Perpustakaan Digital ITB

Model proxy untuk memprediksi faktor perolehan minyak sangat penting sebagai seleksi awal pada suatu rancangan proyek EOR steamflooding untuk menentukan skenario potensial sebelum disimulasikan dalam simulator reservoir. Ada tiga model matematika yang umum digunakan (analitik, numerik, dan statistik) dan telah diterbitkan oleh beberapa peneliti sebelumnya untuk memprediksi kinerja steamflood, tetapi model-model ini tidak bisa digunakan untuk berbagai sifat reservoir. Penelitian ini bertujuan untuk mengembangkan model proxy yang mampu memprediksi faktor perolehan minyak dari berbagai parameter pada lapangan steamflood dengan menggunakan Deep Neural Network (DNN). Generalitas model merupakan tantangan utama dalam penelitian ini. Ide-ide utamanya adalah untuk menganalisis dengan benar bias-variance trade-off, dan untuk melakukan training pada model proxy dengan berbagai data. Dalam studi ini, bias-variance trade-off secara sistematis dianalisis dengan menerapkan pemisahan data (train-val-test split), dan beberapa diagnostic curve (Learning Curve dan Validation Curve), sedangkan dataset dihasilkan dengan menggunakan metode Latin Hypercube sampling terhadap kriteria screening steamflood dan beberapa parameter pada lapangan steamflood untuk menggambarkan proyek steamflood di seluruh dunia. Kinerja model proxy dievaluasi menggunakan Root Mean Squared Error (RMSE) dan Coefficient of Determination (R2). Model proxy DNN memiliki 2 hidden layer dengan masing-masing 50 neuron. Model ini berhasil menangani masalah bias-variance yang dapat disimpulkan dari metriks kinerja yang dihasilkan. Model ini menghasilkan RMSE sebesar 3,32; 4,80; 5,37 dan R2 sebesar 0,90; 0,80; 0,72, masing-masing untuk set training; validation; dan test. Secara keseluruhan, model ini menghasilkan RMSE rendah (3,93) dan R2 tinggi (0,86), tidak overfit, dan merupakan model yang relatif umum. Hal baru dari penelitian ini adalah penerapan teknologi machine learning untuk mengembangkan model proxy steamflood, yaitu Deep Neural Network untuk memprediksi faktor perolehan minyak. Model ini dapat diterapkan untuk sifat reservoir yang berbeda, menggambarkan proyek EOR steamflood di seluruh dunia, dan juga memberikan kinerja prediksi yang sangat cepat.