1 APLIKASI PHYSICS-INFORMED NEURAL NETWORKS UNTUK PEMODELAN NATURAL STATE GEOTERMAL DAN PEMANASAN (HEATING UP) SUMUR PASCA PEMBORAN TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh MESIAS PIERE CANILANDI NIM: 22623003 (Program Studi Magister Teknik Geotermal) INSTITUT TEKNOLOGI BANDUNG 2023 ABSTRAK Aplikasi Physics-Informed Neural Networks untuk Pemodelan Natural State Geotermal dan Pemanasan (Heating Up) Sumur Pasca Pemboran Mesias Piere Canilandi NIM 22623003 (Program Studi Magister Teknik Geotermal) Fokus dari penelitian yang telah dilakukan yaitu untuk meninjau potensi aplikasi Physics- Informed Neural Networks (PINNs) dalam mensimulasikan model natural state geotermal dan mensimulasikan proses heating up sumur geotermal pasca pemboran. Pemodelan ini memanfaatkan Deep Neural Networks yang dibatasi dengan persamaan diferensial dan kondisi batas sebagai loss function sehingga hasil yang diharapkan tidak hanya berbasis data saja tetapi juga berbasis persamaan dasar. Model PINN reservoir dibangun menggunakan persamaan konservasi massa dan konservasi energi fluida bawah permukaan satu fasa cair. Sedangkan model PINN sumur dibangun menggunakan persamaan difusivitas panas secara radial. Untuk mensimulasikan natural state reservoir geotermal, penelitian ini diawali dengan pembuatan model sintetis satu fasa cair natural state geotermal. Berdasarkan model sintetis yang telah dibuat, beberapa sampel sumur diambil secara acak untuk digunakan sebagai input pada model PINN reservoir. Hasil keluaran model PINN reservoir merupakan distribusi tekanan dan temperatur yang akan divalidasi dengan perbandingan antara model PINN dan model sintetis yang telah dibuat dengan menggunakan simulator numerik. Sedangkan untuk pemodelan heating up sumur pasca pemboran, data-data dari hasil pengukuran yang diambil berdasarkan tinjauan pustaka diambil untuk memvalidasi hasil keluaran PINN. Hasil evaluasi parameter PINN pada penelitian ini menunjukkan arsitektur yang disarankan untuk model PINN reservoir merupakan jumlah hidden neural sebanyak 50, hidden layer sebanyak 15, dan fungsi aktivasi menggunakan fungsi aktivasi swish. Berdasarkan penelitian yang telah dilakukan, model PINN telah berhasil memodelkan natural state geotermal dengan eror yang cukup minimum dengan data yang tidak terlalu banyak sekitar sepuluh kali lebih kecil jika dibandingkan dengan Deep Neural Networks konvensional. Sifat iteratif yang kuat masih menjadi keterbatasan model PINN karena membutuhkan sumber daya komputasi yang signifikan. Potensi penelitian lebih lanjut mengenai variasi PINN akan menjadi arah penelitian selanjutnya dalam simulasi reservoir geotermal serta dengan mengembangkan objektif dari PINN itu sendiri untuk memberikan prediksi karakteristik reservoir untuk simulasi reservoir seperti distribusi permeabilitas. Kata Kunci: Geotermal, Natural State, Heating Up, Physics-Informed Neural Networks ABSTRACT The Application of Physics-Informed Neural Networks for Geothermal Natural State Modeling and Post-Drilling Well Heating Up By Mesias Piere Canilandi NIM 22623003 (Master’s Program in Geothermal Engineering) The research focused on exploring the potential application of Physics-Informed Neural Networks (PINNs) in simulating geothermal natural state models and the heating-up process of geothermal wells after drilling. This approach employs Deep Neural Networks, which are constrained by differential equations and boundary conditions as part of the loss function, ensuring that the outcomes are grounded not only in data but also in fundamental physical principles. The reservoir PINN model is constructed using mass and energy conservation equations for single-phase liquid subsurface fluids, while the well PINN model is based on the radial heat diffusivity equation. The research began by creating a synthetic model of a single-phase liquid geothermal natural state. Randomly selected well samples from this synthetic model were used as inputs for the reservoir PINN model. The output, consisting of pressure and temperature distributions, was validated through comparison with the synthetic model using a numerical simulator. For the post-drilling well heating-up modeling, measurement data obtained from literature reviews were utilized to validate the PINN's output. The evaluation of PINN parameters in this study suggests that the optimal architecture for reservoir PINN models includes 50 hidden neurons, 15 hidden layers, and the Swish activation function.