Review Oleh: Ropiudin, S.TP., M.Si. (Dosen Bidang Teknik Sistem Termal dan Energi Terbarukan, Universitas Jenderal Soedirman)
Penggunaan metode kecerdasan buatan (AI) saat ini telah terbukti efektif dalam memprediksi kinerja kompleks teknologi termal berbasis penyimpanan untuk aplikasi pemanasan dan pendinginan. Estimasi yang akurat dari sistem penyimpanan energi yang berkelanjutan sangatlah penting karena dapat memperpanjang waktu operasi, sehingga memaksimalkan efisiensi keseluruhan dari sistem penyimpanan energi berbasis tenaga surya. Penelitian ini memperkenalkan investigasi eksperimental komparatif dan pemodelan Support Vector Machine (SVM) pada Wavy Corrugated Solar Air Collector (WCSAC) dengan dan tanpa penggunaan wadah penyimpanan parafin sebagai material perubahan fase (PCM).
Eksperimen dilakukan pada WCSAC dengan tiga laju aliran udara sebesar 0.540, 1.68, dan 3.72 kg/menit, serta dua ketebalan lapisan parafin masing-masing 2 cm dan 4 cm. Selain itu, model SVM yang dikembangkan menggunakan perangkat lunak MATLAB untuk memprediksi parameter kinerja termal, seperti rasio suhu udara, suhu udara rata-rata, koefisien perpindahan panas konvektif, dan efisiensi energi. Model SVM optimal dikembangkan dengan menggabungkan kondisi Karush-Kuhn-Tucker (KKT) dan beberapa fungsi kernel. Analisis sensitivitas juga dilakukan untuk mengeksplorasi signifikansi parameter input model (suhu masuk udara, waktu, irradiansi matahari, laju aliran udara, ketebalan lapisan PCM) terhadap prediksi parameter keluaran menggunakan teknik simulasi Monte Carlo.
Hasil eksperimen menunjukkan bahwa efisiensi energi harian WCSAC yang dilengkapi dengan lapisan parafin setebal 4 cm meningkat masing-masing sebesar 24,0 %, 20,39 %, dan 16,37 % dibandingkan WCSAC tanpa PCM pada laju aliran udara sebesar 3.72, 1.68, dan 0.54 kg/menit. Selain itu, koefisien perpindahan panas konvektif dari WCSAC dengan PCM lebih dari 1,20 kali lipat dibandingkan WCSAC tanpa PCM. Simulasi SVM juga menunjukkan bahwa solusi optimal dari model SVM dapat dicapai dengan menggabungkan kondisi KKT dan fungsi kernel Lagrangian, yang menunjukkan akurasi superior dengan koefisien determinasi tertinggi sebesar 0.990 untuk proses pelatihan dan 0.950 untuk proses pengujian.
Sebagai Dosen Bidang Teknik Sistem Termal dan Energi Terbarukan, saya melihat penelitian ini sebagai terobosan yang penting dalam pengembangan sistem kolektor surya yang lebih efisien. Penggunaan wadah penyimpanan parafin pada WCSAC memberikan dampak signifikan dalam meningkatkan efisiensi energi dan koefisien perpindahan panas. PCM parafin yang digunakan mampu menyimpan dan melepaskan panas secara efisien selama proses operasi, yang sangat penting dalam aplikasi penyimpanan energi termal berbasis tenaga surya.
Selain itu, penerapan metode SVM dalam memprediksi kinerja termal sistem ini menjadi nilai tambah tersendiri. Pendekatan ini memungkinkan perhitungan yang lebih akurat dan optimal terhadap parameter kinerja penting, yang sangat membantu dalam pengambilan keputusan di tahap desain dan operasi sistem. SVM memberikan fleksibilitas lebih dalam menyesuaikan kondisi yang berubah-ubah, seperti laju aliran udara dan ketebalan lapisan PCM, yang berpotensi meningkatkan efisiensi energi secara signifikan.
Studi ini juga memberikan wawasan yang mendalam tentang pentingnya analisis sensitivitas dalam mengevaluasi pengaruh parameter input terhadap hasil kinerja sistem. Penggunaan simulasi Monte Carlo memungkinkan pemahaman yang lebih komprehensif tentang variabilitas sistem dalam berbagai kondisi operasi. Dengan demikian, hasil penelitian ini tidak hanya relevan untuk aplikasi pemanasan dan pendinginan berbasis tenaga surya, tetapi juga memberikan kontribusi penting dalam pengembangan teknologi penyimpanan energi yang lebih cerdas dan efisien.
Secara keseluruhan, inovasi yang dihadirkan dalam penelitian ini mampu memberikan dorongan signifikan bagi perkembangan teknologi penyimpanan energi termal yang lebih berkelanjutan. Hasil penelitian ini membuka jalan bagi penerapan lebih luas dari teknologi kolektor surya dengan PCM dan memanfaatkan AI untuk mengoptimalkan kinerja sistem, sehingga mendukung transisi menuju sistem energi yang lebih efisien dan ramah lingkungan.
