CAPSTONE DESIGN PROJECT, ATA 2020/2021
Study of Dynamic Modelling Prediction of NOx Emission
for Coal-fired Power Plants: A review
Arief Rahman Prayuda1
MK Capstone Design Project, Magister Teknik Mesin, Universitas Gunadarma
Abstract—Please write the abstract in English and Intisari in
Bahasa Indonesia max 160 words. These instructions give you
guidelines for preparing papers for JNTETI. Use this document
as a template if you are using Microsoft Word 7.0 or later.
Otherwise, use this document as an instruction set. Define all
symbols used in the abstract. Do not cite references in the
abstract. Do not delete the blank line immediately above the
abstract; it sets the footnote at the bottom of this column.
Intisari— Tuliskan abstract dalam Bahasa Inggris dan Intisari
dalam Bahasa Indonesia maksimum 160 kata. Dokumen ini
merupakan format panduan bagi penulis untuk mennulis
makalah yang siap dipublikasikan dalam jurnal. Dokumen ini
disadur dari IEEE template. Para penulis harus mengikuti
petunjuk yang diberikan dalam panduan ini. Anda dapat
menggunakan dokumen ini baik sebagai petunjuk penulisan dan
sebagai template di mana Anda dapat mengetik teks Anda
sendiri.
Kata Kunci— Letakkan 4-8 kata kunci Anda di sini, kata kunci
dipisahkan dengan koma.
I. PENDAHULUAN
… Char adalah massa sisa setelah devolatilisasi penuh
II. MEKANISME PEMBENTUKAN NITROGEN OKSIDA
A. Proses pembakaran batubara
Pembentukan dan penghancuran NOx terkait dengan reaksi
produk pembakaran batubara. Secara khusus, model
pembakaran volatil dan char diperlukan untuk memprediksi
oksigen yang tersedia untuk reaksi NOx.
Dalam proses pembakaran batubara, banyak reaksi penting
terjadi antara pemanasan awal partikel batubara dan
pembentukan fly-ash [3] Saat partikel memanas, komponen
volatil dari batubara akan menguap dan berdifusi ke dalam
aliran gas, meninggalkan partikel karbon yang kaya karbon.
Setelah suhu penyalaan tercapai, baik volatil maupun arang
akan mengalami pembakaran. Hidrokarbon kompleks yang
mudah menguap akan mengalami pemecahan termal menjadi
senyawa yang lebih sederhana atau jelaga sebelum oksidasi,
sedangkan oksidasi heterogen arang pada akhirnya akan
menghasilkan residu abu.
Ketika partikel batubara mentah mengalami suhu tinggi, ia
akan melepaskan senyawa gas yang mudah menguap. Ini
adalah proses multistage, dan dikenal sebagai devolatilisasi.
Persamaan lajunya ialah tipe Arrhenius:
Koefisien laju reaksi = A exp (-E / RT) (1)
di mana R adalah konstanta gas, E adalah energi aktivasi, T
adalah suhu, dan A adalah beberapa konstanta.
Judul Capstone Design Project
1
Proses devolatisasi batubara dapat menghasilkan beberapa
ratus senyawa gas. Bahan volatil umumnya terdiri dari tar,
cairan hidrokarbon, gas hidrokarbon, H2, H20, CO dan CO2.
Sebagian besar senyawa akan terus bereaksi di sekitar partikel
char untuk menghasilkan gas yang berturut-turut lebih ringan
karena molekul yang lebih kompleks terurai, akhirnya
membentuk CO2 dan H20, asalkan oksigen yang cukup
