Analisis Performa Choke Dalam Prediksi Well Testing Menggunakan Algoritma Long-Short Term Memory

Abstract

Well testing adalah proses yang penting dalam industri perminyakan hal ini karena well testing berfungsi untuk memprediksi produksi minyak dan gas, yang memungkinkan perusahaan membuat keputusan strategis mengenai optimasi produksi dan alokasi sumber daya. Metode konvensional untuk well testing membutuhkan waktu dan biaya yang besar. LSTM, jenis Recurrent Neural Network (RNN) dengan penambahan memory cell agar dapat menyimpan informasi jangka panjang, diharapkan dapat mengatasi kelemahan ini. penelitian ini menggunakan data time series, yang digunakan untuk mempelajari pola produksi. Hasil penelitian menunjukkan bahwa model LSTM dengan skenario terbaik pada choke 38 didapatkan pada pada pembagian data 90%, hidden size 150 dan 250, dengan nilai MSE 0.001 dan nilai RMSE 0.044, untuk choke 40 didapatkan pada pembagian data 90%, hidden size 150, dengan nilai MSE 0.006 dan nilai RMSE 0.078, dan untuk choke 42 didapatkan pada pembagian data 90%, hidden size 150, dengan nilai MSE 0.007 dan nilai RMSE 0.086, hasil penelitian juga menunjukan bahwa hasil produksi menggunakan choke 42 menunjukan performa terbaik dibandingkan dengan kedua choke lainnya. Penelitian ini menunjukkan bahwa LSTM adalah metode yang efektif untuk prediksi well testing dan dapat menjadi alternatif bagi perusahaan minyak dalam mengoptimalkan produksi dan pengambilan keputusan dalam melakukan produksi sumur.