Optimasi Volume Injeksi Pada Waterflooding Menggunakan Metode Artificial Neural Network
Rizka Haswinda Putri1, Tomi Erfando2*
1,2Program Studi Teknik Perminyakan, Fakultas Teknik, Unversitas Islam Riau Indonesia
*Koresponden email: tomierfando@eng.uir.ac.id
Diterima: 29 Maret 2023 Disetujui: 5 April 2023
Abstract
Waterflooding is a secondary recovery method that aims for pressure maintenance. The injection water volume is adjusted so that there is no decrease in oil recovery. The purpose of this research is to optimize the value of injection volume and recovery factor (RF) using the Artificial Neural Network (ANN) method.
The parameters used are porosity, horizontal permeability, vertical permeability, oil saturation, water saturation, rock compressibility. Reservoir simulation software uses Computer Modeling Group (CMG), then optimization uses Machine learning (ML). The Machine learning approach uses a ratio of 0.7:0.3 for training and test data. then carried out trial and error on 10 hidden layer nodes. The results of the study have high accuracy because the R2 value in the training and testing data is close to 1, so the optimization value on the recovery factor is 26.17%, an increase of 5.85% from the basecase and the injection volume is 15387684 bbl or 15.4 MMbbl.
Keywords: waterflooding, recovery factor, injection volume, artificial neural network, backpropagtion algorithm
Abstrak
Waterflooding adalah salah satu metode pemulihan sekunder yang bertujuan untuk mempertahakan tekanan reservoir. Volume air injeksi disesuaikan agar tidak terjadi penurunan oil recovery. Tujuan dari penelitian ini adalah untuk mengoptimalkan nilai Injection Volume dan Recovery Factor (RF) dengan menggunakan metode Artificial Neural Network (ANN). Parameter yang digunakan adalah porositas, permeabilitas horizontal, permeabilitas vertikal, saturasi minyak, saturasi air, kompresibilitas batuan. Software simulasi reservoir menggunakan Computer Modeling Group (CMG), kemudian optimasi menggunakan Machine Learning (ML). Pendekatan Machine Learning menggunakan rasio 0,7:0,3 untuk data pelatihan dan pengujian. kemudian dilakukan trial and error pada 10 node hidden layer. Hasil penelitian memiliki akurasi yang tinggi karena nilai R2 pada data training dan testing mendekati 1, sehingga nilai optimasi pada recovery factor sebesar 26.17%, meningkat sebesar 5.85% dari basecase dan volume injeksi sebesar 15387684 bbl atau 15.4 MMbbl.
Kata Kunci: : waterflooding, recovery factor, volume injeksi, artificial neural network, backpropagtion algorithm
1. Pendahuluan
Kondisi lapangan minyak saat ini sebagian besar telah melewati batas primary recovery menyebabkan penurunan produksi dan tekanan di reservoir sehingga dilakukan tahapan kedua.
Waterflooding merupakan metode tahapan kedua yang paling sering digunakan karena memiliki efisiensi sapuan yang cukup tinggi serta dapat mempertahankan tekanan reservoir [1], [2]. Efisiensi kinerja waterflooding dipengaruhi oleh beberapa faktor seperti heterogenitas reservoir, sifat fisik batuan, sifat fisik fluida, serta volume air injeksi [3]–[5].
Metode pendekatan untuk melakukan optimasi salah satunya adalah Artificial Neural Network. Pada penelitian [6], melakukan optimasi waterflooding menggunakan Artificial Neural Networks (ANN). Lalu didukung dengan penelitian sebelumnya [7], mengenai keberhasilan ANN untuk memprediksi kinerja waterflooding di reservoir minyak berat dan sedang yang berada di Western Canada dengan algoritma backpropagation feed-forward. Selanjutnya, penelitian [8] mengungkap keberhasilan penggunaan ANN- BP dalam memprediksi waterflooding di reservoir heterogen menggunakan Normal Five-spot.
