model XGBoost ditetapkan sebagai metode paling optimal karena mampu mengakselerasi komputasi hingga 4.218 kali lipat (0,2264 detik) dibandingkan Monte Carlo (954,97 detik), dengan tingkat presisi yang sangat tinggi (R2=0,982, MAE = 0,29 tahun, RMSE = 3,28 tahun). Kesesuaian model dengan prinsip metalurgi divalidasi oleh analisis SHAP yang membuktikan kelas material dan kedalaman cacat menjadi faktor yang paling berpengaruh.