PREDIKSI PERFORMA PRODUKSI SUMUR GASLIFT MENGGUNAKAN MACHINE LEARNING

• Main Author: Adhim Mulia, Muhammad
• Format: Theses
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/70033
• Institution: Institut Teknologi Bandung

Sumur gas lift pada praktiknya membutuhkan penentuan pada setiap parameter operasinya agar dapat memberikan performa produksi yang terbaik, dimana hal ini merupakan hal yang dapat dikatakan cukup sulit. Pada metode konvensional dapat ditemui banyak tantangan dalam parameter operasi dan banyak sumur yang dapat memberikan beban pekerjaan yang besar pada insiyur produksi. Machine learning merupakan suatu aplikasi yang mempunyai fokus dalam mengembangkan program yang dapat belajar dari berbagai pengalaman operasi. Penerapan machine learning pada operasi sumur gas lift untuk memprediksi produksi minyak dapat memberikan pengurangan waktu kerja yang signifikan karena metode ini dapat mensimulasikan perilaku dari sumur gas lift menggunakan data historis tanpa melalui pembuatan model sumur pada perangkat lunak komersial. Penelitian ini menyajikan prediksi dari produksi minyak pada sumur gas lift pada beberapa algoritma machine learning yang menggunakan data dari penyimpanan Society of Petroleum Engineers (SPE) sebagai time-series data. Empat algortima, Auto-Regressive Integrated Moving Averages (ARIMAX), Vector Auto Regression (VAR), Long-Short-Term Memory (LSTM) dan Prophet telah digunakan pada studi ini hasil dari algoritma tersebut dibandingkan dengan actual data dan hasil dari model sumur perangkat lunak komersial. Pada studi ini menunjukkan bahwa LSTM merupakan model yang terbaik dibandingkan dengan ketiga model lain yang diindikasikan dengan nilai matriks evaluasi terendah: Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) sebesar 36.33 dan 54.36. Pada model LSTM didapatkan rata-rata perbedaan dari hasil model dengan data actual sebesar 4.8%, sedangkan model sumur perangkat lunak komersial menghasilkan perbedaan 9.7%. Model dari machine learning ini kemudian digunakan untuk memprediksi produksi minyak dari sumur lain yang masih dalam range data produksi minyak sumur pertama, menghasilkan perbedaan 4% dari data produksi minyak aktual.