Informasi Lainnya
Abstraksi
<p>Industri minyak dan gas memainkan peran vital dalam mobilitas global, dan pipa gas memainkan peran utama dalam memfasilitasi distribusi dan ekstraksi gas. Studi ini mem- bahas tantangan peramalan tekanan pipa gas, faktor kritis dalam keamanan dan efisiensi industri minyak dan gas, dengan mengusulkan pendekatan hibrida yang menggunakan model statistik dan pembelajaran mendalam. Menggunakan data tekanan dan laju aliran yang dikumpulkan dari fasilitas offshore, penelitian ini mengusulkan arsitektur hibrida di mana ARIMA digunakan untuk memodelkan pola linier, sementara sisa yang dihasilkan diproses oleh jaringan LSTM atau Bidirectional LSTM (Bi-LSTM) untuk menangkap pola nonlinier yang kompleks. Kinerja berbagai konfigurasi, termasuk ARIMAX dan SARI- MAX, dievaluasi pada horizon satu minggu dan satu bulan menggunakan Mean Abso- lute Percentage Error (MAPE). Hasil menunjukkan bahwa model hibrida secara signifikan outperform pendekatan individu, sementara model statistik individu menghasilkan tingkat kesalahan yang tinggi. Model ARIMA-LSTM hibrida mencapai MAPE 0,36% untuk perki- raan satu bulan pada data yang tidak dilakukan smoothing, dan model SARIMAX-BiLSTM mencapai MAPE 0,17% untuk perkiraan satu minggu dengan smoothing. Secara keselu- ruhan, temuan ini menegaskan bahwa integrasi pemodelan tren linier dengan koreksi deep learning nonlinier menghasilakn model yang lebih unggul dan akurat untuk pengambilan keputusan operasional dan manajemen risiko dalam sistem pipa.</p>
Koleksi & Sirkulasi
Tersedia 1 dari total 1 Koleksi
