Merumuskan masalah barangkali merupakan langkah paling penting dalam optimasi.

Masalah
Perumusan memerlukan identifikasi elemen penting dari konsep atau verbal
pernyataan dari aplikasi yang diberikan dan mengorganisasikannya ke dalam matrik-
bentuk kal, yaitu1. Fungsi objektif (kriteria ekonomi)
2. Model proses (kendala)
Fungsi objektif mewakili faktor-faktor seperti keuntungan, biaya, energi, dan hasil
dalam hal variabel kunci dari proses yang dianalisis. Model proses dan
kendala menggambarkan hubungan timbal balik variabel kunci. Ini penting untuk
belajar pendekatan sistematis untuk merakit hubungan fisik dan empiris dan
data yang terlibat dalam masalah optimasi, dan bab
1, 2, dan 3 menutupi rec-
prosedur yang dianjurkan. Bab
1 menyajikan enam langkah untuk optimasi yang bisa dilakukan
sebagai panduan umum untuk pemecahan masalah dalam analisis desain dan operasi. Numer-
Contoh-contoh rumusan masalah dalam teknik kimia dipresentasikan
mengilustrasikan langkah-langkahnya.
Bab
2 merangkum karakteristik model proses dan menjelaskan caranya
untuk membangunnya Perhatian khusus difokuskan pada pengembangan model matematis, par-
terutama yang empiris, dengan memasang data empiris menggunakan kuadrat terkecil, yang itu sendiri
adalah prosedur optimasi

Bab
3 memperlakukan jenis fungsi objektif yang paling umum, biaya atau rev-
fungsi enue Secara historis, mayoritas aplikasi pengoptimalan telah terlibat
trade-off antara biaya modal dan biaya operasional. Sifat trade-off
tergantung pada sejumlah asumsi seperti tingkat pengembalian investasi yang diinginkan.
ment, kehidupan dinas, metode penyusutan, dan sebagainya. Sedangkan fungsi objektif
berdasarkan nilai sekarang bersih lebih disukai untuk tujuan optimasi, diskon
Arus kas berdasarkan analisis spreadsheet bisa dipekerjakan juga.
Penting untuk mengenali bahwa banyak kemungkinan masalah matematika formu-
lasi dapat dihasilkan dari analisis teknik, tergantung pada asumsi

BAGIAN I: Rumusan Masalah

dibuat dan keakuratan model yang diinginkan. Untuk mengatasi masalah optimasi,
formulasi matematis dari model harus mesh memuaskan dengan computa-
algoritma nasional yang akan digunakan
Sejumlah kesenian, penilaian, dan pengalaman
Oleh karena itu diperlukan selama tahap perumusan masalah optimasi.

BAGIAN I: Rumusan Masalah

OPTIMASI ADALAH penggunaan metode spesifik untuk menentukan biaya yang paling efektif
dan solusi yang efisien untuk masalah atau desain untuk sebuah proses. Teknik ini salah satunya
alat kuantitatif utama dalam pengambilan keputusan industri.
Berbagai macam prob-
Dalam desain, konstruksi, operasi, dan analisis pabrik kimia (juga
Seperti banyak proses industri lainnya) dapat diatasi dengan optimasi. Dalam bab ini-
Kami memeriksa karakteristik dasar masalah optimasi dan solusinya
teknik dan menggambarkan beberapa manfaat khas dan aplikasi dalam kimia dan
industri perminyakan

1.1
APA OPTIMISASI ADALAH SEMUA TENTANG
Pendekatan yang terkenal dengan prinsip optimasi pertama kali ditulis cen-
Konyol lalu di dinding pemandian Romawi purba sehubungan dengan sebuah pilihan
antara dua calon kaisar Roma. Ini dibaca- "De doubus malis, minus est
semper
aligendum7 '- dua kejahatan, selalu pilih yang lebih rendah.
Optimalisasi meliputi bidang sains, teknik, dan bisnis. Di
fisika, banyak prinsip optimal yang berbeda telah diucapkan, menggambarkan natu-
fenomena ral di bidang optik dan mekanika klasik. Bidang statistik
memperlakukan berbagai prinsip yang disebut "kemungkinan maksimum," "kerugian minimum," dan
"paling tidak
kuadrat, "dan bisnis memanfaatkan" keuntungan maksimum "," biaya minimum "," maxi-
ibu menggunakan sumber daya, "" usaha minimal, "dalam upayanya untuk meningkatkan keuntungan.
Sebuah typi-
Masalah teknik kal dapat diajukan sebagai berikut:
Sebuah proses dapat diwakili oleh
beberapa persamaan atau mungkin hanya dengan data eksperimen. Anda memiliki satu pertunjukan-
Kriteria ance dalam pikiran seperti biaya minimum. Tujuan optimasi adalah untuk mencari
nilai variabel dalam proses yang menghasilkan nilai terbaik dari perform-
kriteria ance
Sebuah trade-off biasanya ada antara modal dan biaya operasi. Itu
Faktor-faktor yang dijelaskan - proses atau model dan kriteria kinerja - merupakan
optimasi "masalah."

Masalah tipikal dalam desain proses rekayasa kimia atau operasi pabrik
memiliki banyak (mungkin nomor tak terbatas) solusi. Optimalisasi berkaitan dengan
memilih yang terbaik di antara keseluruhan rangkaian dengan metode kuantitatif yang efisien. Komput-
Perangkat lunak yang terkait dan yang terkait membuat perhitungan yang diperlukan dan biaya-
efektif. Untuk mendapatkan informasi yang berguna dengan menggunakan komputer, dibutuhkan
(Saya) crit-
ical analisis proses atau desain,
(2) wawasan tentang apa yang sesuai
tujuan kinerja
adalah (yaitu, apa yang harus dicapai), dan (3) penggunaan masa lalu
pengalaman, terkadang disebut engineering judgment.

1.2 MENGAPA OPTIMAL?

Mengapa para insinyur tertarik pada pengoptimalan? Apa manfaat hasil dari penggunaan ini
metode daripada membuat keputusan secara intuitif? Insinyur bekerja untuk memperbaiki
desain awal peralatan dan berusaha untuk meningkatkan pengoperasian peralatan itu
Begitu dipasang sehingga bisa mewujudkan produksi terbesar, keuntungan terbesar,

Bab 1 :
Masalah Alam dan Organisasi Optimalisasi
5
biaya minimum, penggunaan energi paling sedikit, dan sebagainya. Nilai moneter memberikan con-
ukuran yang berbeda dari tujuan yang berbeda namun tidak sesuai, tapi tidak semua
Masalah harus dipertimbangkan dalam kerangka moneter (biaya versus pendapatan).
Dalam operasi pabrik, keuntungan timbul dari perbaikan kinerja pabrik, seperti
meningkatkan hasil produk berharga (atau mengurangi hasil kontaminasi), berkurang
konsumsi energi, tingkat pemrosesan yang lebih tinggi, dan waktu yang lebih lama antara shutdown.
Optimalisasi juga dapat menyebabkan berkurangnya biaya perawatan, kurang memakai peralatan, dan
pemanfaatan staf yang lebih baik Selain itu, manfaat tak berwujud timbul dari interaksi
antara operator pabrik, insinyur, dan manajemen. Hal ini sangat membantu untuk sys-
tematis mengidentifikasi tujuan, batasan, dan derajat kebebasan dalam sebuah proses
atau tanaman, yang menyebabkan manfaat seperti peningkatan kualitas desain, lebih cepat dan lebih
banyak lagi
pemecahan masalah yang andal, dan pengambilan keputusan yang lebih cepat.

Memprediksi manfaat harus dilakukan dengan hati-hati. Variabel desain dan operasi pada
Sebagian besar tanaman selalu digabungkan dengan cara tertentu. Jika tagihan bahan bakar untuk
penyulingan col-
umn adalah
$ 3000 per hari, penghematan 5 persen dapat membenarkan proyeksi konservasi energi
dll Dalam operasi unit seperti distilasi, bagaimanapun, adalah tidak benar untuk hanya jumlah
tugas penukar panas dan klaim pengurangan persentase panas total yang dibutuhkan.
SEBUAH
Pengurangan tugas panas reboiler dapat mempengaruhi kemurnian produk, yang dapat
menerjemahkan ke perubahan keuntungan, dan persyaratan pendingin kondensor. Makanya, itu
mungkin menyesatkan untuk mengabaikan efek tidak langsung dan digabungkan yang mengolah
variabel
memiliki biaya.

Bagaimana dengan argumen bahwa aplikasi pengoptimalan formal sebenarnya

tidak dibenarkan karena ketidakpastian yang ada dalam matematika represen-
Proses atau data yang digunakan dalam model proses? Tentu seperti itu
sebuah argumen memiliki beberapa kelebihan. Insinyur harus menggunakan penilaian dalam
menerapkan opti-
teknik misasi untuk masalah yang memiliki ketidakpastian yang cukup besar terkait dengan
Mereka, keduanya dari sudut pandang akurasi dan fakta bahwa pabrik beroperasi
parameter dan lingkungan tidak selalu statis. Dalam beberapa kasus, mungkin saja
melakukan analisis melalui optimasi deterministik dan kemudian menambahkan stochastic fea-
mencari analisis untuk menghasilkan prediksi kuantitatif mengenai tingkat ketidakpastian.
Kapanpun model suatu proses diidealkan dan hanya input dan parameter data
diketahui kira-kira, hasil optimasi harus diobati dengan bijaksana. Mereka
dapat memberikan batas atas harapan. Cara lain untuk mengevaluasi pengaruh
Parameter yang tidak pasti dalam desain yang optimal adalah melakukan analisis sensitivitas. Ini adalah
pos-
sible bahwa nilai optimum suatu variabel proses tidak terpengaruh oleh parame-
ters (sensitivitas rendah); Oleh karena itu, memiliki nilai yang tepat untuk parameter ini tidak akan
menjadi penting untuk menemukan optimal sejati. Kami membahas bagaimana analisis sensitivitas
adalah per-
dibentuk kemudian dalam bab ini.

1.3 LINGKUP DAN HIERARCHI OPTIMASI

Optimalisasi bisa berlangsung di berbagai tingkatan di sebuah perusahaan, mulai dari yang kompleks
kombinasi tanaman dan fasilitas distribusi turun melalui tanaman individu,
kombinasi unit, potongan peralatan individu, subsistem dalam sepotong

ART I: Formulasi hoblem

peralatan, atau bahkan entitas yang lebih kecil (Beveridge dan Schechter, 1970). Pengoptimalan
Masalah bisa ditemukan di semua tingkat ini. Dengan demikian, lingkup optimasi prob-
lem bisa menjadi keseluruhan perusahaan, pabrik, proses, satu unit operasi, satu
sepotong peralatan dalam operasi itu, atau sistem antara keduanya.
Kompleksitas analisis mungkin hanya melibatkan fitur kotor atau mungkin memeriksa menit
detail, tergantung pada penggunaan yang hasilnya akan dimasukkan, tersedianya
data yang akurat, dan waktu yang tersedia untuk melakukan optimasi. Di sebuah
Pengoptimalan perusahaan industri yang khas dapat digunakan di tiga wilayah (level): (1)
pengelolaan,
(2) desain proses dan spesifikasi peralatan, dan (3) operasi pabrik
(lihat Gambar 1.1).
Manajemen membuat keputusan mengenai evaluasi proyek, pemilihan produk,
anggaran perusahaan, investasi penjualan versus penelitian dan pengembangan, dan baru
konstruksi pabrik
(yaitu, kapan dan di mana seharusnya tanaman baru dibuat). Dalam hal ini
Sebagian besar informasi yang tersedia mungkin bersifat kualitatif atau memiliki tingkat tinggi
ketidakpastian Banyak keputusan manajemen untuk mengoptimalkan beberapa
fitur (s) yang besar
Oleh karena itu, perusahaan berpotensi mengalami kesalahan saat dimasukkan ke dalam prac-
tice, apalagi jika waktunya salah. Secara umum, besarnya tujuan
Fungsi, seperti yang diukur dalam dolar, jauh lebih besar pada tingkat manajemen daripada di
dua tingkat lainnya.

