EXPLORING MACHINE LEARNING ALGORITHMS FOR PREDICTING POROSITY, PERMEABILITY, AND ROCK TYPE FROM WELL LOG DATA

• Main Author: Izzam Tursina, Afgha
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/82287
• Institution: Institut Teknologi Bandung

Karakterisasi reservoir adalah langkah mendasar dalam pengembangan dan produksi sumber daya. Hal ini melibatkan identifikasi jenis batuan untuk menyimpulkan parameter kunci reservoir seperti permeabilitas. Metode tradisional sangat bergantung pada core data yang sering kali terbatas dan mahal untuk diperoleh. Untuk mengatasi keterbatasan ini, studi ini menggunakan data log yang melimpah dengan teknik machine learning untuk memprediksi porositas, permeabilitas, dan jenis batuan di seluruh kedalaman sumur, sehingga meningkatkan karakterisasi reservoir. Metodologi ini melibatkan pemrosesan awal data yang komprehensif, termasuk mengintegrasikan, menormalisasi, membersihkan data Log ASCII Standard (LAS) serta routine core analysis (RCAL), dan diikuti dengan ekstraksi fitur. Penentuan jenis batuan dilakukan menggunakan metode RQI/FZI dan data dibagi menjadi set training serta testing. Secara khusus, data dari enam sumur dengan core data digunakan. Satu sumur ditetapkan sebagai set testing dan sumur lainnya digunakan untuk training. Proses ini diulangi untuk setiap sumur dan memastikan bahwa semua sumur diuji secara individual. Tiga jenis utama model machine learning dievaluasi, yaitu regresi, klasifikasi, dan algoritma clustering. Sequential forward selection (SFS) juga digunakan untuk mengidentifikasi fitur optimal untuk model dan cross validation juga digunakan untuk memastikan ketahanan model tersebut. Meskipun jumlah data terbatas (103 titik data), model memberikan prediksi yang baik. Hasil menunjukkan model regresi untuk prediksi porositas mencapai RMSE keseluruhan sebesar 3,66% dan bisa dikatakan menunjukkan akurasi yang wajar. Untuk prediksi jenis batuan, model clustering mencapai akurasi rata-rata 46,6% di semua sumur, mengungguli model regresi dan klasifikasi. Prediksi permeabilitas lebih lanjut memvalidasi keunggulan model clustering, dengan nilai RMSE terendah rata-rata 42,572 md di sebagian besar sumur. Jika dibandingkan dengan RMSE rocktyping manual yang berkisar 44.83 md, machine learning menampilkan keandalannya dalam melakukan generalisasi pada data baru. Studi ini menyoroti potensi machine learning untuk mengintegrasikan data log yang melimpah dengan core data sehingga bisa meningkatkan prediksi properti bawah permukaan. Model clustering terbukti menjadi yang paling efektif dengan menunjukkan kinerja yang kuat dan prediksi yang andal di berbagai set data. Temuan ini menyoroti kelayakan machine learning sebagai alat yang kuat dalam petrofisika dan teknik reservoir serta menawarkan keuntungan signifikan dibandingkan metode analisis core data tradisional.