DETAIL KOLEKSI

Prediksi Dan Optimasi Laju Penembusan Menggunakan Metode Artificial Neural Network Pada Lapangan "t"


Oleh : Tio Prasetio

Info Katalog

Nomor Panggil : 1128/TP/2019

Penerbit : FTKE - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2019

Pembimbing 1 : M. Taufiq Fathadin

Pembimbing 2 : Hari K. Oetomo

Subyek : Drilling - Oil well;Petroleum engineering

Kata Kunci : artificial, intelligence, neural, network, ANN, ROP, prediction, penetration, rate, drilling


File Repositori
No. Nama File Ukuran (KB) Status
1. 2019_TA_TM_071001500146_Halaman-Judul.pdf 7013.13
2. 2019_TA_TM_071001500146_Bab-1.pdf 1588.33
3. 2019_TA_TM_071001500146_Bab-2.pdf 7209.41
4. 2019_TA_TM_071001500146_Bab-3.pdf 1362.59
5. 2019_TA_TM_071001500146_Bab-4.pdf 4772.97
6. 2019_TA_TM_071001500146_Bab-5.pdf 868.34
7. 2019_TA_TM_071001500146_Daftar-Pustaka.pdf 1402.78
8. 2019_TA_TM_071001500146_Lampiran.pdf 14209.17

P Pemboran merupakan kegiatan yang menghabiskan biaya besar dengan resiko yang tinggi. Waktu menjadi variabel kunci untuk meminimalisir biaya danresiko serta meningkatkan efisiensi keseluruhan kegiatan pemboran. Faktor penting yang berhubungan dengan waktu pemboran adalah rate of penetration (ROP) atau yang dikenal sebagai laju penembusan.Aktivitas pemboran melibatkan variabel yang beragam, baik yang bisa dikendalikan maupun yang tidak bisa dikendalikan. Usaha untuk memperkirakan laju penembusan menjadi kian sulit karena parameter yang terintegrasi satu samalain dengan tingkat ketidakpastian yang tinggi. Korelasi yang ada tidak cukup baik ketika diaplikasikan dalam memprediksi laju penembusan. Oleh karena itu,pendekatan matematis yang tepat dalam memperkirakan laju penembusan sangat dibutuhkan namun sulit untuk dilakukan.‘T’ adalah sebuah lapangan yang berada pada daerah offshore SoutheastSumatra. Pengembangan lapangan di daerah ini sudah dimulai sejak tahun 1990 dengan lebih dari 300 sumur yang dibor. Dengan besarnya tingkat cadangan akumulasi minyak yang masih ada, daerah ini membutuhkan pengembangan lebihlanjut untuk menguras seluruh minyak yang ada secara ekonomis. Karena itu,beberapa sumur pengembangan akan dibuat dalam waktu dekat.Laju penembusan sangat beragam dan dipengaruhi oleh banyak faktor.Persamaan yang dibuat untuk menghitung laju penembusan tidak cukup akurat karena mengabaikan beberapa faktor. Pada akhirnya, selama ini prediksi lajupenembusan pada Lapangan ‘T’ dilakukan dengan mengadaptasi data laju penembusan sumur terdekat. Metode ini tidak memberikan hasil yang akurat danmemuaskan serta tidak memiliki justifikasi yang benar dalam perencanaan pemboran. Dalam penelitian ini akan diturunkan korelasi untuk memprediksi laju penembusan dengan mempertimbangkan 12 parameter meliputi kondisi formasi,pahat bor, fluida pemboran, dan operasional pemboran untuk memvalidasi data laju penembusan yang didapat dari sumur sekitar.Prediksi dilakukan dengan membuat 2 model artificial neural network (ANN)untuk pahat bor roller cone bit dan PDC. ANN adalah sebuah metode yang memanfaatkan machine learning untuk mendapatkan solusi spesifik terhadap masalah yang diberikan. Mengadaptasi dari kemampuan manusia dalam berpikir dan mengambil keputusan, ANN mampu memberikan solusi non-linear sehingga cocok diterapkan pada aplikasi dengan tingkat ketidakpastian dan kompleksitasyang tinggi.Penentuan struktur neural network dilakukan untuk mendapatkan model ANN terbaik. Model ini menghasilkan persamaan yang dapat memprediksi laju penembusan pada Lapangan ‘T’ dengan persentase eror ± 20%, nilai yang jauhlebih rendah dibandingkan dengan korelasi lainnya. Pengolahan data secara cepat dan presisi menunjukkan bahwa penerapan metode ini menarik untuk dibahas dan dikembangkan.

D Drilling is a costly operation with high expenditure. Time is the key variableto diminish expenses and risks along the escalation of drilling process efficiency.Main factor associated with drilling time is penetration rate or rate of penetration(ROP).Drilling activity is affected by various variables, both those that controllableand uncontrollable. Penetration rate are difficult and troublesome to estimatebecause parameters are integrated one another with a high degree of uncertainty.Existing correlations show bad result in penetration rate estimation. Therefore, thenecessity of a reliable method to predict the penetration rate in drilling programplanning is inevitable.‘T’ is an area which is located in offshore Southeast Sumatra block. Thedevelopment in this area has been started since 1990 with more than 300 wellsdrilled. With a massive amount of hydrocarbon remaining reserve, this area stillneeds further development plan to reveal its true potential to produce hydrocarbonin economical way. Therefore, several new development wells will be drilled in thenear future.ROP is diversely affected by various parameter. Any simplification ofparameters to derive an equation doesn’t look promising. Eventually, penetrationrate determination in ‘T’ Field is adapted from penetration rate in nearby wells allthis time. This method doesn’t give satisfying result with improper justification. Thisresearch will derive a correlation that is intended to predict the penetration rate byconsidering parameters such as formation conditions, drill bit design, drilling fluid,and drilling operational parameters to validate penetration rate from nearby wells.Prediction is done by establishing 2 artificial neural network (ANN) modelfor roller cone and PDC bit. ANN is a method that use machine learning conceptto obtain specific solution towards problems encountered. Adapting from humanability to think and make decisions, ANN is able to provide non-linear solutions sothat it is suitable to be applied to applications with high levels of uncertainty andcomplexity.Neural network structure is defined to get the best-fit model. The model thathas been made can predict the penetration rate in the Field ‘T’ with an errorpercentage of ± 20%, a relatively much lower value compared to existing correlations. Fast and precise data processing shows that the application of thismethod is interesting to be discussed and developed.

Bagaimana Anda menilai Koleksi ini ?