Perpustakaan Digital ITB

Pemantauan kinerja sumur produksi dua fasa geothermal terkendala oleh tidak terukurnya laju alir massa secara langsung dan keterkaitan antara entalpi, productivity index, dan penurunan tekanan di sumur yang membuat ketiganya tidak dapat diestimasi secara independen. Akibatnya, pemisahan kontribusi reservoir dan sumur terhadap perubahan produksi umumnya bergantung pada proses matching secara manual yang rumit dan pengujian berkala seperti tracer flow test (TFT). Oleh karena itu, penelitian ini mengembangkan surrogate model berbasis multiscale physics-guided gated recurrent neural network untuk memprediksi kinerja sumur produksi dengan mengestimasi productivity index dan wellbore coefficient sebagai parameter performa sumur. Model menggunakan cabang short-term dari wellhead pressure dan valve opening dengan cabang long-term dari produksi kumulatif, lalu memasukkan output pada persamaan deliverabilitas melalui physics layer dengan penambahan loss function berupa konservasi massa dan energi. Konfigurasi optimal diperoleh dari 200 hyperparameter tuning trial menggunakan Tree-structured Parzen Estimator, dan model dievaluasi dengan skema walk-forward crossvalidation berjumlah 4-fold. Pada fold pengujian akhir, model mencapai RMSE daya termal 15.36 MW (MAE 3,60%) untuk Unit 5 dan 22.19 MW (MAE 8.41%) untuk Unit 6, dengan rata-rata RMSE 4-fold sebesar 20.45 MW dan 23.27 MW. Estimasi productivity index dan wellbore coefficient menunjukkan kesesuaian terhadap data TFT yang bervariasi tiap sumur. Hasil ini menunjukkan bahwa pendekatan physics-guided mampu menghasilkan prediksi yang konsisten secara termodinamika sekaligus lebih interpretatif dibanding model black-box, sehingga berpotensi sebagai alat bantu pemantauan produksi yang lebih cepat.