Perpustakaan Digital ITB

Integritas fasilitas produksi panas bumi perlu dijaga agar operasi jangka panjang tetap aman. Peralatan pada fasilitas ini, terutama pressure vessel dan sistem perpipaan, rentan terhadap korosi karena fluida panas bumi mengandung senyawa korosif seperti CO? dan H?S. Tantangan ini makin besar karena sebagian peralatan telah beroperasi hampir 30 tahun dan mendekati umur desainnya. Salah satu cara mengelola integritas aset adalah merencanakan inspeksi dengan metode risk-based inspection (RBI). Berdasarkan API RP 581, metode ini menghitung probability of failure (PoF) dari berbagai mekanisme kerusakan, salah satunya penipisan dinding (thinning). Perhitungan PoF untuk mekanisme penipisan memerlukan data laju korosi yang diperoleh dari pengukuran ketebalan pada inspeksi sebelumnya. Masalahnya, sebagian peralatan belum pernah diinspeksi sehingga tidak memiliki data laju korosi terukur. Untuk kasus seperti ini, API RP 581 menyediakan laju korosi estimasi. Nilai estimasi tersebut bersifat umum dan tingkat kepercayaannya rendah, sehingga peringkat risiko yang dihasilkan tidak merepresentasikan kondisi aktual dari peralatan. Penelitian ini menerapkan pembelajaran mesin (machine learning) untuk memprediksi laju korosi yang tidak tersedia pada sebuah fasilitas produksi panas bumi di Jawa Barat, Indonesia. Fasilitas tersebut memiliki 975 peralatan, terdiri atas 953 peralatan dengan data inspeksi lengkap (917 perpipaan dan 36 bejana tekan) dan 22 peralatan yang belum pernah diinspeksi. Data laju korosi dari peralatan terinspeksi dipasangkan dengan parameter peralatan dan operasi, meliputi umur, tekanan, temperatur, kecepatan aliran, pH, kandungan CO? dan H?S, jenis fluida, material, dan jenis peralatan, sehingga diperoleh 715 baris data latih. Enam model regresi, yaitu Random Forest, Histogram Gradient Boosting, XGBoost, LightGBM, CatBoost, dan TabPFN, dilatih dengan hiperparameter yang dioptimasi menggunakan optimasi Bayesian. XGBoost dipilih sebagai model akhir dengan R² sebesar 0,938, RMSE 2,32 mpy, dan MAE 1,15 mpy. TabPFN sebenarnya menghasilkan R² yang lebih tinggi (0,963), tetapi galat underprediction terbesarnya mencapai 13,19 mpy, sekitar 1,65 kali galat XGBoost (7,99 mpy). Perbedaan ini penting karena laju korosi yang diprediksi terlalu rendah akan menurunkan prioritas iii inspeksi peralatan yang sebenarnya sedang mengalami degradasi. Analisis SHAP menunjukkan bahwa jenis fluida, kecepatan aliran, serta kandungan H?S dan CO? merupakan faktor yang paling berpengaruh terhadap laju korosi. Penilaian RBI kuantitatif terhadap peralatan dengan data inspeksi lengkap menempatkan 49 peralatan pada kategori risiko tinggi. Peralatan paling kritis memiliki PoF mendekati 5 × 10?² kegagalan per tahun, sedangkan kasus konsekuensi terparah menghasilkan area dispersi seluas 44.798 ft². Selanjutnya, model XGBoost digunakan untuk memprediksi laju korosi 22 peralatan yang belum pernah diinspeksi, dan hasil prediksinya dijadikan masukan dalam analisis RBI kuantitatif. Hasilnya, sebelas peralatan berada pada tingkat risiko menengah-tinggi, sembilan pada risiko menengah, dan dua pada risiko rendah. Kasus terparah adalah pipa brine berdiameter 8 inci dengan laju korosi prediksi 20,48 mpy. Apabila pipa ini gagal, luas area konsekuensi untuk fluida nonflammable nontoxic (NFNT) mencapai 3.054,72 ft². Temuan ini menunjukkan bahwa model machine learning yang dilatih dari data laju korosi pada catatan inspeksi fasilitas dapat mengisi kekosongan data dalam RBI kuantitatif.