Text

ANALISIS KOMPARATIF MODEL CAPACITANCE-RESISTANCE DAN MACHINE LEARNING UNTUK PREDIKSI PRODUKSI CO2- EOR: STUDI KASUS KONEKTIVITAS DINAMIS PADA RESERVOIR HETEROGEN

---

Penelitian ini mengevaluasi integrasi model Capacitance-Resistance (CRMP dan CRMIP) dengan algoritma machine learning (Random Forest dan XGBoost) untuk memprediksi kinerja produksi minyak pada operasi CO?-Enhanced Oil Recovery (EOR) di Lapangan Volve. Simulasi reservoir dilakukan menggunakan tNavigator dengan injeksi CO? sebesar 941 ton/hari (35 MMSCF/hari) selama 20 tahun. Hasil menunjukkan bahwa model machine learning jauh lebih unggul dibandingkan metode CRM konvensional, dengan XGBoost mencapai akurasi luar biasa (R² = 0.99-1.00, MAPE = 0.44-2.24%) dibandingkan CRMP/CRMIP (R² = 0.55-0.72, MAPE = 16-23%). Skenario injeksi CO? secara signifikan meningkatkan perolehan minyak, mencapai produksi kumulatif 15.73 MMSTB (RF 20.45%) dibandingkan Waterflooding 9.38 MMSTB (RF 12.19%), menghasilkan peningkatan perolehan sebesar 6.35 MMSTB. Analisis konektivitas antar-sumur menunjukkan respons reservoir heterogen dengan konstanta waktu berkisar 916-927 hari. Integrasi antara model berbasis fisika (CRM) dan algoritma machine learning non-linear terbukti meningkatkan ketepatan prediksi secara signifikan serta memberikan pemahaman yang lebih komprehensif mengenai dinamika reservoir, sehingga mendukung optimasi penerapan CCUS pada sistem reservoir heterogen

---

Availability

Detail Information

Call Number

-

Language

Indonesia

NPM

213210141

Publisher

Teknik Perminyakan : Universitas Islam Riau., 2026

Keyword(s)

Kata Kunci: CRMP, CRMIP, MACHINE LEARNING, DCA, CC

Other Information

Petugas

Budi Santoso

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment