FORECASTING GAS PRODUCTION RATE USING RECURRENT NEURAL NETWORK : A MACHINE LEARNING STUDY

• Main Author: Samosir, Edwardo
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/50651
• Institution: Institut Teknologi Bandung

Prediksi laju alir produksi di industri minyak dan gas bumi memiliki peran penting yang mempengaruhi perencanaan pengembangan lapangan dan evaluasi ekonomi. Pada Umumnya, satu set alat pengukur aliran multifasa dan model matematika digunakan untuk memprediksi laju aliran dari suatu sumur. Kendala pengoperasian seperti pemasangan, kalibrasi dan perawatan alat pengukur aliran multifasa telah mengurangi efektifitas alat dalam meramalkan laju produksi sumur. Dalam kasus-kasus tertentu, beberapa sumur memiliki alat pengukur aliran multifasa yang malfungsi dan kesalahan pembacaan dari laju alir produksi gas dari alat tsb. Oleh karena itu, untuk mengatasi tantangan tersebut, maka muncullah ide untuk memanfaatkan algoritma pembelajaran mesin untuk memprediksi laju aliran produksi suatu sumur. Dalam tulisan ini, penulis mengusulkan untuk mengimplementasikan algoritma pembelajaran mesin dengan membangun arsitektur berbagai metode Recurrent Neural Network (RNN-Vanilla, RNN-LSTM dan RNN-GRU) dengan modul PyTorch dalam bahasa pemrograman Python untuk meramalkan laju produksi gas menggunakan parameter proxy dari sumur gas tunggal dalam jaringan sistem produksi dan membandingkan serta mengevaluasi hasil dari semua metode. Dari penelitian yang kami lakukan, kami telah mendemonstrasikan validasi semua jenis metode Recurrent Neural Network dengan konsep keseimbangan material dengan mengevaluasi kesalahan yang dihasilkan dengan data histori produksi dan hasil prediksi dari Software MBAL menunjukkan bahwa metode Recurrent Neural Network efektif untuk meramalkan laju produksi gas menggunakan variabel proxy sebagai parameter prediktor. Metode Recurrent Neural Network dapat bekerja secara efektif jika kita memiliki kontrol kualitas yang baik atas data yang diolah pada model proxy kita. Jika data riil dari lapangan memiliki kontrol kualitas yang buruk maka harus dilakukan proses data mining terlebih dahulu untuk mendapatkan parameter prediktor yang efektif agar hasil peramalan yang optimal untuk masing-masing metode. Secara khusus dalam studi kasus makalah ini, metode Recurrent Neural Network memenuhi syarat dan efektif untuk meramalkan laju produksi gas dengan minimal 2 parameter prediktor atau proxy yang diketahui dengan data kendali mutu yang baik dan 3-4 parameter prediktor atau proxy sebagai batasan untuk menghasilkan hasil yang optimal di data kontrol kualitas yang buruk.