Bahan bakar fosil, seperti batu bara, minyak, dan gas alam, adalah bahan organik yang terbentuk selama jutaan tahun dari organisme yang telah mati. Bahan bakar ini merupakan sumber energi penting untuk pemanasan, transportasi, dan pembangkit listrik. Namun, pembakaran yang ekstensif berkontribusi terhadap degradasi lingkungan, dengan lebih dari 70% emisi gas rumah kaca yang disebabkan oleh manusia berasal dari CO2 yang dilepaskan selama pembakaran. Menyadari urgensi perubahan iklim, ada pergeseran global menuju solusi energi berkelanjutan, yang bertujuan untuk mengurangi ketergantungan pada bahan bakar fosil. Transisi ini menimbulkan tantangan ekonomi, sehingga memerlukan pendekatan yang adil untuk mengatasi dampak sosial. Upaya internasional, seperti tujuan pembangunan berkelanjutan PBB dan Perjanjian Iklim Paris, bertujuan untuk mengarahkan transisi ini menuju alternatif energi yang lebih bersih.

Bahan bakar fosil utama (dari atas ke bawah): gas alam, minyak, dan batu bara.

Asal Mula Konsep Bahan Bakar Fosil

Konsep yang menjelaskan bahwa bahan bakar fosil berasal dari sisa-sisa fosil tumbuhan yang telah mati, pertama kali diajukan oleh Andreas Libavius pada tahun 1597 dan kemudian ditegaskan kembali oleh Mikhail Lomonosov pada pertengahan abad ke-18, menandai pemahaman penting dalam sejarah alam bumi. Istilah "bahan bakar fosil" diciptakan oleh ahli kimia Jerman Caspar Neumann pada tahun 1759, yang berarti sumber daya yang diperoleh dari kedalaman bumi.

Karena ladang minyak hanya terletak di tempat-tempat tertentu di Bumi, hanya beberapa negara yang independen terhadap minyak; negara-negara lain bergantung pada kapasitas produksi minyak negara-negara tersebut.

Fitoplankton dan zooplankton akuatik, yang membusuk dalam kondisi kekurangan oksigen jutaan tahun yang lalu, memulai proses pembentukan minyak bumi dan gas alam melalui dekomposisi anaerobik. Bahan organik ini, bercampur dengan sedimen, mengalami proses transformasi akibat panas dan tekanan yang hebat, sehingga menghasilkan kerogen dan kemudian hidrokarbon cair dan gas.

Meskipun tumbuhan di bumi berkontribusi terhadap pembentukan batu bara dan metana, proses geologi yang berkepanjangan menjadikan bahan bakar fosil sebagai sumber daya yang tidak terbarukan. Meskipun sumber energi tersebut dihasilkan terus-menerus, penipisan cadangan yang diketahui jauh melebihi laju pembentukan cadangan baru, hal ini menunjukkan keterbatasan sumber energi yang tak ternilai harganya.

Pentingnya Bahan Bakar Fosil

Bahan bakar fosil telah memainkan peran penting dalam kemajuan manusia karena kemampuannya yang mudah dibakar untuk menghasilkan panas. Gambut, yang digunakan sebagai bahan bakar rumah tangga sejak zaman kuno, mendahului sejarah yang tercatat. Peradaban awal menggunakan batu bara untuk peleburan bijih logam, sementara hidrokarbon semi-padat dari rembesan minyak berfungsi untuk berbagai tujuan seperti waterproofing dan pembalseman. Abad ke-19 menandai dimulainya eksploitasi minyak bumi secara komersial. Setelah dianggap sebagai limbah, gas alam sekarang dianggap sebagai sumber daya yang berharga, dengan deposito yang juga berfungsi sebagai sumber utama helium.

Pendapatan bersih industri minyak dan gas global mencapai rekor US$4 triliun pada tahun 2022.

Pentingnya minyak mentah berat, pasir minyak, dan serpih minyak meningkat pada awal tahun 2000-an, meskipun tren disinvestasi muncul karena jejak karbon yang tinggi. Bahan bakar fosil mendukung Revolusi Industri melalui mesin uap dan memfasilitasi kemajuan transportasi, termasuk mobil, truk, kereta api, dan pesawat terbang. Bahan bakar fosil juga berfungsi sebagai sumber penting pembangkit listrik dan bahan baku untuk industri petrokimia. Selain itu, bahan bakar fosil juga berperan penting dalam kemajuan pertanian, menyediakan energi untuk pupuk, pestisida, dan irigasi, sehingga mendukung produksi pangan global dan pertumbuhan populasi.

Dampak Lingkungan

Penggunaan bahan bakar fosil membawa dampak lingkungan yang beragam, melampaui pengguna langsung dan memengaruhi ekosistem secara global. Setiap jenis bahan bakar berkontribusi pada perubahan iklim dengan melepaskan CO2 saat terbakar, dan batu bara khususnya berdampak buruk karena menghasilkan emisi partikel, kabut asap, dan hujan asam tambahan. Perubahan iklim memperburuk degradasi ekosistem, mengancam kepunahan spesies, dan menimbulkan tantangan dalam produksi pangan, yang pada akhirnya mengancam kesehatan manusia. Selain itu, pembakaran menghasilkan asam sulfat dan nitrat, yang menyebabkan hujan asam yang merusak struktur alami dan buatan.

Proyek Karbon Global menunjukkan bagaimana penambahan CO2 sejak tahun 1880 disebabkan oleh berbagai sumber yang terus meningkat.

Bahan bakar fosil juga mengandung unsur radioaktif seperti uranium dan torium, yang dilepaskan ke atmosfer saat terbakar, menimbulkan risiko lingkungan dan kesehatan. Pembakaran batu bara menghasilkan abu dasar dan abu terbang yang signifikan, yang lebih lanjut memperburuk polusi lingkungan. Selain itu, ekstraksi, pengolahan, dan transportasi bahan bakar fosil berdampak pada lingkungan, termasuk degradasi habitat akibat praktik penambangan dan polusi dari kilang minyak. Upaya untuk mengurangi dampak ini melibatkan promosi sumber energi terbarukan dan penerapan regulasi lingkungan. Meskipun ada upaya tersebut, investasi pemerintah dalam produksi bahan bakar fosil terus memperparah kekhawatiran lingkungan, sehingga mendesak untuk segera beralih ke alternatif energi yang berkelanjutan.

Dampak Penyakit dan kematian

Pencemaran lingkungan dari bahan bakar fosil berdampak pada manusia karena materi partikulat dan polusi udara lainnya dari pembakaran bahan bakar fosil menyebabkan penyakit dan kematian ketika terhirup. Dampak kesehatan ini termasuk kematian dini, penyakit pernapasan akut, asma yang memburuk, bronkitis kronis, dan penurunan fungsi paru-paru.

Mereka yang miskin, kurang gizi, sangat muda, sangat tua, dan orang-orang yang memiliki penyakit pernapasan yang sudah ada sebelumnya dan masalah kesehatan lainnya lebih berisiko. Kematian global akibat polusi udara dari bahan bakar fosil diperkirakan mencapai lebih dari 8 juta orang (2018, hampir 1 dari 5 kematian di seluruh dunia), 10,2 juta (2019), dan 5,13 juta kematian akibat polusi udara ambien karena penggunaan bahan bakar fosil (2023).

Pentingnya Penghapusan Bahan Bakar Fosil dan Divestasi

Pengurangan penggunaan dan produksi bahan bakar fosil secara bertahap hingga nol, dikenal sebagai penghapusan bahan bakar fosil. Tujuannya untuk mengurangi kematian dan penyakit akibat polusi udara, membatasi perubahan iklim, serta meningkatkan kemandirian energi. Langkah ini merupakan bagian dari transisi energi terbarukan yang sedang berlangsung, meski terhambat oleh subsidi bahan bakar fosil.

Transisi yang adil adalah kerangka kerja yang dikembangkan oleh gerakan serikat pekerja. Mencakup berbagai intervensi sosial untuk melindungi hak dan mata pencaharian pekerja ketika perekonomian beralih ke produksi yang lebih berkelanjutan. Di Eropa, pendukung transisi yang adil ingin menyatukan keadilan sosial dan iklim, misalnya untuk pekerja batu bara di wilayah yang bergantung pada batu bara namun kekurangan peluang kerja di luar sektor ini.

Divestasi atau pelepasan investasi dari bahan bakar fosil dan pengalihan ke solusi perubahan iklim, adalah upaya untuk mengurangi perubahan iklim dengan mengekang tekanan sosial, politik, dan ekonomi. Tujuannya agar institusi melepaskan aset termasuk saham, obligasi, dan instrumen keuangan lain yang terhubung dengan perusahaan ekstraksi bahan bakar fosil.

Kampanye divestasi bahan bakar fosil muncul di kampus perguruan tinggi Amerika Serikat pada 2011, dengan mahasiswa mendesak administrasi mengalihkan investasi dana abadi dari industri bahan bakar fosil ke energi bersih dan komunitas yang paling terdampak perubahan iklim. Pada 2012, Unity College di Maine menjadi institusi pendidikan tinggi pertama yang melakukan divestasi dana abadi dari bahan bakar fosil.

Menjelang 2015, divestasi bahan bakar fosil dilaporkan sebagai gerakan divestasi yang berkembang tercepat dalam sejarah. Per Juli 2023, lebih dari 1.593 institusi dengan total aset lebih dari $40,5 triliun di seluruh dunia telah memulai atau berkomitmen untuk melakukan divestasi dalam bentuk tertentu dari bahan bakar fosil.

Sektor Industri

Pada tahun 2019, Saudi Aramco menjadi berita utama dengan menjadi perusahaan publik paling berharga di dunia, mencapai valuasi $ 2 triliun yang mengejutkan hanya satu hari setelah IPO, menandai tonggak sejarah yang signifikan dalam industri bahan bakar fosil. Namun, dampak ekonomi dari bahan bakar fosil lebih dari sekadar kemenangan perusahaan. Polusi udara yang berasal dari penggunaan bahan bakar fosil memiliki biaya yang sangat besar, diperkirakan mencapai $ 2,9 triliun pada tahun 2018, setara dengan 3,3% dari PDB global. Subsidi bahan bakar fosil semakin memperumit lanskap keuangan, dengan pemerintah memberikan keringanan pajak dan insentif yang mendorong produksi dan konsumsi.

Subsidi bahan bakar fosil per kapita, 2019. Subsidi bahan bakar fosil per kapita sebelum pajak diukur dalam dolar AS yang konstan.

Meskipun subsidi ini bertujuan untuk meningkatkan ketahanan energi dan mengurangi kesenjangan ekonomi, subsidi ini sering kali menguntungkan segmen populasi yang lebih kaya dan memperburuk degradasi lingkungan. Meskipun ada janji untuk menghapus subsidi yang tidak efisien, subsidi tersebut tetap ada karena permintaan pemilih dan kekhawatiran akan keamanan energi. Lobi bahan bakar fosil, yang terdiri dari perusahaan-perusahaan besar dan perwakilan industri, memiliki pengaruh yang signifikan terhadap kebijakan pemerintah, dan sering kali menghalangi perlindungan lingkungan dan inisiatif iklim untuk melindungi kepentingan mereka.

Kehadiran dan kegiatan mereka tersebar di berbagai negara, dengan pengaruh penting di negara-negara ekonomi demokratis seperti Kanada, Australia, Amerika Serikat, dan Eropa. Para pelobi ini mengeksploitasi krisis internasional untuk mendorong deregulasi dan mempromosikan pengembangan bahan bakar fosil, melanggengkan dominasi industri ini meskipun ada masalah lingkungan dan sosial yang meningkat.

Disadur dari: en.wikipedia.org 

Pendahuluan: Tantangan Memprediksi Kegagalan di Dunia Nyata

Produsen produk teknik sering menghadapi pengembalian garansi tak terduga akibat kegagalan desain tersembunyi atau kondisi lingkungan yang ekstrem. Untuk mengantisipasinya, digunakan Accelerated Life Tests (ALTs)—uji umur dengan beban lebih tinggi agar kegagalan muncul lebih cepat. Namun tantangannya: apakah data ALT bisa digunakan untuk memprediksi kegagalan di lapangan?

Makalah ini, ditulis oleh Meeker, Escobar, dan Hong, menawarkan solusi melalui model use-rate dan pendekatan komprehensif untuk multiple failure modes, yang menjembatani hasil laboratorium dan performa nyata produk. Contoh nyata menggunakan dua perangkat rumah tangga (Appliance A dan B) menunjukkan efektivitas pendekatan ini.

