COVER Babas Samudera Hafwandi
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
BAB 1 Babas Samudera Hafwandi
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
BAB 2 Babas Samudera Hafwandi
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
BAB 3 Babas Samudera Hafwandi
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
BAB 5 Babas Samudera Hafwandi
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
DAFTAR Babas Samudera Hafwandi
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
Permeabilitas merupakan bagian dari input yang digunakan untuk menentukan laju
produksi hidrokarbon, recovery estimation, optimal well placement, downhole
pressure, evaluasi kontak fluida, dll, namun pada kedalaman dan sumur yang tidak
dilakukan coring tetap menjadi tantangan dalam industri perminyakan.
Studi ini bertujuan untuk memprediksi nilai permeabilitas dengan metode machine
learning pada kedalaman yang memiliki data core kemudian dibandingkan dengan
hasil prediksi permeabilitas dengan metode hydraulic flow unit (HFU). Terdapat 6
model machine learning yang digunakan dalam prediksi permeabilitas yaitu
Decision Tree, Gradient Boosting, AdaBoost, Random Forest, Support Vector
Machines, dan K-Nearest Neighbor yang dilakukan dalam domain keilmuan teknik
perminyakan dengan melibatkan empat skenario prediksi. Adapun skenario terbaik
dalam menentukan permeabilitas adalah skenario empat yang melibatkan semua
data log sumuran beserta kedalaman dan letak koordinat sumur. Setelah dilakukan
hyperparameter tuning dihasilkan model terbaik dalam memprediksi permeabilitas
adalah Random Forest dengan skor prediksi MAE sebesar 0.4842 MSE sebesar
0.4026 dan RMSE sebesar 0.6345.
Pada kedalaman yang tidak memiliki data core, prediksi permeabilitas dengan
metode HFU tidak dapat dilakukan pada lapangan “BSH†karena kurangnya data
facies yang harus divalidasikan dengan tipe batuan yang sesuai dengan kedalaman
interval yang tidak memiliki data core. Namun dengan metode machine learning
prediksi nilai permeabilitas dapat dilakukan pada kedalaman uncored dengan
memanfaatkan data log yang ada dan data porositas yang telah diprediksikan
dengan menggunakan metode machine learning.