ANALISIS KOMPREHENSIF PERMASALAHAN LIQUID LOADING PADA LAPANGAN Y MEGGUNAKAN MACHINE LEARNING DAN DECLINE CURVE ANALYSIS

• Main Author: Luthfi Rahman, Habil
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/75203
• Institution: Institut Teknologi Bandung

Liquid loading pada sumur produksi gas merupakan problem produksi serius. Liquid loading dapat menurunkan kapasitas produksi dan bahkan sewaktu-waktu dapat mematikan sumur. Maka dari itu prediksi critical rate dari liquid loading haruslah akurat. Prediksi critical rate yang akurat akan memberikan prediksi yang akurat juga terhadap waktu terjadinya liquid loading pada suatu sumur. Saat ini metode yang populer untuk menghitung critical rate liquid loading suatu sumur adalah dengan menggunakan persamaan empiris seperti turner equation, Coleman Equation and Li Min Equation. Metode yang populer digunakan saat ini memiliki beberapa kekurangan dalam menghitung Interfacial Tension, yang mana hal ini dapat memberikan perbedaan yang besar antara critical rate prediksi dengan critical rate actual. Studi ini menggunakan pendekatan machine learning untuk memprediksi critical rate liquid loading dengan data yang terbatas. Algoritma yang digunakan pada studi ini adalah KNN, Gradient Boosting, Extreme Gradient Boosting dan Random Forest. Dataset diambil dari 49 sumur yang pernah mengalami liquid loading pada lapangan Y dengan karakteristik zona rawa. Model machine learning yang paling cocok akan digunakan untuk memprediksi critical rate dua sumur yang belum pernah mengalami liquid loading. Decline Curve Analysis digunakan untuk memprediksi kapan kedua sumur ini akan mengalamai liquid loading. Hasil analisis studi ini menunjukkan bahwa model machine learning yang paling bagus untuk menghitung critical rate liquid loading pada lapangan Y adalah random forest. Hal ini dikarenakan random forest memiliki nilai performance evaluation parameter yang baik dan memiliki kemungkinan overfitting paling rendah diantara model machine learning lainnya.