Accelerated Life Tests dan Model Use-Rate: Dasar Prediksi

ALT mensimulasikan masa pakai produk dengan mempercepat siklus atau menaikkan beban (misalnya suhu, tekanan). Namun untuk memetakan hasil ALT ke realita, diperlukan:

• Pemahaman tentang mekanisme kegagalan yang sama antara ALT dan penggunaan lapangan.
• Data distribusi frekuensi penggunaan konsumen nyata.
• Pemilihan model matematis yang sesuai seperti lognormal atau Weibull.

Studi Kasus: Appliance A dan Model Use-Rate Diskret

Komponen A memiliki cacat desain dan diuji ulang lewat ALT dengan siklus yang dipercepat. Distribusi waktu rusaknya mengikuti lognormal, sedangkan data penggunaan rumah tangga (distribusi lognormal diskret, 1–20 siklus per minggu) diperoleh dari survei.

Model campuran:
Jika siklus-to-failure lognormal dan distribusi penggunaan diskret, maka waktu gagal produk di lapangan diprediksi sebagai:

F(t)=∑i=1kπi⋅Φ(log⁡(Ri⋅t)−log⁡(ηC)σC)F(t) = \sum_{i=1}^{k} \pi_i \cdot \Phi\left( \frac{\log(R_i \cdot t) - \log(\eta_C)}{\sigma_C} \right)

Hasil: Prediksi distribusi waktu gagal di lapangan cocok dengan data historis garansi—menunjukkan bahwa ALT dan model penggunaan konsisten dengan realita.

Studi Kasus Lanjutan: Appliance B dan Dua Failure Mode

Permasalahan:
Turbine-device pada Appliance B mengalami dua jenis kegagalan:

• Wear (keausan karena penggunaan normal)
• Crack (retak akibat beban berlebih/abuse)

Temuan penting:

• ALT standar hanya menghasilkan kegagalan crack, tetapi 80% kegagalan lapangan disebabkan oleh wear.
• Diperlukan dua ALT: satu dengan beban normal (menghasilkan wear), satu dengan overload (menghasilkan crack).

Model Dua Failure Mode: Kombinasi Statistik dan Fisika

Produk dianggap sebagai sistem seri: gagal jika salah satu komponen gagal.

Dengan:

• C1 dan C2 = lifetime dalam satuan siklus
• R1 dan R2 = tingkat penggunaan normal dan abuse
• T1 = C1/R1 dan T2 = C2/R2 (waktu ke kegagalan di lapangan)

Maka distribusi waktu gagal gabungan:

F(t)=1−S(t,t)=1−P(T1>t,T2>t)F(t) = 1 - S(t, t) = 1 - P(T1 > t, T2 > t)

Asumsi penting:

• Korelasi positif antara R1 dan R2 → makin sering digunakan, makin rentan disalahgunakan.
• Korelasi ini dimodelkan dengan bivariate lognormal distribution.

Estimasi Parameter: ALT + Data Garansi

Estimasi parameter keandalan melalui kombinasi data Accelerated Life Testing (ALT) dan data garansi memberikan gambaran yang lebih realistis terhadap perilaku kegagalan produk. Dalam pendekatan ini, digunakan metode Maximum Likelihood Estimation (MLE) untuk mengidentifikasi parameter distribusi waktu kegagalan dari masing-masing failure mode. Hasil analisis menunjukkan bahwa untuk mode kegagalan wear, median waktu gagal adalah 246 hari dengan variabilitas (σ) sebesar 1,39 dan korelasi waktu-failure (ρ_TT) sebesar 0,54. Sementara itu, mode crack memiliki median waktu gagal 595 hari dan variabilitas lebih tinggi, yakni 1,65, namun tanpa estimasi korelasi. Ketika kedua mode digabungkan, median waktu gagal tercatat sebesar 223 hari. Temuan penting dari analisis ini adalah bahwa dengan mempertimbangkan korelasi ρ_TT sekitar 0,5—alih-alih mengasumsikan nilai nol—estimasi keandalan sistem menjadi lebih akurat. Hal ini menegaskan pentingnya mempertimbangkan hubungan antara variabel pengujian dan kondisi lapangan dalam model prediktif keandalan.

Prediksi untuk Desain Baru Appliance B

Desain baru dilakukan dengan:

• ν₁ = 5× peningkatan daya tahan wear
• ν₂ = 2× peningkatan daya tahan crack

Dengan model sebelumnya, distribusi waktu gagal sistem baru dihitung kembali.

Hasil (Desain Baru):

• Wear: median gagal = 1215 hari
• Crack: median gagal = 1045 hari
• Gabungan: median gagal = 805 hari (naik signifikan dari 223 hari desain lama)

Grafik estimasi cdf (F(t)) dan interval kepercayaan 95% menunjukkan peningkatan drastis dalam keandalan sistem.

Simulasi & Sensitivitas: Apakah Korelasi Penting?

Dengan dua skenario:

• ρ_TT tinggi (0.98) → kesalahan asumsi korelasi 0 menghasilkan bias besar dalam prediksi.
• ρ_TT sedang (0.45) → kesalahan asumsi ρ tetap berpengaruh, tapi tidak seburuk sebelumnya.

Inti temuan:

• Estimasi marginal bisa sangat meleset jika korelasi antar mode gagal tidak dipertimbangkan.
• Estimasi sistem (gabungan) bisa tetap stabil bila bentuk distribusi mirip, tapi tidak selalu aman mengabaikan korelasi.

Kritik & Relevansi

Kekuatan:

• Kombinasi fisika dan statistik → akurasi tinggi
• Bisa digunakan untuk desain, evaluasi garansi, dan proyeksi masa depan
• Fleksibel terhadap banyak failure mode

Kelemahan:

• Membutuhkan data lapangan + ALT
• Model lebih rumit daripada metode klasik
• Butuh validasi asumsi korelasi

Relevansi industri:

• Sangat cocok untuk elektronik konsumen, otomotif, aerospace, dan manufaktur presisi
• Menjembatani laboratorium dan realita lapangan untuk manajemen garansi yang lebih cerdas

Kesimpulan: ALT dan Model Penggunaan Membentuk Prediksi Masa Depan

Makalah ini menunjukkan bahwa dengan menyatukan data ALT, informasi penggunaan konsumen, dan pemodelan statistik-fisik, prediksi keandalan produk bisa ditingkatkan secara signifikan. Dengan mempertimbangkan failure mode ganda dan korelasi antar pemakaian, perusahaan bisa membuat keputusan desain dan garansi dengan lebih presisi dan percaya diri.

