Art Original

Estimasi Water Breakthough Time Untuk Mengantisipasi Terjadinya Coning Phenomenon Dengan Menggunakan Artificial Neural Network Algorithm

---

Coning phenomenon merupakan sebuah peristiwa atau fenomena dimana fluida yang berada sebagai fluida pendorong dari reservoir seperti air dan gas masuk ke zona produksi dan membentuk sebuah kerucut. Dalam hal ini tentunya fenomena atau peristiwa tersebut merupakan suatu hal yang harus dihindari atau diantisipasi sebelum terjadi dikarenakan terdapat kerugian atau permasalahan yang timbul diakibatkan oleh fenomena tersebut seperti turunnya laju produksi minyak dan fluida yang terproduksi lebih dominan gas atau air serta masih terdapat kerugian-kerugian lain yang akan diperoleh. Sebelum terjadinya coning phenomenon terlebih dahulu terjadi kondisi breakthough yang mana merupakan sebuah kondisi reservoir dimana fluida yang sebelumnya diisolasi atau dipisahkan dari zona produksi mendapatkan akses dan akan menerobos ke zona produktif tersebut. Dalam upaya untuk mengantisipasi terjadinya peristiwa coning phenomenon tersebut tentunya perlu diketahui kapan mulai terjadinya kondisi dan peristiwa tersebut. Maka dari itu perlu diketahui water breakthough time sebelum terjadinya coning phenomenon agar dapat mengambil atau melakukan upaya dalam antisipasi untuk mencegah hal tersebut terjadi. Pada penelitian ini, penulis akan menggunakan Artificial Neural Network Algorithm untuk mengestimasi atau memprediksi water breakthough time sebagai fungsi dari laju produksi dan sifat model fisik. Hasil dari metode ini akan dilakukan komparasi dengan metode sebelumnya untuk melihat serta memverifikasi hasil yang telah diperoleh. Data yang digunakan merupakan kombinasi dari literatur yang diperoleh dengan data eksperimen yang dihasilkan pada penelitian ini. Adapun kesimpulan yang didapatkan pada penelitian ini yaitu berdasarkan hasil simulasi dan pembahasan serta analisis dari simulasi yang telah dilaksanakan maka dapat diambil kesimpulan, bahwa semakin tinggi laju alir maka akan semakin cepat suatu lapangan mencapai kondisi breaktouhgt time, hal tersebut dapat dilihat prediksi prediksi yang dihasilkan oleh ANN dan CMG Numerical Simulation hampir sama dimana diperoleh rata-rata model accuracy sebesar 0.99 dengan hasil prediksi Qo = 800 Bbl/ day diperoleh TBT = 726 Days, Qo = 1500 Bbl/ day diperoleh TBT = 283 Days, Qo = 2500 Bbl/ day diperoleh TBT = 128 Days, Qo = 3500 Bbl/ day diperoleh TBT = 77 Days, Qo = 5000 Bbl/ day diperoleh TBT = 45 Days.

---

Availability

Detail Information

Call Number

Perminyakan 622.3 Faj E

Language

Indonesia

NPM

183210022

Publisher

Teknik Perminyakan : Universitas Islam Riau., 2023

Keyword(s)

Water Breakthough time
Coning phenomenon
Artificial Neural Network

Other Information

Petugas

Erza Pebriani

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment