Perpustakaan Digital ITB

Log sumur tergolong sebagai data yang penting selama tahap eksplorasi sumber daya hidrokarbon karena log sumur secara implisit menyatakan karakteristik formasi di sepanjang kedalaman sumur, yang kemudian dapat diinterpretasikan oleh para ahli untuk mengidentifikasi reservoir hidrokarbon. Namun sayangnya, terdapat beberapa faktor pada tahap akuisisi log sumur yang dapat menyebabkan kualitas data menjadi buruk seperti kondisi lubang sumur yang buruk dan kerusakan peralatan. Pada kasus seperti itu, pekerjaan-pekerjaan menjemukan seperti pengendalian dan penjaminan kualitas terhadap data log sumur akan diperlukan untuk memvalidasi hasil pengukuran sehingga dapat memperkuat hasil interpretasi. Studi ini bertujuan untuk mengembangkan alur kerja yang bersifat semi-otomatis dalam pengendalian dan penjaminan kualiatas data log sumur untuk memenuhi kebutuhan prediksi dengan menggunakan bantuan machine learning. Terdapat dua gagasan utama untuk mencapai alur kerja tersebut yakni deteksi dan penghilangan pencilan dan prediksi log. Pertimbangan akan perlunya deteksi pencilan dapat didasar oleh indikasi-indikasi buruknya kondisi lubang sumur maupun laporan-laporan mengenai kerusakan alat dari lokasi sumur pada saat pengukuran berlangsung. Deteksi pencilan akan didukung oleh suatu algoritma klasifikasi bernama One-Class Support Vector Machine (SVM). Kapabilitas prediksi dari machine learning akan disorot, sebelum dan setelah penghilangan pencilan. Prediksi akan didukung oleh suatu algoritma regresi bernama Multilayer Perceptron (MLP) Regressor. Setelah algoritma-algoritma ini diintegrasikan, sebuah studi kasus akan dilakukan dan alat ukur statistik sederhana akan digunakan untuk mengevaluasi performa algoritma tersebut. Berdasarkan studi kasus, perfoma One-Class SVM dalam mendeteksi pencilan sangat baik. Algoritma tersebut mengilustrasikan secara jelas pemisahan antara data normal dan pencilannya dengan menggunakan batasan yang tegas dimana bentuk batasan tersebut dapat disesuaikan oleh pengguna berdasarkan kebutuhan. Penghilangan pencilan juga meningkatkan akurasi prediksi tetapi derajat peningkatannya masih bervariasi, bergantung pada log yang dipilih untuk diprediksi. Performa MLP Regressor dalam memprediksi relatif baik karena algoritma tersebut sederhana dan akurasinya sering kali lebih tinggi dibandingkan dengan algoritma-algoritma regresi sederhana lainnya, parameter-parameter yang dapat disesuaikan pada algoritma ini juga terdiri atas banyak pilihan. MLP Regressor juga praktis dan efektif untuk memprediksi sebuah parameter dengan menggunakan banyak prediktor. Meskipun begitu, banyaknya data yang diperkenalkan dan dilibatkan pada algoritma-algoritma tersebut sangat berpengaruh pada hasil akhir, sama seperti sifat algoritma-algoritma machine learning lainnya. Pada akhirnya, studi ini menunjukkan pendekatan yang sederhana, ringkas, dan praktis dalam bekerja dengan log-log sumur terutama dalam hal mengendalikan kualitas data dan memprediksi log-log tersebut dengan melibatkan kelebihan-kelebihan yang dimiliki oleh machine learning.