Perpustakaan Digital ITB

Lapangan A merupakan lapangan tua retrograde-gas yang telah berproduksi sejak tahun 1977, dengan 94% sudah berproduksi dari Cadangan Gas Awal (Original Gas In Place/OGIP). Diantara tahun 2022 sampai tahun 2024, terjadi peningkatan produksi yang tidak terduga, meskipun tidak ada perbaikan atau intervensi sumur, padahal produksi diperkirakan menurun 8–10% setiap tahun. Data SCADA menunjukkan bahwa sumur-sumur yang seharusnya memiliki laju di bawah 1 MMSCFD, menghasilkan sekitar 3.3 MMSCFD dari Wet Gas. Perhitungan analisis kurva penurunan yang telah dilakukan sejauh ini masih menggunakan model penurunan tradisional Arps untuk memprediksi perkiraan produksi, perkiraan pemulihan akhir (Estimated Ultimate Recovery/EUR), dan cadangan yang tersisa (Remaining Reserves/RR). Analisa penurunan Arps memiliki keterbatasan karena hanya melihat dari sisi produksi gas dan dibutuhkan data pendukung lainnya seperti jumlah sumur aktif, pengambilan analisa penurunan saat tidak adanya operasi yang mempengaruhi produksi. Sebagai contoh pada saat adanya permasalahan pada fasilitas produksi maka sumur akan tajam menurun, penurunan tersebut bukan disebabkan oleh reservoir tetapi disebabkan oleh permasalahan operasi. Pengambilan laju produksi awal sering kali masih subjektif sehingga analisa kurva penurunan disarankan pada lapangan yang baru berproduksi. Bagaimana dengan lapangan yang sudah lama berproduksi dan tidak memiliki model simulasi reservoir. Analisa kurva penurunan produksi dapat disempurnakan dengan pembelajaran mesin (Machine Learning/ML) dengan beberapa algoritma yang belajar seiring dengan berjalannya waktu atau tidak statis. Prediksi produksi gas, EUR, dan cadangan yang tersisa dapat dilakukan dengan cepat dan efisien tanpa kehilangan esensi perhitungan matematis yang dilakukan. Pembelajaran mesin adalah subbidang kecerdasan buatan yang berfokus pada pengembangan algoritma yang memungkinkan komputer belajar dari data dan meningkatkan kinerjanya seiring waktu tanpa diprogram secara eksplisit. Menentukan algoritma sangat penting karena akan menunjukkan apakah prediksi dapat digunakan untuk peramalan data. Dalam penelitian ini, algoritma yang digunakan untuk memperlajari pola pada data runtun waktu yaitu Long Short-Term Memory (LSTM), Recurrent Neural Network (RNN), Convolutional Neural Network (CNN), Gated Recurrent Unit (GRU) serta adanya tambahan pembelajaran secara hibrida yaitu CNN-LSTM dan CNN-GRU. Teknik pembelajaran mesin diterapkan untuk membangun model antara data input dan menentukan parameter dari hasil analisis kurva penurunan dengan menyesuaikan faktor kurva penurunan yang dihasilkan. Beberapa pendekatan data digunakan untuk memperkaya algoritma ML dalam pengambilan keputusan. Pendekatan data lain selain data produksi meliputi data tekanan, temperatur dan injeksi, yang dapat dimasukkan sebagai data input. Hasil validasi menunjukkan bahwa perkiraan produksi dan sisa cadangan yang diprediksi oleh model pembelajaran mesin yang diusulkan sesuai dengan dengan data aktual SCADA waktu nyata. Sebagai hasilnya, model Machine Learning-DCA (Decline Curve Analysis) yang diusulkan memberikan pemahaman yang lebih mendalam tentang dampak data tekanan, temperatur, dan injeksi sebagai deret waktu. Model Machine Learning-DCA yang diusulkan menyediakan metode yang cepat dan andal bagi insinyur dan manajemen untuk memprediksi produksi reservoir lebih akurat di lapangan matang dengan berbagai algoritma.