Sumber : William Q. Meeker, Luis A. Escobar, Yili Hong. Using Accelerated Life Tests Results to Predict Product Field Reliability. Center for Nondestructive Evaluation, Iowa State University, 2008.

Pendahuluan: Ketika Ketergantungan Komponen Diabaikan

Dalam dunia teknik sistem, keandalan adalah kunci. Namun, banyak metode prediksi keandalan masih bertumpu pada asumsi independensi komponen—sebuah pendekatan yang terbukti tidak akurat untuk sistem kompleks. Artikel karya Zhiguo Zeng dkk. ini memperkenalkan konsep baru dalam Physics-of-Failure (PoF): failure collaboration, yaitu kondisi di mana komponen saling mempengaruhi kegagalan satu sama lain. Dengan mengembangkan model deterministik berbasis PoF dan mengintegrasikan Bisection-based Reliability Analysis Method (BRAM), studi ini memberikan fondasi kuat bagi prediksi keandalan yang lebih realistis.

Mengapa Failure Collaboration Penting?

Dalam pendekatan PoF tradisional:

• TTF (Time To Failure) dihitung terpisah untuk setiap komponen.
• Sistem dianggap gagal ketika komponen tercepat gagal.
• Tidak mempertimbangkan interaksi antar komponen, yang padahal sering terjadi di sistem nyata.

Failure collaboration mengisi celah ini. Contoh sederhana adalah rangkaian pembagi tegangan, di mana dua impedansi (X1 dan X2) bekerja bersama. Ketika X2 mengalami degradasi, ia mengubah ambang batas kegagalan X1. Artinya, kegagalan X1 bergantung pada X2—inilah bentuk kolaborasi kegagalan yang tidak bisa diabaikan.

Model PoF yang Mempertimbangkan Kolaborasi Kegagalan

Langkah-Langkah Pengembangan Model:

1. Bangun Physical Functional Model (PFM)
   Deskripsikan fungsi sistem secara fisik menggunakan software seperti AMESim, PSpice, atau Simulink.
2. Identifikasi Parameter Sensitif Terhadap Degradasi (zd)
   Gunakan analisis FMMEA (Failure Modes, Mechanisms, and Effects Analysis) dan analisis sensitivitas.
3. Terapkan Model PoF untuk zd
   Misalnya: keausan, kelelahan, atau elektromigrasi.
4. Gabungkan semuanya dalam fungsi p(t):

TTF=inf⁡{t∣p(t)≥pth}TTF = \inf\{t \mid p(t) \geq p_{th}\}

Prediksi kapan parameter performa mencapai ambang kegagalan.

Studi Kasus: Hydraulic Servo Actuator (HSA)

Sistem: 6 komponen utama, termasuk katup elektrohidrolik, 4 spool, dan 1 silinder hidraulik.

Parameter performa (pHSA):
Rasio atenuasi (dalam dB):

pHSA=−20log⁡(AHCAobj)p_{HSA} = -20 \log \left(\frac{A_{HC}}{A_{obj}}\right)

Ambang kegagalan ditetapkan di 3 dB.

Model degradasi:
Semua komponen mengalami keausan (wear), dimodelkan sebagai:

xi(t)=x0,i+Kitfix_i(t) = x_{0,i} + K_i t^{f_i}

dengan konstanta tergantung kekerasan material (Brinell), gaya gesek, tekanan, dimensi, dll.

Hasil:

• Prediksi TTF dengan mempertimbangkan failure collaboration (TTF_FC) = 3.04 × 10⁵ jam
• Prediksi TTF asumsi independensi (TTF_IND) = 4.23 × 10⁵ jam

Kesimpulan:
Model klasik melebih-lebihkan keandalan sistem karena tidak menghitung efek akumulatif dari degradasi tiap komponen.

BRAM: Metode Analisis Keandalan Baru

Masalah metode klasik:
Perlu dua lapisan simulasi Monte Carlo, sangat boros komputasi.

Solusi:
BRAM (Bisection-based Reliability Analysis Method) menggunakan langkah berikut:

1. Bangkitkan n sampel acak dari parameter input (x).
2. Hitung TTF tiap sampel menggunakan algoritma bisection.
3. Urutkan TTF → dapatkan fungsi distribusi empiris keandalan R(t).

Hasil Simulasi:

• Akurasi BRAM sebanding dengan double-loop, tapi:
  • Evaluasi model PoF:
    • BRAM: 6.845 kali
    • Double-loop: 153.000 kali

Efisiensi BRAM meningkat drastis, ideal untuk simulasi besar.

Prediksi Keandalan HSA Menggunakan BRAM

• Gunakan distribusi normal berdasarkan batas toleransi manufaktur.
• Simulasi dilakukan pada parameter lingkungan dan desain.
• Dihitung MTTF (Mean Time To Failure):
  • MTTF_FC: 3.04 × 10⁵ jam
  • MTTF_IND: 3.92 × 10⁵ jam

Perbedaan signifikan ini menunjukkan pentingnya mempertimbangkan failure collaboration untuk keputusan desain dan jadwal perawatan.

Kritik & Relevansi

Kekuatan:

• Model fisik yang realistis.
• Meningkatkan akurasi prediksi.
• Menghindari keputusan desain atau perawatan yang keliru.

Kelemahan:

• Butuh data fisik rinci dan domain knowledge tinggi.
• Perhitungan awal rumit, meskipun efisien di jangka panjang.

Relevansi industri:

• Cocok untuk sistem kritis seperti aerospace, militer, tenaga nuklir, dan transportasi otomatis.
• Potensial menjadi dasar prognostik kesehatan sistem (PHM) berbasis digital twin.

Kesimpulan: Meninggalkan Asumsi Lama

Artikel ini menunjukkan bahwa pendekatan PoF berbasis failure collaboration dan metode BRAM memberikan lompatan besar dalam akurasi prediksi keandalan sistem. Ketika interaksi antar komponen tidak lagi bisa diabaikan, model yang mengakomodasi kompleksitas ini menjadi satu-satunya jalan logis untuk pengembangan sistem teknik modern yang aman dan tahan lama.

