ANALISIS WELLBORE STABILITY DENGAN PEMODELAN GEOMEKANIK 1D MENGGUNAKAN MACHINE LEARNING: STUDI KASUS SUMUR MAB-001 PADA CEKUNGAN SUMATERA UTARA

BASKHARA, MAYDA ADE (2022) ANALISIS WELLBORE STABILITY DENGAN PEMODELAN GEOMEKANIK 1D MENGGUNAKAN MACHINE LEARNING: STUDI KASUS SUMUR MAB-001 PADA CEKUNGAN SUMATERA UTARA. Other thesis, UPN "Veteran" Yogyakarta.

Preview	Text B. Halaman Judul atau Cover_113170068.pdf Download (407kB) | Preview
Preview	Text C. Halaman Pengesahan_113170068.pdf Download (190kB) | Preview
Preview	Text D. Abstrak_113170068.pdf Download (69kB) | Preview
Preview	Text E. Daftar Isi_113170068.pdf Download (80kB) | Preview
Preview	Text G. Daftar Pustaka_113170068.pdf Download (155kB) | Preview
	Text A.-Tugas-Akhir-Lengkap-113170068.pdf Restricted to Repository staff only Download (4MB)

Abstract

vii
RINGKASAN
Indonesia memiliki potensi shale hydrocarbon yang sangat besar, salah
satunya adalah Cekungan Sumatera Utara dengan potensi shale gas sebesar 64,78
TCF. Sumur MAB-001 merupakan sumur non-konvensional yang berlokasi pada
Sub-basin Langkat, Cekungan Sumatera Utara dengan target utama Formasi Lower
Baong Shale dan Formasi Bampo sebagai source rock. Dalam upaya menjaga
borehole stability pada pemboran area tersebut, maka diperlukan pemodelan
geomekanik 1D. Saat ini pemodelan geomekanik 1D dituntut untuk mampu
mendapatkan hasil yang efisien dan akurat, sehingga dikembangkan software
penelitian dengan metode machine learning oleh tim riset IDEASI. Karena
pemodelan geomekanik 1D tersebut masih dalam tahap riset maka diperlukan
pemodelan software geomekanik “X” sebagai model pembanding dari metode
tersebut di atas.
Metode machine learning berfokus pada olah data statistik dan
pembelajaran data yang sudah ada. Maka untuk memodelkan tekanan pori dan
tekanan rekah Sumur MAB-001 diperlukan data sumur tetangga (SAP-001) yang
akan digunakan sebagai model training data dari algoritma machine learning.
Optimasi model training data tersebut dengan merubah variabel kontrol berupa
neuron layer, learning rate, dan error threshold, sehingga didapatkan nilai total
sum of squares (R2) mendekati 1 dan nilai Root Mean Squared Error (RMSE)
minimum. Hasil Pore Pressure Fracture Gradient (PPFG) dari metode machine
learning kemudian divalidasi atau dibandingkan dengan hasil dari software
geomekanik “X”. Pada software tersebut untuk memodelkan prediksi tekanan pori
digunakan metode Eaton. Prediksi tekanan rekah digunakan metode Matthews and
Kelly, karena hasil dari metode tersebut paling sesuai dengan data LOT. Dan untuk
memodelkan horizontal stress digunakan metode Mohr-Coloumb dan Anderson.
Serta untuk memodelkan shear failure gradient digunakan metode modified lade.
Pemodelan Geomekanik 1D Sumur MAB-001 dengan metode machine
learning dianggap belum optimal, dikarenakan oleh beberapa kesalahan
pemrograman seperti nilai R2 dan RMSE yang selalu berubah meskipun digunakan
data dan variabel kontrol yang sama, serta tidak kesesuaian data input dan output
untuk tahap training data. Sedangkan pemodelan dari software geomekanik “X”
dapat disimpulkan terdapat overpressure dengan nilai tekanan maksimum sebesar
13,78 ppg pada kedalaman 2860,08 mTVD yang terjadi akibat adanya
disequilibrium compaction. Rekomendasi mud weight optimum untuk Sumur
MAB-001 pada trayek 20” (52-680 mTVD) sebesar 11,00-12,00 ppg, trayek 13 3/8
(680-1250 mTVD) sebesar 13,50-15,70 ppg untuk menghindari masalah caving,
trayek 9 5/8” (1250-2200 mTVD) sebesar 15,25-16,40 ppg untuk menghindari
masalah partial loss, trayek 5 ½” (2200-3210 mTVD) sebesar 17,00-17,25 ppg
untuk menghindari masalah partial loss, Kedalaman 3210-3660 mTVD sebesar
15,35-15,70 ppg untuk menghindari masalah caving.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	pemboran
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	08 Feb 2022 05:04
Last Modified:	29 Nov 2022 01:39
URI:	http://eprints.upnyk.ac.id/id/eprint/28285

Actions (login required)

View Item