ABSTRAK Heksa Budi Santoso
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
Terbatas  Suharsiyah
» Gedung UPT Perpustakaan
2020 TA PP HEKSA BUDI SANTOSO 1.pdf)u
PUBLIC 
Electrical Submersible Pump (ESP) telah digunakan pada sumur minyak secara luas di seluruh dunia. Investasi untuk pemasangan ESP mahal, maka dari itu diharapkan adanya pengembalian yang tinggi atas pengimplementasian ESP. Penelitian ini memiliki tujuan untuk membangun model machine learning untuk memprediksi kemungkinan terjadinya kegagalan pada pemasangan ESP. Dengan melakukan prediksi di tahap awal, maka dapat dipersiapkan aksi yang dibutuhkan untuk mencegah dan mengantisipasi. Maka, dapat mengurangi hilangnya jumlah fluida yang terproduksi.
Kecerdasan buatan ini akan menggunakan data dari sensor yang dipasang pada ESP. Ada enam parameter yang dapat diambil dari sensor tersebut: ampere rata-rata, tekanan masuk, tekanan keluar, suhu masuk, suhu motor, dan getaran. Laju alir fluida dihitung dengan persamaan analitis. Data yang ada dipersiapkan dengan mengambil satu set data tiap tiga jam dari data awal. Hal ini dilakukan karena jarak waktu antar data tidak selalu sama. Data yang telah dipersiapkan lalu dipindahkan ke database. Dilakukan evaluasi dengan cara melihat nilai kemiringan dari data selama tiga hari dan disebut dengan set data. Setiap data diberi label menurut dari jenis masalahnya. Metode yang digunakan untuk membangun model proxy didapat dari perbandingan beberapa metode, metode tersebut adalah logistic regression, decision tree analysis, dan k-nearest neighbors.
Ada ribuan data yang digunakan untuk pembuatan database yang telah disaring dari lebih dari 400.000 data mentah. Data yang ada berasal dari empat jenis pompa yang paling sering digunakan pada lapangan yang diamati. Model proxy yang ada menghasilkan beberapa jenis kejadian yang dapat dibaca. Kejadian tersebut memiliki karakteristik parameternya masing-masing. Model yang dibangun memiliki tingkat akurasi diatas 75%. Implementasi dari model proxy ini akan memberitahukan pengguna jenis kejadian yang paling mungkin terjadi berdasarkan data terbaru.
Penggunaan machine learning dapat membantu memudahkan production engineer dengan cara yang paling efisien di era digitalisasi ini. Ini adalah pendekatan dengan machine learning yang pertama untuk memprediksi kegagalan dalam penggunaan ESP, dan hasilnya adalah dapat dideteksinya masalah pada tahap awal.