MENINGKATKAN PREDIKSI PERMEABILITAS RELATIF MINYAK-AIR MENGGUNAKAN PEMBELAJARAN MESIN HYBRID

• Main Author: Khatami Rafsanjani, Muhammad
• Format: Theses
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/85079
• Institution: Institut Teknologi Bandung

Dalam reservoir minyak dan gas, memahami bagaimana beberapa fluida mengalir secara bersamaan sangat penting untuk mengoptimalkan produksi, dan permeabilitas relatif adalah parameter kunci yang mengatur perilaku kompleks ini. Tingginya biaya dan sumber daya yang dibutuhkan dalam eksperimen core flooding mendorong kami untuk mencari solusi alternatif, yaitu dengan memanfaatkan model pembelajaran mesin untuk memahami perilaku fluida dalam reservoir. Penelitian ini berupaya untuk mengkaji potensi pembelajaran mesin untuk meningkatkan akurasi prediksi permeabilitas relatif minyak dan air. Studi ini menggunakan data dari sampel core yang mewakili litologi berbeda, yaitu batupasir dari Formasi Talang Akar dan karbonat dari Formasi Baturaja, yang dikumpulkan dari tiga lapangan minyak di Indonesia. Dataset awal ini terdiri dari 519 titik data, yang diperoleh setelah menghilangkan titik data yang menunjukkan dampak fine migration untuk memastikan keakuratan model pembelajaran mesin. Penelitian ini memperkenalkan penggunaan model pembelajaran mesin hybrid untuk memprediksi kurva permeabilitas relatif minyak dan air tanpa mengandalkan permeabilitas absolut sebagai fitur input. Meskipun permeabilitas absolut telah terbukti berkorelasi dengan permeabilitas relatif dalam penelitian sebelumnya, penelitian ini sengaja mengecualikannya untuk mengeksplorasi parameter prediktif alternatif. Dengan memanfaatkan data yang tersedia, yaitu saturasi air, saturasi air tak tereduksi, saturasi minyak residual, dan porositas, model kami mencapai prediksi permeabilitas relatif yang akurat dan cepat. Pendekatan baru ini berpotensi untuk mempermudah karakterisasi reservoir dan mengurangi kebutuhan akan analisis core khusus yang memakan waktu dan biaya. Lebih lanjut, penelitian kami mengeksplorasi potensi model ini untuk mengoreksi data sampel core yang dipengaruhi oleh fine migration, sebuah tantangan umum dalam analisis core khusus. Temuan ini menawarkan pendekatan yang menjanjikan untuk meningkatkan kualits data permeabilitas relatif, terutama dalam kasus-kasus di mana fine migration menjadi pertimbangan penting.