ESP PUMP-TYPE SELECTION AND RUN LIFE PREDICTION USING EXTREME GRADIENT BOOSTING ALGORITHM

• Main Author: Alfarisi Abadi, Faiz
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/66209
• Institution: Institut Teknologi Bandung

Electric Submersible Pump (ESP) adalah metode pengangkatan buatan yang populer untuk meningkatkan produksi minyak di lapangan-lapangan tua. Pemasangan ESP meningkatkan biaya produksi sehingga keuntungan ekonomi yang tinggi diharapkan dari pemasangan metode pengangkatan buatan ini. Operator menyadari perlunya mencapai kinerja ESP yang lebih baik dan masa pakai yang lebih lama untuk memaksimalkan nilai ekonomi operasi ESP. Pembuatan program untuk prediksi umur pompa ESP dan memahami kegagalan pompa bisa melakukan tindakan proaktif seperti mereview kondisi operasi lapangan untuk menambah umur pompa, jadwal workover yang lebih efisien, dan mengurangi biaya perawatan. Riset ini mendiskusikan bagaimana kita dapat memilih jenis pompa ESP yang paling baik dan juga memprediksi masa pakai pompa untuk insinyur dengan cara membuat program yang telah dianalisis menggunakan basis metode pemelajaran mesin dengan menggunakan data instalasi pompa ESP dan data produksi. Riset ini melibatkan penggunaan data instalasi pompa dan data produksi di suatu lapangan Sumatera dengan menggunakan pembelajaran mesin untuk memprediksi kegagalan mendatang pada ESP. Hal ini dicapai dengan menggunakan teknik pembelajaran mesin yang terawasi; Decision Trees, K-Nearest Neighbors, XGBoost, Support Vector Machine, dan Random Forest. Dari prediksi umur pompa tersebut akan diketahui kapan pompa 2 tersebut akan mati yang kemudian akan diprediksi laju alir fluida dengan menggunakan Time-Series Analysis untuk mendapatkan laju alir fluida yang diinginkan dalam memilih pompa ESP. Pemilihan jenis pompa berdasarkan ekspektasi umur ESP yang paling lama dan efisiensi pompa yang paling besar. Studi ini menggunakan 1242 data bersih dari 285 sumur di OSES untuk dilatih di model pembelajaran mesin. Studi ini menggunakan algoritma XGBoost untuk melatih model dan memiliki akurasi 55.6% di test data setelah melakukan cross-validation. Data produksi sumur setelah dipilih dan dirapikan kemudian untuk keperluan prediksi, dipilih segmen waktu tertentu sebagai data yang dilatih untuk prediksi menggunakan Time Series. Model yang telah dilatih diprediksi pada saat tanggal down hole problem yang telah diprediksi di program sebelumnya. Setelah mendapatkan hasil prediksi dan dibandingkan hasilnya dengan data aktual, nilai RMSE hasil prediksi lebih kecil daripada standar deviasi data produksi aktual. Setelah itu, data produksi yang telah diprediksi bisa digunakan untuk memilih pompa ESP. Dari program ini akan meringankan beban kerja insinyur untuk mempercepat waktu pemrosesan data, pengambilan keputusan, meningkatkan performa umur dari ESP, dan memiliki potensi yang luas untuk dikembangkan lebih lanjut.