Materi Kuliah:
Pengantar; Optimasi Satu Variabel; Optimasi Banyak Variabel
PUSTAKA
James B. Riggs, 1988, An Introduction to Numerical Methods for Chemical Engineers,
Texas: Texas Tech University Press, Chapter 6
Steven C. Chapra & Raymond P. Canale, 2003, Numerical Methods for Engineers: With
Software and Programming Applications, 4th edition, New York: McGraw-Hill Company
Inc, Part Four
etc.
INTRODUCTORY EXAMPLE
Persoalan pemilihan diameter pipa untuk mengangkut fluida dari satu proses ke proses
yang lain. Istilah diameter pipa optimum, didasarkan kepada: (1) Biaya investasi, dan
(2) Biaya operasi, seperti diilustrasikan dalam tabel berikut ini:
Cost components
Operating costs
Pipe capital costs
Pump capital costs
Total
1
4697
168
401
5266
$ / year
Pipe diameter (in)
1,25
1,5
2
660
312
164
308
389
474
192
150
150
1160 852
788
2,5
56
660
150
866
Berdasarkan pertimbangan di atas, diameter pipa manakah yang akan Anda pilih?
PENGANTAR
(Definisi Optimasi, Jenis Optimasi, Fungsi Objektif,
Decision Variables, dan Kendala)
Optimasi merupakan suatu proses untuk mencari kondisi yang optimum, dalam arti paling
menguntungkan. Optimasi bisa berupa maksimasi atau minimasi. Jika berkaitan dengan masalah
keuntungan, maka keadaan optimum adalah keadaan yang memberikan keuntungan maksimum
(maksimasi). Jika berkaitan dengan masalah pengeluaran/pengorbanan, maka keadaan optimum
adalah keadaan yang memberikan pengeluaran/pengorbanan minimum (minimasi).
Hal-hal penting dalam studi optimasi meliputi:
1 - fungsi objektif dan decision variables
2 - kendala (constraints)
Secara umum, fungsi yang akan dimaksimumkan atau diminimumkan disebut fungsi objektif
(objective function), sedangkan harga-harga yang berpengaruh dan bisa dipilih disebut variabel
(perubah) atau decision variable.
Secara analitik, nilai maksimum atau minimum dari suatu persamaan: y = f (x) dapat diperoleh pada
harga x yang memenuhi: y ' = f '( x) =
dy df
=
=0
dx dx
Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang sulit dicari akarnya, proses
optimasi dapat dilakukan secara numerik.
Contoh persoalan optimasi dalam bidang engineering:
Design pump and heat transfer equipment for maximum efficiency
Design waste water treatment system to meet water-quality standards of least cost
dy/analisis numerik/optimasi numerik/april 2008/halaman 1 dari 16
Contoh kendala (constraints) yang menyertai persoalan optimasi dalam bidang Teknik Kimia:
Maximum process temperature
Maximum flow rate limitation
Maximum conversion limitation
Product purity
Strength of materials
Environmental factor
Safety consideration
Availability of utilities
Corrosion considerations
Availability and characteristics of feed stocks
Market demand for the product
Space limitation
An upper limit on the capital investment
Beberapa istilah:
Maksimum lokal, maksimum global
Minimum lokal, minimum global
A unimodal function one hump or
one valley
Titik optimum
dy/analisis numerik/optimasi numerik/april 2008/halaman 2 dari 16
Tinjaulah fungsi f(x) yang akan ditentukan maksimum-nya, pada rentang x = xl dan x = xu
(perhatikan gambar di bawah ini).
Mirip dengan bisection, ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai
yang baru, secara iteratif. Sebagai akibatnya, rentang/ interval awal variabel yang dipilih semakin
lama akan semakin menyempit, karena ada sebagian sub-interval variabel yang dieliminasi, hingga
diperoleh tingkat konvergensi yang diinginkan.