tersedia. Jika pembakaran yang mudah menguap terjadi pada
kondisi substoikiometri, produk yang lebih berat (tar) dapat
bereaksi membentuk jelaga. Reaksi keseluruhan yang paling
sederhana untuk oksidasi bahan bakar hidrokarbon
diformulasikan sebagai:
(R1) Bahan Bakar + O2 ~ CO2 d- H2O;
dan untuk hidrokarbon CnHm tahap tunggal umum reaksi dapat
dinyatakan sebagai:
(R2) CnHm + (n + m/4) O2 → nCO2 + (m/2) H2O
dengan laju reaksi tunggal generik yang dinyatakan dalam (1).
batubara, dan sebagian besar terdiri dari karbon dan materi
mineral dengan jejak hidrogen, sulfur dan oksigen. Struktur
fisik, atau morfologi, partikel-partikel arang akan bervariasi
tergantung pada kecepatan devolatisasi, kadar abu dan struktur
batubara mentah. Oksidasi Char adalah reaksi heterogen (fase
padat / gas), di mana gas oksigen berdifusi ke dalam partikel,
dan diserap dan bereaksi pada permukaan char. Reaksinya
jauh lebih lambat daripada pembakaran yang mudah menguap,
dan bergantung pada berbagai faktor. Oksigen dapat bereaksi
pada permukaan arang atau berdifusi melalui pori-pori
sebelum bereaksi dengan partikel. Oksidasi menghasilkan
karbon monoksida dan karbon dioksida. CO juga dapat
dibentuk dengan reduksi CO2 oleh karbon permukaan arang.
Namun, dengan kondisi pembakaran yang cukup rendah
bahan bakar, semua karbon dan CO akan teroksidasi menjadi
CO2.
B. Proses pembentukan NOx
Meskipun NOx mengacu pada semua oksida nitrogen,
selama pembakaran bahan bakar fosil, sebagian besar emisi
NOx telah ditemukan sebagai NO. Ada tiga sumber utama NO
dalam pembakaran, yaitu NO termal, NO prompt dan NO
bahan bakar. NO termal dihasilkan dari reaksi nitrogen di
atmosfer dan oksigen pada suhu tinggi, NO cepat dibentuk
oleh reaksi nitrogen dengan radikal yang diturunkan dari
hidrogen di zona pembakaran yang kaya bahan bakar,
sedangkan NO bahan bakar dihasilkan ketika senyawa
UG 2020
2 CAPSTONE DESIGN PROJECT, ATA
2020/2021
nitrogen ada dalam bahan bakar. dilepaskan dan bereaksi
dengan oksigen [4]. Di pembangkit listrik tenaga batu bara,
bahan bakar NO merupakan kontribusi utama terhadap emisi
NOx, dengan sebagian bahan bakar NO dilepaskan dari
devolitisasi bahan bakar dan sebagian lagi dari oksidasi arang.
Proses pembentukan NOx yang disederhanakan yang terkait
dengan proses pembakaran batubara dijelaskan secara singkat
pada Gambar 1.
Gambar 1. Skema proses pembentukan nitrogen oksida
Pembakaran suhu tinggi menyebabkan oksigen dan
nitrogen atmosfer bereaksi membentuk nitrogen oksida.
Reaksi utama:
(R3) N2 + O NO + N
(R4) N + O2 NO + O
(R5) N + OH NO + H (untuk bahan bakar kaya
campuran)
Koefisien laju reaksi (kl, k-l, k2, k-2, k3, k-3) untuk reaksi
maju.
Segera NO dibentuk oleh reaksi N2 dengan radikal yang
diturunkan dari bahan bakar seperti CH dan CH 2 di daerah
dekat zona nyala bahan bakar hidrokarbon. Meskipun
kontribusinya secara keseluruhan bisa kecil dibandingkan
dengan pembentukan NO total (kurang dari 5 persen),
konsentrasi NO cepat di zona kaya bahan bakar bisa
