RATE OF PENETRATION PREDICTION IN OIL FIELD DRILLING USING MACHINE LEARNING

• Main Author: Ere, Melani
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/67525
• Institution: Institut Teknologi Bandung

Salah satu cara untuk mengoptimasi operasi pemboran adalah dengan memahami perilaku dari Rate of Penetration (ROP). Telah cukup banyak model yang diusulkan untuk memperkirakan ROP. Namun, banyak dari mereka yang cenderung lambat dan menunjukkan hasil yang tidak memuaskan. Oleh karena itu, kebutuhan model yang lebih baik—komputasi yang lebih akurat dan lebih cepat dengan menggunakan pembelajaran mesin diusulkan dengam bertujuan untuk diimplementasikan secara real-time. Parameter yang mempengaruhi ROP adalah Weight On Bit (WOB), Revolution Per Minute (RPM) mengacu pada kecepatan putaran, Torsi, dan Mud Weight yang akan menjadi data input. Studi ini berkaitan dengan prediksi ROP di lapangan minyak pada lubang bor 6 1/8" dan menawarkan dua cara prediksi, yaitu prediksi ROP dengan menggunakan data yang dipelajari dari sumur lain dan cara lainnya adalah prediksi ROP dengan menggunakan data yang dipelajari dari sumur yang sama tetapi dalam kedalaman yang berbeda. Metode machine learning akan ditentukan sebelum prediksi ROP fokus dilakukan pada sumur 3. Data sumur 1 dan sumur 2 akan dibagi menjadi tiga bagian, data training 70%, data validation 15%, dan 15% data testing. Model yang digunakan adalah Gradient Boosted Trees (GBT), Random Forest (RF), dan Artificial Neural Network (ANN). Model dengan R2 tertinggi dan Mean Absolute Percentage Error (MAPE) terendah akan dipilih. Model terbaik akan digunakan untuk prediksi sumur 3. Hasilnya Random Forest memiliki R2 tertinggi dan MAPE terendah. Koefisien korelasi lebih dari 0,98 untuk data training dan validation. Untuk data testing, koefisien korelasinya adalah 0,93, dan MAPE untuk data training, validation, dan testing masing-masing adalah 6,1%, 4,9%, dan 14%. Cara prediksi ROP dengan menggunakan 3 data sumur lain lebih baik daripada prediksi ROP pada kedalaman lain di sumur yang sama dengan membandingkan hasil korelasi. Meskipun ANN banyak digunakan pada karya ilmiah lain, karya ini menunjukkan bahwa Random Forest jauh lebih cepat dan lebih akurat. Random Forest merupakan pilihan yang menarik untuk prediksi ROP lebih lanjut atau prediksi parameter pengeboran lainnya karena membutuhkan lebih sedikit waktu dan sumber daya komputasi daripada ANN.