MEMBUKA POTENSI LAPANGAN MINYAK LEPAS PANTAI MELALUI OPTIMALISASI PENGASAMAN BERBASIS AI: PENDEKATAN PEMBELAJARAN MESIN PREDIKTIF UNTUK STIMULASI SUMUR

• Main Author: Jeanetra Kitra, Seraphine
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/73337
• Institution: Institut Teknologi Bandung

Pemerintah berupaya mencapai target produksi 1 juta barel pada tahun 2060, sedangkan pada Januari 2023 produksi minyak per hari di Indonesia tercatat sebesar 618.000 barel per hari (Trading Economics, 2023). Oleh karena itu, diperlukan strategi yang tepat untuk meningkatkan produksi minyak di Indonesia. Salah satu caranya adalah dengan melakukan stimulasi sumur untuk meningkatkan produksi sumur dengan menginjeksikan larutan asam ke dalam lubang sumur untuk menghilangkan material yang menghalangi aliran produksi. Metode yang umum digunakan adalah pengasaman karena prosedur operasi yang lebih sederhana dan biaya yang lebih rendah daripada metode lain, seperti hydraulic fracturing. Penelitian ini dilakukan pada sumur di lapangan lepas pantai di Sumatera Tenggara yang telah menggunakan pengangkatan buatan. Beberapa formula asam telah digunakan untuk merangsang pasar selama lima tahun terakhir, meskipun masih ada ruang untuk pertumbuhan produksi yang lebih besar. Namun, hasilnya jarang menunjukkan bahwa stimulasi itu efektif. Untuk mengetahui apakah stimulasi berhasil atau tidak, diperlukan perbandingan nilai indeks produktivitas sebelum dan sesudah stimulasi. Kemudian, hasil ini dimodelkan ke dalam pembelajaran mesin untuk memprediksi hasil dari stimulasi selanjutnya. Algoritma yang digunakan adalah XG- Boost, Random Forest, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Gradient Boosting. Telah dilakukan pekerjaan stimulasi sebanyak 130, dan 26,92% diantaranya mengakibatkan kegagalan stimulasi, dimana nilai indeks produktivitas setelah stimulasi lebih rendah atau sama dengan sebelum stimulasi. Kemudian dengan menggunakan metode heatmap, dipilih parameter-parameter yang mempengaruhi keberhasilan stimulasi seperti lokasi cekungan, jenis formasi, tekanan lubang dasar aliran, temperatur reservoir, tekanan reservoir, interval perforasi, total volume treatment (gallon/per feet), kedalaman penetrasi, dan formula asam. Model machine learning dipilih untuk memprediksi hasil stimulasi menggunakan algoritma XG-Boost dengan nilai akurasi tertinggi sebesar 75%. Dengan model prediksi ini, biaya perusahaan akan lebih kecil, dan potensi kegagalan stimulasi dapat diminimalkan. Selain menghadirkan pendekatan baru untuk memprediksi keberhasilan stimulasi, penelitian ini juga memprediksi kegagalan stimulasi. Model yang dikembangkan berfungsi sebagai alat evaluasi untuk mengidentifikasi alasan di balik kegagalan stimulasi, yang juga penting untuk memprediksi keberhasilan stimulasi. Mengidentifikasi penyebab kegagalan stimulasi dapat memangkas waktu evaluasi, mengoptimalkan upaya stimulasi di masa mendatang, dan meningkatkan efisiensi dan keberhasilan stimulasi sumur secara keseluruhan.