Penelitian ini dilakukan dengan pemodelan reservoir menggunakan CMG-IMEX dengan berdasarkan data sekunder yang didapat dari beberapa referensi. Kemudian melakukan iterasi data menggunakan CMG-CMOST. Selanjutnya, melakukan optimasi menggunakan ANN-BP. Penelitian ini
bertujuan untuk mem- peroleh optimasi nilai dari volume injeksi dan recovery factor (RF) pada waterflooding menggunakan metode ANN-BP. Parameter yang digunakan dalam penelitian ini adalah porosity, horizontal permeability, vertikal permeability, oil saturation, water saturation, rock compressibility.
2. Metode Penelitian
Alur penelitian, dalam pelaksanaan penelitian ini adalah sebagai berikut:
a. Langkah pertama yang dilakukan adalah studi literatur, mempelajari teori yang berkaitan dengan penelitian.
b. Pembuatan basecase pemodelan simulasi menggunakan software CMG-IMEX.
c. Desain 500 database atau melakukan iterasi data menggunakan CMG-CMOST.
d. Langkah selanjutnya, 500 iterasi data tersebut dibawa ke Machine Learning (ML) dengan rasio training dan testing yaitu 0.7:0.3.
e. Langkah terakhir, optimasi dengan algoritma Back-propagation menggunakan bahasa pemrograman python.
Model reservoir dibangun menggunakan software CMG-IMEX dengan dimensi 49×49×5 total grid blocks 12005 dan memiliki number of layering sebanyak 5 layer dan normal 5-spot, dengan ukuran pattern 132.23 acres.
Gambar 1. Model reservoir 3D
Data-data penelitian yang digunakan adalah sebagai Tabel 1 berikut.
Tabel 1. Reservoir properties
Properties Value
Rock type Density
Reservoir temperature Reservoir pressure Thickness
Depth
Bubble point pressure WOC
Carbonate 63 273 4271 250 8000 4021 8500
lb/ft3
˚F psi ft ft psi ft Source:[8],[9],[10]
Tabel 2. Waterflooding parameters
Properties Value Min Max
Porosity, %
Perm_horizontal, mD Perm_vertical, mD Compressibility,×10-6/psi Oil saturation, %
Water saturation, %
0.15 1500 100 5×10-6 0.85 0.15
0.10 7 1 0.1 0.1 0.1
0.4 4500 2555 18 0.9 0.4 Source: [7], [11],[12]
3. Hasil dan Pembahasan
Persamaan optimasi yang digunakan adalah:
RF = 28.4066 + (22800.1 * Cr) + (0.00313622 * Perm_I) – (0.00306151* Perm_K) – (105.475 * Por) – (1.90648 * So) + (8.42469 * Sw) + (39.9983 * Cr * Perm_I) + (288056 * Cr * Por) – (4.04056e-07 * Perm_I * Perm_I) – (0.00378042 * Perm_I * Por) – (0.00105257 * Perm_I * Sw) + (4.04337e-07 * Perm_K * Perm_K) + (0.00400445 * Perm_K * Por) + (134.201 * Por * Por) – (11.9705 * Por * Sw) + (2.86644 *So*So) –(4.38261 *So*Sw)
Volume Injeksi = 1.05186e+07 – (1.81088e+11 * Cr) + (4485.54 * Perm_I) + (592.376 * Perm_K) + (2.45629e+06 * Por) – (2.41179e+06 * Sw) + (2.94737e+07 * Cr * Perm_I) – (0.598457 * Perm_I * Perm_I –(4475.95 * Perm_I * Por) – (945.444 * Perm_I * Sw) – (0.275006 * Perm_K * Perm_K) + (2142.43 * Perm_K * Por) – (1.97555e+07 * Por * Por) + (2.20245e+06 * So * So)
Trial dan error pada hidden layer dengan nodes ke 10 mendapatkan R2 trainning 0.989824 dan R2 testing 0.988112. Model dengan korelasi yang baik saat nilai Coefficient of determination atau nilai R2 mendekati 1[13]. Korelasi hanya dari 1 koefisien juga harus dibantu oleh parameter lainnya seperti MAPE untuk keefektifitasan dari ANN tersebut [14]. MAPE (mean absolute percentage error) adalah nilai ukuran dari suatu prediksi dengan memperhitungkan rata-rata presentase kesalahan mutlak. Nilai MAPE pada data training adalah 2.4745 dan data testing 2.3250 ini berarti Highly accurate prediction [15]. Jika MAPE kurang dari 10% berarti kemampuan peramalan model sangat baik dan mempunyai kemampuan peramalan baik jika nilai MAPE kurang dari 20%[16]. Grafik hasil antara data aktual dan data prediksi bisa dilihat pada Gambar 2 dan Gambar 3.