Dalam dunia teknik yang makin kompleks, memahami bagaimana komponen bekerja bersama untuk gagal sama pentingnya dengan merancang mereka untuk sukses. Ini bukan hanya soal prediksi kegagalan, tapi menghindari kejutan di masa depan.

Sumber artikel : Zhiguo Zeng, Rui Kang, Yunxia Chen. Using PoF models to predict system reliability considering failure collaboration. Chinese Journal of Aeronautics 29 (2016) 1294–1301.

Pendahuluan: Risiko Industri di Era Ketidakpastian

Perkembangan industri kimia dan energi tidak hanya meningkatkan produktivitas, tetapi juga memperbesar potensi risiko, terutama dalam menghadapi bencana alam seperti gempa bumi. Tantangan utama bukan hanya menilai risiko saat ini, tetapi memprediksi bagaimana risiko berkembang seiring waktu, khususnya akibat penuaan (aging) komponen penghalang keselamatan seperti sistem sprinkler, katup pengaman, atau perlindungan tahan api.

Artikel ilmiah yang dibahas ini menawarkan pendekatan revolusioner yang menggabungkan Physics-of-Failure (PoF) dan Dynamic Bayesian Network (DBN) sebagai fondasi untuk membangun sistem penilaian risiko industri yang dinamis dan berkelanjutan.

Apa Itu PoF dan DBN dalam Konteks Keselamatan Industri?

• PoF adalah pendekatan berbasis sains yang mengkaji mekanisme degradasi fisik komponen, seperti korosi pada pipa atau keausan material tahan api.
• DBN adalah ekstensi dari Bayesian Network yang memodelkan perubahan probabilitas risiko dari waktu ke waktu, menjadikannya ideal untuk sistem industri yang terus berkembang.

Dengan menggabungkan keduanya, framework ini memungkinkan evaluasi fragilitas penghalang keselamatan sebagai fungsi waktu dan intensitas bencana, bukan hanya snapshot sesaat.

Struktur Framework PoF-DBN: Empat Langkah Kunci

1. Karakterisasi Sistem dan Bencana Alam
   Termasuk identifikasi magnitude dan frekuensi gempa, properti fisik tangki, dan kondisi awal penghalang keselamatan.
2. Definisi Struktur dan Parameter DBN
   Parameter diperoleh melalui algoritma Expectation Maximization berdasarkan simulasi 105 skenario kecelakaan.
3. Perhitungan Probabilitas Kegagalan Sistem dan LSIR (Location-Specific Individual Risk)
   Model Probit digunakan untuk menghitung kerentanan manusia terhadap paparan panas atau zat beracun.
4. Pembaruan Risiko Secara Berkala
   Model dievaluasi ulang saat sistem beroperasi seiring waktu atau ada data baru seperti perubahan frekuensi gempa atau kapasitas tangki.

Studi Kasus: Fasilitas Kimia yang Terpapar Gempa

Studi kasus ini berfokus pada sebuah fasilitas kimia yang memiliki dua tangki atmosferik (T1 dan T2) serta satu bejana bertekanan (P1). Fasilitas ini dirancang untuk memiliki masa pakai 50 tahun dan dilengkapi dengan lima penghalang keselamatan untuk melindungi dari potensi risiko. Penghalang pertama, yang diberi kode WDS, merupakan penghalang aktif yang ditujukan untuk tangki T1. Penghalang kedua, PFP, adalah penghalang pasif yang melindungi tangki T2. Selanjutnya, penghalang ketiga, PSV, adalah penghalang aktif yang berfungsi untuk tangki T1, T2, dan P1. Penghalang keempat, ETI, bersifat prosedural dan juga mencakup ketiga komponen tersebut. Terakhir, penghalang kelima, FWS, adalah penghalang aktif yang melindungi tangki T1 dan T2. Dengan adanya penghalang-penghalang ini, fasilitas kimia tersebut berupaya untuk meningkatkan keselamatan operasionalnya, terutama dalam menghadapi risiko seperti gempa.

Model Degradasi Nyata: Korosi, Cuaca, dan Waktu

1. WDS & FWS – Korosi Pipa:

• Dihitung menggunakan model korosi dari Van Der Schijff & Bodemann (2013).
• Fungsi PoF:

mc(t)=1−0.879⋅Cr(t)⋅tmc(t) = 1 - 0.879 \cdot Cr(t) \cdot t

• Fragilitas meningkat seiring menipisnya dinding pipa, menurunkan ketahanan seismik.

2. PFP – Penuaan Material:

• Penurunan kekuatan tarik akibat cuaca, menggunakan data akselerasi cuaca 600 jam = 30 tahun alami.
• Model fragilitas:

φPFP(t,PGA)=1−σs(t)−σT(PGA)σs(t)\varphi_{PFP}(t, PGA) = 1 - \frac{\sigma_s(t) - \sigma_T(PGA)}{\sigma_s(t)}

jika σs(t)≥σT\sigma_s(t) ≥ \sigma_T; jika tidak, φ=1\varphi = 1.

3. PSV – Tidak Terpengaruh Gempa, Tapi Mengalami Degradasi Umur:

• Menggunakan model Markov dengan empat tingkat degradasi.

Validasi & Evaluasi Probabilitas Kegagalan Sistem

Hasil simulasi yang dilakukan untuk validasi dan evaluasi probabilitas kegagalan sistem menunjukkan nilai Mean Squared Error (MSE) yang bervariasi untuk setiap tangki. Tangki T1 memiliki MSE sebesar 2.6 × 10⁻⁴, sedangkan T2 sedikit lebih tinggi dengan MSE 2.7 × 10⁻⁴. Di sisi lain, pompa P1 menunjukkan performa terbaik dengan MSE terendah, yaitu 2.1 × 10⁻⁴. Nilai MSE yang rendah ini mengindikasikan bahwa model Deep Belief Network (DBN) yang digunakan memiliki akurasi tinggi dalam memprediksi risiko kegagalan berdasarkan parameter waktu nyata. Dengan demikian, hasil ini memberikan keyakinan bahwa sistem yang diterapkan dapat diandalkan untuk memantau dan mengelola risiko kegagalan secara efektif.

LSIR: Mengukur Risiko Nyata Bagi Manusia

LSIR dihitung berdasarkan paparan panas (Q) dan waktu evakuasi (te), menggunakan model:

S=−14.9+2.56⋅ln⁡(6×10−3×Q1.33×te)S = -14.9 + 2.56 \cdot \ln(6 × 10^{-3} × Q^{1.33} × te)

Batas aman yang digunakan:
LSIR ≤ 4.3 × 10⁻⁵ kematian per tahun.

Simulasi Pembaruan Risiko & Dampaknya

1. Tahun ke-8:
Waktu tanggap ETI memburuk akibat relokasi tim darurat → risiko meningkat. Solusi: tambahkan PFP pada T1 & T2.

2. Tahun ke-14:
Peta seismik baru menunjukkan peningkatan frekuensi gempa. Solusi: pasang jangkar tangki yang menyerap energi.

3. Tahun ke-23:
Kapasitas tangki ditambah untuk strategi bisnis agresif. Solusi: tingkatkan sistem sprinkler menjadi ESFR untuk respon cepat.

Kritik, Kekuatan, dan Relevansi Industri

Kekuatan:

• Adaptif: Risiko bisa diperbarui sesuai kondisi nyata.
• Presisi tinggi: Integrasi PoF memastikan model berbasis kenyataan fisik.
• Dukungan pengambilan keputusan: Memberikan rekomendasi teknis berbasis data untuk desain ulang atau perawatan.

Tantangan:

• Model PoF tidak selalu tersedia untuk semua komponen.
• Proses pelatihan model memerlukan data dan komputasi tinggi.

Relevansi Industri:

• Cocok untuk industri kimia, minyak & gas, nuklir, dan energi.
• Potensial menjadi bagian dari sistem digital twin untuk prediksi real-time.

Kesimpulan

Pendekatan terintegrasi Physics-of-Failure dan Dynamic Bayesian Network merevolusi cara kita memandang manajemen risiko industri. Dengan kemampuan memodelkan degradasi komponen secara dinamis dan memperbarui penilaian risiko berdasarkan data terkini, framework ini membuka era baru dalam keselamatan industri berbasis prediksi dan adaptasi.

Studi kasus nyata menunjukkan bahwa dengan pengambilan tindakan yang tepat di waktu yang tepat—baik penambahan pelindung pasif, penggantian sistem tanggap darurat, atau optimalisasi desain ulang—risiko bisa dijaga tetap dalam batas aman meskipun sistem beroperasi selama puluhan tahun.

Sumber asli : S. Marchetti, F. Di Maio, E. Zio. “A Physics-of-Failure (PoF) model-based Dynamic Bayesian Network for considering the aging of safety barriers in the risk assessment of industrial facilities.” Journal of Loss Prevention in the Process Industries, 91 (2024): 105402.

Pendahuluan

Dalam era teknologi yang berkembang cepat, pendekatan tradisional dalam mengevaluasi keandalan komponen elektronik semakin usang. Artikel ini membedah pendekatan Physics-of-Failure (PoF), yang secara fundamental berbeda dengan metode statistik klasik dalam menganalisis keandalan sistem elektronik. Melalui pendekatan ilmiah yang berbasis model degradasi material dan pemahaman mekanisme kegagalan fisik, PoF membuka jalan menuju sistem elektronik yang lebih tahan lama, efisien, dan terpercaya.

Dari Statistik Menuju Sains: Mengapa PoF Penting?

Metode tradisional seperti MIL-HDBK-217, Telcordia, atau FIDES, masih digunakan secara luas, meskipun terbukti memiliki banyak keterbatasan. Data yang digunakan seringkali bersifat rata-rata, tidak kontekstual, dan tidak memperhitungkan faktor lingkungan serta kondisi penggunaan spesifik.

Sebaliknya, PoF memodelkan kegagalan dari akar penyebabnya, bukan dari gejala luarnya. Dengan meneliti bagaimana panas, kelembaban, tegangan, atau getaran merusak material dari waktu ke waktu, PoF mampu memprediksi waktu kegagalan (Time-to-Failure/Tf) secara lebih presisi.

Tahapan Kunci dalam Pendekatan Physics-of-Failure

1. Inputs dan Pengumpulan Data Produk

PoF dimulai dengan mengumpulkan data spesifik desain (material, dimensi), kondisi operasi (tegangan, arus, beban mekanik), dan lingkungan (kelembaban, suhu). Data ini menjadi dasar analisis berikutnya.

2. Analisis FMMEA (Failure Modes, Mechanisms, and Effects Analysis)

Metode ini mengurai sistem menjadi elemen fungsional, mengidentifikasi potensi mode kegagalan (seperti retak, penurunan tegangan), kondisi siklus hidup (produksi, penggunaan, transportasi), penyebab kegagalan, serta mekanisme kegagalan secara mikro.

Contoh nyata: retak pada solder BGA akibat siklus suhu tinggi, yang bisa dianalisis melalui mekanisme kelelahan material (fatigue).

Studi Kasus: Solder Fatigue pada BGA (Ball Grid Array)

Fatigue solder menjadi salah satu penyebab utama kegagalan elektronik. Untuk ini, digunakan model seperti Coffin-Manson yang memprediksi siklus hingga kegagalan berdasarkan strain range dan faktor-faktor lain.

Model (disederhanakan):

Nf=(Δε2εf)1/cN_f = \left( \frac{\Delta \varepsilon}{2\varepsilon_f} \right)^{1/c}

Contoh data dari artikel:

• ΔT (suhu siklus): –55 hingga 125 °C
• Jarak terminal (Ld): 16.97 mm (pada corner BGA)
• Strain fatigue life (Nf): 2.200 siklus untuk canary, 3.100 siklus untuk koneksi fungsional

Ini memberikan prognostic distance (PD5050) sebesar 900 siklus (indikator waktu peringatan dini sebelum kegagalan fungsi).

Model Kegagalan dalam PoF

Dalam pendekatan Physics-of-Failure (PoF), terdapat beberapa model umum yang digunakan untuk menganalisis mekanisme kegagalan pada komponen elektronik. Salah satunya adalah model elektromigrasi yang dijelaskan oleh Black’s Equation, di mana parameter kunci yang diperhatikan meliputi densitas arus dan suhu. Selanjutnya, untuk fenomena Time-Dependent Dielectric Breakdown, model yang digunakan adalah Fowler–Nordheim Exponential, yang mempertimbangkan tegangan, suhu, dan ketebalan oksida sebagai faktor penting. Selain itu, Hot-Carrier Injection dianalisis menggunakan Power Law, dengan arus puncak dan suhu sebagai parameter utama. Terakhir, untuk kegagalan pada solder, model Modified Coffin–Manson digunakan, yang berfokus pada rentang regangan, jumlah siklus, dan temperatur. Model-model ini memberikan kerangka kerja yang penting dalam memahami dan memprediksi kegagalan komponen elektronik, sehingga dapat meningkatkan keandalan dan umur pakai produk.

