OPTIMIZING SURFACTANT SCREENING IN CHEMICAL ENHANCED OIL RECOVERY (CEOR) USING MACHINE LEARNING MODELS TO PREDICT INTERFACIAL TENSION (IFT) IN OIL-SURFACTANT-WATER SYSTEMS

• Main Author: Abdillah Aziz, Muhammad
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/82291
• Institution: Institut Teknologi Bandung

Memprediksi tegangan antarmuka sistem minyak-surfaktan-air (IFT) dapat memfasilitasi pemilihan dan injeksi surfaktan CEOR. Prediksi IFT secara tradisional memerlukan studi laboratorium yang memakan waktu dan mahal. Penelitian ini menggunakan algoritma pembelajaran mesin untuk memperkirakan nilai tegangan antarmuka (IFT) untuk mengoptimalkan proses pemilihan surfaktan. Studi ini akan menggunakan Orange dan Python, alat pembelajaran mesin. Program orange mengevaluasi pembelajaran mesin pada data yang ada. Model pembelajaran mesin terbaik dari perangkat lunak Orange adalah Gradient Boosting. Setelah meninjau literatur, model pembelajaran mesin XGBoost yang dioptimalkan untuk Python dipilih. Studi ini memilih XGBoost karena memiliki berbagai keunggulan dibandingkan peningkatan gradien. Penelitian ini menggunakan data dari percobaan laboratorium kecil. Penelitian ini mengembangkan model yang dapat diandalkan dan akurat dengan prediksi data uji R2 sebesar 0,891 dan MSE sebesar 0,09 yang dapat belajar dari data yang terbatas dan memprediksi nilai IFT. Berdasarkan simulasi, bilangan hidrofobik surfaktan dan minyak EACN paling mempengaruhi nilai IFT pada sistem ini. Hasil ini menunjukkan bahwa pembelajaran mesin dapat mengatasi keterbatasan data, memperkirakan IFT dengan tepat, dan mengidentifikasi variabel yang paling penting. Penemuan ini dimaksudkan untuk membantu para insinyur meningkatkan penyaringan surfaktan dan mempersiapkan jalan bagi penelitian prediksi IFT di masa depan.