Optimasi dilakukan setelah mendapatkan tingkat keakurasian dan nilai error yang tergolong bagus.
Objective function dari penelitian ini adalah recovery factor dan volume injeksi. Variable yang dioptimasi adalah porositas, kompressibilitas batuan, saturasi air, saturasi minyak serta permeabilitas horizontal dan permeabilitas vertikal. Hasil optimasi dari masing-masing objective function dapat dilihat pada Tabel 3.
Tabel 3. Perbandingan sebelum dan sesudah optimasi basecase Optimasi ANN-BP Recovery Factor (%)
Volume injeksi (bbl)
20.31 14343991
26.17 15387684
Pada optimasi ANN-BP, hasil terbaik didapatkan dengan nilai RF 26.1709 dan volume injeksi 15.387.684 bbl. Dibandingkan dengan basecase nilai RF hanya 20.3143 dan volume injeksi 14.343.991.
RF mengalami peningkatan sebesar 5.85 %. Hasil optimasi ditunjukan grafik pada Gambar 4. Untuk memverifikasi hasil tersebut, penulis juga menunjukkan hubungan antara objective function pada setiap parameter yang ditunjukkan oleh Gambar 5 dan Gambar 6. Dari grafik tersebut hasil parameter terbaik yang ditemukan adalah porositas 10%, permeabilitas horizontal 3547.9 mD, permeabilitas vertikal 211.7 mD, saturasi minyak 0.70, saturasi air 0.33 dan kompressibilitas batuan 16 × 10-5.
Gambar 2. R20.989824 pada training dengan 10 nodes hidden layer Sumber: Olahan data software Python
Gambar 3. R2 0.988112 pada testing dengan 10 nodes hidden layer Sumber: Olahan data software Python
Gambar 4. Hasil optimasi menggunakan ANN-BP Sumber: Olahan data software Python
Gambar 5. Hubungan antara RF dan parameter Sumber: Olahan data software Python
Gambar 6. Hubungan antara volume injeksi dan parameter Sumber: Olahan data software Python
4. Kesimpulan
Berdasarkan hasil dan pembahasan serta analisis dari simulasi yang telah dilakukan maka dapat disimpulkan bahwa metode optimasi menggunakan Artificial Neural Network-backpropagation memperoleh nilai trial dan error yang mendekati 1 sehingga metode ini efektif untuk optimasi. Hasil optimasi yang didapat dari recovery factor adalah 26,17% mengalami peningkatan 5,85% dari basecase dan volume injeksi adalah 15.387.684 bbl.
5. Referensi
[1] Dan A. S. D. Kristanato, “Evaluasi Penggunaan Injeksi Air Untuk Pressure Maintanance Pada Reservoir Lapangan Minyak,” Univ. Pembang. Nas. “Veteran” Yogyakarta, 2015.
[2] N. Dicgorry And S. H. , M. Taufik Fathaddin, “Analisa Efektifitas Pola Injeksi Air Antara Normal Dan Inverted Five Spot Simulasi Reservoir Lapangan Dnt,” Semin. Nas. Cendekiawan, No. Issn:
2460-8696, Pp. 324–334, 2015.
[3] T. Ahmed, Reservoir Engineering Handbook, Fourth Edi. Usa: Elsevier Inc, 2010.
[4] A. Iqbal, I. Sugiatmo, And P. R. Pratiwi, “Evaluasi Kinerja Reservoir Dengan Injeksi Air Pada
Pattern 8 Lapangan ‘ Tql ,’” Semin. Nas. Cendekiawan Ke 3 Tahun 2017, Pp. 13–18, 2017.
