DEEP REINFORCEMENT LEARNING FOR OPTIMIZATION OF WATERFLOOD OPERATIONAL PARAMETERS FROM PIXELS

• Main Author: Yusran Yunus, Muhammad
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/66509
• Institution: Institut Teknologi Bandung

Waterflooding merupakan salah satu secondary recovery yang banyak digunakan.. Waterflooding umumnya digunakan untuk pressure maintanance dan mendorong minyak ke sumur produksi. Pada penerapannya, ada banyak parameter yang dapat dioptimalkan guna meningkatkan keekonomian, salah satu parameter penting ialah laju injeksi air. Besarnya laju injeksi di setiap waktu sangat menentukan perolehan keuntungan. Ada banyak metode yang digunakan untuk mengoptimalkan injeksi air baik melakukan sensitivitas maupun menggunakan algoritma optimisasi seperti Particle Swarm Optimization (PSO), tetapi penggunaan algoritma tersebut dinilai kurang optimal karena belum mampu mencangkup pengambilan keputusan secara berurutan, dimana setiap keputusan yang dambil saat ini, akan mempengaruhi reservoir dan kondisi setiap keputusan di masa depan. Masalah lain dari algoritma optimisasi yang ada saat ini ialah, algoritma tersebut bekerja pada skenario khusus. Solusi dari skenario khusus hanya optimal pada kondisi dimana algoritma dijalankan, ketika kondisi berubah, solusi tidak lagi optimal dan perlu di run kembali., hal ini dikarenakan, algoritma optimisasi ini hanya menggunakan objective function hasil dari simulasi dengan mengabaikan informasi berharga lainnya seperti tekanan dan saturasi lapangan. Oleh karena itu, salah satu pendekatan baru yang diusulkan dalam makalah ini adalah dengan mempertimbangkan sifat keputusan yang berurutan melalui framework Dynamic Programming (DP) dan Deep Reinforcement Learning (DRL), serta parameter dinamik seperti saturasi minyak dan tekanan reservoir. DRL akan digunakan untuk optimisasi laju injeksi dengan mengambil parameter dinamik tiap timestep, dan melakukan optimisasi selama 20 tahun. Hasilnya, DRL mampu mengungguli algoritma PSO dengan penambahan NPV sebesar 3.75 MUSD.