Perpustakaan Digital ITB

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.