Perpustakaan Digital ITB

Workover merupakan kegiatan dalam perminyakan yang berguna untuk memulai produksi suatu sumur atau memperbaiki sumur yang mengalami masalah atau penurunan produksi. Seleksi kandidat workover diterapkan terutama untuk membantu membuat strategi pengembangan lapangan dan menganalisis ekonomi dari lapangan tersebut. Salah satu cara untuk pemilihan kandidat workover adalah memprediksi laju produksi minyak awal, tetapi itu akan memerlukan waktu yang cukup lama untuk mengevaluasi setiap sumur dan memerlukan banyak asumsi dan interpretasi untuk mendapatkan hasil yang memuaskan. Oleh karena itu, sebuah pembelajaran mesin yang membantu pemilihan kandidat workover dan meningkatkan tingkat keberhasilan teknis dan ekonomi dari workover telah dikembangkan. Pada studi ini, model K-Nearest Neighbor (KNN) diaplikasikan sebagai metode pembelajaran mesin untuk memprediksi laju produksi awal minyak. Data dikumpulkan dan kemudian dimasukkan pada model KNN. Pengembangan model KNN membutuhkan beberapa parameter sebagai input, yaitu kedalaman, ketebalan zona, sinar gamma, potensial spontan, log sonik, porositas neutron, resistivitas, dan laju produksi minyak asli. Algoritma ini menghitung jarak dari data pelatihan dan parameter yang dicari, kemudian mencari nilai K-terdekat. Pendekatan ini menentukan nilai-K yang optimal dengan menghitung kesalahan antara nilai aktual dan prediksi. Kemudian K optimal diterapkan ke sumur baru untuk memprediksi laju minyak awal. Metode ini memprediksi laju minyak awal yang lebih baik dibandingkan dengan metode deterministik dimana data yang tersedia terbatas. Selain itu, model KNN ini telah diuji menggunakan data lapangan nyata di Sumatera, yang hasilnya memuaskan dan memberikan titik terang pada keberhasilannya. Hasil prediksi menggunakan model KNN memberikan RMSE yang lebih baik yaitu 44,7 BOPD dibandingkan dengan metode deterministik 122,9 BOPD. Model KNN menyarankan 13 kandidat dari 273 kandidat workover yang tersedia yang dapat menghasilkan lebih dari 200 BOPD. Dapat disimpulkan bahwa model ini sangat menarik dan memiliki potensi besar untuk digunakan lebih lanjut dalam menentukan laju minyak awal bersama dengan data logging dan sejarah sumur. Namun, studi lebih lanjut diperlukan untuk menguji model ini menggunakan berbagai data lapangan, dengan tujuan untuk memvalidasi dan memastikan bahwa model ini dapat diandalkan untuk reservoir lain.