Individu yang terlibat dalam desain proses dan spesifikasi peralatan adalah con-
cerned dengan pilihan proses dan kondisi operasi nominal. Mereka menjawab
pertanyaan seperti: Apakah kita merancang proses batch atau proses yang berkelanjutan? Bagaimana
Banyak reaktor yang kita gunakan dalam memproduksi petrokimia? Apa yang harus configu-
jatah tanaman itu, dan bagaimana kita mengatur proses agar operasi
efisiensi tanaman maksimal? Berapakah ukuran optimal unit atau com-
binaan unit? Pertanyaan semacam itu dapat diatasi dengan bantuan proses yang disebut

Masalah Alam dan Organisasi Optimalisasi

7
simulator desain atau program flowsheeting. Program komputer besar ini membawa
keluar keseimbangan material dan energi untuk masing-masing peralatan dan com-
menggiring mereka ke dalam keseluruhan unit produksi. Penggunaan simulator seperti itu sering terjadi
diperlukan untuk sampai pada flowheet proses yang diinginkan.
Keputusan lain yang lebih spesifik dibuat dalam desain proses, termasuk yang sebenarnya
pilihan peralatan
(misalnya, lebih dari sepuluh jenis penukar panas berbeda
tersedia) dan pemilihan bahan bangunan dari berbagai unit proses.
Konstituensi ketiga yang menggunakan pengoptimalan beroperasi secara berbeda
skala waktu daripada dua lainnya. Desain proses dan spesifikasi peralatan adalah usu-
sekutu yang dilakukan sebelum pelaksanaan proses, dan manajemen deci-
Penerapan untuk desain biasanya dibuat jauh sebelum desain proses
langkah. Di sisi lain, optimalisasi kondisi operasi yang dilakukan
bulanan, mingguan, harian, per jam, atau bahkan, paling ekstrem, setiap menit. Tanaman opera-
Mereka khawatir dengan kontrol operasi untuk unit tertentu pada suhu tertentu,
tekanan, atau flowrates yang terbaik dalam beberapa hal. Misalnya seleksi
dari persentase kelebihan udara dalam pemanas proses sangat penting dan melibatkan penyeimbang
rasio bahan bakar udara untuk memastikan pembakaran sempurna sambil memanfaatkan secara
maksimal
dari potensi pemanasan bahan bakar.

Operasi pabrik berurusan dengan alokasi bahan baku setiap hari atau mingguan
dasar. Salah satu masalah optimasi klasik, yang akan dibahas nanti dalam teks ini, adalah
alokasi bahan baku di kilang. Optimalisasi sehari-hari yang khas di a
tanaman meminimalkan konsumsi uap atau konsumsi air pendingin.
Operasi pabrik juga memperhatikan gambaran keseluruhan pengiriman, trans-
portasi, dan distribusi produk untuk menghasilkan biaya minimal. Misalnya,
frekuensi pemesanan, metode penjadwalan produksi, dan penjadwalan deliv-
Mereka sangat penting untuk mempertahankan operasi berbiaya rendah.
Atribut berikut dari proses yang mempengaruhi biaya atau keuntungan membuatnya
Menarik untuk aplikasi optimasi:

