Mengapa Akurasi Model Simulasi Menjadi Taruhan Besar di Industri Proses?

Dalam dunia teknik kimia modern, keputusan desain tidak lagi cukup berdasarkan asumsi kasar atau pendekatan deterministik konvensional. Industri kini dituntut untuk mampu menavigasi kompleksitas sistem yang dinamis, tidak pasti, dan saling terhubung. Oleh karena itu, pendekatan simulasi yang mempertimbangkan uncertainty (ketidakpastian) menjadi sangat penting.

Makalah karya Jones et al. (2019) menawarkan inovasi yang relevan dan aplikatif: sebuah kerangka kerja yang menggabungkan teknik Monte Carlo sampling dan machine learning, khususnya Polynomial Chaos Expansion (PCE), untuk memperkuat kemampuan proses simulator komersial seperti PRO/II. Dengan memadukan statistik canggih dan simulasi proses industri nyata, studi ini tidak hanya menawarkan solusi teknis, tetapi juga menjembatani kesenjangan antara teori akademik dan praktik industri.

Dari Deterministik ke Probabilistik: Paradigma Baru dalam Simulasi Proses

Apa yang Baru?

Kebanyakan simulator proses (misalnya Aspen, PRO/II) masih mengandalkan parameter input tetap—seolah-olah semua data sifat termodinamika diketahui pasti. Padahal, data seperti temperatur kritis (TC), tekanan kritis (PC), dan faktor asentrik (ω) kerap diperoleh dari estimasi, eksperimen terbatas, atau metode prediktif berbasis grup kontributor.

Artikel ini menawarkan pendekatan yang berbeda. Dengan mengadopsi teknik propagasi ketidakpastian, Jones et al. membangun model yang secara statistik lebih realistis. Setiap parameter input dianggap sebagai distribusi, bukan nilai tetap. Lalu, ketidakpastian ini dikalkulasi bagaimana ia berdampak ke output proses seperti Coefficient of Performance (COP) atau yield produk.

Metodologi: Gabungan Monte Carlo, Simulasi Komersial, dan Pembelajaran Mesin

Langkah-Langkah Utama:

1. Pembuatan model proses dalam simulator seperti PRO/II.
2. Kumpulan data properti fisik diperoleh dari basis data industri (misal NIST TDE, AIChE DIPPR).
3. Sampling acak parameter input menggunakan teknik Latin Hypercube atau Sobol sequence.
4. Eksekusi model melalui antarmuka Python-COM untuk simulasi otomatis.
5. Analisis ketidakpastian output, seperti rentang 95% confidence interval.
6. Analisis sensitivitas menggunakan regresi linier standar maupun metode Sobol.
7. Penerapan Polynomial Chaos Expansion untuk mengurangi jumlah evaluasi simulasi yang diperlukan.

Yang unik adalah integrasi penuhnya dengan PRO/II, memanfaatkan script Python untuk komunikasi langsung, menjadikan pendekatan ini relatif siap pakai bagi praktisi industri.

Studi Kasus 1: Sistem Heat Pump pada Industri Pengeringan Makanan

Latar Belakang

Sistem heat pump digunakan untuk menangkap panas buangan dari proses pengeringan semprot (spray dryer) dan menggunakannya kembali, mengurangi konsumsi energi hingga 20–40%. Fluida kerja: Cyclopentane.

Hasil Utama

• Distribusi COP menunjukkan nilai rata-rata 2.83–2.87.
• Jika korelasi antar parameter tidak dipertimbangkan, batas bawah COP bisa turun drastis hingga 2.10.
• Faktor asentrik (ω) terbukti menjadi parameter paling sensitif, menyumbang lebih dari 60% variasi output.

Insight Industri:

Dalam pemilihan fluida kerja untuk heat pump, sering kali fokus hanya pada titik didih atau kompatibilitas bahan. Namun hasil studi ini menunjukkan bahwa akurasi data properti fluida dan hubungan antar parameter justru berdampak signifikan terhadap performa sistem. Hal ini sejalan dengan hasil Frutiger et al. (2017), yang menggarisbawahi pentingnya kontrol korelasi parameter.

