A STATE-OF-THE ART METHOD TO PREDICT TUBING DESIGN DURABILITY: A PREDICTIVE APPROACH USING MACHINE LEARNING ALGORITHM

• Main Author: Hasian Sitanggang, Satrio
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/82033
• Institution: Institut Teknologi Bandung

Kebocoran tubing merupakan salah satu problematika produksi yang menyebabkan menurunnya produksi dan menyebabkan perusahaan mengeluarkan jutaan dolar untuk biaya kerja ulang. Hal ini disenankan karena lingkungan yang korosif dan diperkuat dengan erosi karena produksi pasir. Untuk memitigasi masalah ini, desain pemilihan material tubing yang baik harus diterapkan. Desain tubing harus sesuai, tidak dapat diremehkan karena dapat menyebabkan kebocoran dan membahayakan well barrier, tetapi tidak dapat dibuat berlebihan karena akan menyebabkan pengeluaran kapital dan operasional yang tinggi. Desain tubing hanya harus melebihi target umur berjalan electrical submersible pump (ESP) agar ekonomis secara efektif. Untuk mengevaluasi desain tubing perusahaan, algoritma machine learning dibuat dengan beberapa model untuk dapat mengklasifikasikan apakah desain tubing akan berhasil atau gagal. Model dibuat menggunakan data produksi, data PVT, database kebocoran tubing, dan arahan penyelesaian sumur. Terdapat 106 kasus kebocoran tubing, dengan 77 kelas gagal dan 25 berhasil. Parameter dipilih menggunakan diagram heatmap untuk menyaring parameter yang mirip. Menggunakan pemrosesan awal data dan synthetic minority oversampling technique (SMOTE), ketidakseimbangan data diproses untuk dipisahkan dan dilatih. Algoritma machine learning dikembangkan menggunakan Random Forest, Support Vector Machine, Gradient Boosting Tree, AdaBoost, dan Xtreme Gradient Boosting. Dari pilihan algoritma tersebut, XGBoost dipilih sebagai yang terbaik dengan accuracy sebesar 82.979%, precision sebesar 90.909%, sensitivity recall sebesar 76.923%, specificity sebesar 76.923%, dan F1 score sebesar 83.333%. Model diimplementasikan untuk membuat aplikasi sebagai metode yang mudah untuk digunakan. Menggunakan aplikasi tersebut, dua sumur yang digunakan sebagai blind test, RMA-03 dan IMA-23, diujikan. Model dapat memprediksi hasil ketahanan dari desain tubing dengan benar. Sumur IMA-23 yang diprediksi untuk gagal dilakukan desain ulang untuk memitigasi masalah kebocoran tubing. Sumur yang didesain ulang menggunakan tubing 13% Cr dengan konfigurasi casing dan peralatan komplesi yang mirip dengan sumur aktual. Model yang dibuat dapat mengklasifikasikan sukses atau gagalnya desain tubing yang cocok untuk kondisi aktual lapangan. Implementasi dari algoritma machine learning menggunakan proses yang data driven untuk mempelajari dan memprediksi ketahanan tubing. Maka dari itu, implementasi ini dapat membantu mengatasi kompleksitas dari fenomena korosi yang tidak sulit dilakukan oleh model semi empiris. Pengembangan lebih jauh model akan menghilangkan kemungkinan keterbatasan model seperti ketidakseimbangan dari dataset dan kebingungan dalam prediksi model.