UTILIZING MACHINE LEARNING FOR WELL SPACING OPTIMIZATION ON CO2 FLOODING PROJECT

• Main Author: Riyanto, Theodorus
• Format: Final Project
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/56060
• Institution: Institut Teknologi Bandung

Aplikasi CO2 flooding telah terbukti dapat memberikan tambahan perolehan minyak yang signifikan, khususnya pada reservoir minyak ringan. Mayoritas riset dan implementasinya mengarah kepada pemindahan yang miscible karena memiliki potensi perolehan minyak yang paling besar. Untuk mendapatkan hasil yang optimal dari proyek CO2 flooding, disain parameter yang tepat harus ditentukan secara seksama dengan mempertimbangkan juga aspek keekonomiannya. Studi ini akan menginvestigasi efek dari beberapa parameter terhadap proyek injeksi CO2 pola 5-spot, secara spesifik focus pada jarak antarsumur sebagai salah satu parameter disain yang dapat dikontrol dan memiliki pengaruh besar terhadap performanya. Sekitar 1100 eksperimen telah dibuat melalui metode Latin Hypercube Sampling (LHS) untuk membangun model proksi yang dapat diandalkan menggunakan Multilayer Artificial Neural Network. Model tersebut akan memprediksi fungsi objektif, dalam hal ini Profitability Index (PI), dari beberapa set data grid. Dalam prosesnya, optimasi jarak antarsumur dilakukan pada setiap grid untuk menentukan jarak antarsumur yang optimal. Sebagai hasil dari studi ini, disain eksperimen dapat digunakan untuk menguji PI dari injeksi CO2. Dapat diamati bahwa metode tersebut berhasil membuat model yang dapat diandalkan untuk memprediksi performa injeksi CO2 dalam hal PI dengan akurasi yang tinggi (R-kuadrat sebesar 0.902) dan dapat dipergunakan sebagai alat optimasi parameter disain.