Virtual Qualification dan Pengujian

Dengan model kegagalan, produsen dapat melakukan virtual qualification—sebuah simulasi digital untuk memperkirakan apakah desain akan bertahan pada kondisi lapangan tanpa harus membuat prototipe fisik terlebih dahulu.

Contohnya adalah perangkat lunak SARA dari CALCE (University of Maryland), yang memodelkan papan sirkuit dan mengevaluasi umur komponen berdasarkan data desain dan beban lingkungan.

Canary dan Life Consumption Monitoring

Dalam konteks pemeliharaan prediktif, PoF digunakan dalam dua pendekatan:

1. Life Consumption Monitoring

Dengan menggunakan model kegagalan, sensor menilai akumulasi beban terhadap ambang batas kegagalan (damage index). Contoh:

Damage Total=∑(tappliedtavailable)\text{Damage Total} = \sum \left( \frac{t_{applied}}{t_{available}} \right)

2. Canary Prognostics

Komponen yang secara sengaja dirancang untuk gagal lebih dulu. Misalnya, 12 sudut solder pada BGA tidak digunakan secara fungsional tapi hanya untuk mendeteksi retak dini sebelum seluruh sistem rusak.

Uji Akselerasi dan Validasi Model

Accelerated testing membantu mempercepat proses pengujian dengan menaikkan frekuensi atau beban. Di sini, Acceleration Factor (AF) dihitung berdasarkan model kegagalan:

AF=tfieldttest=F(Lfield)F(Ltest)AF = \frac{t_{field}}{t_{test}} = \frac{F(L_{field})}{F(L_{test})}

Pentingnya pemahaman terhadap mekanisme kegagalan juga muncul dalam desain test: misalnya, jika gagal karena frekuensi tinggi, pengujian harus memperhitungkan siklus on/off, bukan hanya durasinya.

Aplikasi PoF di Industri Elektronik Modern

Dengan semakin kompleksnya sistem seperti SoC (System on Chip) dan SiP (System in Package), integrasi PoF menjadi semakin penting. Industri seperti aerospace, militer, hingga otomotif telah mengadopsi pendekatan ini untuk menghindari kegagalan mahal di lapangan.

Lebih jauh lagi, standar seperti JEDEC JEP122H memberikan panduan lengkap untuk parameter akselerasi dan mekanisme kegagalan umum di dunia semikonduktor.

Kritik dan Nilai Tambah

Kelebihan PoF:

• Memberikan prediksi kegagalan presisi berdasarkan desain dan kondisi spesifik.
• Efisiensi biaya jangka panjang melalui pengurangan kebutuhan pengujian fisik berulang.
• Memungkinkan monitoring kesehatan sistem secara real-time.

Kritik:

• Memerlukan investasi awal tinggi dalam riset dan pelatihan.
• Validitas model sangat bergantung pada akurasi data desain dan lingkungan.
• Belum semua mekanisme kegagalan memiliki model matematis mapan.

Kesimpulan

Physics-of-Failure bukan sekadar metode teknis, tetapi filosofi dalam merancang sistem elektronik yang tahan banting. Di tengah tekanan time-to-market dan kompleksitas desain, PoF memungkinkan produsen bergerak dari pendekatan reaktif menjadi proaktif, dari eksperimen fisik menuju simulasi prediktif. Integrasi PoF bukan hanya tentang menghindari kegagalan, tetapi tentang menciptakan keunggulan kompetitif melalui keandalan.

Sumber Asli : P. V. Varde and M. G. Pecht, Risk-Based Engineering, Springer Series in Reliability Engineering, 2018, Chapter 12: Physics-of-Failure Approach for Electronics.

Pengantar: Maintenance Prediktif Tak Cukup Hanya Data Historis

Predictive maintenance (perawatan prediktif) menjadi ujung tombak transformasi digital industri. Dengan mengandalkan estimasi Remaining Useful Life (RUL) komponen, sistem dapat melakukan perawatan sebelum terjadi kerusakan. Tapi masalahnya, tidak semua sistem punya data historis kerusakan.

Itulah mengapa pendekatan Physics-of-Failure (PoF) jadi solusi revolusioner—menggunakan model fisik dari kerusakan material untuk memprediksi umur komponen. Sayangnya, implementasinya tidak mudah. Banyak model kerusakan yang rumit, tidak ada panduan pemilihan model yang tepat, dan minim bantuan praktis.

Studi dari Karthikeyan Karuppusamy di University of Twente menjawab tantangan ini dengan menciptakan sebuah tool modular yang mampu menghubungkan model-model kerusakan fisik dengan implementasi maintenance prediktif nyata.

Tujuan & Masalah yang Dipecahkan

Penelitian ini fokus menjawab pertanyaan:

"Bagaimana cara mengidentifikasi model kerusakan fisik yang feasible untuk PoF prognostics berdasarkan siklus hidup komponen dan kondisi operasionalnya?"

Karena jumlah model kerusakan sangat besar, penulis memfokuskan kajian pada komponen shaft (poros) sebagai studi kasus, karena poros adalah bagian vital dalam mesin rotasi industri.

Komponen Tool & Cara Kerjanya

Tool ini terdiri dari tiga bagian utama:

1. Database Model Kerusakan
   • Berisi ratusan model untuk berbagai mekanisme: fatigue, creep, corrosion, fretting.
   • Dikelompokkan ke dalam kategori:
     • CL: Cumulative Life Model
     • DE: Damage Estimator
     • CB: Condition-Based Model
     • FT: Final Threshold
     • DC: Damage Criterion
2. Guidance Sheet
   • Menghubungkan failure mechanism → kondisi operasional → sensor → model yang sesuai.
   • Bisa di-custom untuk berbagai komponen, tidak hanya shaft.
3. Flowchart Feasibility
   • Membantu pengguna menentukan model berdasarkan:
     • Komponen baru/lama
     • Riwayat beban
     • Kemampuan pemasangan sensor
     • Tersedianya data atau material properties

Studi Kasus Shaft: Aplikasi Nyata Tool

Komponen shaft (poros) dipilih karena:

• Umum di industri: dari kereta api, turbin angin, pompa, motor listrik hingga kompresor.
• Mengalami berbagai mekanisme kerusakan: fatigue biasa, thermo-mechanical fatigue (TMF), fatigue korosi, fretting fatigue.

