DEVELOPING A MODEL OF LIQUID LOADING PREDICTION IN GAS WELL USING MACHINE LEARNING

• Main Author: Ghulam Anwary, Riyaz
• Format: Final Project
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/56093
• Institution: Institut Teknologi Bandung

Fenomena liquid loading dikenal sebagai ketidakmampuan gas untuk membawa semua cairan yang diproduksi bersama ke permukaan. Dalam kondisi ini, cairan yang tidak terbuang terakumulasi di lubang sumur sehingga mengurangi produksi dan terkadang menyebabkan sumur akan mati. Dalam masa hidup awal suatu sumur gas baru, setelah sumur dibor dan mulai berproduksi, tingkat produksi pada masa awal cukup tinggi untuk membawa cairan apa pun yang diproduksi ke permukaan. Seiring berjalannya waktu, tekanan reservoir menurun, sehingga laju gas juga menurun. Akhirnya pada waktu tertentu sumur gas mulai mengalami liquid loading. Liquid loading dimulai ketika laju gas saat ini tidak mampu mengangkat cairan ke permukaan. Cairan dapat berupa air yang dihasilkan dari formasi atau kondensat. Persamaan paling terkenal yang memprediksi awal terjadinya liquid loading adalah persamaan Turner et al. (1969). Terjadinya akumulasi likuid dapat diketahui dengan membandingkan laju gas dengan laju turner. Pada saat produksi, ketika laju alir gas di bawah laju alir turner mungkin mengindikasikan bahwa cairan yang dihasilkan tidak dapat diangkat ke permukaan dan kemudian mulai terakumulasi di dasar sumur. Makalah ini membahas pendekatan dalam memprediksi liquid loading di sumur gas dengan reservoir gas kondensat menggunakan model yang dibangun dengan metode machine learning dan pengembangan jendela zona liquid loading dan non-liquid loading untuk menentukan laju alir operasi tertentu yang aman dan tidak aman dari masalah liquid loading berdasarkan hasil simulasi. Metode ini membutuhkan banyak data masukan dalam simulasi reservoir, sehingga kami melakukan sensitivitas untuk data masukan seperti properti reservoir dan laju alir operasi dengan rentang berdasarkan reservoir gas kondensat pada umumnya untuk mendapatkan variasi hasil seperti laju alir kritis dan waktu mulai terjadinya liquid loading. Kemudian ini semua digunakan untuk membangun model machine learning dan untuk mengembangkan plot laju alir operasi versus laju alir kritis yang menunjukkan zona laju alir operasi yang aman untuk menghindari terjadinya masalah liquid loading. Simulasi dilaksanakan dengan menggunakan Software CMG dengan mensensitivitaskan 70 data roperti reservoir sebagai input pada simulasi ini. Model dibangun dengan model machine learning dengan menggunakan statsmodel (metode statitstik). Kemudian, model tersebut akan digunakan untuk menentukan laju alir kritis dan prediksi waktu liquid loading dalam sumur terjadi selama produksi. Hasil model cukup baik dengan r-square untuk prediksi laju alir turner sebesar 0.998 dan untuk prediksi waktu terjadinya liquid loading sebesar 0.8375 sedangkan untuk minimum laju alir operasi yang aman adalah 1.9 MMSCFD. Hasilnya telah diverifikasi dengan membandingkan dengan data lapangan dalam literatur. Metode ini diamati lebih baik dalam memprediksi kapan liquid loading terjadi dan dalam menentukan laju alir operasi yang tepat agar dapat menghindari masalah liquid loading.