Berdasarkan grafik di atas, secara matematika berlaku:
Karena:
l1 l2
=
l0 l1
maka: l0 = l1 + l2
l1 + l2 l1
=
l1
l2
atau: 1 +
l2 l1
=
l1 l2
l2
l1
atau: 1 + R =
1
R
2
sehingga: R + R 1 = 0
5 1
= 0, 61803...
2
(Bilangan R ini selanjutnya biasa disebut sebagai golden ratio atau golden number)
x1 = xl + d
x2 = xu d
dengan: d =
5 1
( xu xl ) = R ( xu xl )
2
f (x)
1
0
-1
0.5
1.5
2.5
3.5
-2
-3
-4
x
Karena kasus ini merupakan persoalan maksimasi, dan: f (x2) > f (x1), maka:
xl baru = xl lama
xu baru = x1 lama
Dengan kata lain, sub-interval x kanan (yakni antara x1 dan xu) dieliminasi.
Iterasi kedua:
xl = 0
: f (xl) = 0
xu = 2,4721 : f (xu) = 0,6300
5 1
5 1
d=
( xu xl ) =
(2,4721 0) = 1,5279
2
2
x1 = xl + d = 0 + 1,5279 = 1,5279 = x2 lama : f (x1) = 1,7647
x2 = xu d = 2,4721 1,5279 = 0,9443
: f (x2) = 1,5310
Karena kasus ini merupakan persoalan maksimasi, dan: f (x2) < f (x1), maka:
xl baru = x2 lama
xu baru = xu lama
Dengan kata lain, sub-interval x kiri (yakni antara xl dan x2) dieliminasi.
Cara perhitungan yang sama/ analog dapat dilakukan pada langkah iterasi berikutnya.
Perhitungan dapat dilakukan secara berulang-ulang hingga mencapai nilai toleransi
yang diinginkan. Perhatikanlah bahwa penyelesaian ini konvergen menuju nilai
maksimum yang sebenarnya (yakni pada x = 1,4276; dengan nilai maksimum f (x) =
1,7757). Hasil-hasil perhitungan selengkapnya (hingga langkah iterasi ke-17)
disajikan pada tabel berikut ini:
Keterangan: Bagian yang diarsir merupakan nilai x dan f (x) terbesar pada setiap langkah iterasinya.
Catatan: Secara analitik, nilai maksimum fungsi dapat ditentukan dengan cukup mudah,
karena f(x) berbentuk persamaan yang mudah diturunkan (atau ditentukan fungsi
turunannya). Tentukan fungsi turunan pertama dari f(x), dan selanjutnya tentukan nilai x yang
membuat f(x) = 0. Untuk mengecek kebenaran kategori persoalan optimasinya (yakni apakah
maksimum atau minimum) pada nilai x yang ditinjau, tentukan nilai fungsi turunan kedua dari
f(x). Silakan Anda coba sendiri...!
dy/analisis numerik/optimasi numerik/april 2008/halaman 5 dari 16
Metode ini menggunakan pendekatan yang sama dengan metode Newton dalam penentuan akar
persamaan tak-linier, melalui pendefinisian fungsi: g(x) = f(x)
Karena pada kondisi optimum berlaku: f '( x*) = g ( x*) = 0
(dengan x* menyatakan nilai x optimum)
maka, nilai x* dapat diperoleh secara iteratif sebagai berikut: xi +1 = xi
f '( xi )
f ''( xi )
x0 = 2,5
(2,5) 2
= 0,57194
10
2,5
f ' ( x0 ) = f ' (2,5) = 2 cos (2,5)
= 2,1023
5
1
f ' ' ( x0 ) = f ' ' (2,5) = 2 sin (2,5) = 1,3969
5
f ( x0 ) = f (2,5) = 2 sin (2,5)
2,1023
f ' ( x0 )
= 2,5
= 0,99508
f ' ' ( x0 )
1,3969
Cara perhitungan yang sama/ analog dapat dilakukan pada langkah iterasi berikutnya.
