Art Original

Modelling Hydraulic Fracturing Pada Shale Gas Reservoir Menggunakan Extreme Gradient Boosting (xgboost) Algorithm

---

Dalam upaya memenuhi kebutuhan energi khususnya minyak dan gas, produksi oil and gas dari reservoir konventional tidak saja cukup, melainkan dibutuhkannya support dari produksi unconventional reservoir. Salah satu produk dari unconventional reservoir yakni natural gas. Adapun fokus dari penelitian yakni tentang shale gas, shale gas merupakan jenis natural gas yang dihasilkan dari shale gas reservoir. Karakteristik dari shale gas reservoir ini memiliki nilai perrmebalilitas dan porositas yang sangat rendah, yakni sebesar 10-6 md dan 2-8%. Sebab memiliki karakteristik yang unik tersebut menjadikan hydraulic fracturing sebagai pilihan yang tepat untuk produksi shale gas dari shale gas reservoir. Pada penelitian ini, peneliti menggunakan machine learning: Extreme Gradient Boosting (XGBoost) Algorithm guna modelling hydraulic fracturing pada shale gas reservoir. Diawali dengan pembuatan model basecase menggunakan CMG-GEM dan CMG-CMOST digunakan untuk membuat iteration model sehingga didapatkan 500 Design of experiments (DoE). Setelah model basecase, hasil inisialisasi, dan iteration model didapatkan, dilanjutkan dengan menggunakan XGBoost algorithm dengan Python Programming Language untuk modelling. Adapun enam parameter yang digunakan sebagai data input (independent variable) yakni fracture conductivity, fracture spacing, half-length fracture, matrix permeability, matrix porosity, dan reservoir thickness, serta dilakukannya tunning hyper parameter. Dari 500 DOE yang telah dipersiapkan, pembagian data dilakukan dengan rasio 80% untuk data training dan 20% untuk data testing. Selama simulasi dilakukan dengan XGBoost algorithm dan media bantuan Jupyter Notebook didapatkan predictive model dengan nilai R2 (R-Squared) sebesar 0.989 (training) dan 0.984 (testing), selain nilai R2 didapatkan juga nilai Mean Absolute Error (MAE) dan Mean Square Error (MSE) yang nilainya mendekati 0. Adapun hasil perbandingan nilai recovery factor yakni 63.497% (actual value basecase CMG) dan 63.562% (XGBoost algorithm). Hasil dari penilitian ini menunjukkan bahwa XGBoost algorithm bisa diandalkan untuk memprediksi nilai recovery factor dengan tingkat keakuratan sebesar 98.4% serta efisiensi waktunya yang sangat besar.

---

Availability

Detail Information

Call Number

Perminyakan 622.3 Muh m

Language

Indonesia

NPM

173210432

Publisher

Teknik Perminyakan : Universitas Islam Riau., 2022

Keyword(s)

machine learning
hydraulic fracturing
Unconventional reservoir
Shale Gas
xgboost Algorithm

Other Information

Petugas

Yuni

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment