PREDICTION OF WATER SATURATION FROM PRODUCTION DATA USING MACHINE LEARNING

• Main Author: Zaki Bil Iman, Muhammad
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/67544
• Institution: Institut Teknologi Bandung

Banyak lapangan tua besar di Indonesia mengalami penurunan produksi minyak karena sifat lapangan yang mengalami penurunan tingkat tekanan dan jumlah eksplorasi lapangan baru yang kurang. Sementara itu, permintaan minyak mentah Indonesia terus meningkat. Permasalahan tersebut membuat perlu adanya suatu metode yang dapat meningkatkan tingkat produksi pada lapangan besar yang lama. Penambahan sumur produksi di lapangan lama bisa menjadi salah satu solusi. Namun, pemilihan lokasi sumur baru membutuhkan investasi yang besar, tidak adanya model statis terbaru menjadi masalah. Toth et al telah mengembangkan formula yang dapat menentukan saturasi air sumur hanya dengan data produksi sumur pada lapangan minyak-air. Hal ini dicapai dengan menggunakan rumus interpretasi yang mudah diperoleh untuk perpindahan fluida tak bercampur dua fase keadaan tidak tunak radial dalam formasi dekat lubang sumur. Penelitian ini dilakukan sebagai validasi apakah persamaan yang dibangun dapat digunakan. Selain itu, data saturasi sumur yang telah diperoleh akan digunakan sebagai input untuk pembelajaran mesin menggunakan metode KNN, untuk mendapatkan peta saturasi air lapangan. Proses ini diawali dengan pengolahan data produksi masing-masing sumur beserta data geologi lapangan untuk membangun trendline. Setelah itu, trendline yang dimiliki masing-masing sumur akan terlihat nilai R-squared-nya. Jika suatu persamaan memiliki R-squared kurang dari 0,7, maka trendline akan dibagi menjadi beberapa sektor sehingga memiliki nilai R-squared lebih dari 0,7. Berdasarkan persamaan garis tren yang dibangun, akan menjadi masukan bagi persamaan untuk mencari saturasi air berdasarkan persamaan yang dibangun oleh Toth et al. Nilai saturasi air yang diperoleh dari persamaan tersebut akan dibandingkan dengan nilai saturasi air yang diperoleh dari simulasi reservoir untuk melihat perbedaannya. Kemudian nilai saturasi air sumur tersebut akan dijadikan input untuk machine learning dengan metode KNN untuk mendapatkan peta saturasi air lapangan. Hasil penelitian ini menunjukkan bahwa dari dua lapangan yang dijadikan studi kasus yang berproduksi selama satu tahun, Lapangan “Z” yang memiliki 25 sumur, hanya terdapat 2 sumur yang memiliki perbedaan saturasi lebih dari 0%. Sedangkan untuk Lapangan “S” yang memiliki 9 sumur, tidak terdapat saturasi air sumur yang memiliki selisih lebih dari 9%. Selain kedua bidang tersebut, telah dibuat peta saturasi bidang tersebut menggunakan metode machine learning KNN.