signifikan. Selain itu, dalam kondisi kaya bahan bakar dari
beberapa burner dengan NOx rendah, proporsi prompt NO
dalam formasi NOx total mungkin lebih besar.
Bahan bakar NO merupakan sumber utama emisi NOx
dalam pembakaran bahan bakar fosil, dan merupakan 70-90
persen dari total NO [5]. Bahan bakar NO terbentuk dari
oksidasi nitrogen homogen yang dilepaskan selama
devolitisasi. Dipercaya bahwa spesies gas utama yang
mengandung nitrogen yang dihasilkan selama evolusi
batubara adalah HCN dan NH3. Setelah bahan bakar nitrogen
diubah menjadi HCN, dengan cepat meluruh menjadi berbagai
senyawa NH (NHi), yang bereaksi membentuk NO dan N2.
Pembentukan dan penghancuran NO2 diyakini terjadi
melalui reaksi NO dengan O2, O, OH dan HO2 dalam nyala
api. Pertimbangan kesetimbangan kimia menunjukkan bahwa
untuk suhu yang lebih besar dari 1500 K rasio NO 2: NO
UG 2020
mendekati nol dalam nyala api. Namun, konsentrasi NO2 yang
signifikan telah diukur dalam api difusi turbulen di dekat zona
pembakaran.
III. METODE PEMODELAN DINAMIK
Dalam melakukan penelitian-penelitian tersebut, dilakukan
beberapa metode pemodelan yang berbeda sesuai dengan
kebutuhannya, antara lain:
A. Artificial Neural Network (ANN)
ANN direpresentasikan sebagai lapisan node pemrosesan
yang saling berhubungan non-linier yang biasanya disebut
sebagai neuron, istilah yang dipinjam dari neurobiologi. Ini
adalah paradigma pemrosesan informasi yang terdiri dari satu
set persamaan aljabar. Kelas yang paling umum dari ANN
adalah jaringan penerusan berlapis-lapis yang utamanya terdiri
dari lapisan masukan, satu atau lebih lapisan tersembunyi dan
lapisan keluaran [6]. Melalui lapisan masukan, data mentah
yang dinormalisasi dimasukkan ke dalam jaringan. Lapisan
masukan menyimpan data dan mendistribusikannya ke
jaringan melalui interkoneksi ke neuron di lapisan
tersembunyi di mana mereka diproses oleh fungsi aktivasi
untuk mendapatkan sinyal keluaran. Aktivitas setiap unit
hidden layer ditentukan oleh aktivitas unit input dan bobot
pada koneksi antara input dan hidden unit seperti pada
Gambar 2.
Gambar 2. Arsitektur ANN untuk memprediksi NOx
Ini merupakan flavonoid, uranoflavonoid, dan turunan furan
dan digunakan dalam mengobati penyakit kulit dan bio
pestisida. Kue tepung dapat digunakan sebagai pupuk,
pestisida dan digunakan untuk pertanian organik. Cangkang
biji dapat digunakan sebagai bahan yang mudah terbakar.
B. Deep Neural Network (DNN)
DNN adalah ANN yang merupakan algoritme berorientasi
matematika yang dirancang menurut struktur otak manusia
untuk meniru caranya memecahkan masalah. Dalam
perkembangan terakhir, telah menjadi lebih andal dalam
mempelajari sistem proses yang kompleks dari contoh input
dan output yang diketahui baik dari eksperimen lapangan atau
laboratorium daripada yang dapat dikorelasikan dengan
metode analitik. Gambar. 3 menunjukkan struktur DNN yang
digunakan dalam penelitian [7], yang terdiri dari interkoneksi
Judul Capstone Design project
CAPSTONE DESIGN PROJECT, ATA 2020/2021 3

