INTEGRATED RESERVOIR CHARACTERIZATION FROM WELL LOG DATA USING MACHINE LEARNING ALGORITHMS

• Main Author: Benny Setyo Nugroho, Muhammad
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/67538
• Institution: Institut Teknologi Bandung

Properti penting dari reservoir ternasuk data formasi, facies, porositas, permeabilitas, dan saturasi air yang dilakukan analisis sebagai acuan pengerjaan karakterisasi reservoir melalui data yang direkam oleh wireline-log serta sampel core. Namun, dengan terbatasnya rekaman data sampel core baik dari metode analisis rutin core (RCAL) untuk maupun data analisis spesial core (SCAL) serta interpretasi empiris saturasi air dari hasil simulasi kemudian menjadi masalah dan melatarbelakangi pengerjaan studi ini dengan melakukan pembelajaran sifat data dan selanjutnya dilakukan prediksi untuk kedalaman yang tidak terdapat data tersebut. Demi memperoleh prediksi data yang hilang tersebut, diperlukan aplikasi machine learning untuk membantu proyek agar supaya berjalan lebih efektif dan efisien dengan mempelajari model algoritma menggunakan metode supervised learning untuk memahami tren karakteristik data berlabel yang akan dicari, lebih spesifik menggunakan metode klasifikasi pada penentuan formasi dan multiclass regression pada porositas, permeabilitas, dan saturasi air dengan menyertakan data yang telah diprediksi sebelumnya. Studi ini diterapkan pada 14 sumur di daerah Cekungan Sumatra Selatan yang mengeluarkan hasil pembelajaran yang kokoh dan akurasi cukup presisi, yakni pada klasifikasi formasi memberikan skor F1 0.997, kemudian prediksi porositas dengan menambahkan fitur formasi menghasilkan skor R2 0.646 dan skor MAE 0.042, selanjutnya layaknya porositas, prediksi permeabilitas menghasilkan skor R2 0.856 dan skor MAE 0.415, terakhir 2 pada prediksi saturasi air diperoleh skor R2 0.915 dan skor MAE 0.013 yang mana kokoh untuk digunakan. Seabagai tambahan, untuk mendapatkan hasil yang lbih akurat dalam proses pembelajaran machine learning, perlu digunakan algoritma pembelajarang yang lebih canggih dengan metode yang lebih baik layaknya deep learning dengan algoritma recurrent neural network atau dengan melakukan hyperparameter tuning lebih lanjut.