PENGEMBANGAN MODEL BERBASIS PEMBELAJARAN MESIN UNTUK MEMPREDIKSI SALINITAS OPTIMAL DALAM SISTEM WAXY OIL-BRINE-SURFAKTAN DENGAN DATA TERBATAS: STUDI KOMPREHENSIF
Injeksi surfaktan saat ini mendapatkan perhatian untuk memproduksikan minyak dari reservoir. Memproduksikan minyak dari reservoir dengan kandungan lilin yang tinggi merupakan tantangan karena biasanya memiliki tegangan antarmuka (IFT) yang tinggi dengan brine reservoir. Surfaktan dapat digunakan unt...
Saved in:
| Main Author: | |
|---|---|
| Format: | Final Project |
| Language: | Indonesia |
| Subjects: | |
| Online Access: | https://digilib.itb.ac.id/gdl/view/73433 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Institut Teknologi Bandung |
| Language: | Indonesia |
| Summary: | Injeksi surfaktan saat ini mendapatkan perhatian untuk memproduksikan minyak dari reservoir. Memproduksikan minyak dari reservoir dengan kandungan lilin yang tinggi merupakan tantangan karena biasanya memiliki tegangan antarmuka (IFT) yang tinggi dengan brine reservoir. Surfaktan dapat digunakan untuk menurunkan IFT dengan teradsorpsi pada antarmuka minyak-air sehingga meningkatkan pemulihan minyak. Namun, memilih surfaktan berkinerja tinggi adalah proses yang memakan waktu dan mahal. Oleh karena itu, studi ini bertujuan untuk menganalisis dan mengoptimalkan proses pemilihan surfaktan secara komprehensif dengan memanfaatkan model pembelajaran mesin untuk memprediksi salinitas optimum yang menghasilkan tegangan antar muka yang rendah, meliputi pengaruh bilangan hidrofobik, gugus hidrofilik, jenis surfaktan, EACN minyak, konsentrasi, suhu, dan rasio kelarutan minyak. Salinitas dapat digunakan sebagai properti untuk pemilihan surfaktan karena mempengaruhi IFT, dimana peningkatan salinitas menunjukkan penurunan IFT. Data yang digunakan adalah dataset terbatas dari uji laboratorium (perilaku fasa dan nilai IFT) dari tiga surfaktan tunggal dan tiga campuran surfaktan. Model pembelajaran mesin prediktif dikembangkan menggunakan beberapa pendekatan, seperti Gradient-Boosted Trees, Random Forests, dan Tree Ensembles untuk mengestimasi salinitas optimum surfaktan yang menghasilkan IFT rendah. Model prediktif terbaik yang diperoleh adalah Gradient-Boosted Tree dengan performa model (R2=0.911, MAE=0.19, RMSE=0.284) yang mengkonfirmasi akurasi yang dapat diterima dari korelasi yang dikembangkan untuk prediksi salinitas. Namun, studi lebih lanjut diperlukan untuk menguji model ini menggunakan berbagai database surfaktan lain untuk memvalidasi bahwa model ini dapat diandalkan. |
|---|