1. Penjualan dibatasi oleh produksi: Jika produk tambahan dapat dijual di luar saat ini
Kapasitas, maka pembenaran ekonomis modifikasi desain relatif mudah.
Seringkali, peningkatan produksi dapat dicapai dengan hanya sedikit perubahan pada operasi-
biaya (bahan baku, utilitas, dll.) dan tanpa perubahan biaya investasi.
Situasi ini menyiratkan margin keuntungan yang lebih tinggi pada penjualan tambahan.
2. Penjualan dibatasi oleh pasar: Situasi ini rentan terhadap optimasi hanya jika
peningkatan efisiensi atau produktivitas dapat diperoleh; Oleh karena itu, ekonomi
Insentif untuk implementasi dalam kasus ini mungkin kurang dari pada contoh pertama
karena tidak ada produk tambahan yang dibuat. Pengurangan dalam unit manufaktur
Biaya (melalui optimalisasi penggunaan utilitas dan bahan baku) pada umumnya adalah yang
utama
target.
3. Throughput unit besar: Volume produksi tinggi menawarkan potensi yang besar
Keuntungan meningkat karena penghematan kecil dalam biaya produksi per unit sangat
diperbesar. Sebagian besar proses kimia dan minyak yang besar jatuh ke dalam klasifikasi ini-
kation
4. Bahan baku atau konsumsi energi tinggi: Penghematan signifikan bisa dilakukan
mengurangi konsumsi barang-barang dengan biaya unit tinggi.
Formulasi PToblem
5. Kualitas produk melebihi spesifikasi produk: Jika kualitas produk signifi-
cantly lebih baik dari yang dibutuhkan oleh pelanggan, lebih tinggi dari yang diperlukan
produksi-
biaya dan kapasitas terbuang dapat terjadi. Dengan beroperasi dekat dengan pelanggan spec-
Bila terjadi (kendala), penghematan biaya bisa didapat.
6. Kerugian komponen berharga melalui aliran limbah: Analisis kimiawi
Berbagai aliran keluar pabrik, baik ke udara dan air, harus menunjukkan jika berharga
bahan sedang hilang Penyesuaian rasio bahan bakar udara di tungku diminimalkan
emisi hidrokarbon dan karenanya konsumsi bahan bakar adalah salah satu contohnya. Pollu-
peraturan juga mempengaruhi emisi udara dan air yang diperbolehkan.
7. Biaya tenaga kerja tinggi: Dalam proses penanganan yang berlebihan diperlukan, seperti
Dalam operasi batch, jumlah bulk seringkali dapat ditangani dengan biaya lebih rendah dan
dengan a
angkatan kerja yang lebih kecil. Tata letak fasilitas yang direvisi dapat mengurangi biaya.
Terkadang tidak
pengurangan langsung dalam hasil angkatan kerja, namun manfaat tak berwujud dari yang
kurang-
Beban kerja yang diemban dapat memungkinkan operator untuk memikul tanggung jawab yang
lebih besar.
Dua sumber data yang berharga untuk mengidentifikasi peluang untuk pengoptimalan
termasuk (1) laporan laba rugi untuk pabrik atau unit dan (2) periodik
catatan operasi untuk pabrik Pernyataan laba rugi mengandung banyak valu-
informasi tentang penjualan, harga, biaya produksi, dan keuntungan, dan operasi-
ing mencatat informasi terkini tentang neraca material dan energi, efisiensi unit,
tingkat produksi, dan penggunaan bahan baku.
Karena kompleksitas pabrik kimia, optimalisasi lengkap a
Tanaman yang diberikan bisa menjadi usaha yang ekstensif. Dengan tidak adanya optimasi yang
lengkap-
Kita sering mengandalkan "optimasi yang tidak lengkap," variasi khusus
disebut
suboptimisasi Suboptimisasi melibatkan optimasi untuk satu fase a
operasi atau masalah sambil mengabaikan beberapa faktor yang memiliki efek, baik obvi-
ous atau tidak langsung, pada sistem atau proses lain di pabrik. Suboptimisasi sering dilakukan
Diperlukan karena pertimbangan ekonomi dan praktis, keterbatasan waktu atau
personil, dan kesulitan mendapatkan jawaban dengan tergesa-gesa. Suboptimisasi adalah
berguna bila tidak ada rumusan masalah atau teknik yang tersedia
mendapatkan solusi yang masuk akal untuk masalah penuh. Dalam kasus yang paling praktis,
subop-
Timisasi setidaknya memberikan teknik rasional untuk mendekati yang optimal.
Kenali, bagaimanapun, bahwa suboptimisasi semua elemen tidak
belum tentu
memastikan pencapaian optimal keseluruhan untuk
seluruh sistem Subsistem objec-
pakaian mungkin tidak kompatibel atau sesuai dengan tujuan keseluruhan.
4 CONTOH APLIKASI OPTIMASI
Optimalisasi dapat diterapkan dalam berbagai cara untuk proses kimia dan tanaman.
Proyek tipikal di mana optimasi telah digunakan meliputi
1. Menentukan lokasi terbaik untuk lokasi pabrik.
2. Routing tanker untuk distribusi produk mentah dan olahan.
3. Ukuran dan tata letak pipa.
4. Merancang peralatan dan seluruh tanaman.
5. Penjadwalan pemeliharaan dan penggantian peralatan.
6. Peralatan operasi, seperti reaktor tubular, kolom, dan peredam.
7. Mengevaluasi data tanaman untuk menyusun model suatu proses.
8. Meminimalkan biaya persediaan.
9. Mengalokasikan sumber daya atau layanan di antara beberapa proses.
10. Perencanaan dan penjadwalan konstruksi.
Contoh-contoh ini memberikan pengenalan jenis variabel, fungsi objektif
tions, dan kendala yang akan dihadapi dalam bab-bab selanjutnya.
Pada bagian ini kami menyediakan empat ilustrasi "optimasi dalam praktik." bahwa
adalah, optimalisasi proses operasi dan
Desain. Contoh-contoh ini akan membantu ilus-
Trate fitur umum masalah optimasi, topik yang diobati lebih banyak. detail
di bagian
1.5 FITUR PENTING MASALAH OPTIMASI
Karena solusi dari masalah optimasi melibatkan berbagai fitur mathe-
matik, rumusan masalah optimasi harus menggunakan matematik expres-
sions. Ekspresi seperti itu tidak perlu menjadi sangat kompleks. Tidak semua prob-
lems dapat dinyatakan atau dianalisis secara kuantitatif, tapi kami akan membatasi cakupan
kami
metode kuantitatif. Dari sudut pandang praktis, penting untuk menyatu dengan benar
pernyataan masalah dengan teknik solusi yang diantisipasi.
Berbagai masalah optimasi memiliki struktur yang sangat mirip.
Memang, kesamaan inilah yang telah memungkinkan kemajuan terkini dalam optimasi
teknologi-
niques Insinyur kimia, insinyur perminyakan, fisikawan, ahli kimia, dan lalu lintas
insinyur, antara lain, memiliki ketertarikan sama pada matematis yang sama-
Struktur masalah ical, masing-masing dengan aplikasi berbeda di dunia nyata. Kita dapat
Manfaatkan kesamaan struktural ini untuk mengembangkan kerangka kerja atau metodologi
di mana masalah apapun bisa dipelajari. Bagian ini menjelaskan bagaimana proses apapun
masalah, kompleks atau sederhana, yang mana yang diinginkan solusi optimalnya
terorganisir Untuk melakukannya, Anda harus (a) mempertimbangkan model yang mewakili
proses dan
(b) memilih kriteria obyektif yang sesuai untuk memandu keputusan
membuat.
Setiap masalah optimasi berisi tiga kategori penting:
1. Minimal satu fungsi obyektif untuk dioptimalkan (fungsi keuntungan, fungsi biaya,
dll).
2. Kendala kesamaan (equations).
3. Ketidaksetaraan kendala (ketidaksetaraan).
Kategori 2 dan
3 merupakan model proses atau peralatan; kategori 1 adalah
Terkadang disebut
model ekonomi.
Dengan solusi optimal dari masalah optimasi, kami bermaksud menetapkan satu set variabel
yang memenuhi kategori 2 dan
3 ke tingkat presisi yang diinginkan. Gambar 1.2 ilus-
tratifikasi wilayah yang layak atau wilayah dari solusi yang layak yang didefinisikan oleh kategori
2
dan 3. Dalam hal ini wilayah yang layak terdiri dari garis yang dibatasi oleh dua ketidaksamaan
kendala. Sebuah
Solusi optimal adalah seperangkat nilai variabel yang memenuhi
komponen kategori
2 dan 3; Solusi ini juga memberikan nilai optimal untuk
fungsi dalam kategori
1. Dalam kebanyakan kasus solusi optimal adalah yang unik; di
beberapa tidak. Jika Anda merumuskan masalah optimasi sehingga tidak ada residu-
ual derajat kebebasan antar variabel dalam kategori 2 dan 3, optimasi adalahtidak perlu
mendapatkan solusi untuk suatu masalah. Lebih khusus lagi, jika saya sama dengan
jumlah kendala kesetaraan konsisten independen dan
mi sama dengan jumlah
kendala ketidaksetaraan independen yang puas sebagai persamaan (sama dengan nol),
dan jika jumlah variabel yang nilainya tidak diketahui sama dengan
saya + mi, kalau begitu
setidaknya ada satu solusi untuk hubungan dalam komponen
2 dan 3 terlepas dari
kriteria optimasi (Beberapa solusi mungkin ada saat model dalam kategori
2
dan 3 terdiri dari hubungan nonlinear.) Jika ada solusi unik, tidak ada opti-
misasi diperlukan untuk mendapatkan solusi - seseorang hanya memecahkan satu set
persamaan dan kebutuhan
Jangan khawatir tentang metode optimasi karena solusi yang layak yang unik adalah dengan
definisi yang optimal.
Di sisi lain, jika lebih banyak variabel proses yang nilainya
tidak diketahui keberadaannya
dalam kategori
2 daripada persamaan independen, model proses disebut
kurang ditentukan; Artinya, model tersebut memiliki jumlah solusi yang memungkinkan
bahwa fungsi objektif dalam kategori
1 adalah kriteria tambahan yang digunakan untuk mengurangi
jumlah solusi hanya untuk satu (atau beberapa) dengan menentukan apa itu "terbaik" solu-
tion. Akhirnya, jika persamaan dalam kategori
2 mengandung lebih banyak persamaan independenVariabel han yang nilainya tidak diketahui,
model prosesnya overdetermined dan
Tidak ada solusi yang memenuhi semua kendala secara tepat. Untuk mengatasi kesulitan
tersebut, kami beberapa-
kali memilih untuk bersantai beberapa atau semua kendala.
Contoh tipikal dari overde-
model termined mungkin merupakan rekonsiliasi pengukuran proses untuk
sebuah bahan
keseimbangan. Salah satu pendekatan untuk menghasilkan keseimbangan materi yang
diinginkan adalah menyelesaikannya
kumpulan persamaan yang tidak konsisten dengan meminimalkan jumlah kesalahan dari
himpunan equa-
tions (biasanya dengan prosedur yang disebut kuadrat terkecil).
Dalam teks ini notasi berikut akan digunakan untuk setiap kategori opti-
Masalah mization:
Memperkecil:
f (x) fungsi objektif (a)
Tunduk pada: h (x) = 0 batasan kesetaraan (b)
g (x) r 0 ketidaksetaraan kendala (4
di sini x adalah vektor dari n variabel (x ,, x2, ..., x,), h (x) adalah vektor persamaan
dimensi
m ,, dan g (x) adalah vektor ketidaksetaraan dimensi m ,. Total num-
Hambatannya adalah
m = (m, + m,).
6 PROSEDUR UMUM UNTUK OPTIMASI PEMILIHAN
MASALAH
Tidak ada metode tunggal atau algoritma optimasi yang bisa diterapkan secara efisien untuk
semua
masalah. Metode yang dipilih untuk kasus tertentu terutama bergantung pada (1)
karakter fungsi objektif dan apakah diketahui secara eksplisit,
(2) sifatnya
dari kendala, dan
(3) jumlah variabel independen dan dependen.
Tabel 1.1 mencantumkan enam langkah umum untuk analisis dan solusi
optirniza-
masalah. Anda tidak harus mengikuti urutan yang dikutip dengan tepat, tapi seharusnya begitu
tutupi semua langkah akhirnya. Cara pintas dalam prosedur diijinkan, dan
Langkah mudah bisa dilakukan dulu. Masing-masing langkah akan diperiksa secara lebih rinci
dalam bab berikutnya.
Ingat, tujuan umum dalam optimasi adalah memilih seperangkat nilai
Variabel tunduk pada berbagai kendala yang menghasilkan optimum yang diinginkan
respon untuk fungsi tujuan yang dipilih.
Langkah 1,
2, dan 3 berurusan dengan definisi matematis dari masalah, yaitu,
identifikasi variabel, spesifikasi fungsi objektif, dan pernyataan
kendala. Kami mencurahkan perhatian besar pada perumusan masalah di
sisa bab ini, dan juga di Bab
2 dan 3. Jika proses untuk opti-
mized sangat kompleks, mungkin perlu untuk merumuskan ulang masalahnya sehingga bisa
terjadi
bisa diatasi dengan
upaya reaionabletep
4 menunjukkan bahwa pernyataan matematis dari masalah disederhanakan
sebisa mungkin tanpa kehilangan esensi dari masalah. Pertama, Anda mungkin
Keenam langkah tersebut digunakan untuk mengatasi masalah optimasi
1. Menganalisis proses itu sendiri sehingga variabel proses dan karakter spesifik-
tics of interest didefinisikan; yaitu membuat daftar semua variabel.
2. Tentukan kriteria optimasi, dan tentukan fungsi tujuannya di
Istilah variabel didefinisikan dalam langkah
1 bersama dengan koefisien. Langkah ini pro-
vides model kinerja (kadang-kadang disebut model ekonomi kapan
sesuai).
3. Menggunakan ekspresi matematis, kembangkan model proses atau peralatan yang valid
yang menghubungkan variabel input-output dari proses dan koefisien yang terkait.
Sertakan batasan kesetaraan dan ketidaksetaraan. Gunakan prin-
ciples (neraca massa, keseimbangan energi), hubungan empiris, konsep implisit,
dan pembatasan eksternal. Identifikasi variabel independen dan dependen untuk mendapatkan
jumlah derajat kebebasan.
4. Jika rumusan masalah terlalu besar cakupannya:
(a) memecahnya menjadi bagian yang mudah diatur atau
(b) menyederhanakan fungsi dan model objektif
5. Terapkan teknik optimasi yang sesuai dengan pernyataan matematis dari
masalah.
6. Periksa jawabannya, dan periksa sensitivitas hasilnya terhadap perubahan di
koefisien dalam masalah dan asumsi.
memutuskan untuk mengabaikan variabel-variabel yang memiliki efek tidak signifikan terhadap
tujuan
fungsi. Langkah ini bisa dilakukan baik iklan
hoc, berdasarkan pertimbangan teknik, atau
dengan melakukan analisis matematis dan menentukan bobot yang seharusnya
ditugaskan untuk setiap variabel melalui simulasi. Kedua, sebuah variabel yang muncul dalam
sim-
bentuk ple dalam suatu persamaan dapat dihilangkan; Artinya, itu bisa
dipecahkan untuk explic-
itly dan kemudian dieliminasi dari persamaan lain, ketidaksetaraan, dan tujuan
fungsi. Variabel tersebut kemudian dianggap variabel dependen.
Sebagai contoh, dalam desain penukar panas, Anda mungkin awalnya memasukkan fol-
Mengurangi variabel dalam masalah: perpindahan panas permukaan, laju alir, jumlah cangkang
melewati, jumlah lintasan tabung, jumlah dan jarak baffle, panjang
penukar, diameter tabung dan cangkang, suhu pendekatan, dan pres-
pasti drop Variabel mana yang independen dan mana yang tidak? Pertanyaan ini
Bisa menjadi sangat rumit dalam masalah dengan banyak variabel. Anda akan menemukannya
Setiap masalah harus dianalisis dan diperlakukan sebagai kasus individual; generalisasi
sulit. Seringkali keputusannya cukup sewenang-wenang meski naluri menunjukkan bahwa
Variabel terkendali awalnya dipilih sebagai yang independen.
Jika seorang insinyur terbiasa dengan sistem penukar panas tertentu, dia pasti tahu
mungkin memutuskan bahwa variabel tertentu dapat diabaikan berdasarkan gagasan con-
koefisien perpindahan panas trolling atau dominan. Dalam kasus seperti itu hanya satu aliran-
aliran sungai penting dalam hal menghitung panas
tr & sfer dalam sistem, dan
insinyur mungkin memutuskan, setidaknya pada awalnya, untuk menghilangkan dari
pertimbangan itu
variabel yang terkait dengan aliran lainnya.
Strategi ketiga dapat dilakukan bila masalah memiliki banyak kendala dan
banyak variabel Kami berasumsi bahwa beberapa variabel adalah tetap dan membiarkan sisanya
variabel mewakili derajat kebebasan (variabel independen) di optimiza-
prosedur. Misalnya, tekanan optimum kolom distilasi mungkin
terjadi pada tekanan minimum (dibatasi oleh pendingin kondensor).
Akhirnya, analisis fungsi obyektif memungkinkan beberapa penyederhanaan
masalah. Misalnya, jika satu produk (A) dari tanaman bernilai
$ 30 per pon
dan semua produk lain dari pabrik itu layak
$ 5 atau kurang per pon, mungkin begitu
awalnya memutuskan untuk memaksimalkan produksi
Satu saja
Langkah
5 pada Tabel 1.1 melibatkan perhitungan titik optimum. Cukup sedikit
Teknik ada untuk mendapatkan solusi optimal untuk suatu masalah. Kami jelaskan beberapa
metode secara rinci nanti. Secara umum, solusi dari sebagian besar masalah optimasi
melibatkan penggunaan komputer untuk mendapatkan jawaban numerik. Adalah adil untuk
menyatakan hal itu
selama masa lalu
20 tahun, kemajuan substansial telah dicapai dalam pengembangan yang efisien
dan metode digital yang kuat untuk perhitungan optimasi. Banyak yang diketahui
metode mana yang paling berhasil, meski perbandingan metode kandidat
sering adalah iklan
hoc, berdasarkan uji kasus masalah sederhana. Hampir semua numerik
Metode optimasi melibatkan iterasi, dan efektivitas teknik yang diberikan
Seringkali tergantung pada tebakan pertama yang baik mengenai nilai variabel secara optimal
larutan.
Entri terakhir di Tabel
1.1 melibatkan pengecekan solusi kandidat untuk menentukan-
milikku itu memang optimal. Dalam beberapa masalah Anda bisa mengecek yang cukup
kondisi yang optimal sudah terpenuhi. Lebih sering, solusi optimal mungkin ada,
namun Anda tidak bisa menunjukkan bahwa kondisi yang cukup memuaskan. Anda bisa
Lakukanlah dengan perhitungan numerik berulang bahwa nilai dari tujuan func-
lebih unggul dari semua alternatif yang diketahui.
Pertimbangan kedua adalah sensitivitasnya
optimal terhadap perubahan parameter dalam pernyataan masalah.
Sebuah sensitivitas
analisis untuk nilai fungsi objektif penting dan diilustrasikan sebagai bagian dari
contoh berikut
1.7 OBSTACLES UNTUK OPTIMASI
Jika fungsi dan kendala objektif dalam masalah optimasi "baik
berperilaku, "optimasi menyajikan tidak ada kesulitan besar. Secara khusus, jika tujuannya
fungsi
dan kendala semuanya linier, metode ampuh yang dikenal sebagai linier pro-
gramming dapat digunakan untuk mengatasi masalah optimasi (lihat Bab
7). Untuk
Jenis masalah spesifik ini diketahui bahwa ada solusi unik jika ada solu-
ada. Namun, sebagian besar masalah optimasi dalam formulasi alami mereka adalah
tidak linier
Agar memungkinkan untuk bekerja dengan kesederhanaan relatif dari masalah linier, kita
sering memodifikasi deskripsi matematis dari proses fisik sehingga sesuai dengan
metode pemecahan yang tersedia
Banyak orang menggunakan kode komputer untuk opti-
misasi tidak sepenuhnya menghargai hubungan antara masalah asli dan
masalah dipecahkan; komputer menunjukkan hasil cetaknya yang rapi dengan penulis-
Itu karena pembaca merasa tidak mau, atau tidak mampu, untuk dipertanyakan.
Dalam teks ini kita akan membahas masalah optimasi berdasarkan perilaku physi-
sistem cal yang memiliki fungsi atau kendala objektif yang rumit: untuk ini
Masalah beberapa prosedur pengoptimalan mungkin tidak tepat dan terkadang salah-
terkemuka. Seringkali masalah pengoptimalan menunjukkan satu atau lebih dari karakter
berikut-
Teristik, menyebabkan kegagalan dalam perhitungan solusi optimal yang diinginkan:
1. Fungsi objektif atau fungsi kendala mungkin memiliki diskontinuitas yang terbatas
dalam nilai parameter kontinu. Misalnya, harga kompresor atauPenukar panas tidak dapat
berubah terus menerus sebagai fungsi dari variabel seperti
ukuran, tekanan, suhu, dan sebagainya. Akibatnya, tingkatkan a
Parameter dalam beberapa rentang tidak berpengaruh pada biaya, sedangkan pada rentang
lainnya lompatan
dalam biaya terjadi.
2. Fungsi objektif atau fungsi kendala mungkin fungsi nonlinier
variabelnya. Saat mempertimbangkan peralatan proses nyata, keberadaannya benar-benar
perilaku linier dan perilaku sistem agak jarang. Ini tidak pra-
Gunakan pendekatan linier, namun hasil perkiraan tersebut
harus ditafsirkan dengan cukup hati-hati.
3. Fungsi tujuan atau fungsi kendala dapat didefinisikan dalam bentuk
interaksi rumit dari variabel.
Kasus interaksi yang familiar adalah
suhu dan tekanan ketergantungan pada desain bejana tekan. Untuk
Misalnya, jika fungsi objektif diberikan sebagai
f = 15,5 ~, x ~ l '~, interaksi
antara
x, dan x2 menghalangi penentuan nilai unik x, dan x ,.
Banyak interaksi yang lebih rumit dan halus lainnya terjadi pada insinyur-
sistem ing. Interaksi mencegah perhitungan nilai unik dari variabel-
Ables di optimum.
4. Fungsi objektif atau fungsi kendala mungkin menunjukkan hampir "datar"
perilaku untuk beberapa rentang variabel atau perilaku eksponensial untuk rentang lainnya.
Artinya nilai fungsi objektif atau kendala tidak sensi-
masing atau sangat sensitif terhadap perubahan nilai variabel.
5. Fungsi objektif dapat menunjukkan banyak optima lokal, sedangkan opti-
Ibu dicari
Solusi untuk masalah optimasi bisa didapat yaitu
kurang memuaskan dibanding solusi lain di wilayah ini.
Solu-
hanya bisa dicapai dengan memulai pencarian secara optimal dari perbedaan-
titik awal.
Dalam bab-bab selanjutnya kita akan membahas hambatan-hambatan ini dan
mendiskusikan beberapa cara
mengurangi kesulitan dalam melakukan optimasi, namun Anda harus sadar
Kesulitan ini tidak selalu bisa diatasi.

