Perpustakaan Digital ITB

Kecerdasan buatan dalam pengembangannya ke dalam model pemelajaran mendalam dan pemelajaran mesin, telah banyak diterapkan secara luas di berbagai bidang. Salah satu industri yang semakin banyak memanfaatkan potensi kecerdasan buatan adalah sektor minyak dan gas bumi. Industri minyak dan gas menghadapi berbagai tantangan kompleks, diantaranya adalah analisis sumur produksi dengan aliran multifasa. Aliran multifasa melibatkan pengukuran dan perhitungan dari beberapa fasa cairan dan gas yang berbeda, seperti minyak, gas, dan air, yang mengalir secara bersamaan dalam aliran yang sama dari dalam sumur produksi. Kompleksitas ini menuntut penggunaan teknologi canggih dan alat ukur yang handal, yang biasanya memerlukan investasi besar, baik dalam hal pengadaan, pemasangan, maupun pemeliharaan. Salah satu solusi yang telah diterima secara luas untuk mengatasi tantangan ini adalah penggunaan Multiphase Flowmeter (MPFM). Penggunaan MPFM pada sumur dengan Gas Volume Fraction (GVF) di atas 95% lebih tepat digunakan MPFM tipe Wet Gas Meter (WGM). WGM memiliki ketidakpastian pengukuran yang relatif rendah, yaitu ±5% untuk hidrokarbon minyak dan gas. Keakuratan ini menjadikan data yang dihasilkan oleh WGM sangat berharga untuk pengoperasian harian dan optimisasi produksi, serta untuk keperluan penelitian dan pengembangan teknologi baru. Industri minyak dan gas sangat bergantung pada berbagai pengukuran di seluruh tahap operasinya, mulai dari area sumur, flowline, hingga ke area pemrosesan dan penjualan. Data dari pengukuran ini tidak hanya tersedia dalam sistem pemantauan real-time yang digunakan untuk pemantauan, pengendalian dan keselamatan, tetapi juga tersimpan dalam historian server sebagai bagian dari big data. Data historis yang sangat besar ini dapat diolah untuk mendapatkan pengetahuan yang berharga, salah satunya melalui penggunaan kecerdasan buatan. Kecerdasan buatan semakin banyak diterapkan untuk memprediksi laju alir multifasa karena kemampuannya mengelola sistem yang kompleks dan nonlinier serta menganalisis big data dengan efektif. Dengan menyediakan prediksi secara akurat dan handal serta mengurangi ketergantungan pada alat ukur fisik yang mahal, kecerdasan buatan dapat menurunkan biaya operasional. Manfaat ini menjadikan kecerdasan buatan sebagai alat yang sangat efisien dan akurat, untuk meningkatkan performansi operasi dan mendukung pengambilan keputusan yang lebih baik. Integrasi kecerdasan buatan ke dalam penelitian ini merupakan suatu cara untuk menggali keunggulan-keunggulan yang dapat ditawarkan oleh kecerdasan buatan untuk memprediksi laju alir multifasa dengan akurasi yang lebih tinggi dengan ketidakpastian yang minimum. Algoritma kecerdasan buatan ini akan digunakan untuk mempelajari dan memperkirakan laju sumur produksi menggunakan data yang diperoleh dari WGM dan instrumen-instrumen lain di sekitar sumur dan flowline. Pendekatan ini diharapkan dapat meningkatkan akurasi dari sistem estimasi laju produksi sumur yang dirancang dan dikembangkan, sehingga dapat diaplikasikan secara nyata ke dalam sumur produksi untuk berbagai kepentingan seperti estimasi produksi dan pengetesan sumur. Pada penelitian ini, pemodelan pemelajaran mendalam dilakukan dengan menggunakan model Long Short-Term Memory (LSTM) dan Deep Neural Network (DNN), sementara untuk model pemelajaran mesin digunakan random forest, extreme gradient boosting (XGBoost), light gradient boosting machine (lightGBM), support vector regression (SVR), dan k-nearest neighbors (kNN). Performansi pemodelan diukur oleh mean absolute error (MAE), root mean squared error (RMSE), mean absolute percentage error (MAPE), dan koefisien determinasi (R_Squared). Validasi model dievaluasi melalui cross validation dengan metode k-fold. Kuantifikasi ketidakpastian diterapkan untuk mengevaluasi ketidakpastian dan kehandalan model menggunakan metode Monte Carlo Dropout dan Ensemble. Parameter yang digunakan pada penelitian ini berasal dari data nyata operasi sumur produksi minyak dan gas. Variabel yang terlibat untuk pemodelan adalah tekanan dan suhu wellhead, tekanan topside, bukaan choke valve, dan parameter yang diukur oleh WGM yaitu tekanan, tekanan diferensial dan suhu dari fluida di area flowline, dan hasil komputasi dari WGM yaitu laju alir volumetrik dari gas dan minyak. Dataset yang digunakan diambil dalam periode 5 tahun dari Mei 2018 sampai dengan Oktober 2023 dengan waktu sampling 10 menit. Sebanyak 262,630 data digunakan pada riset ini. Dari hasil simulasi pemelajaran mendalam diperoleh bahwa DNN mendominasi metrik performansi model dalam hal kecocokan model, kesalahan minimum dan ketidakpastian yang rendah terhadap kedua target laju alir gas dan minyak. Hal ini berarti bahwa model memiliki akurasi dan kehandalan yang tinggi ditunjukkan dengan nilai R2 sebesar 98.91%, MAE 0.29%, MAPE 1.95% dan ketidakpastian (uncertainty) sebesar 2.17%. Variasi dari segmen data dan tuning hiperparameter diterapkan pada model pemelajaran mendalam untuk mendapatkan perbandingan yang cukup dan pengetahuan tentang seberapa baik model dapat beradaptasi terhadap input dan parameter yang berbeda. Sementara untuk metode pemelajaran mesin random forest menunjukkan performansi paling tinggi diantara model yang lainnya disepanjang data segmen yang berbeda, untuk hasil laju alir hidrokarbon gas dan minyak, ditunjukkan dengan nilai R2 sebesar 99.48%, MAE 0.4%, MAPE 1.0% dengan nilai RMSE rata-rata dari hasil cross validation sebesar 0.8% dengan standar deviasi RMSE nya sebesar 0.55%. Kata kunci: kuantifikasi ketidakpastian, laju alir multifasa, multivariate time series, pemelajaran mendalam, pemelajaran mesin, sumur produksi minyak dan gas, wet gas meter ?