OPTIMASI ELECTRIC SUBMERSIBLE PUMP BERBASIS DATA : STRATEGI PEMELIHARAAN PREDIKTIF BERBASIS AI UNTUK APLIKASI SMART FIELD

• Main Author: Mahardi, Ginanjar
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/84907
• Institution: Institut Teknologi Bandung

Pada era modern ini, data memegang peranan penting dalam perkembangan teknologi, termasuk dalam bidang Teknik Perminyakan. Data produksi, sebagai salah satu data krusial, dapat digunakan untuk mengidentifikasi keekonomisan suatu lapangan migas. Optimasi produksi harus dilakukan agar lapangan tersebut dapat beroperasi secara berkelanjutan. Salah satu metode yang digunakan dalam optimisasi dan peningkatan produksi di dunia migas ialah dengan menggunakan sistem pengangkatan buatan (Artificial Lift). Metode pengangkatan buatan yang umum digunakan untuk meningkatkan produksi minyak, khususnya di lapangan tua adalah Electrical Submersible Pump (ESP). Pada lapangan tua, kerusakan ESP dapat menyebabkan penurunan produksi minyak. Oleh karena itu, diperlukan analisis kinerja ESP untuk memaksimalkan masa pakai dan memperoleh keuntungan optimal. Salah satu metode analisis yang dapat dilakukan adalah dengan menggunakan Artificial Intelligence (AI) untuk membantu dalam memprediksi masa pakai ESP atau Remaining Useful Life Prediction (RUL Pred) ESP. Riset ini menerapkan kombinasi metode digitasi data dan model machine learning yang dioptimalkan untuk prediksi masa pakai ESP. Selain itu, penelitian ini juga memperkenalkan sistem peringatan dini (Early Warning System) yang berbasis pada forecasting hasil prediksi RUL ESP, yang memberikan keunggulan preventif dalam pengelolaan kinerja ESP. Dalam riset ini, data diperoleh melalui proses digitasi. Proses pengumpulan data mencakup digitasi, normalisasi data yang dilakukan dengan normalisasi min-maks sebagai tahap pre-processing data, serta training, testing, dan validasi data untuk evaluasi serta mendapatkan model yang mampu memprediksi RUL Pred ESP dengan akurat. Prediksi dari model ini menghasilkan sistem peringatan dini (Early Warning System) terkait kondisi ESP, sehingga operator memiliki waktu untuk mengambil langkah preventif yang diperlukan. Dari beberapa studi kasus yang telah dilakukan, model machine learning yang paling akurat dalam memprediksi RUL Pred ESP adalah model Gradient Boosting, seperti yang ditunjukkan oleh beberapa studi kasus. Model ini secara konsisten menghasilkan nilai error yang rendah, dengan rata-rata MAE sebesar 0.019, MSE sebesar 0.003, dan RMSE sebesar 0.041, serta nilai R² yang mendekati 1 dalam beberapa kasus. Studi ini juga meneliti faktor-faktor penting yang mempengaruhi prediksi RUL Pred ESP. Analisis Importance Feature mengidentifikasi bahwa Motor Temperature (Tm) dan Pump Intake Temperature (PIP) adalah fitur paling penting yang mempengaruhi prediksi, dengan pengaruh sebesar 0.2 dalam mengurangi nilai R2. Sementara itu, parameter seperti Intake temperature (Ti), Month, dan Ampere menunjukkan pengaruh yang tidak terlalu besar dalam memprediksi RUL Pred ESP, ditandai dengan pengaruh dibawah 0.15 dalam mengurangi nilai R2. Oleh karena itu, disarankan agar analisis dapat dilengkapi dengan metode lain untuk menilai pentingnya parameter secara komprehensif dalam memprediksi RUL Pred ESP. Namun, untuk penggunaan model machine learning pada data di luar riset ini, diperlukan studi lebih lanjut mengenai persebaran, jumlah, dan variabel data yang ada agar model dapat mengeneralisasi data dengan baik dan menghasilkan prediksi yang lebih akurat.