Perhitungan dapat dilakukan secara berulang-ulang hingga mencapai nilai toleransi yang
diinginkan. Perhatikanlah bahwa penyelesaian ini konvergen menuju nilai maksimum yang
sebenarnya (yakni pada x = 1,42755; dengan nilai maksimum f (x) = 1,77573). Hasil-hasil
perhitungan selengkapnya (hingga langkah iterasi ke-5) disajikan pada tabel berikut ini:
Catatan: Berdasarkan hasil yang disajikan dalam tabel di atas, bagaimanakah komentar
Anda, yang berkaitan dengan laju konvergensi metode Newton, jika dibandingkan dengan
penggunaan metode sebelumnya...?
METODE INTERPOLASI KUADRAT
Metode interpolasi kuadrat dapat digunakan untuk melakukan optimasi secara numerik. Hal ini
disebabkan oleh penggunaan polinomial orde-dua yang menghasilkan pendekatan cukup baik
terhadap bentuk f (x) di dekat titik optimumnya. (Perhatikan gambar di bawah ini)
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0, x1, dan x2) yang mengapit
titik optimumnya, maka sebuah parabola dapat di-fit-kan melalui ketiganya. Diferensiasikan
persamaan yang diperoleh, set hasilnya menjadi sama dengan nol, dan perkiraan x optimum dapat
ditentukan (dalam hal ini sebagai x3) sbb.:
f ( x0 ) ( x12 x2 2 ) + f ( x1 ) ( x2 2 x0 2 ) + f ( x2 ) ( x0 2 x12 )
x3 =
2 f ( x0 ) ( x1 x2 ) + 2 f ( x1 ) ( x2 x0 ) + 2 f ( x2 ) ( x0 x1 )
Penentuan x3 dilakukan secara iteratif, melalui strategi yang sama dengan metode golden section,
hingga diperoleh penyelesaian yang konvergen.
CONTOH SOAL 3#:
Gunakan metode interpolasi kuadrat untuk menentukan maksimum dari fungsi:
x2
f ( x) = 2 sin x
10
dengan nilai-nilai awal x: x0 = 0; x1 = 1; dan x2 = 4
Penyelesaian:
Iterasi pertama:
x0 = 0 : f (x0) = 0
x1 = 1 : f (x1) = 1,5829
x2 = 4 : f (x2) = -3,1136
Berdasarkan nilai-nilai x0, f (x0), x1, f (x1), x2, dan f (x2), maka x3 dapat dihitung sbb.:
2
2
2
2
2
2
f ( x0 ) ( x1 x2 ) + f ( x1 ) ( x2 x0 ) + f ( x2 ) ( x0 x1 )
x3 =
2 f ( x0 ) ( x1 x2 ) + 2 f ( x1 ) ( x2 x0 ) + 2 f ( x2 ) ( x0 x1 )
(0) (12 42 ) + (1,5829) (42 02 ) + (3,1136) (02 12 )
= 1,5055
2 (0) (1 4) + 2 (1,5829) (4 0) + 2 (3,1136) (0 1)
Nilai f (x) pada x3: f (x3) = 1,7691
x3 =
Dengan kata lain, sub-interval x kiri dieliminasi, atau 3 buah nilai x lama (yakni x1, x2, dan
x3) akan digunakan dalam perhitungan iterasi berikutnya.
Iterasi kedua:
x0 = 1
x1 = 1,5055
x2 = 4
:
:
:
f (x0) = 1,5829
f (x1) = 1,7691
f (x2) = -3,1136
Berdasarkan nilai-nilai x0, f (x0), x1, f (x1), x2, dan f (x2), maka: x3 = 1,4903
Nilai f (x) pada x3: f (x3) = 1,7714
Karena kasus ini merupakan persoalan maksimasi, dan:
f (x0) < f (x3), serta: f (x3) > f (x1) > f (x2)
maka:
x2 lama dieliminasi
x0 baru = x0 lama
Dengan kata lain, sub-interval x kanan dieliminasi, atau 3 buah nilai x lama (yakni x0, x1,
dan x3) akan digunakan dalam perhitungan iterasi berikutnya.
