digilib@itb.ac.id +62 812 2508 8800

Abstrak - MESIAS PIERE CANILANDI
PUBLIC Irwan Sofiyan

Fokus dari penelitian yang telah dilakukan yaitu untuk meninjau potensi aplikasi Physics- Informed Neural Networks (PINNs) dalam mensimulasikan model natural state geotermal dan mensimulasikan proses heating up sumur geotermal pasca pemboran. Pemodelan ini memanfaatkan Deep Neural Networks yang dibatasi dengan persamaan diferensial dan kondisi batas sebagai loss function sehingga hasil yang diharapkan tidak hanya berbasis data saja tetapi juga berbasis persamaan dasar. Model PINN reservoir dibangun menggunakan persamaan konservasi massa dan konservasi energi fluida bawah permukaan satu fasa cair. Sedangkan model PINN sumur dibangun menggunakan persamaan difusivitas panas secara radial. Untuk mensimulasikan natural state reservoir geotermal, penelitian ini diawali dengan pembuatan model sintetis satu fasa cair natural state geotermal. Berdasarkan model sintetis yang telah dibuat, beberapa sampel sumur diambil secara acak untuk digunakan sebagai input pada model PINN reservoir. Hasil keluaran model PINN reservoir merupakan distribusi tekanan dan temperatur yang akan divalidasi dengan perbandingan antara model PINN dan model sintetis yang telah dibuat dengan menggunakan simulator numerik. Sedangkan untuk pemodelan heating up sumur pasca pemboran, data-data dari hasil pengukuran yang diambil berdasarkan tinjauan pustaka diambil untuk memvalidasi hasil keluaran PINN. Hasil evaluasi parameter PINN pada penelitian ini menunjukkan arsitektur yang disarankan untuk model PINN reservoir merupakan jumlah hidden neural sebanyak 50, hidden layer sebanyak 15, dan fungsi aktivasi menggunakan fungsi aktivasi swish. Berdasarkan penelitian yang telah dilakukan, model PINN telah berhasil memodelkan natural state geotermal dengan eror yang cukup minimum dengan data yang tidak terlalu banyak sekitar sepuluh kali lebih kecil jika dibandingkan dengan Deep Neural Networks konvensional. Sifat iteratif yang kuat masih menjadi keterbatasan model PINN karena membutuhkan sumber daya komputasi yang signifikan. Potensi penelitian lebih lanjut mengenai variasi PINN akan menjadi arah penelitian selanjutnya dalam simulasi reservoir geotermal serta dengan mengembangkan objektif dari PINN itu sendiri untuk memberikan prediksi karakteristik reservoir untuk simulasi reservoir seperti distribusi permeabilitas.