2.1 KLASIFIKASI MODEL

Dua kategori umum model ada:
1. Itu berdasarkan teori fisik.
2. Itu berdasarkan uraian empiris (model kotak hitam).
Model matematis berdasarkan hukum fisika dan kimia
(mis., massa dan energi
saldo, termodinamika, kinetika reaksi kimia) sering digunakan di
aplikasi pengoptimalan (lihat contoh di Bab 11 sampai 16). Ini
Model secara konseptual menarik karena model umum untuk ukuran sistem apa pun dapat
dikembangkan bahkan sebelum sistem dibangun.
Sebuah penjelasan rinci tentang fun-
model matematika matematis dalam teknik kimia berada di luar jangkauan kita di sini,
Meskipun kami menyajikan banyak contoh model fisiokimia di seluruh dunia
buku, terutama di Bab 11 sampai 16. Model empiris, di sisi lain, adalah
Menarik bila model fisik tidak bisa dikembangkan karena keterbatasan waktu atau
sumber daya Data input-output diperlukan agar sesuai dengan koefisien yang tidak
diketahui
baik jenis modelnya.
Presipitator elektrostatis pada Contoh 2.2 adalah tipikal proses industri;
pengoperasian sebagian besar peralatan proses sangat rumit sehingga aplikasi fun-
hukum fisik yang merusak mungkin tidak menghasilkan model yang sesuai. Sebagai contoh,
thermo-
data kinetika dinamis atau kimia mungkin diperlukan dalam model seperti itu namun
mungkin tidak
tersedia. Di sisi lain, meski perkembangan model kotak hitam mungkin
membutuhkan sedikit usaha dan model yang dihasilkan mungkin lebih sederhana dalam
bentuk, mod-
Els biasanya hanya relevan untuk rentang operasi dan skala terbatas. Demikian,
model seperti model ESP 1 mungkin perlu diformulasikan ulang sepenuhnya untuk dif-
kisaran ukuran ferent partikel atau untuk jenis batubara yang berbeda. Anda mungkin punya
untuk menggunakan serangkaian model kotak hitam untuk mencapai akurasi yang sesuai
untuk berbagai operasi-
kondisi ating
Selain mengklasifikasikan model secara teoritis berbasis versus empiris, kita
Umumnya dapat mengelompokkan model menurut jenis berikut:
Linear versus nonlinier.
Keadaan mapan versus keadaan tidak stabil.
Parameter yang dilumpuhkan versus parameter terdistribusi.
Variabel kontinyu versus diskrit.
Linear Kersus nonlinier
Model linier menunjukkan properti penting superposisi; yang nonlinear
tidak. Persamaan (dan karenanya model) linier jika variabel dependen atau propertinya
derivatif hanya muncul pada kekuatan pertama: jika tidak, mereka tidak linier.
Dalam praktek
Kemampuan untuk menggunakan model linier sangat penting karena merupakan urutan
dari
besarnya lebih mudah dimanipulasi dan diatasi daripada yang tidak linier.
Untuk menguji linearitas model, periksalah
persamaan (s) yang mewakili
proses. Jika salah satu istilah nonlinier, model itu sendiri tidak linier. Dengan implikasinya,
Prosesnya tidak linier.
Periksa modelnya
1 dan 2 untuk presipitator elektrostatik. Apakah model 1 linier di
SEBUAH? Model 2? Tes superposisi dalam setiap kasus adalah: Apakah

keadaan teady versus keadaan goyah

Sinonim lainnya untuk steady state adalah invarian, statis, atau stasioner. Ini
istilah mengacu pada proses di mana nilai-nilai dari variabel dependen tetap con-
 stant sehubungan dengan waktu. Proses negara goyah juga disebut negara goyah,
sementara, atau dinamis dan mewakili situasi ketika variabel dependen yang bergantung
pada proses
Ables berubah seiring waktu. Contoh khas dari proses negara yang tidak stabil adalah oper-
asi kolom distilasi bets, yang akan menunjukkan produk yang bervariasi waktu
komposisi. Model transien mengurangi model steady state kapan
d / dt = 0.
Sebagian besar masalah optimasi yang ditangani dalam buku ini didasarkan pada model
steady state.
Masalah optimasi yang melibatkan model dinamis biasanya berhubungan dengan "optimal
con-
trol "atau masalah optimasi real-time (lihat Bab 16)
Parameter terdistribusi versus lumped
Secara singkat, representasi parameter lumped berarti variasi spasial
diabaikan dan bahwa berbagai sifat dan keadaan sistem dapat dianggap-
ered homogen seluruh seluruh volume. Parameter terdistribusi repre-
Sebaliknya, sentimen memperhitungkan variasi perilaku yang terperinci
arahkan ke titik di seluruh sistem. Pada Gambar 2.1, bandingkan definisi ini untuk a
reaktor yang diaduk dengan baik dan reaktor tubular dengan aliran aksial. Dalam kasus
pertama, kita
asumsikan bahwa
Pencampuran selesai sehingga tidak ada konsentrasi atau gradien suhu yang terjadi
di dalam reaktor, maka model matematis parameter lumped akan sesuai-
makan. Sebaliknya, reaktor tubular memiliki variasi konsentrasi atau suhu
sepanjang arah aksial dan mungkin di arah radial, maka disebarkan
Model parameter akan dibutuhkan. Semua sistem nyata, tentu saja, didistribusikan
karena beberapa variasi keadaan terjadi di seluruh mereka. Karena variasinya spasial-
ations sering relatif kecil, mereka mungkin diabaikan, mengarah ke disamakan approx-
imation Jika karakteristik spasial dan transien dimasukkan ke dalam model,
sebuah persamaan diferensial parsial atau rangkaian tahapan diperlukan untuk
menggambarkan prosesnya
tingkah laku.

t tidak mudah untuk menentukan apakah lumping dalam model proses adalah teknologi yang valid-
nique untuk mewakili proses.
Aturan praktis yang bagus adalah jika jawabannya adalahIntinya sama pada semua titik dalam
prosesnya, maka modelnya bisa disamakan sebagai a
unit tunggal Jika tanggapan menunjukkan perbedaan seketika yang signifikan dalam setiap keputusan-
di sepanjang kapal, maka masalahnya harus diobati dengan menggunakan metode dif-
persamaan ferensial atau rangkaian kompartemen. Dalam masalah optimasi itu adalah desir-
mampu menyederhanakan model terdistribusi dengan menggunakan parameter lumped yang setara
sistem, meski Anda harus berhati-hati agar tidak menutupi ciri menonjol dari
elemen terdistribusi (dengan demikian membangun model yang tidak memadai). Dalam teks ini, kita
akan
terutama mempertimbangkan teknik optimasi diterapkan pada sistem lumped.

