Perpustakaan Digital ITB

Kebutuhan dunia akan minyak semakin meningkat seiring dengan bertambahnya jumlah penduduk dunia. Di sisi lain, produksi minyak semakin lama semakin menurun, sedangkan eksplorasi dan pengembangan sumur minyak baru memerlukan waktu minimal 10 tahun. Untuk meningkatkan produksi minyak, beberapa metode dapat digunakan berdasarkan fase produksi sumur minyak. Pada fase primary recovery, minyak dapat diproduksi dengan natural flow dan artificial lift. Ketika minyak tidak dapat diproduksikan secara natural flow, maka minyak perlu diangkat ke permukaan dengan artificial lift. Artificial lift dibagi menjadi dua metode, yaitu metode pemompaan dan metode gas lift. Di era digitalisasi, pengembangan Machine Learning (ML) untuk metode pemompaan merupakan hal yang sudah sering diterapkan seperti ML pada Sucker Rod Pump, Electric Submersible Pump, dll. Akan tetapi, pengembangan ML untuk metode gas lift masih jarang diterapkan. Kegiatan monitoring dan identifkiasi masalah secara konvensional pada sumur-sumur continuous gas lift membutuhkan waktu yang lama. Hal ini dikarenakan teknisi perlu mengidentifikasi masalah yang mungkin terjadi pada sumur setelah memperoleh data hasil kegiatan monitoring. Berdasarkan kondisi tersebut, maka perlu dikembangkan machine learning untuk memantau operasi sumur continuous gas lift dan memprediksi permasalahan sumur. Pada studi ini dikembangkan ML yang dapat memantau sistem continuous gas lift berdasarkan digitalized two pen recorder chart berupa tekanan casing, tekanan tubing, perbedaan tekanan antara tekanan casing dan tekanan tubing, perubahan tekanan tekanan casing, dan perubahan tekanan tubing dan masalah. Data training yang digunakan untuk algoritma ML adalah 70% dari total data dan 30% dari total data merupakan data test. Data pelatihan yang digunakan terdiri dari data grafik dua pena perekam digital dan data masalah yang teridentifikasi. Selain itu, berbagai algoritma ML seperti Gradient Boosted Tree (GBT), Decision Tree (DT), Random Forest (RF), dan Support Vector Machine (SVM) digunakan untuk memprediksi kemungkinan masalah yang terjadi pada sumur continuous gas lift saat ini. Setelah mendapatkan algoritma ML dengan akurasi lebih dari 90%, algoritma ML diuji dengan 52 data aktual untuk memastikan keefektifan ML yang dikembangkan. Evaluasi kinerja algoritma ML dilakukan dengan mengevaluasi nilai akurasi, recall, precision dan F1-measure. Berdasarkan hasil evaluasi kinerja, dapat diperoleh RF sebagai algoritma ML dengan erorr paling kecil untuk memprediksi permasalahan sumur pada sumur continuous gas lift dengan akurasi 97.984%. Dengan penerapan ML pada pemantauan sumur continuous gas lift, waktu yang dibutuhkan untuk mengetahui kemungkinan masalah yang terjadi pada sumur berkurang dari hari ke jam. Oleh karena itu, penelitian ini merupakan jawaban untuk meningkatkan efektifitas produksi minyak pada sumur continuous gas lift.