Perpustakaan Digital ITB

Memprediksi laju produksi awal adalah bagian penting dalam peramalan proyek yang akan memengaruhi peluang ekonomi dan fasilitas produksi. Namun, memprediksi hasil yang akurat dari laju produksi awal menemukan tantangan karena membutuhkan data fitur lengkap yang biasanya tidak tersedia pada tahap awal. Akibatnya, prediksi akurat dari laju produksi awal sulit ditemukan. Alternatif praktis adalah dengan menggunakan mesin pembelajaran yang ideal untuk perhitungan berulang dan tidak memerlukan ketersediaan data lengkap. Pada studi ini, metode K-Neighbor Neighbor (KNN) digunakan untuk memprediksi laju produksi minyak awal. Metode ini menghitung jarak atau delta antara data pelatihan dengan parameter yang dicari dan mencari nilai K-terdekat. Pendekatan ini melibatkan pengumpulan beberapa data input, yaitu net pay, porositas, permeabilitas, saturasi air, dan tingkat produksi awal untuk data pelatihan. Selama tahap ini, nilai K akan ditentukan dan akan digunakan untuk prediksi lebih lanjut dalam fase prediksi. Dengan menggunakan persamaan Euclidian untuk menghitung jarak dan mengintegrasikan data-data tersebut dalam kalkulator model KNN sederhana, metode ini memprediksi tingkat produksi minyak awal yang lebih baik dibandingkan dengan pendekatan deterministik di mana data minimum tersedia. Sebagian besar prinsip di sini berlaku untuk bidang di luar area ini dan juga dapat diadaptasi untuk memprediksi nilai lain yang terkait dengan industri minyak dan gas di mana hasilnya mengikuti pola tertentu. Disimpulkan bahwa metode ini menjanjikan untuk digunakan lebih lanjut. Namun, studi lebih lanjut diperlukan menggunakan berbagai bidang data untuk memastikan tipe reservoir dan input data ini.