PREDICTIVE MODELING AND DATA-DRIVEN NPV OPTIMIZATION OF CO2-WAG INJECTION OPERATIONAL PARAMETERS USING MACHINE LEARNING ALGORITHMS

• Main Author: Muhammad Farhan, Refydo
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/82204
• Institution: Institut Teknologi Bandung

Permintaan minyak yang terus meningkat, didorong oleh pertumbuhan populasi global dan industrialisasi, mempercepat penipisan sumber daya minyak dan memperburuk masalah lingkungan. Injeksi CO?-WAG (Water-Alternating-Gas) tidak hanya mengurangi emisi karbon tetapi juga meningkatkan pemulihan minyak. Namun, mengoptimalkan parameter operasional untuk injeksi CO?-WAG agar mencapai hasil yang diinginkan tetap menjadi tantangan yang signifikan. Studi ini menyelidiki penerapan model pembelajaran mesin untuk mengoptimalkan proses injeksi CO?-WAG. Tujuannya adalah untuk mengembangkan model prediktif dan optimasi menggunakan algoritma pembelajaran mesin seperti regresi polinomial, jaringan saraf tiruan, dan Extreme Gradient Boosting (XGBoost). Hal ini dilakukan dengan membuat 1000 model simulasi CO?-WAG. Tujuh puluh persen dari model ini digunakan sebagai data pelatihan, sementara 30% sisanya digunakan untuk validasi metode optimasi. Proses optimasi menggunakan algoritma genetik dan optimasi kawanan partikel untuk menemukan parameter operasional terbaik. Hasil akhir R² menunjukkan bahwa model Jaringan Saraf Tiruan dan XGBoost memiliki kinerja terbaik, dengan R² sebesar 0,99 pada pelatihan dan 0,97 pada pengujian. Model prediktif CO?-WAG yang dikembangkan mampu dengan cepat mengoptimalkan parameter operasional untuk berbagai kondisi reservoir dalam rentang dataset pelatihan. Analisis sensitivitas mengungkapkan bahwa fitur yang paling berpengaruh terhadap Nilai Bersih Sekarang (NPV), dari yang paling tinggi ke yang paling rendah, adalah PVI (Pore Volume Injected), Laju Injeksi, dan Siklus Injeksi. Dari hasil optimasi, ditemukan bahwa prediksi terbaik dicapai dengan Jaringan Saraf Tiruan, dengan penyimpangan hanya 1% dari hasil simulasi. XGBoost yang dikombinasikan dengan PSO menunjukkan penyimpangan hanya 7% dari hasil simulasi. Selain itu, terdapat peningkatan NPV sebesar 135% setelah optimasi menggunakan XGBoost-PSO dan peningkatan NPV sebesar 117% menggunakan Neural Network-GA dibandingkan dengan kasus dasar.