IDENTIFIKASI MODEL UJI SUMUR SECARA OTOMATIS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

• Main Author: Yan Classica, Rocky
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/73341
• Institution: Institut Teknologi Bandung

Penelitian ini membahas pengembangan metode Pressure Transient Analysis (PTA) dengan menggunakan algoritma Convolutional Neural Network (CNN) untuk mengidentifikasi model pengujian sumur secara otomatis. Model pengujian sumur yang dimaksudkan merupakan kombinasi dari model wellbore, reservoir, dan boundary. Meskipun saat ini proses PTA telah menggunakan perangkat lunak pengujian sumur komersial. Namun, metode ini terbukti kurang efisien dikarenakan memerlukan iterasi yang panjang dalam prosesnya. Dalam penelitian ini, program CNN akan dilatih menggunakan basis data berupa kumpulan gambar respons tekanan dan turunan tekanan yang diperoleh dari proses desain uji menggunakan perangkat lunak pengujian sumur komersial. Basis data tersebut terdiri atas 8 kelas dengan total keseluruhan data adalah sebanyak 1000 gambar. Untuk keperluan pelatihan dan pengujian program CNN, sebanyak 70% data akan digunakan sebagai data latih, sedangkan 30% sisanya akan digunakan sebagai data uji. Banyaknya layer yang digunakan pada jaringan CNN adalah sebanyak 12 layer, yang terdiri dari 5 layer konvolusi, 5 layer pooling, dan 2 layer fully connected. Jenis fungsi aktivasi yang digunakan pada layer konvolusi, pooling, dan fully connected pertama adalah Exponential Linear Units (ELU). Sedangkan, pada layer fully connected kedua jenis fungsi aktivasi yang digunakan adalah Soft-Max. Selain itu, program CNN yang dikembangkan juga akan menggunakan Dropout sebagai metode regularisasi, Cross-entropy sebagai fungsi loss, dan Adam sebagai metode optimasi. Dalam proses prediksi model pengujian sumur, program memerlukan data masukan berupa gambar respons tekanan dan turunan tekanan yang berasal dari perangkat lunak pengujian sumur komersial. Setelah itu, program akan secara otomatis memberikan prediksi berupa jenis wellbore, reservoir, dan boundary yang sesuai untuk tiap gambar yang dimasukan ke dalam program. Hasil penelitian menunjukan bahwa program CNN memiliki performa yang baik dalam memprediksi model pengujian sumur. Evaluasi menggunakan F1-score menunjukkan tingkat rata-rata akurasi prediksi yang tinggi, yaitu sebesar 87%. Sedangkan, melalui plot pelatihan dan validasi, menunjukan bahwa program CNN terhindar dari kondisi overfitting atau underfitting. Selain itu, melalui pengujian menggunakan data studi kasus yang berasal dari Lapangan -X menunjukkan bahwa program CNN mampu mengidentifikasi model pengujian sumur secara cepat dan akurat. Dengan demikian, melalui program CNN yang telah dikembangkan, hal tersebut dapat membuat proses identifikasi model pengujian sumur melalui PTA menjadi lebih efisien.