SANTOSO, Joko and Setyawan, Agus and Muchammad, Muchammad (2026) OPTIMASI PENGOPERASIAN SOOTBLOWER BERBASIS MESIN LEARNING PADA PEMBANGKIT LISTRIK PLTU SUPERKRITIKAL. Masters thesis, UNIVERSITAS DIPONEGORO.

	Text Halaman Cover-1.pdf Download (278kB)
	Text Halaman Cover.pdf Restricted to Repository staff only Download (1MB)
	Text BAB I.pdf Download (369kB)
	Text BAB II.pdf Download (1MB)
	Text BAB III.pdf Restricted to Repository staff only Download (405kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Restricted to Repository staff only Download (226kB)
	Text DAFTAR PUSTAKA.pdf Download (227kB)
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (874kB)

Abstract

Permasalahan endapan slagging pada pipa didalam boiler dapat mengakibatkan dampak negatif . Efisiensi perpindahan panas antara gas pembakaran di luar pipa dan air yang di dalam pipa menjadi tidak efektif, karena tingginya ketahanan termal dari endapan slagging hal ini menyebabkan masalah seperti penurunan efisiensi boiler dan peningkatan konsumsi bahan bakar. Sootblower berfungsi untuk menghilangkan jelaga, abu dan endapan lainnya yang menempel pada permukaan luar pipa tersebut. Namun demikian pola pengoperasian sootblower yang tidak tepat akan dapat menyebabkan kerusakan pada pipa boiler, frekuensi pengoperasian sootblower yang terlalu sedikit akan menyebabkan penumpukan slagging dan fouling di pipa menjadi banyak, sebaliknya frekuensi pengoperasian sootblower yang terlalu banyak dapat meningkatkan penggunaan uap panas yang terbuang sia-sia dan berpotensi mengikis permukaan pipa. Dengan melakukan optimasi pengoperasian sootblower berbasis mesin learning menghasilkan pola operasi sootblower yang tepat sasaran sesuai dengan target cleanliness factor sehingga mampu mengurangi jumlah frekuensi sootblower operari rata-rata 2x di semua area boiler, dan mengurangi konsumsi uap sootblower sebesar 54 ton per hari atau 1681,53 ton per bulan serta mampu mencapai target heat rate sesuai baseline 2022. Dengan jumlah frekuensi operasi sootblower lebih sedikit dapat mengurangi laju erosi 49,07% pada pipa dan konsumsi uap yang lebih sedikit membuat pola operasi sootblower menjadi lebih efektif dalam meminimalisir penumpukan slagging dan fouling.
Kata kunci : slagging, sootblower, mesin learning

The issue of slagging deposits on pipes inside the boiler can lead to negative impacts. The efficiency of heat transfer between the combustion gas outside the pipes and the water inside becomes ineffective due to the high thermal resistance of slagging deposits. This results in problems such as reduced boiler efficiency and increased fuel consumption. The sootblower functions to remove soot, ash, and other deposits adhering to the outer surface of the pipes. However, improper operation patterns of the sootblower can cause damage to boiler pipes. If the sootblower is operated too infrequently, slagging and fouling buildup on the pipes will increase. Conversely, operating the sootblower too frequently can lead to excessive use of steam and potential erosion of the pipe surfaces. By optimizing sootblower operation using machine learning, a more targeted operating pattern can be achieved in accordance with the cleanliness factor target. This optimization can reduce the average sootblower operating frequency by twice across all boiler areas and decrease steam consumption by 54 tons per day or 1,681.53 tons per month. It also helps achieve the heat rate target according to the 2022 baseline and reduce NOx emission. With fewer sootblower operations, pipe erosion can be reduced 49,07%, and lower steam consumption makes the sootblower operation pattern more effective in reducing slagging and fouling buildup and NOx emission are lowered.
Keyword : slagging, sootblower, machine learning

Actions (login required)

View Item