PREDIKSI TEGANGAN ANTARMUKA DALAM SISTEM MINYAK WAXY-SURFAKTAN-AIR BERBASIS PEMBELAJARAN MESIN: SEBUAH STUDI MENGGUNAKAN DATA TERBATAS.

• Main Author: Fannan Nugraha, Hafa
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/73324
• Institution: Institut Teknologi Bandung

Memprediksi dengan akurat tegangan antarmuka (IFT) dalam sistem minyak lilin-surfaktan-air memiliki kepentingan yang besar untuk mengoptimalkan proses peningkatan perolehan minyak. Namun, keterbatasan ketersediaan data menjadi tantangan yang signifikan dalam mengembangkan model prediksi yang akurat. Penelitian ini mengusulkan pendekatan pembelajaran mesin yang menggunakan model Random Forest untuk memprediksi IFT dalam sistem minyak waxy-surfaktan-air. Algoritma Random Forest sangat baik dalam menangkap hubungan non-linear antara variabel input dan output. Dengan menerapkan metodologi rekayasa fitur, penelitian ini mengekstraksi informasi relevan dari dataset, mengembangkan model prediksi yang efektif, dan memahami faktor-faktor utama yang mempengaruhi prediksi tegangan antarfasa minyak lilin-surfaktan. Dengan melatih model Random Forest pada dataset terbatas, penelitian ini bertujuan untuk mencapai prediksi nilai IFT yang akurat. Adaptabilitas dan sifat yang mudah digunakan dari algoritma Random Forest telah berkontribusi pada adopsi yang luas, mengatasi tantangan yang terkait dengan kategorisasi dan prediksi. Penelitian ini berhasil mengembangkan model yang dapat diandalkan, dengan skor prediksi R2 pada data uji sebesar 0,824, yang menunjukkan kemampuannya untuk generalisasi dari data terbatas dan memprediksi IFT secara akurat. Temuan ini memberikan kontribusi signifikan dalam pemulihan minyak ditingkatkan dengan menyediakan alat yang dapat diandalkan dan efisien untuk memperkirakan tegangan antarfasa dalam sistem minyak lilin-surfaktan-air. Hasil simulasi menunjukkan pengaruh berbagai parameter terhadap prediksi tegangan antarmuka, termasuk Konsentrasi Surfaktan, dan Rasio Solubilisasi Minyak, Salinitas Surfaktan, HLB, dan Angka Hidrofobik. Temuan ini menekankan potensi teknik pembelajaran mesin, khususnya model Random Forest, dalam mengatasi keterbatasan data dan meningkatkan akurasi prediksi. Wawasan yang diperoleh dari penelitian ini dapat membantu dalam mengoptimalkan pemilihan surfaktan, strategi injeksi, dan proses pengambilan keputusan secara keseluruhan untuk aplikasi pemulihan minyak ditingkatkan.