Jenis Beban dan Model yang Relevan dengan Sensor & Variabel yang Dimonitor

Dalam analisis beban pada shaft, berbagai jenis beban seperti bending, torsion, dan kombinasi keduanya memerlukan model yang sesuai untuk aplikasi tertentu. Misalnya, untuk non-driven axles yang mengalami bending uniaxial, model yang cocok adalah CL1–CL9 dan CB1–CB11. Sementara itu, shaft industri yang mengalami torsi shear dapat menggunakan model CL1–CL6. Untuk driven bogies yang mengalami kombinasi bending dan torsion, model yang relevan adalah CL11–CL23 dan CB12–CB13.

Untuk mendukung pemilihan model yang tepat, sensor-sensor seperti strain gauge rosette, torque cell, dan accelerometer digunakan untuk memantau variabel penting. Strain gauge rosette mengukur tegangan dan regangan, torque cell mengukur torsi dan gaya radial, sedangkan accelerometer memantau getaran yang berkaitan dengan bending stress. Kombinasi data dari sensor-sensor ini memungkinkan pembentukan tensor tegangan lengkap pada shaft, yang mencakup komponen-komponen seperti σ_x, σ_y, dan τ_xy, yang sangat penting untuk analisis kelelahan multiaxial.

Model Feasible & Cara Kerjanya

Dua Pendekatan Prediksi Umur:

1. Pendekatan 1 (CL + DE)
   • Cocok untuk komponen baru
   • Gunakan model seperti SN curve, Palmgren-Miner's Rule
   • Butuh riwayat beban lengkap
2. Pendekatan 2 (CB/FT)
   • Cocok untuk komponen lama/tidak ada data beban
   • Gunakan crack growth model atau final threshold
   • Cukup butuh nilai saat ini dan sensor kondisi

Contoh Model Fatigue Crack Growth (CB1):

dadN=C⋅(ΔK)m\frac{da}{dN} = C \cdot (\Delta K)^m

Dengan:

• da/dN: laju pertumbuhan retak
• ΔK: faktor intensitas tegangan
• Parameter bisa dimonitor dari data crack + tegangan sensor

Studi Kasus Aplikasi Nyata

1. Spinner Separator Shaft

• Beban utama: bending & torsion
• Sensor: torque cell + accelerometer
• Model feasible: CB12 (crack-based, multiaxial), FT1 (final threshold crack size)
• Keputusan: PoF prognostics feasible jika sensor & toughness tersedia.

2. Shaft Komposit pada Proyek SLOWIND

• Material: FRC (Fibre Reinforced Composite)
• Beban: torsional fatigue
• Sensor: strain gauge
• Model: CL1–CL2 (SN curves untuk FRC)
• Tantangan: crack model untuk FRC masih minim
• Keputusan: feasible hanya jika dikombinasikan dengan trending data.

Keunggulan Tool Ini Dibandingkan Praktik Sebelumnya

Tool ini menawarkan sejumlah keunggulan signifikan dibandingkan praktik sebelumnya dalam analisis beban pada shaft. Sebelumnya, pemilihan model sering kali bersifat subjektif dan spekulatif, namun dengan adanya tool ini, proses pemilihan menjadi lebih terstruktur dan berbasis data sensor yang akurat. Dalam hal komponen baru versus lama, pendekatan sebelumnya cenderung menggunakan satu metode yang sama, sementara tool ini dapat disesuaikan dengan siklus hidup komponen, memberikan fleksibilitas yang lebih besar.

Aksesibilitas model juga meningkat, karena sebelumnya literatur terkait tersebar di berbagai sumber, sedangkan tool ini mengumpulkan semua model dalam satu database yang mudah diakses. Selain itu, feasibility check yang dilakukan sebelumnya tidak sistematis, kini memiliki langkah-langkah yang jelas dan modular, memudahkan pengguna dalam mengevaluasi kelayakan model. Terakhir, integrasi sensor yang umumnya terabaikan dalam praktik lama kini diintegrasikan secara penuh dalam tool ini, memungkinkan pemantauan yang lebih efektif dan akurat terhadap variabel yang relevan.

Potensi Implementasi di Industri

Untuk Industri:

• Maintenance lebih tepat waktu
• Downtime lebih singkat
• Biaya perawatan menurun

Untuk Edukasi & Pelatihan Teknik:

• Dapat dijadikan modul pembelajaran PHM (Prognostics & Health Management)
• Bahan praktikum di bootcamp industri 4.0
• Referensi pengembangan Digital Twin berbasis fisika

Catatan Kritik & Pengembangan Lanjutan

Kelemahan Saat Ini:

• Database model masih bisa diperluas ke selain shaft
• Sensor tertentu (misalnya fretting) belum umum tersedia
• Tidak semua model mempertimbangkan kombinasi beban yang kompleks

Potensi Ke Depan:

• Integrasi dengan Machine Learning untuk hybrid modeling
• Otomatisasi dalam sistem CMMS (Computerized Maintenance Management System)
• Penerapan di komponen pesawat, reaktor, dan robotika

Kesimpulan: Tool Prognostik PoF Ini adalah Lompatan Strategis

Inovasi dari penelitian ini bukan hanya menyusun ulang teori yang sudah ada, tapi membangun jembatan antara literatur teknis dan penerapan nyata. Dengan alur kerja yang jelas, kategorisasi model yang rapi, dan pemetaan sensor yang presisi, tool ini menjadikan pendekatan PoF lebih aplikatif, akurat, dan fleksibel.

Bagi dunia industri maupun edukasi teknik, tool ini adalah langkah nyata menuju perawatan prediktif cerdas berbasis ilmu fisika.

Referensi : Karuppusamy, Karthikeyan. Development of Physics-of-Failure Based Prognostics Feasibility Tool for Predictive Maintenance. Master’s Thesis, University of Twente, 2019.