Variabel kontinyu versus diskrit

Variabel kontinu dapat mengasumsikan nilai apapun dalam interval; diskrit variabel-
Ables hanya bisa mengambil nilai yang berbeda.
Contoh variabel diskrit adalah salah satunya
hanya mengasumsikan nilai integer. Seringkali dalam variabel diskrit teknik kimia dan
Variabel kontinyu terjadi bersamaan dalam suatu masalah. Jika Anda ingin mengoptimalkan a
Sistem kompresor, misalnya, Anda harus memilih jumlah tahap kompresor
(bilangan bulat) di samping tekanan isap dan produksi setiap tahap (posi-
variabel kontinyu tive). Masalah optimasi tanpa variabel diskrit jauh
lebih mudah dipecahkan daripada yang memiliki satu variabel diskrit. Lihat Bab
9 untuk
informasi lebih lanjut tentang efek variabel diskrit dalam optimasi.

Insinyur biasanya berusaha untuk memperlakukan variabel diskrit secara kontinu bahkan di
biaya untuk mencapai solusi suboptimal bila variabel kontinyu dibulatkan
mati. Perhatikan variasi biaya insulasi berbagai ketebalan seperti yang ditunjukkan
pada Gambar
E 1.1. Meskipun isolasi hanya tersedia dalam 0.5-in. bertahap, terus-
Pendekatan uous untuk ketebalan dapat digunakan untuk memudahkan solusi untuk ini
masalah optimasi

.2
CARA MEMBANGUN MODEL
Untuk kenyamanan presentasi, bangunan model dapat dibagi menjadi empat tahap:
(1) definisi dan rumusan masalah, (2) analisis pendahuluan dan rinci,
(3) evaluasi, dan (4) aplikasi interpretasi. Perlu diingat bahwa model bangunan
aku s
sebuah prosedur iteratif Gambar 2.2 merangkum kegiatan yang akan dilakukan,

yang akan dibahas secara rinci nanti. Isi dari bagian ini cukup terbatas
cakupan; sebelum benar-benar memulai pengembangan model komprehensif pro-
gram, konsultasikan buku teks tentang pemodelan (lihat Referensi).
Soal definisi dan tahap formulasi
Pada tahap ini, masalah didefinisikan dan elemen penting yang terkait
masalah dan solusinya teridentifikasi. Tingkat akurasi yang dibutuhkan dalam
model dan penggunaan potensi model harus ditentukan. Mengevaluasi struktur
dan kompleksitas model, pastikan
1. Jumlah variabel independen untuk disertakan dalam model.
2. Jumlah persamaan independen yang diperlukan untuk menggambarkan sistem (beberapa-
kali disebut "pesanan" model).
3. Jumlah parameter yang tidak diketahui dalam model.
Pada bagian sebelumnya, kami membahas beberapa masalah ini dalam konteks
model fisik versus empiris. Isu-isu ini juga terkait dengan ques-
verifikasi model: jenis data apa yang tersedia untuk menentukan bahwa
model adalah deskripsi yang valid dari prosesnya? Model bangunan adalah proses berulang,
seperti yang ditunjukkan oleh daur ulang informasi pada Gambar
2.2.
Sebelum melakukan pemodelan yang sebenarnya, penting untuk mengevaluasi eko-
pembenaran nomik untuk (dan manfaat) upaya pemodelan dan kemampuan
staf pendukung untuk melaksanakan proyek semacam itu. Terutama, tentukan bahwa sukses-
Model yang dikembangkan sepenuhnya memang akan membantu memecahkan masalah optimasi.

Fase desain
Tahap perancangan meliputi spesifikasi kandungan informasi, umum
deskripsi logika pemrograman dan algoritma yang diperlukan untuk dikembangkan dan
menggunakan model yang berguna, perumusan deskripsi matematis dari a
model, dan simulasi model. Pertama, tentukan variabel input dan output, dan
tentukan apa "sistem" dan "lingkungan"
adalah. Juga, pilih yang spesifik
matematis
representasi (s) untuk digunakan dalam model, serta asumsi
dan keterbatasan model akibat penerjemahannya ke dalam kode komputer. Com-
Implementasi puter model mengharuskan Anda memverifikasi ketersediaan dan ade-
kearsipan perangkat keras dan perangkat lunak komputer, tentukan media input-output komputer,
mengembangkan logika program dan flowheets, dan menentukan modul program dan strukturnya-
hubungan tural Penggunaan subrutin dan database yang ada menghemat waktu tapi bisa
mempersulit masalah optimasi karena alasan yang dijelaskan di Bab
15.
Tahap evaluasi
Fase ini dimaksudkan sebagai pemeriksaan akhir model secara keseluruhan. Pengujian indi-
Elemen model vidual harus dilakukan selama fase sebelumnya. Evaluasi dari
Model dilakukan sesuai kriteria evaluasi
dan rencana uji yang ditetapkan di
fase definisi masalah. Selanjutnya, lakukan pengujian sensitivitas terhadap input modeldan parameter,
dan menentukan apakah hubungan nyata secara fisik -
ceroboh. Gunakan data aktual dalam model bila memungkinkan. Langkah ini juga disebut sebagai
diagnostik
memeriksa dan mungkin memerlukan analisis statistik parameter yang dipasang (Kotak
et al., 1978).
Validasi model memerlukan konfirmasi logika, asumsi, dan perilaku. Ini
Tugas melibatkan perbandingan dengan data input-output historis, atau data dalam literatur,
perbandingan dengan kinerja pilot plant, dan simulasi. Secara umum, data yang digunakan dalam
Perumusan model tidak boleh digunakan untuk memvalidasi jika memungkinkan. Karena
Evaluasi model melibatkan banyak kriteria, sangat membantu untuk menemukan pendapat ahli dalam
Verifikasi model, yaitu, apa yang orang pikirkan yang tahu tentang
proses yang dimodelkan?
Tidak ada prosedur validasi tunggal yang sesuai untuk semua model. Meski demikian, itu
adalah tepat untuk mengajukan pertanyaan: Apa yang Anda ingin model lakukan? Yang terbaik
dari semua kemungkinan dunia, Anda ingin model untuk memprediksi proses yang diinginkan dilakukan-
Dengan akurasi yang tepat, tapi ini sering menjadi tujuan yang sulit dipahami.

2.3
MEMILIH FUNGSI UNTUK MENGHUBUNGI DATA EMPIRIS
Sebuah model menghubungkan output (variabel dependen atau variabel) ke independen
variabel (s). Setiap persamaan dalam model biasanya mencakup satu atau lebih koefisien
yang dianggap konstan. Syarat
Parameter yang digunakan disini berarti koefisien dan
mungkin masukan atau kondisi awal. Dengan bantuan data eksperimen, kita bisa mencegah-
milikku
bentuk model dan selanjutnya (atau simultan) perkiraan nilainya
dari beberapa atau semua parameter dalam model.

2.3.1 Cara Menentukan Bentuk Model

Model dapat ditulis dalam berbagai bentuk matematis. Gambar 2.3 menunjukkan beberapa
dari kemungkinan, beberapa di antaranya sudah diilustrasikan pada Bagian 2.1. Ini sec-
berfokus pada kasus yang paling sederhana, yaitu model yang terdiri dari persamaan aljabar,
yang merupakan sebagian besar kendala kesetaraan dalam proses
optimizati *.
Penekanannya disini adalah mengestimasi koefisien pada model sederhana dan bukan pada
kompleksitas model.
Pemilihan bentuk model empiris membutuhkan penilaian sebaik beberapa
keterampilan dalam mengenali bagaimana pola respon sesuai dengan fungsi aljabar yang mungkin.
Metode optimasi dapat membantu dalam pemilihan struktur model maupun di
perkiraan koefisien yang tidak diketahui. Jika Anda bisa menentukan kuantitatif crite-
rion yang mendefinisikan apa yang "terbaik" mewakili data, maka modelnya bisa diperbaiki
dengan menyesuaikan bentuknya untuk memperbaiki nilai kriteria. Model terbaik presum-
dengan tepat menunjukkan kesalahan paling sedikit antara data aktual dan respons yang diprediksi pada
beberapa orang
merasakan.

2.3.2 Model Pemasangan dengan Kuadrat Terkecil

Bagian ini menjelaskan gagasan dasar estimasi kuadrat terkecil, yang biasa digunakan
hitung nilai koefisien dalam model dari data eksperimen. Dalam esti-
mengkawinkan nilai koefisien baik secara empiris atau berbasis teori
model, ingatlah bahwa jumlah kumpulan data harus sama dengan atau lebih besar dari
jumlah koefisien dalam model. Misalnya dengan tiga titik data
y
versus x, Anda dapat memperkirakan paling banyak nilai dari tiga koefisien. Periksa Gambar
2.7.
Garis lurus mungkin mewakili tiga titik secara memadai, namun datanya bisa
pas persis menggunakan model kuadratik
Dengan mengenalkan nilai titik data
(Y ,, x,) ke dalam Persamaan 2.2, Anda mendapatkannya
persamaan dari
Yl sebagai fungsi dari tiga koefisien yang tidak diketahui. Kumpulan tiga data
Oleh karena itu, menghasilkan tiga persamaan linier dalam tiga hal yang tidak diketahui (koefisiennya)
yang bisa diatasi dengan mudah.
Untuk mengimbangi kesalahan yang terjadi pada data eksperimen, jumlah data
set harus lebih besar dari jumlah koefisien
p dalam model Kotak terkecil
hanya aplikasi optimasi untuk mendapatkan solusi "terbaik" dari persamaan,
artinya jumlah kuadrat dari kesalahan antara yang diprediksi dan
nilai eksperimental dari variabel dependen
y untuk setiap titik data x diminimalkan.
Pertimbangkan model aljabar umum yang linier dalam koefisien.

