WELL SPACING OPTIMIZATION ON POLYMER FLOODING PROJECT WITH FIVE-SPOT INJECTION PATTERN USING MACHINE LEARNING APPROACH

• Main Author: Fatchurrozi, Muhammad
• Format: Final Project
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/56097
• Institution: Institut Teknologi Bandung

Makalah ini menyajikan pendekatan machine learning untuk menghasilkan model proxy dengan akurasi tinggi dalam memprediksi jarak sumur optimal proyek injeksi polimer. Model yang digunakan dalam penelitian ini adalah reservoir dengan mekanisme pola injeksi 5 titik untuk injeksi polimer. Model proksi yang diperoleh dapat digunakan sebagai evaluasi awal untuk menentukan skenario injeksi jarak sumur optimum yang dapat memberikan keuntungan maksimal yang merupakan Profitability Index (PI) sebagai fungsi tujuan utama dari penelitian ini. Memahami fenomena fisik dan mengumpulkan catatan proyek sejarah injeksi polimer diperlukan untuk membuat model proksi yang efektif dengan fungsi tujuan tertentu dan beberapa masukan parameter. Setelah nilai rentang parameterisasi ditentukan, model proksi dapat digunakan secara praktis. CMG-CMOST digunakan untuk menghasilkan 3655 eksperimen melalui metode Latin Hypercube Sampling (LHS) untuk membangun model proksi yang andal. Kontrol kualitas digunakan untuk meningkatkan kualitas model proksi dengan mempertimbangkan pengetahuan statistik dan batasan-batasan tertentu. Model proksi yang dikembangkan dengan regresi polinomial memberikan nilai R-Square yang cukup baik yaitu 0,903 dengan mean absolute error sebesar 0,373. Metode lain yang dibangun oleh CMG-CMOST diterapkan untuk meningkatkan nilai R-square dan mengurangi kesalahan. Metode multilayer neural network diterapkan dengan arsitektur neural network 25-16 memberikan R-square terbaik sebesar 0,975 dan mean absolute error sebesar 0,217. Untuk memvalidasi hasil optimasi, model proksi yang dihasilkan digunakan untuk mengevaluasi proyek injeksi polimer pada skala lapangan, dan berhasil meningkatkan nilai Profitability Index proyek.