neuron dalam jaringan multilayer. Gambar. 4 menunjukkan ∂ Cf l−1 l

algoritma Feed Forward Back Propagation (FFBP) [8, 9], l
=ψ k δ j (8)
melalui mana hubungan yang ada antara contoh masukan dan ∂ω jk
I I
keluaran dipelajari. Menggunakan (ω jk ) dan (b j )untuk
menunjukkan bobot dan bias, masing-masing, untuk koneksi
dari neuron ke-k dalam lapisan (l-1) ke neuron ke-j di lapisan
ke-l, neuron input dan output dapat dihitung dengan
Persamaan. (2) dan (3):

h j=∑ ω jk ψ k +b j
l l l −1 l
(2)
k

l
ψ j =σ
( ∑ l l −1 l
)
i
ω jk ψ k +b j =σ (h j )
k
(3)

Tujuan pelatihan DNN adalah untuk mendapatkan bobot dan

nilai bias yang optimal dengan meminimalkan fungsi biaya
pada setiap contoh pengujian x. Dalam FFBP yang
diilustrasikan pada Gambar 4, bobot dan koneksi bias pertama
kali diinisialisasi di mana output feed forward dari DNN
dihitung sebagai ψ l(x). Fungsi biaya dari output kemudian
dihitung seperti yang didefinisikan dalam Persamaan. (4).

1 2
Cf = ∑
n x
‖ y ( x )−ψ (x)‖
L
(4)
Gambar 4. Struktur umum FFBP pada sebuah neural network

C. Least Square Support Vector Machine (LSSVM)

Kesalahan yang diperoleh di-propagasi balik di jaringan ...
seperti yang dirangkum dalam Persamaan. (5) - (8), yang D. Polynomial Networks
menghasilkan penyesuaian bobot dan nilai bias. Dalam ...
pelatihan berikutnya, siklus diulangi, hingga kesalahan target E. Local Model Networks
yang memuaskan tercapai. ...
F. Teaching Learning Based Optimization (TLBO)
...
G. Fuzzy Neural Network (FNN)
...
H. Recurrent Neural Network (RNN)
...
I. Random-walk (RW)
...
J. Auto Regressive with Exogenous Inputs (ARX)
...
K. Auto Regressive Moving Average with Exogenous Inputs
(ARMAX)
...
L. Neural Networks (NNs)
...
M. Support Vector Regression (SVR)
Gambar 3. Skema deep neural network ...
N. Non Linear Auto Regressive with Exogenous Inputs
L ' L (NARX)
δ =∇a C f ⨀ σ (h ) (5) ...
O. Long Short Term Memory (LSTM)
δ =( ( ω ) δ ) ⨀ σ (h )
T
l i +1 l+1 ' L
(6) ...
P. Convolutional Neural Network (CNN)
...
∂C f Q. The Kernel Partial Least Squares (KPLS)
i
δ lj (7)
∂b …
j

Judul Capstone Design Project UG 2020

4 CAPSTONE DESIGN PROJECT, ATA
2020/2021
IV. HASIL PENELITIAN REFERENSI
… [1] …
[2] …
[3] Gormley, C., “Modelling coal fired power station NOx emissions”.
V. KESIMPULAN
PhD thesis, The Queen's University of Belfast, 2001.
… [4] De Soete, G. G., “'Overall reaction rates of NO and N 2 formation from
fuel nitrogen”. 15th Symposium (International) on Combustion, Tokyo,
UCAPAN TERIMA KASIH Japan, 1975, The Combustion Institute, pp. 1093-1102.
[5] Lockwood, E C., and Romo-Millares, C. A.: 'Mathematical modelling
Judul untuk ucapan terima kasih dan referensi tidak diberi of fuel-NO emissions from PF burners', Journal of the Institute of
nomor. Terima kasih disampaikan kepada Tim JNTETI yang Energy, 1992, 65, pp. 144-152.
telah meluangkan waktu untuk membuat template ini. [6] S. Thompson and K. Li, “Modelling of NOx emissions in coal-fired
plant”, Thermal Power Plant Simulation and Control, pp: 243-268.
[7] Adams, Derrick, et al. "Prediction of SOx–NOx emission from a coal- deep neural network and least square support vector machine." Journal
fired CFB power plant with machine learning: Plant data learned by of Cleaner Production 270, 2020.
[8] Yu, X., Efe, M.O., Kaynak, O., “A general backpropagation algorithm [10] …
for feedforward neural networks learning”. IEEE Trans. Neural [11] …
Network, 2002. [12] …
[9] Sazli, M.H., A brief review of feed-forward neural networks. Commun. [13] …
Fac. Sci. Univ. Ankara, 2006.

UG 2020 Judul Capstone Design project