Asumsi tertentu menghasilkan perhitungan kuadrat terkecil seperti indepen-

Ada kesalahan yang tidak teramati
ci, varians error konstan, dan kekurangan error pada
x's (Draper dan Smith, 1998). Jika model mewakili data secara memadai, residu-
Anda harus memiliki karakteristik yang sesuai dengan asumsi dasar ini. Itu
Oleh karena itu, analisis residu merupakan cara untuk memeriksa satu atau lebih asumsi tersebut
Pengoptimalan kuadrat yang paling mendasar tidak dilanggar. Misalnya, jika modelnya pas
Nah, residu harus dibagi secara acak tentang nilai
y diprediksi oleh
model. Keberangkatan sistematis dari keacakan menunjukkan bahwa modelnya adalah unsat-
isfactory; Pemeriksaan pola yang terbentuk oleh residu dapat memberikan petunjuk tentang
bagaimana modelnya bisa diperbaiki (Box and Hill, 1967; Draper and Hunter, 1967).
Pemeriksaan plot residu versus
pi atau xi, atau sebidang frekuensi
dari residu versus besarnya residu, telah disarankan sebagaibantuan numerik atau grafik untuk
membantu analisis residual. Sebuah studi tentang tanda-tanda itu
dari residu
(+ atau -) dan jumlah tanda dapat digunakan. Analisis sisa harus
termasuk
1. Deteksi outlier (pengamatan ekstrem).
2. Deteksi kecenderungan residual.
3. Deteksi pergeseran tiba-tiba pada tingkat percobaan (pengamatan sekuensial).
4. Deteksi perubahan varians error (biasanya diasumsikan konstan).
5. Pemeriksaan untuk memastikan apakah residu diwakili oleh distribu-
(sehingga uji statistik dapat diterapkan).

Bila menggunakan residu untuk menentukan kecukupan model, ingatlah itu

Karena lebih banyak variabel independen ditambahkan ke model, residu bisa menjadi
kurang informatif Setiap residu adalah, pada dasarnya, rata-rata tertimbang
eiys; seperti lebih
tidak perlu
xi ditambahkan ke model, residu menjadi lebih seperti satu sama lain,
mencerminkan rata-rata tanpa pandang bulu dari semua
E bukan mewakili
satu
ci. Dalam melakukan analisis residual, Anda akan segera menemukan bahwa a
presentasi grafis dari residual secara material membantu dalam diagnosis karena
satu penyimpangan, seperti nilai ekstrim tunggal, secara simultan dapat mempengaruhi beberapa
tes numerik
Kotak kecil nonlinear
Jika model nonlinier berkenaan dengan parameter model, maka nonlinier
kuadrat terkecil daripada kuadrat terkecil linier harus digunakan untuk memperkirakan modelnya
koefisien. Misalnya, anggap bahwa data eksperimen harus sesuai dengan reaksi
tingkat ekspresi formulir
rA = kc, "Berikut r, adalah laju reaksi komponen A,
CA adalah konsentrasi reaktan, dan k dan n adalah parameter model. Model ini adalah
linear terhadap konstanta laju
k tapi nonlinier berkenaan dengan tatanan reaksi
n. Model nonlinier umum dapat ditulis sebagai
dimana
y = output model
xj's = input model
Pj's = parameter yang akan diestimasi
Kita masih bisa menentukan kriteria error sum-of-squares (untuk diminimalkan) dengan memilih
set parameter
Pj jadi

Koefisien estimasi yang tercantum untuk model 2 pada Contoh 2.2 diperoleh dengan menggunakan
kotak terkecil nonlinear (Bates dan Watts, 1988).
Sebagai contoh lain, pertimbangkan masalah estimasi keuntungan
K dan waktu
konstanta
ri untuk model dinamis orde pertama dan orde kedua berdasarkan pengukuran
unit step respon proses
y (t). Model untuk respon langkah kedua
Prosesnya masing-masing (Seborg et al.,
1989),
dimana t = variabel bebas (waktu)
y
= variabel dependen
Meskipun
K muncul secara linear dalam kedua persamaan respon, 7, di (2.12) dan r1
dan r2 dalam (2.13) muncul secara nonlinear, sehingga kuadrat terkecil nonlinear harus digunakan
perkirakan nilai mereka Rincian spesifik tentang bagaimana melakukan perhitungan akan dilakukan
ditangguhkan sampai kita mengambil metode numerik optimasi tak terbatas di
Bab
6.

2.4. DESAIN PERCOBAAN FAKTORIAL

Karena variabel dalam model sering berkorelasi tinggi, ketika data eksperimen
dikumpulkan,
Matriks xTx dalam Equation 2.9 dapat dikondisikan dengan buruk (lihat Appen-
dix A), dan dengan demikian perkiraan nilai koefisien dalam model dapat dimiliki
ketidakpastian terkait. Metode desain eksperimen faktorial
memaksa data menjadi ortogonal dan menghindari masalah ini. Metode ini memungkinkan Anda
untuk menentukan kepentingan relatif setiap variabel input dan dengan demikian mengembangkan a
model pelit, yang hanya mencakup variabel yang paling penting dan
efek. Percobaan Faktorial juga merupakan eksperimen yang efisien. Anda sistem-
atically plan dan melakukan eksperimen di mana semua variabel berubah
secara simultan bukan satu per satu, sehingga mengurangi jumlah eksperimen
dibutuhkan.

Karena sifat ortogonalitas rancangan faktorial, uji statistik adalah

efektif dalam membedakan efek variasi alami bahan baku,
operasi unit yang direplikasi
(misalnya, peralatan secara paralel), operator yang berbeda, berbeda
batch, dan faktor lingkungan lainnya. Matriks desain ortogonal yang tepat untuk
mengumpulkan data memberikan perkiraan independen jumlah kuadrat untuk setiap variabel-
mampu serta kombinasi variabel. Juga perkiraan koefisiennya
memiliki varians lebih rendah daripada yang dapat diperoleh dengan percobaan non-klinis
desain (Montgomery, 1997; Box et al., 1978). Artinya, Anda bisa memiliki lebih banyak confi-
dence dalam nilai dihitung untuk
Pi daripada yang akan terjadi dengan desain nonkonogonal.
Dari sudut pandang praktis, pengguna model harus menentukan masukan mana
Variabel harus dipelajari karena ini akan menentukan jumlah tes itu
harus dilakukan (Tiriskan,
1997). Dalam rancangan faktorial standar, 2 "tes adalah
dibutuhkan, dimana
n adalah jumlah variabel input yang akan dipelajari. Kamu juga harus
memutuskan berapa banyak masing-masing variabel masukan harus diubah dari nilai nominalnya,
Dengan mempertimbangkan sensitivitas respon proses terhadap perubahan yang diberikan
variabel input, serta rentang operasi khas proses. Penentu
bangsa yang bereksperimen membutuhkan pengetahuan proses. Pengalaman-
Rentang mental harus dipilih sehingga menghasilkan hasil respon
Jangan melibatkan kesalahan pada sensor yang lebih besar dari pada tingkat kebisingan biasa.
Misalkan Anda ingin cocok dengan model linier
y = P1 + P5z1 + P3z2, dimana z1 dan z,
adalah variabel independen. Biarkan nilai z1 dan z2 dalam percobaan menjadi delib-
dipilih secara acak oleh eksperimen
Desain ortogonal seperti yang ditunjukkan pada Tabel 2.1.
Nilai variabel bebas yang dikodekan sesuai dengan empat sudut
dari sebuah persegi di z1 dan z, ruang. Ringkasan dalam Persamaan (2.5) menyederhanakan hal ini

Jika variabel independen bersifat ortogonal, menentukan apakah akan menambah atau menghapus
variabel atau fungsi variabel dalam model mudah digunakan
sedikit demi sedikit
kotak (regresi), fitur yang tersedia pada banyak paket perangkat lunak.
Stepwise
regresi terdiri dari penambahan (atau penghapusan) variabel (atau fungsi) secara berurutan
variabel ke model yang diusulkan dan kemudian diuji pada setiap tahap untuk melihat apakah
ditambahkan (atau
dihapus) adalah signifikan. Prosedurnya hanya efektif bila indepen-
Variabel dent pada dasarnya adalah ortogonal. Kopling percobaan ortogonal
Desain dengan optimalisasi kondisi operasi telah disebut "evolusioner
operasi "dimana kondisi operasi terbaik ditentukan secara berurutan
percobaan (Kotak dan Draper, 1969; Biles dan Swain, 1980).

2.5 DEGREES OF FREEDOM

Pada Bagian 1.5 kita secara singkat membahas hubungan kesetaraan dan ketidaksetaraan con-
kendala dalam konteks variabel independen dan dependen. Biasanya dalam desain
dan perhitungan kontrol, penting untuk menghilangkan informasi yang berlebihan dan
persamaan sebelum perhitungan dilakukan. Optimisasi multivariabel modern
Namun, perangkat lunak tidak mengharuskan pengguna mengidentifikasi secara jelas independen,
tergantung, atau berlebihan, atau kendala aktif atau berlebihan. Jika num-
Persamaan independen lebih besar dari jumlah variabel keputusan
Perangkat lunak memberitahu Anda bahwa tidak ada solusi karena masalahnya terlalu banyak.
Kode saat ini telah memasukkan alat diagnostik yang memungkinkan pengguna memasukkan semua
Kemungkinan variabel dan kendala dalam rumusan masalah asli sehingga Anda
tidak harus menghilangkan kendala dan variabel sebelum menggunakan soft-
ware. Perlu diingat, bagaimanapun, semakin kecil dimensi masalah
diperkenalkan ke dalam perangkat lunak, semakin sedikit waktu yang dibutuhkan untuk memecahkan
masalah. derajat kebebasannya dalam model adalah jumlah variabel yang bisa menjadi spec-
ified independen dan didefinisikan sebagai berikut:
dimana
NF = derajat kebebasan
Nv = jumlah variabel yang terlibat dalam masalah
NE = jumlah persamaan independen (termasuk spesifikasi)
Analisis derajat kebebasan mengeksplorasi beberapa masalah pemodelan menjadi tiga kate-
gories:
1. NF = 0: Masalahnya benar-benar ditentukan. Jika NF = 0, maka jumlah inde-
persamaan pendingan sama dengan jumlah variabel proses dan himpunan
persamaan mungkin memiliki solusi unik, dalam hal ini masalahnya bukan opti-
masalah misasi Untuk satu set persamaan independen linier, solusi unik
ada Jika persamaannya tidak linier, mungkin tidak ada solusi nyata atau mungkin juga ada
menjadi beberapa solusi

NF> 0: Masalahnya kurang ditentukan. Jika NF> 0, maka lebih banyak proses vari-
Ables ada dalam masalah daripada persamaan independen. Model proses dikatakan
menjadi kurang ditentukan, jadi setidaknya satu variabel dapat dioptimalkan. Untuk linear mod-
Els, rangking matriks yang dibentuk oleh koefisien menunjukkan jumlah
persamaan independen (lihat Lampiran A).
3. NF <0: Masalahnya sudah terlalu ditentukan. Jika NF <0, lebih sedikit variabel proses ada
dalam masalah daripada persamaan independen, dan akibatnya himpunan equa-
Tidak ada solusi. Model proses dikatakan overdetermined, dan paling tidak
optimasi kuadrat atau beberapa kriteria serupa dapat digunakan untuk memperoleh nilai
variabel tidak diketahui seperti yang dijelaskan pada Bagian
2.5.

