Perpustakaan Digital ITB

Studi ini berfokus pada prediksi kinerja sumur di industri minyak dan gas menggunakan teknik pembelajaran mesin. Metode konvensional seperti Analisis Kurva Penurunan dan simulasi reservoir memiliki keterbatasan dalam memprediksi kinerja produksi dengan akurasi. Oleh karena itu, studi ini mengeksplorasi penggunaan algoritma pembelajaran mesin, khususnya LSTM, GRU, dan Vanilla RNN, untuk peramalan deras produksi kinerja sumur dari waktu ke waktu. Metodologi pada studi ini melibatkan pengumpulan data, pra-pemrosesan, dan pemisahan menjadi set data latihan, pengembangan, dan uji. Data input diukur menggunakan penskalaan min-max. Model-model diimplementasikan dengan arsitektur yang ditentukan dan dilatih menggunakan algoritma optimisasi Adam dan fungsi kerugian mean squared error. Jumlah epoch ditetapkan menjadi 50, dan pemberhentian dini diterapkan untuk mencegah overfitting. Penalaan hiperparameter dilakukan untuk mengoptimalkan kinerja model. Hasilnya menunjukkan bahwa model LSTM lebih unggul dibandingkan model GRU dan Vanilla RNN dalam hal kinerja pembelajaran dan generalisasi. Analisis sensitivitas menunjukkan bahwa model GRU dan Vanilla RNN mungkin tidak cocok untuk tugas atau dataset yang diberikan. Nilai hiperparameter optimal untuk model LSTM ditentukan melalui analisis sensitivitas. Sebagai kesimpulan, model LSTM dengan hiperparameter yang dioptimalkan menunjukkan kinerja terbaik untuk peramalan laju aliran dalam prediksi kinerja sumur. Studi ini memberikan wawasan tentang efektivitas arsitektur RNN yang berbeda dan berkontribusi pada pemodelan prediktif di industri minyak dan gas