Art Original
Optimasi Alkaline-surfactant-polymer Flooding Di Reservoir Karbonat Dengan Metode Bayesian Network
Alkaline-surfactant-polymer (ASP) flooding adalah metode Chemical Enhanced Oil Recovery (CEOR) yang terbukti efektif dalam meningkatkan produksi minyak. Namun tetap diperlukan sebuah strategi injeksi yang optimal agar pemanfaatan injeksi ASP Flooding memiliki tingkat kesuksesan yang tinggi. ASP Flooding cocok diterapkan pada reservoir karbonat karena reservoir karbonat bersifat oil-wet dimana minyak cenderung menempel pada batuan reservoir. Adapun komponen fluida injeksi pada penelitian ini yaitu alkali Na 2 vii CO 3 (natrium carbonate), surfaktan ABS (alkylbenzene sulfonate) dan polimer HPAM (hydrolize polyacrylamide). Penelitian ini dilakukan untuk mendapatkan hasil terbaik berupa skenario optimal dari parameter yang digunakan dalam pemanfaatan injeksi ASP. Penelitian ini diawali dengan memperoleh sensitivity data berupa dataset, kemudian dilanjutkan dengan pengolahan data melalui jupyter notebook pada mechine learning python dengan algoritma Bayesian Network. Langkah yang dilakukan untuk mengetahui nilai optimum dari setiap parameter yaitu dengan melakukan skenario Training dan Testing data dengan rasio data 70:30, 80:20, dan 90:10 dengan algoritma Bayesian Network. Dari hasil penelitian diperoleh optimasi pada parameter Bottom Hole Pressure (BHP) pada skenario Training 80% data dan Testing 20% data dengan nilai R 2 sebesar 0.980 dengan MSE sebesar 1.08432 merupakan model dengan nilai optimasi tertinggi. Sedangkan pada parameter Konsentrasi surfaktan, Salinitas dan Adsorpsi tidak diperoleh hasil yang optimal dikarenakan tidak terjadi persebaran data dari nilai Recovery Factor.
No other version available