Demikian seterusnya, untuk langkah iterasi berikutnya. Perhitungan dapat dilakukan
secara berulang-ulang hingga mencapai nilai toleransi yang diinginkan. Perhatikanlah
bahwa penyelesaian ini konvergen menuju nilai maksimum yang sebenarnya (yakni pada
x = 1,4276; dengan nilai maksimum f(x) = 1,7757). Hasil-hasil perhitungan
selengkapnya (hingga langkah iterasi ke-5) disajikan pada tabel berikut ini:
Ingin dicari harga x1, x2, x3, .., xn yang memberikan harga y maksimum (maksimasi) atau
minimum (minimasi). Pengelompokan metodenya secara garis besar adalah: (1) non-gradient
methods, dan (2) gradient methods.
Beberapa metode yang akan dibahas meliputi:
Metode Hooke-Jeeves
Metode steepest ascent (ascending)/ descent (descending)
Metode langsung/ random search
METODE HOOKE-JEEVES
Prinsip penerapan metode Hooke-Jeeves meliputi 2 hal sebagai berikut:
(i menyatakan indeks variabel x)
(1) Eksplorasi nilai xi
(2) Mengulangi langkah sukses
Optimasi dengan metode Hooke-Jeeves ditunjukkan dalam contoh berikut. Misal ingin dilakukan
minimasi dari suatu fungsi:
y = (x1 4)2 + 0,5.(x2 9)2 + 3 = f (x1, x2)
Sebagai cek, dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4, x2 = 9, dan harga ymin
= 3. Dalam hal ini dipilih titik awal: x1 = 1 dan x2 = 16, serta interval awal x1 = 1 dan x2 = 2.
dy/analisis numerik/optimasi numerik/april 2008/halaman 8 dari 16
x1
1
x2
y
Komentar
Basis
16
36,5
Eksplorasi dengan x1 = 1, x2 = 2
2
16
31,5
Sukses
2
18
47,5
Gagal
2
14
19,5
Sukses
Mengulangi langkah sukses
3
12
8,5
Sukses
4
10
3,5
Sukses
5
8
4,5
Gagal
Eksplorasi dengan x1 = 1, x2 = 2
5
10
4,5
Gagal
3
10
4,5
Gagal
4
12
7,5
Gagal
4
8
3,5
Gagal
Eksplorasi dengan x1 = 0,2, x2 = 0,4
4,2
10
3,54
Gagal
3,8
10
3,54
Gagal
4
10,4
4,96
Gagal
4
9,6
3,18
Sukses
Mengulangi langkah sukses
4
9,2
3,02
Sukses
4
8,8
3,02
Gagal
Eksplorasi dengan x1 = 0,2, x2 = 0,4
4,2
9,2
3,06
Gagal
3,8
9,2
3,06
Gagal
4,0
9,6
3,18
Gagal
4,0
8,8
3,02
Gagal
Eksplorasi dengan x1 = 0,04, x2 = 0,08
4,04
9,2
3,021
Gagal
3,96
9,2
3,021
Gagal
4,00
9,28
3,039
Gagal
4,00
9,12
3,007
Sukses
Mengulangi langkah sukses
4,00
9,04
3,0008
Sukses
4,00
8,96
3,0008
Gagal
Demikian seterusnya. Proses dihentikan setelah eksplorasi gagal, serta x1 dan x2 cukup kecil.
METODE STEEPEST ASCENT /DESCENT
PENCARIAN OPTIMUM:
Sebagai ilustrasi, tinjaulah fungsi dua variabel f(x,y) yang akan ditentukan titik maksimumnya.
(lihat gambar berikut ini...)
dy/analisis numerik/optimasi numerik/april 2008/halaman 9 dari 16
Titik
optimum
f(x,y)
h2
h1
h0
y0
x0
Berdasarkan nilai awal x = x0 dan y = y0, dapat ditentukan nilai gradien (atau arah steepest
ascent)-nya, yakni sebesar h0. Berdasarkan nilai h0, nilai maksimum fungsi dapat ditentukan, yakni
pada titik 1. Demikian seterusnya, proses ini dilakukan berulang-ulang hingga diperoleh titik
optimum sesungguhnya.
Secara numerik:
Misal, untuk sebuah fungsi dua variabel: f(x,y) yang akan dicari titik optimumnya, dengan nilai
awal: x = x0 dan y = y0, maka pada langkah iterasi pertama, nilai x dan y yang baru dapat ditentukan
dengan:
f
f
x = x0 +
h
y = y0 +
h
dan
x x0 , y0
y x , y
0
dengan:
f
f
merupakan turunan parsial fungsi f(x,y) masing-masing terhadap x dan y
dan
y
x
f
f
i+
j
x
y
(Pada kasus ini, sebuah fungsi 2 variabel dalam x dan y, f(x,y), ditransformasikan
menjadi sebuah fungsi satu variabel dalam h, g(h).)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah
iterasi berikutnya. Demikian seterusnya.
CONTOH SOAL 4#:
Gunakan metode steepest ascending (atau ascent) untuk menentukan maksimum dari fungsi:
f ( x, y ) = 2 xy + 2 x x 2 2 y 2
dengan nilai awal x dan y sebesar: x0 = -1 dan y0 = 1
Penyelesaian:
= 2(1) 4(1) = 6
x0 , y 0
y = y0 +
f
y
h = 1 6h
x0 , y0
y = 1 6h = 1 6 (0,2) = 0,2
Cara perhitungan yang sama dapat dilakukan untuk langkah-langkah iterasi berikutnya. Hasil
perhitungan selengkapnya (hingga langkah iterasi ke-12) disajikan pada tabel berikut ini:
Anda dapat mengecek hasil ini secara analitik melalui telaah turunan fungsinya.
Turunan parsial fungsi ini dapat dituliskan sebagai:
f
= 2 y + 2 2x
x
f
= 2x 4 y
y
f
f
= 0 dan
= 0. Dapat ditentukan dengan
Nilai optimum x dan y dicapai pada saat
x
y
mudah, nilai-nilai tersebut adalah: x = 2 dan y = 1. Kriteria optimumnya (local minimum,
local maximum, atau saddle point) dapat dicek melalui penggunaan turunan-kedua fungsi
dan dievaluasi pada nilai x dan y tersebut. Dalam hal ini, turunan parsial tersebut adalah:
dan
f
2 f
= = (2 y + 2 2 x ) = 2
2
x x x
x
2 f
f
= = (2 x 4 y ) = 2
xy x y x
f
2 f
= = (2 y + 2 2 x ) = 2
yx y x y
2 f
f
= = (2 x 4 y ) = 4
2
y
y y y
Nilai determinan matriks Hessian (H) dari f:
2 f
2 f
x 2 xy 2 2
det(H) = 2
=
= (2)(4) (2)(2) = 6
f
2 f
2 4
yx y 2
Karena nilai det(H) > 0 dan
2f
< 0, maka terbukti bahwa titik (2, 1) merupakan titik
x 2
maksimum lokal.
Sesuai dengan namanya, metode random search secara berulang-ulang mengevaluasi nilai
fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak (randomly). Jika
banyaknya sampel yang dicoba mencukupi, maka kondisi optimumnya akan teramati, dan
sebaliknya. Dengan demikian, metode ini tidak efisien!
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun.
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum
lokal)
f ( x, y ) = y x 2 x 2 2 xy y 2
jika domain nilai x dan y dibatasi pada: x = -2 hingga 2; dan y = 1 hingga 3.
Catatan: Nilai maksimum fungsi ini adalah 1,25 pada x = -1 dan y = 1,5.
Penyelesaian:
Random number generator, yang dalam hal ini diwakili sebagai bilangan r, secara tipikal
dinyatakan dalam angka-angka di antara 0 dan 1.
Nilai x optimum di antara xl dan xu secara acak (random) dapat dinyatakan sebagai:
x = xl + (xu xl) r
Karena dalam hal ini: xl = -2 dan xu = 2, maka: x = (-2) + (2 (-2)) r = -2 + 4 r
Dengan cara yang sama, nilai y optimum di antara yl dan yu secara acak dapat dinyatakan
sebagai:
y = yl + (yu yl) r
Karena dalam hal ini: yl = 1 dan yu = 3, maka: y = (1) + (3 1) r = 1 + 2 r
Dengan mensubstitusikan nilai-nilai r yang memenuhi: 0 r 1 secara acak ke dalam:
x = -2 + 4 r
dan
y=1+2r
maka dapat diperoleh nilai maksimum fungsi ini sebesar 1,25 pada: x = -1 dan y = 1,5.
dy/analisis numerik/optimasi numerik/april 2008/halaman 12 dari 16
Sebagai contoh, dengan mengambil nilai-nilai r sebesar 0; 0,25; 0,5; 0,75; dan 1; serta
menerapkannya secara acak terhadap persamaan x dan y sebagai fungsi r tersebut di atas, maka
diperoleh hasil-hasil perhitungan sbb.:
Nilai-nilai x
dan y
optimum
Nilai f(x,y)
maksimum
2 f
>0
x 2
2f
<0
x 2
(3) f (x,y) mempunyai titik belok (saddle point): jika det(H) < 0
det(H) merupakan nilai determinan matriks Hessian yang dinyatakan sebagai:
det( H ) =
2 f
x 2
2 f
xy
2 f
yx
2 f
y 2
Contoh Aplikasi-1:
LOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xi,yi) menghasilkan limbah dengan
debit masing-masing sejumlah Qi. Akan dibangun suatu unit pengolah limbah terpadu untuk seluruh
pabrik tersebut. Ongkos pengangkutan limbah dari pabrik ke unit pengolah limbah berbanding lurus
dengan debit pangkat 0,6. Ingin ditentukan posisi (koordinat) unit pengolah limbah agar ongkos
pengangkutan limbah minimum.
Analisis:
0,6
Harga = k . ( jarak ) . ( debit )
( xP xi ) + ( yP yi )
2
( xP xi ) + ( yP yi )
2
= k Qi0,6
i =1
2
2
( xP xi ) + ( yP yi ) = f ( xP , yP )
xi
1
2
3
8
yi
4
1
7
3
Qi
20
30
25
80
y
(3,7)
(1,4)
atau:
(8,3)
(2,1)
x
(Silakan Anda coba untuk menyelesaikannya, dengan bantuan software yang Anda kuasai...)
Contoh Aplikasi-2:
EVALUASI NILAI PARAMETER PERSAMAAN NON-LINIER
Hubungan antara tekanan uap murni suatu cairan (Po, cm Hg) dengan suhu mutlak (T, K) didekati
dengan persamaan Clausius-Clapeyron:
P o = exp A +
T
280 300
2
5
320
12
340 360
25 49
380
89
400
148
berapakah nilai A dan B yang memberikan hasil persamaan empirik yang paling mendekati data?
Analisis:
Persoalan ini dapat diselesaikan dengan metode linierisasi, kemudian dilanjutkan dengan
regresi linier, namun di sini akan diselesaikan dengan least squares secara langsung dalam
bentuk persamaan non-linier yang ditinjau.
B
Untuk data ke-i
: Pi ,oempirik = exp A +
Ti
Ri = Pi ,oempirik Pi ,odata
B
Ri = exp A + Pi o
Ti
B
S = Ri = exp A + Pi o = f ( A, B )
Ti
i =1
i =1
SOAL-SOAL LATIHAN
(1)
(2)
(3)
Employ the following methods to find the maximum of the function from Prob. (2) above:
(a) golden section search (xl = -2, xu = 1, s = 1%)
(b) quadratic interpolation (x0 = -2; x1 = -1; x2 = 1; iterations = 5)
(c) Newtons method (x0 = -1; s = 1%)
(4)
(5)
Find the gradient vector and Hessian matrix for each of the following functions:
(a) f ( x, y ) = 2 xy 2 + 3e x y
(b) f ( x, y, z ) = x 2 + y 2 + 2 z 2
(c) f ( x, y ) = ln( x 2 + 2 xy + 3 y 2 )
(6)
(7)
Perform one iteration of the steepest ascent method to locate the maximum of:
f ( x, y ) = 3,5 x + 2 y + x 2 x 4 2 xy y 2
using initial guesses x = 0 and y = 0. Employ bisection to find the optimal step size in the
gradient search direction.
(8)
(9)
Design the optimal cylindrical container (the radius, r, and the height, h) that is open at one
end and has walls of negligible thickness. The container is to hold 8 meter3. Design it so that
the areas of its bottom and side are minimized. Perform 3 iterations (at least) by using:
(a) Newton method (Use the initial guess of r or h = 2 meter)
(b) golden section search method (Use the initial interval guess of r or h = 1 - 2 meter)
(10) A mixture of benzene and toluene are to be separated in a flash tank. At what temperature
should the tank be operated to get the highest purity toluene in the liquid phase (maximizing
xT). The pressure in the flash tank is 760 mm Hg. The units for Antoines equations are mm Hg
and oC for pressure and temperature, respectively.
dy/analisis numerik/optimasi numerik/april 2008/halaman 15 dari 16
xB PBsat + xT PTsat = P
1211
T + 221
1344
log10 ( PTsat ) = 6,953
T + 219
log10 ( PBsat ) = 6,905
(11) A will be converted into B in a stirred tank reactor. The product B and un-reacted A are
purified in a separation unit. Un-reacted A is recycled to the reactor. A process engineer has
found that the initial cost of the system is a function of the conversion, xA. Find the conversion
that will result in the lowest cost system. C is a proportionality constant.
0,6
0,6
1
1
+ 5
Cost = C
(1 x A ) 2
x A
(12) In the previous problem, only one reactor is used. If two reactors are used in series, the
governing equation for the system changes. Find the conversions for both reactors (xA1 and
xA2) such that the total cost of the system is minimized.
0, 6
x A1
1
0, 6
0,6
1
xA2
x A1
+
+
Cost = C
5
2
(1 x ) 2
x
x
x
(
1
)
A2
A1
A2
A2
(13) The two-dimensional distribution of pollutant concentration in a channel can be described by:
c( x, y ) = 7,9 + 0,13x + 0,21y 0,05 x 2 0,016 y 2 0,007 xy
Determine the exact location of the peak concentration given the function and the knowledge
that the peak lies within the bounds -10 x 10 and 0 y 20.
Good Luck!!!
Catatan:
Pustaka lain yang digunakan dalam penyusunan materi kuliah ini: Wahyudi Budi Sediawan dan Agus
Prasetya, Pemodelan Matematis dan Penyelesaian Numeris dalam Teknik Kimia, Diktat Kuliah,
Yogyakarta: UGM Press; dan beberapa materi Pelatihan Metode Numerik yang disampaikan oleh Prof.
WahyudiBudiSediawandidalamlingkupUPNVeteranYogyakarta.
dy/analisis numerik/optimasi numerik/april 2008/halaman 16 dari 16