Perpustakaan Digital ITB

Untuk memastikan produksi optimal dari sumur geotermal, penting untuk melakukan simulasi secara akurat perilaku fluida di reservoir dan lubang sumur. Simulasi sumur melibatkan penggunaan model matematika untuk memprediksi pressure drop pada aliran fluida dari dasar lubang ke kepala sumur. Namun, penting untuk dipahami bahwa penggunaan simulator numerik masih memiliki beberapa keterbatasan karena persamaan empiris yang digunakan tidak sesuai dan asumsi yang tidak realistis. Artificial Neural Network (ANN) dapat mempelajari korelasi antar input (geometri sumur, suhu, tekanan, dan laju alir massa) dan variabel keluaran (pressure drop) dengan baik. ANN sangat menjanjikan untuk menyelesaikan masalah dalam bidang sains yang melibatkan proses yang tidak sepenuhnya dipahami atau yang membutuhkan proses komputasi yang rumit. Namun penerapan ANN pada domain sains memiliki keterbatasan karena membutuhkan data yang besar, ketidakmampuan untuk menghasilkan prediksi yang konsisten secara fisik, dan kurangnya generalisasi terhadap skenario di luar data training. Physics-Informed Neural Network (PINN) mengintegrasikan ANN dan pengetahuan sains agar dapat mengatasi parameter fisik yang tidak konsisten dengan data training yang tidak sepenuhnya representatif. Model PINN dibuat dengan menambahkan loss dari parameter fisik (physics loss function) ke total loss model ANN. Pada penelitian ini akan dibandingakan model neural network dengan output prediksi tekanan (P) dan output prediksi pressure drop (dP). Selain itu, penelitian ini akan membahas physics loss function yang digunakan untuk menghasilkan model PINN dengan simulasi sumur yang terbaik. Secara keseluruhan, model PINN output (dP) dengan physics loss function temperatur mampu memberikan prediksi tekanan pada lubang sumur dengan lebih akurat dan eror yang lebih kecil dibandingkan model ANN. Total eror yang dihasilkan model PINN Temperatur output (dP) untuk lima sumur yaitu MAE 2.659 dan RSME 3.281.