2.6 CONTOH-CONTOH KUALITAS INSEKSI DAN KUALITAS

DALAM MODEL
Seperti yang disebutkan di Bab 1, terjadinya hambatan ketidaksetaraan linier dalam indus-
Proses persidangan cukup umum. Ketidaksetaraan kendala tidak mempengaruhi hitungan
derajat kebebasan kecuali mereka menjadi kendala aktif. Contoh
ofesuch con-
straints
mengikuti:
1. Keterbatasan produksi timbul karena pembatasan throughput peralatan, stor-
keterbatasan usia, atau batasan pasar (tidak ada produk tambahan yang bisa dijual di luar
-
beberapa tingkat tertentu).
2. Keterbatasan bahan baku terjadi karena keterbatasan persediaan bahan baku;
Persediaan ini sering ditentukan oleh tingkat produksi tanaman lain di dalamnya
perusahaan yang sama
-
3. Batasan keselamatan atau pengoperasian ada karena keterbatasan operasi yang diijinkan.
suhu, tekanan, dan flowrates.
4. Spesifikasi properti fisik pada produk harus dipertimbangkan. Di kilang
tekanan uap atau oktan tingkat produk bahan bakar harus memenuhi beberapa spesifik-
tion.
Untuk campuran berbagai produk, Anda biasanya berasumsi bahwa komposit prop-
erty dapat dihitung melalui rata-rata komponen fisik murni prop-
erties. Untuk
N komponen dengan nilai properti fisik Vi dan fraksi volume
y ,, properti rata-rata f adalah

Sekarang analisisnya jauh lebih kompleks, dan jelas bahwa lebih banyak potensi sama-
Ada kendala dari variabel jika semua kendala ketidaksetaraan menjadi aktif. Saya t
Mungkin pengoptimalan itu bisa mengarah pada situasi dimana tidak ada derajat kebebasan
akan ditinggalkan - satu set kendala ketidaksetaraan akan dipuaskan sebagai kesetaraan.
Hasil ini berarti tidak ada variabel yang tetap harus dioptimalkan, dan solusi optimal
mencapai batas, subset dari batasan ketidaksetaraan.
Kendala lain yang bisa dikenakan dalam rumusan masalah yang realistis antara lain
1. Keterbatasan operasi (kemacetan) -dapat ada batasan throughput
reaktan ke salah satu proses
(misalnya, ada tekanan kepala).
2. Keterbatasan lingkungan - mungkin ada beberapa produk sampingan yang tidak diinginkan
H, seperti produksi bahan beracun (tidak ada dalam daftar produk asli yang diberikan
sebelumnya), yang dapat menyebabkan kondisi berbahaya.

Anda dapat melihat bahwa model untuk proses yang realistis bisa menjadi sangat com-
plex; Yang penting diingat adalah langkah itu
1 dan 3 pada Tabel 1.1 memberikan
kerangka terorganisir untuk mengidentifikasi semua variabel dan merumuskan tujuan-
fungsi tive, batasan persamaan, dan batasan ketidaksetaraan. Setelah ini selesai, kamu
tidak perlu menghilangkan variabel atau persamaan yang berlebihan. Perangkat lunak komputer bisa
Biasanya menangani hubungan yang berlebihan (tapi tidak terlalu konsekuen).

3.1 FUNGSI TUJUAN EKONOMI

Kemampuan untuk memahami dan menerapkan konsep analisis biaya, profitabilitas
analisis, anggaran, laporan pendapatan dan biaya, dan neraca adalah kunci
keterampilan yang mungkin berharga Bagian ini membahas dua komponen utama ekonomi

fungsi objektif: biaya modal dan biaya operasional. Keputusan ekonomi dibuat
pada berbagai tingkat detail. Semakin detailnya, semakin besar biaya
menyiapkan studi ekonomi. Dalam praktek teknik Anda mungkin perlu mempersiapkan pra-
perkiraan biaya terbatas untuk proyek mulai dari peralatan kecil atau a
produk baru ke pabrik besar retrofit atau disain.
Untuk mengenalkan keterlibatan kedua jenis biaya ini di
fungsi objektif
Kami mempertimbangkan tiga contoh sederhana: Yang pertama hanya melibatkan biaya operasi dan
pendapatan, yang kedua hanya melibatkan biaya modal, dan yang ketiga melibatkan keduanya.

CONTOH 3.1 LABA BEROPERASI SEBAGAI TUJUAN

FUNGSI
Mari kita kembali ke pabrik kimia Contoh 2.10 dengan tiga produk (E, F, G) dan
tiga bahan baku
(A, B, C) dalam persediaan terbatas. Masing-masing dari tiga produk tersebut diproduksi
dalam proses terpisah
(1,2, 3); Gambar E3.1 menggambarkan prosesnya.
Data proses
Proses 1: A + B + E
Proses 2: A + B + F
Proses 3: 3A + 2B + C + G

CONTOH 3.2
BIAYA MODAL SEBAGAI TUJUAN
FUNGSI
Misalkan Anda ingin menemukan konfigurasi yang meminimalkan biaya modal a
bejana bertekanan silinder Untuk memilih dimensi terbaik (panjang
L dan diameter D) dari
kapal, merumuskan fungsi obyektif yang cocok untuk biaya modal dan menemukan opti-
mal
(WD) yang meminimalkan fungsi biaya. Biarkan volume tangki menjadi V, yang diperbaiki.
Bandingkan hasilnya dengan desainnya
aturan-of-jempol digunakan dalam praktek, (WD) "Pt = 3.0.
Larutan
Mari kita mulai dengan geometri yang disederhanakan untuk tangki berdasarkan follow-
Asumsi:
1. Kedua ujungnya tertutup dan rata.
2. Dinding kapal (sisi dan ujungnya) memiliki ketebalan konstan t dengan densitas p, dan
Ketebalan dinding bukan fungsi tekanan.
3. Biaya fabrikasi dan material sama untuk kedua sisi dan ujungnya, dan memang
S (dolar per satuan berat).
4. Tidak ada bahan terbuang selama fabrikasi karena lebar logam yang tersedia

CONTOH 3.3 KETIKAN OPTIMUM INSULASI

Dalam menentukan ketebalan insulasi untuk bejana atau pipa silindrica, perlu
untuk mempertimbangkan biaya isolasi dan nilai energi yang disimpan dengan menambahkan
isolasi. Dalam contoh ini kita menentukan ketebalan optimum insulasi untuk
sebuah pipa besar yang berisi cairan panas. Isolasi ditambahkan untuk mengurangi kehilangan panas
dari pipa Selanjutnya kita kembangkan
sebuah ekspresi analitis untuk ketebalan insulasi
berdasarkan model matematis.
Tingkat kehilangan panas dari silinder terisolasi besar (lihat
Gambar E3.3), untuk mana
Ketebalan insulasi jauh lebih kecil dari diameter silinder dan panas bagian dalam
Koefisien transfer sangat besar, bisa
didekati dengan rumus
AAT
= x / k + llh,

Semua parameter di sisi kanan Persamaan (a) adalah nilai tetap kecuali untuk
x, variabel yang akan dioptimalkan. Asumsikan biaya insulasi terpasang per satuan luas bisa
Diwakili oleh hubungan Co + C, x, di mana Co dan C, adalah konstanta (Co = fixed
biaya instalasi dan C,
= biaya tambahan per kaki ketebalan). Isolasi memiliki a
seumur hidup
5 tahun dan harus diganti pada saat itu. Dana untuk membeli dan memasang
isolasi bisa dipinjam dari bank dan dibayar kembali dalam lima kali cicilan tahunan.
Membiarkan
r adalah sebagian dari biaya terpasang yang harus dibayarkan setiap tahun ke bank. Nilai dari
r dipilih tergantung dari tingkat bunga dana yang dipinjam dan akan dijelaskan di
Bagian
3.2.
Biarkan nilai panas yang hilang dari pipa menjadi H, ($ / lo6 kJ). Biarkan Y menjadi num-
ber jam kerja per tahun. Masalahnya adalah
1. Merumuskan fungsi objektif untuk memaksimalkan penghematan biaya operasi, tabungan
dinyatakan sebagai perbedaan antara nilai panas yang dilestarikan kurang annu-
alized biaya isolasi.
2. Dapatkan solusi analitis untuk x *, optimal.
Solusi Jika biaya operasional harus dinyatakan dalam bentuk dolar per tahun, maka cap-
biaya ital harus dinyatakan dalam unit yang sama. Karena dana yang dibutuhkan untuk insula-
harus dibayar kembali dengan angsuran yang sama dalam jangka waktu tertentu
5 tahun, pembayarannya
per tahun adalah
r (Co + Clx) A. Penghematan energi akibat isolasi bisa dihitung dari
perbedaan antara
Q (x = 0) = Q ,, dan Q:

3.2 NILAI WAKTU UANG DALAM FUNGSI TUJUAN

Sejauh ini kami telah menjelaskan bagaimana memperkirakan biaya modal dan operasi. Dalam Contoh
3.3,
kami merumuskan fungsi objektif untuk evaluasi ekonomi dan menemukan itu
Meskipun pendapatan dan biaya operasi terjadi di masa depan, sebagian besar biaya modal
terjadi pada awal proyek. Bagaimana dua kelas biaya ini?
evaluasi-
ated cukup? Analisis ekonomi proyek yang menimbulkan pendapatan dan biaya
Waktu harus mencakup konsep nilai waktu uang. Konsep ini berarti itu
satu unit uang (dolar, yen, euro, dll) di tangan sekarang bernilai lebih dari unit yang sama
uang di masa depan
Mengapa? Karena $ 1000 yang diinvestasikan hari ini bisa mendapatkan tambahan dol-
lars; dengan kata lain, nilai
$ 1000 yang diterima di masa depan akan kurang dari
nilai sekarang $ 1000

Sebagai contoh dari jenis keputusan yang melibatkan nilai waktu uang,
periksalah iklan pada Gambar 3.1. Pilihan mana yang paling Anda terima?
nilai? Jawaban untuk pertanyaan ini dan yang serupa terkadang dapat diselesaikan dengan cepat
menggunakan kalkulator atau komputer tanpa banyak berpikir. Untuk memahami yang underly-
Dengan asumsi dan konsep di balik perhitungan, Anda perlu melakukannya
memperhitungkan arus kas masuk dan keluar menggunakan diagram garis waktu investasi untuk proj-
dll Lihatlah Gambar 3.2.

