PRODUCTION FORECASTING WITH ARTIFICIAL NEURAL NETWORK IN VAPOR DOMINATED GEOTHERMAL FIELD

• Main Author: Dennis
• Format: Final Project
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/56076
• Institution: Institut Teknologi Bandung

Peramalan produksi sangat penting untuk manajemen produksi. Oleh karena itu, metode seperti analisis kurva penurunan (DCA) atau simulasi reservoir biasanya digunakan untuk memprediksi peforma produksi. Namun, analisis kurva penurunan kurang dapat diandalkan karena kemampuannya yang hanya berdasarkan analisis univariat dan juga simulasi reservoir yang memakan waktu dan memiliki asumsi yang membatasi kegunaannya. Artificial neural network (ANN) dapat menjadi metode alternatif karena ANN dapat melakukan peramalan multivariate berdasarkan data histori produksi. Penelitian ini bertujuan untuk mengembangkan model prediksi peforma produksi pada suatu sumur panas bumi di lapangan Patuha dengan menggunakan tiga metode supervised learning (recurrent neural network (RNN), gate recurrent unit (GRU), dan long short-term memory (LSTM), model neural network. Setiap model dilatih dengan persentase data pelatihan yang bervariasi untuk menentukan jumlah data minimum yang diperlukan agar model dapat memberikan hasil peramalan yang layak. Parameter data masukan seperti laju uap, posisi katup, tekanan kepala sumur, tekanan reservoir, dan suhu diharapkan menjadi data observasi untuk memprediksi laju produksi. Hasil perbandingan menunjukkan bahwa GRU memiliki nilai mean squared error (MSE) (0,0048) dan nilai mean absolute prosentase error (MAPE) (3,05%) terendah, juga memiliki nilai R2 tertinggi (0,943). Kumpulan data minimum agar model memberikan hasil yang layak adalah 50% pelatihan dan 50% validasi. Ketiga metode ini dapat diterapkan dengan tepat ketika mempertimbangkan kualitas kumpulan data, berapa banyak parameter yang digunakan, dan seberapa baik data tersebut diolah.