Perpustakaan Digital ITB

Industri minyak dan gas di Indonesia saat ini menghadapi tantangan dalam mengoptimalkan produksi untuk lapangan yang sudah tua (mature field). Pembelajaran mesin menjadi salah satu solusi potensial untuk memprediksi produksi sumur minyak dan mendeteksi adanya anomali pada pompa secara dini. Penelitian ini bertujuan untuk meningkatkan kinerja prediksi produksi sumur minyak dan mendeteksi adanya anomali dengan menggunakan beberapa model pembelajaran mesin yang dipilih, serta mengidentifikasi kombinasi fitur terbaik dari penggabungan dua informasi yang berbeda untuk mencapai kinerja optimal. Pada penelitian ini, data produksi sumur (surface fluid flow rate), dynamometer card, dan kondisi pompa didapatkan dari lapangan minyak X yang ada di Indonesia. Dynamometer pada SRP (Sucker Rod Pump) mencatat dan menghasilkan menghasilkan grafik untuk merepresentasikan hasil pengukuran dari jumlah beban pada satu siklik pemompaan terhadap perbedaan posisi plunger load. Kinerja dari SRP dari waktu ke waktu dapat menurun sehingga data bersifat time series. Pada penelitian ini, model pembelajaran mesin yang digunakan adalah LSTM (Long Short-Term Memory), Bidirectional LSTM, Phased LSTM untuk memprediksi produksi dari sumur minyak yang juga digunakan pada deteksi dini anomali serta pembelajaran mesin Random Forest, Light Gradient Boosting Machine, dan Adaboost sebagai perbandingan kinerja dari algoritma yang bersifat ensemble. Kinerja model dievaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), R-squared, akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model LSTM dengan kombinasi fitur dynamometer card dan kondisi pompa menunjukkan kinerja terbaik dalam memprediksi produksi sumur minyak dengan MAPE 13.54% dan R-squared 0.74. Di sisi yang lain, model LSTM Bidirectional dengan kombinasi fitur kondisi pompa dan produksi sumur memberikan kinerja tertinggi dalam mendeteksi anomali secara dini dengan skor F1 0.92. Dari penelitian ini, penggabungan fitur kombinasi fitur kondisi pompa dan dynamometer card meningkatkan kinerja prediksi produksi sumur minyak, tetapi tidak meningkatkan kinerja dari deteksi dini anomali. Produksi satu sumur minyak dipengaruhi oleh kondisi reservoir sumur tersebut dan kondisi SRP sehingga pengukuran produksi sumur yang konsisten terhadap waktu akan lebih memudahkan memprediksi produksi minyak dan deteksi dini anomali.