Studi Kasus 2: Distilasi Molekuler untuk Pemurnian β-Carotene

Konteks Aplikasi

Proses distilasi molekuler digunakan untuk memisahkan β-carotene dan α-tocopherol dari minyak sawit. Proses ini berjalan pada tekanan ekstrim rendah (0.008 mbar) dan temperatur tinggi (180°C).

Hasil Utama

• Ketidakpastian pada TC β-carotene menjadi kontributor dominan terhadap variasi output.
• Total indeks sensitivitas (ST) untuk TC β-carotene mencapai 0.69 (hampir 70%).
• Dibutuhkan lebih dari 70.000 evaluasi simulasi untuk sensitivitas berbasis Monte Carlo agar stabil.

Solusi: Polynomial Chaos Expansion (PCE)

Untuk menekan waktu komputasi, tim menerapkan PCE. Hasilnya:

• Evaluasi hanya membutuhkan 1.024 simulasi.
• Indeks sensitivitas utama tetap konsisten dengan metode Monte Carlo.
• Menghemat waktu hingga 68 kali lipat.

Analisis Kritis: Kelebihan, Keterbatasan, dan Potensi Lanjutan

Kelebihan:

• Praktis dan dapat diadaptasi ke berbagai simulator (Aspen, HYSYS).
• Meningkatkan kepercayaan diri dalam desain dengan memperhitungkan rentang ketidakpastian.
• Memungkinkan optimasi sumber daya komputasi melalui PCE.

Tantangan:

• Waktu komputasi masih tinggi jika tidak menggunakan PCE atau komputasi paralel.
• Simulator komersial belum mendukung paralelisme asli, membuat eksekusi model jadi bottleneck.
• Ketergantungan pada validitas distribusi input, yang sering kali tidak tersedia atau hanya estimasi.

Nilai Tambah: Relevansi terhadap Industri dan R&D

Dalam Industri Kimia:

• Proses seperti reaksi esterifikasi, pemisahan azeotropik, atau pemurnian farmasi akan sangat diuntungkan dengan kerangka kerja ini karena ketidakpastian data sering tinggi.
• Dapat digunakan dalam scale-up dari lab ke pilot plant, di mana prediksi performa sistem sangat penting dan risiko mahal jika gagal.

Dalam Penelitian dan Akademik:

• Cocok untuk riset pengembangan model properti baru (EOS).
• Dapat menjadi kerangka pembelajaran bagi mahasiswa teknik kimia yang mempelajari simulasi, statistik, dan pengolahan data secara terintegrasi.

Opini dan Rekomendasi

Studi ini menjadi tonggak penting karena menawarkan pendekatan menyeluruh yang siap diimplementasikan. Namun, langkah berikutnya seharusnya mencakup:

• Integrasi dengan cloud computing dan paralelisme (misal: MPI, Fortran Co-array).
• Penerapan algoritma AI lain, seperti Gaussian Process Regression atau Neural Network, untuk membandingkan performa dengan PCE.
• Standardisasi pelaporan data properti dan korelasinya dalam basis data industri.

Kesimpulan: Mengubah Cara Kita Melihat Ketidakpastian

Makalah ini tidak hanya sekadar memperkenalkan metode, tapi juga menggeser paradigma: bahwa uncertainty bukanlah pengganggu, melainkan sumber wawasan. Dengan pendekatan berbasis Monte Carlo dan pembelajaran mesin, kita bisa mendesain sistem yang bukan hanya optimal, tapi juga robust terhadap ketidakpastian nyata di lapangan.

Metodologi ini sangat layak untuk diadopsi oleh industri dan menjadi materi wajib dalam kurikulum rekayasa proses masa depan.

Sumber

Jones, M. N., Frutiger, J., Ince, N. G., & Sin, G. (2019). The Monte Carlo driven and Machine Learning enhanced Process Simulator. Computers & Chemical Engineering, 125, 324–338.
DOI: 10.1016/j.compchemeng.2019.03.01