Penggunaan Simulasi Model Machine Learning untuk Memprediksi Laju Alir pada Produksi Sumur Minyak High Water Cut dan Critical Flow

Abstract

Sumur 1 lapangan Osprey merupakan sumur minyak dengan kondisi water cut yang mencapai lebih dari 60% yang menyebabkan pengukuran fluida menggunakan flow meter tidak akurat, sehingga untuk mengukur laju alir fluida dikembangkan machine learning model untuk memprediksi laju alir fluida pada sumur ini dengan menggunkana data set sebanyak 285 set untuk model development dan 280 set untuk model validasi. GOR berkisar antara 300 hingga 900 scf/stb, dan WC hingga 68%. Parameter yang digunakan adalah gas oil ratio (GOR), water cut (WC), flowing wellhead pressure (PU), choke size, downstream pressure (PD), dan oil flow rate (Qoil). Data diklasifikasikan menjadi critical flow dimana kumpulan data dengan kondisi aliran dengan rasio downstream pressure dan upstream pressure kurang dari 0.5. Dari hasi pengembangan dan validasi, model random forest regressor adalah model machine larning yang paling akurat dalam memprediksi laju alir pada kondisi high water cut dan critical flow reservoir dengan nilai MSE = 3.1, MAE = 1.26, RMSE = 1.76 dan R2 = 0.99 dan comparison model random forest regressor dengan empirical correlation Gillbert membuktikan bahwa model machine learning dapat lebih baik memprediksi laju alir jika dibandingkan dengan metrics empirical correlation Gillbert dengan nilai MSE = 59.31, MAE = 6.18, RMSE = 7.70 dan R2 = 0.83.