ARIFIN, MOHAMMAD ZAENAL (2026) SIMULASI CARBON CAPTURE STORAGE (CCS) MENGGUNAKAN ALGORITMA BAYESIAN MARKOV CHAIN MONTE CARLO (MCMC) DAN CONVOLUTIONAL NEURAL NETWORK (CNN ). Skripsi thesis, UPN "Veteran" Yogyakarta.
|
Text
115220059_Cover - the wanderer.pdf Download (539kB) |
|
|
Text
115220059_Abstrak - the wanderer.pdf Download (572kB) |
|
|
Text
115220059_Halaman Pengesahan - the wanderer.pdf Download (93kB) |
|
|
Text
115220059_Daftar Isi - the wanderer.pdf Download (263kB) |
|
|
Text
115220059_Daftar Pustaka - the wanderer.pdf Download (205kB) |
|
|
Text
115220059_Fulltext - the wanderer.pdf Restricted to Repository staff only Download (6MB) |
Abstract
Peningkatan emisi karbon dioksida (CO₂) akibat aktivitas industri dan
pembangkit listrik berbasis bahan bakar fosil menjadi salah satu penyebab utama
perubahan iklim global. Carbon Capture and Storage (CCS) dikembangkan
sebagai solusi strategis untuk mengurangi emisi CO₂ dengan cara menangkap,
mengangkut, dan menyimpannya ke dalam reservoir geologi bawah permukaan.
Namun, penerapan CCS memerlukan analisis dan monitoring yang akurat untuk
memastikan keamanan dan stabilitas penyimpanan CO₂. Penelitian ini bertujuan
untuk melakukan simulasi dan monitoring reservoir CCS menggunakan
pendekatan berbasis machine learning melalui integrasi algoritma Bayesian
markov chain monte carlo (MCMC ) dan Convolutional Neural Network (CNN).
Algoritma Bayesian MCMC digunakan untuk memodelkan dan mengkuantifikasi
ketidakpastian parameter reservoir akibat proses injeksi CO₂, sedangkan CNN
dimanfaatkan untuk mengenali dan memprediksi perubahan pola jejak seismik
(seismic trace ) yang dihasilkan dari dinamika reservoir pasca injeksi. Data yang
digunakan berupa data seismik 2D dan data sumur open source , yang diolah untuk
menghasilkan parameter akustik impedans, koefisien refleksi, serta seismogram
sintetik melalui proses konvolusi. Hasil penelitian menunjukan bahwa algoritma
machine learning mampu menghasilkan model simulasi reservoir berbasis
probabilistik yang lebih akurat dan efisien, serta memberikan kerangka kerja
komputasional untuk mendukung monitoring dan evaluasi penyimpanan karbon
pada teknologi CCS, hal ini ditunjukan dengan adanya penurunan nilai kecepatan
primer dan nilai densitas dimana hal tersebut sesuai dengan prinsip substitusi
fluida.
Kata kunci : Carbon Capture Storage (CCS), machine learning, Convolutional
Neural Network (CNN ), Bayesian Markov Chain Monte Carlo,
Seismic Color Inversion.
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Uncontrolled Keywords: | Carbon Capture Storage (CCS), machine learning, Convolutional Neural Network (CNN ), Bayesian Markov Chain Monte Carlo, Seismic Color Inversion. |
| Subjek: | Q Science > QE Geology |
| Divisions: | Fakultas Teknologi Mineral dan Energi > (S1) Teknik Geofisika |
| Depositing User: | A.Md Eko Suprapti |
| Date Deposited: | 11 Nov 2026 01:44 |
| Last Modified: | 11 Nov 2026 01:44 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/50307 |
Actions (login required)
![]() |
View Item |