Gambar 3.3 menggambarkan uang yang diterima (atau pendapatan) dengan panah vertikal
ke atas; uang yang dibayarkan (atau biaya) digambarkan dengan panah vertikal yang menunjuk
ke bawah. Dengan bantuan Gambar 3.3 Anda bisa mewakili hampir semua hal yang rumit
rencana keuangan untuk sebuah proyek. Misalnya, Anda menyetor $ 1000 sekarang (pres-
nilai ent
P) dalam rekening tabungan bank yang membayar 5,1 persen bunga tahunan com-
ditumbuk setiap bulan, dan selain itu Anda berencana menyetorkan $ 100 per bulan pada akhir tahun
setiap bulan untuk tahun depan. Apa nilai masa depan?
F investasi Anda
Pada akhir tahun? Gambar 3.4 menguraikan pengaturan pada garis waktu.
Perhatikan bahwa arus kas yang sesuai dengan akrual bunga tidak terwakili
dengan panah pada Gambar 3.4. Tingkat bunga per bulan adalah 0,4167, tidak 5,00 persen (suku bunga
tahunan). Jumlah periode compounding adalah n = 12. PMT adalah
pembayaran berkala
Angka
3.5 menunjukkan (hanya menggunakan panah) beberapa arus kas khas yang mungkin
terjadi dari awal sampai akhir sebuah pabrik yang diusulkan. Saat pabrik dibangun, uangnya
Arus negatif, seperti yang terjadi pada saat startup. Setelah beroperasi,
tanaman menghasilkan arus kas positif yang berkurang seiring waktu karena pasar berubah dan
pesaing memulai. Akhirnya, pabrik ditutup, dan akhirnya peralatan terjual
atau dihapus
Sangat mudah untuk mengembangkan formula umum untuk pertumbuhan investasi untuk kasus ini
yang fraksional bunga
i adalah gabungan sekali per periode (bulan, tahun). (Catatan: Aktif
Sebagian besar kesempatan kita akan mengutip
Saya dalam persen, seperti praktik umum, meskipun di
perhitungan masalah
Saya diperlakukan sebagai pecahan.) Jika P adalah investasi awal (pres-
nilai ent), maka P (l + i) adalah jumlah akumulasi setelah satu periode compounding, katakan 1 tahun
Dengan menggunakan penalaran yang sama, nilai investasi berturut-turut
tahun untuk pembayaran bunga diskrit adalah

Simbol Fn disebut thefiture senilai investasi setelah tahun n, yaitu,

nilai masa depan investasi saat ini
P berdasarkan tingkat bunga tertentu i.
Persamaan (3.2 ~) dapat disusun kembali untuk memberikan nilai sekarang dalam hal masa depan
nilai, yaitu nilai sekarang dari satu pembayaran di masa depan
F pada periode n

Untuk peracikan kontinu Persamaan (3.2 ~) mengurangi ke Fn = Pein. Lihat Gar-

rett, bab
5 (1989) untuk derivasi formula ini.
Berikut ini adalah daftar beberapa ekstensi Equation yang berguna (3.3). Perhatikan itu
faktor-faktor yang terlibat dalam Persamaan (3.3) - (3.7) adalah
F, P, i, dan n, dan diberi nilai
dari ketiganya, kamu bisa menghitung yang keempat. Perangkat lunak seperti Microsoft Excel dan
Kalkulator tangan semuanya berisi program untuk melakukan perhitungan, banyak di antaranya
harus
menjadi iteratif

CONTOH 3.4
MEMBAYAR OFF A LOAN
Anda meminjam $ 35.000 dari bank dengan bunga 10,5% untuk membeli siklon multicone
dinilai di 50.000
ft3 / min. Jika Anda melakukan pembayaran bulanan sebesar $ 325 (di akhir
bulan), berapa banyak pembayaran yang diminta untuk melunasi pinjaman?
Solusi Diagram pada garis waktu pada Gambar E3.4a menunjukkan arus kas.
Karena pembayarannya seragam, kita bisa menggunakan Persamaan
(3.5), tapi gunakan $ 325 per
bulan bukan
$ 1.

CONTOH 3.5 SELEKSI ANODES TERTINGGI

Anoda biasa untuk proses elektrokimia 2 tahun terakhir dan kemudian harus
diganti dengan biaya $ 20.000. Pilihan alternatifnya adalah membeli anoda yang diresapi itu
6 tahun terakhir dan biaya $ 56.000 (lihat Gambar E3.5). Jika suku bunga tahunan adalah 6 persen
per tahun, alternatif mana yang paling murah?
Alternatif A

3.3 TINDAKAN PROFITABILITAS

Seperti disebutkan sebelumnya, paling sering di industri proses kimia tujuan-

Fungsi tive untuk proyek potensial adalah beberapa ukuran profitabilitas. Proyek
dengan prioritas tertinggi adalah yang dengan perkiraan profitabilitas tertinggi;
"ex-
pected "menyiratkan bahwa pertimbangan probabilistik harus diperhitungkan (Palvia
dan Gordon, 1992), seperti menghitung batas atas dan bawah sebuah prediksi.
Namun, di bagian ini, kita prihatin dengan pendekatan deterministik untuk eval-
uating profitabilitas, mengingat bahwa definisi yang berbeda dari profitabilitas bisa
mengarah ke peringkat prioritas yang berbeda. Analisis biasanya dilakukan di spreadsheet
untuk menghasilkan berbagai kemungkinan yang memungkinkan proyek digolongkan sebagai prel-
ude untuk pengambilan keputusan

Di antara berbagai ukuran kinerja ekonomi yang telah pro-

berpose, dua yang paling sederhana
1. Payback period (PBP) -bagaimana lama sebuah proyek harus beroperasi untuk impas; mengabaikan
nilai waktu uang
Biaya investasi
PBP
=
Arus kas per periode
Contoh: Untuk investasi sebesar $ 20.000 dengan pengembalian $ 500 per minggu PBP tersebut
$ 20.000
$ 500
= 40 minggu
2.Return on investment (RO1) - perhitungan hasil sederhana tanpa memperhitungkan
hitung nilai waktu uang
Laba bersih (setelah pajak) per tahun
ROI (dalam persen)
= X 100
Biaya investasi
Contoh: Dengan pengembalian bersih sebesar $ 6000 (per tahun) untuk investasi awal sebesar
$ 45.000, ROI adalah

Dua ukuran profitabilitas lainnya yang memperhitungkan nilai waktu

uang itu
1. Nilai sekarang bersih (NPV).
2. Internal rate of return (IRR).
NPV memperhitungkan ukuran dan profitabilitas sebuah proyek, namun ukuran IRR
hanya profitabilitas Jika sebuah perusahaan memiliki sumber daya yang cukup untuk
mempertimbangkan beberapa barang kecil
proyek, mengingat sejumlah investasi yang telah ditentukan, sejumlah bernilai tinggi
IRRs
biasanya memberikan NPV secara keseluruhan lebih tinggi daripada proyek besar tunggal.

Gambar 3.6 menunjukkan arus kas yang mungkin terjadi untuk investasi tunai di Indonesia
sebuah proyek. NPV dihitung dengan menambahkan investasi awal (diwakili sebagai neg-
arus kas ative) terhadap nilai sekarang dari masa depan yang diantisipasi positif (dan negatif)
Arus kas. Persamaan
(3.4) menunjukkan bagaimana menghitung NPV.
Jika NPV positif, investasi akan meningkatkan aset perusahaan:
Investasi menarik secara finansial.
Jika NPV nol, investasi tidak mengubah nilai perusahaan
Aset: Investasi bersifat netral.
Jika NPV negatif, investasi tersebut menurunkan aset perusahaan:
Investasi tidak menarik secara finansial.
Semakin tinggi NPV di antara investasi alternatif dengan pengeluaran modal yang sama,
semakin menarik investasinya.
IRR adalah tingkat pengembalian (tingkat suku bunga, tingkat diskonto) dimana kas masa depan
arus (positif plus negatif) sama dengan pengeluaran kas awal (uang negatif
mengalir). Nilai dari
IRR relatif terhadap standar perusahaan untuk tarif internal
kembali menunjukkan keinginan, investasi: Jika IRR lebih besar dari tingkat pengembalian yang ditunjuk,
investasinya adalah finan-
sangat menarik
Jika IRR sama dengan tingkat pengembalian yang ditunjuk, investasinya marjinal.
Jika IRR kurang dari tingkat pengembalian yang ditentukan, investasinya secara finansial
kurang menarik.
Meja
3.2 membandingkan beberapa fitur PBP, NPV, dan IRR.
Berbagai ukuran profitabilitas lain ada, dan sebagian besar perusahaan (dan
profesional keuangan) menggunakan lebih dari satu. Tingkat cut-off ditempatkan pada pengukuran
meas-
ure profitabilitas sehingga proposal yang jatuh di bawah level cut-off tidak dianggap
layak dipertimbangkan Mereka yang jatuh di atas tingkat cut-off
bisa di peringkat di
urutan profitabilitas dan diperiksa secara lebih rinci.
Dalam optimasi yang anda minati
1. Meminimalkan payback period (PBP), atau
2. Memaksimalkan nilai sekarang bersih (NPV), atau
3. Memaksimalkan tingkat pengembalian internal (IRR)

atau mengoptimalkan kriteria profitabilitas lain. Variabel keputusan disesuaikan

untuk mencapai
sebuah ekstrem. Pada sebagian besar masalah dan contoh di kemudian hari
bab kita belum memasukkan faktor untuk nilai waktu uang karena kita inginkan
untuk fokus pada detail optimasi lainnya. Kendati demikian, penambahan faktor tersebut
cukup mudah.

CONTOH 3.6
PERHITUNGAN INSULASI OPTIMAL
KETEBALAN
Pada Contoh 3.3 kita mengembangkan fungsi objektif untuk menentukan tebal optimal-
ness isolasi Dalam contoh itu, pengaruh nilai waktu uang adalah intro-
duced as
nilai konstanta sembarang r, kelipatan pelunasan. Dalam contoh ini,
Kami menangani masalah yang sama, tapi secara lebih rinci. Kami ingin menentukan yang optimal
ketebalan insulasi untuk pipa 20 cm yang membawa cairan panas pada suhu 260 C. Asumsikan bahwa
cur-
vatur pipa dapat diabaikan dan suhu lingkungan konstan 27 C ada.
Informasi berikut berlaku:

Dasar perhitungannya
akan menjadi L = 100m. Karena insulasi datang dalam 1-
cm, mari kita hitung nilai sekarang bersih dari isolasi pipa sebagai fungsi
dari variabel independen
x; bervariasi x untuk rangkaian kenaikan tebal I-, 2,, 3 cm (dll)
mendapatkan tingkat pengembalian internal masing-masing, periode pengembalian modal, dan tingkat
pengembalian investasi-
ment. Dua perhitungan terakhir ini langsung karena anggapan lima
bahkan nilai untuk bahan bakar disimpan. Nilai sekarang bersih dan tingkat pengembalian internal dapat
menjadi
dibandingkan untuk berbagai ketebalan isolasi. Biaya isolasi adalah awal neg-
arus kas ative, dan sejumlah lima nilai positif mewakili nilai panas yang tersimpan.
Misalnya, untuk isolasi 1 cm nilai sekarang bersih adalah
(r = 0,291 dari Tabel 3.1)

Contoh tambahan penggunaan PBP, NPV, dan IRR dapat ditemukan di

Lampiran
B. Pada Bagian B.5, kami menyajikan penjelasan lebih rinci tentang vari-
Komponen yang merupakan nilai pendapatan dan biaya yang harus digunakan
dalam evaluasi proyek