Art Original
Optimasi Volume Injeksi Pada Waterflooding Menggunakan Metode Artificial Neural Network (ann)
Waterflooding merupakan salah satu metode tahapan kedua dimana air diinjeksikan bertujuan untuk mempertahankan tekanan reservoir (pressure maintenance). Air yang di injeksikan harus di sesuaikan agar tidak terjadi kerusakan formasi, dan terjadinya penurunan oil recovery. Tujuan dari penelitian ini adalah dapat mengoptimasi nilai volume injeksi dan recovery factor (RF) pada waterflooding menggunakan metode ANN-BP. Parameter yang digunakan dalam penelitian ini adalah porositas, saturasi air, saturasi minyak, kompressibilitas batuan, permeabilitas vertikal, dan permeabilitas horizontal. Pemodelan reservoir dibangun menggunakan software CMG-IMEX. Lalu CMG-CMOST digunakan untuk membangun iterasi data yang akan dibawa ke machine learning (ML). Kemudian untuk mengoptimasi nilai recovery factor dan volume injeksi maka dilakukan pendekatan menggunakan artificial neural network dengan algoritma back-propagation. Dengan menggunakan rasio 70% untuk training dan 30% untuk testing. untuk mendapatkan hasil prediksi dari RF dan volume injeksi secara optimal maka dilakukan trial and error pada jumlah nodes hidden layer. Nodes hidden layer pada nodes 10 memperoleh nilai coefficient of determination R 2 trainning 0.989824 dan R 2 testing 0.988112 memiliki hasil akurasi yang tinggi karena mendekati 1. Lalu didukung dengan nilai mean absolute percentage error (MAPE) Nilai MAPE pada data training adalah 2.4745 dan data testing 2.3250 yang berarti Highly accurate prediction. Hasil optimal untuk nilai recovery factor adalah 26.17 % meningkatkan 5.85% dari basecase dan volume injeksi adalah 15387684 bbl atau 15.4 MMbbl.
No other version available