[5] P. I. Imuokhuede, I. Ohenhen, And O. A. Olafuyi, “Screening Criteria For Waterflood Projects In Matured Reservoirs : Case Study Of A Niger Delta Reservoir,” Spe Niger. Annu. Int. Conf. Exhib., 2020.
[6] J. Bruyelle And D. Guérillot, “Optimization Of Waterflooding Strategy Using Artificial Neural Networks,” Soc. Pet. Eng. - Spe Reserv. Characterisation Simul. Conf. Exhib. 2019, Rcsc 2019, No.
1997, Pp. 17–19, 2019, Doi: 10.2118/196643-Ms.
[7] F. Ahmadloo, K. Asghari, And G. Renouf, “Performance Prediction Of Waterflooding In Western Canadian Heavy Oil Reservoirs Using Artificial Neural Network,” Energy And Fuels, Vol. 24, No.
4, Pp. 2520–2526, 2010, Doi: 10.1021/Ef9013218.
[8] S. Kalam, S. A. Abu-Khamsin, H. Y. Al-Yousef, And R. Gajbhiye, “A Novel Empirical Correlation For Waterflooding Performance Prediction In Stratified Reservoirs Using Artificial Intelligence,”
Neural Comput. Appl., Vol. 33, No. 7, Pp. 2497–2514, 2021, Doi: 10.1007/S00521-020-05158-1.
[9] M. I. Osatemple, A. T. Adeniyi, And A. Giwa, “Assessment And Optimization Of Waterflooding Performance In A Hydrocarbon Reservoir,” Soc. Pet. Eng. - Spe Niger. Annu. Int. Conf. Exhib. 2021, Naic 2021, No. September, 2021, Doi: 10.2118/207114-Ms.
[10] W. Yue And J. Y. Wang, “Feasibility Of Waterflooding For A Carbonate Oil Field Through Whole- Field Simulation Studies,” J. Energy Resour. Technol. Trans. Asme, Vol. 137, No. 6, Pp. 1–8, 2015, Doi: 10.1115/1.4030401.
[11] B. R. Crawford, P. F. Sanz, B. Alramahi, And N. L. Dedontney, “Modeling And Prediction Of Formation Compressibility And Compactive Pore Collapse In Siliciclastic Reservoir Rocks,” 45th Us Rock Mech. / Geomech. Symp., No. June 2011, 2011.
[12] Q. Sun And T. Ertekin, “Development And Application Of An Artificial-Neural-Network Based Expert System For Screening And Optimization Of Polymer Flooding Projects,” Soc. Pet. Eng. - Spe Kingdom Saudi Arab. Annu. Tech. Symp. Exhib. 2018, Sats 2018, 2018, Doi: 10.2118/192236- Ms.
[13] A. Hammoudi, K. Moussaceb, C. Belebchouche, And F. Dahmoune, “Comparison Of Artificial Neural Network (Ann) And Response Surface Methodology (Rsm) Prediction In Compressive Strength Of Recycled Concrete Aggregates,” Constr. Build. Mater., Vol. 209, Pp. 425–436, 2019, Doi: 10.1016/J.Conbuildmat.2019.03.119.
[14] Z. Qiao, Z. Wang, C. Zhang, S. Yuan, Y. Zhu, And J. Wang, “Estimation Of Breakthrough Time For Water Coning In Fractured Systems: Experimental Study And Connectionist Modeling,” Aiche J., Vol. 59, No. 4, Pp. 215–228, 2012, Doi: 10.1002/Aic.
[15] E. Vivas, H. Allende-Cid, And R. Salas, “A Systematic Review Of Statistical And Machine Learning Methods For Electrical Power Forecasting With Reported Mape Score,” Entropy, Vol. 22, No. 12, Pp. 1–24, 2020, Doi: 10.3390/E22121412.
[16] K. Margi S And S. Pendawa W, “Analisa Dan Penerapan Metode Single Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu,” Pros. Snatif, No. 1998, Pp. 259–266, 2015.
