Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
IMPLEMENTASI JARINGAN SYARAF TIRUAN DALAM PEMILIHAN METODE ENHANCED OIL RECOVERY Oleh :
Malunlana Alamsah, Anas Puji Santoso, Boni Swadesi Jurusan Teknik Perminyakan, Universitas Pembangunan Nasional ”Veteran” Yogyakarta Jl. SWK 104 (Lingkar Utara) Condongcatur, Yogyakarta 55283 Telp. (0274) 486056, Facs. (0274) 486056 e-mail :
[email protected],
[email protected],
[email protected] ABSTRAK Pengambilan keputusan dalam pengembangan lapangan sangat sulit dilakukan pada awal suatu lapangan dieksploitasi. Hal ini disebabkan kurangnya data sehingga mempersulit dalam penentuan langkah-langkah selanjutnya. Untuk merencanakan EOR, diperlukan suatu penelitian yang sangat rumit dan membutuhkan biaya yang mahal. Biasanya suatu lapangan menggunakan simulator untuk memprediksi kelakuan reservoir yang nantinya digunakan sebagai acuan dalam mengembangkan suatu lapangan. Kegiatan simulasi reservoir membutuhkan data reservoir yang harus lengkap dan membutuhkan waktu yang cukup lama untuk mendapatkan hasil yang bagus. Biasanya, perencanaan strategi pengembangan lapangan dilakukan pada awal dilakukannya pengembangan lapangan. Hal ini berhubungan dalam penyusunan Plan of Development (POD) suatu lapangan sehingga dapat direncanakan pula biaya yang diperlukan dalam pengembangan lapangan tersebut. Diperlukan suatu alat untuk membantu dalam pengambilan keputusan dengan tersedianya informasi reservoir yang terbatas. Dengan menggunakan suatu alat, bisa ditentukan metode EOR yang akan dilakukan pada suatu lapangan dengan hanya menggunakan data reservoir yang terbatas. Menggunakan konsep Jaringan Syaraf Tiruan (JST) dapat ditentukan metode EOR yang sesuai pada suatu lapangan dengan melihat dari tingkat keberhasilannya. Screening criteria yang digunakan berdasarkan dari data reservoir dari lapangan yang telah melakukan EOR dengan karakteristik dan kondisi reservoir yang berbeda-beda. Data yang diperlukan adalah parameter reservoir kunci yaitu: gravity minyak, viscositas minyak, komposisi minyak, saturasi minyak, jenis batuan, ketebalan batuan, permeabilitas rata-rata, kedalaman, dan temperatur. Dilakukan pembelajaran backpropagation pada data pembelajaran. Model JST mampu mengolah data yang berbeda, mengurangi kemungkinan pengambilan keputusan yang tidak berdasar, dan mampu menginvestigasi secara cepat dan akurat. Pada penelitian ini menghasilkan software yang dinamakan PiXel. Keywords : Jaringan Syaraf Tiruan, Backpropagation, Enhanced Oil Recovery. PENDAHULUAN suatu
Awal dilakukan pengembangan lapangan hanya memiliki data
reservoir yang terbatas. Di saat yang sama dibutuhkan suatu keputusan untuk pengembangan lapangan jangka panjang termasuk dalam pemilihan metode
___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
Enhanced Oil Recovery yang akan dilakukan dimasa yang akan datang. Hal ini berhubungan dengan pembuatan Plan of Development (POD) suatu lapangan. Pemilihan metode Enhanced Oil Recovery (EOR) telah lama dilakukan dengan menggunakan screening criteria. Dari screening criteria ini hanya bisa dilakukan pemilihan secara kualitatif, yaitu pemilihan berdasarkan kecocokan data reservoir yang akan dilakukan EOR dengan screening criteria yang ada. Hal ini bisa menjadikan pemilihan yang kurang tepat karena pada suatu data reservoir memungkinkan sesuai dengan lebih dari satu metode EOR. Cara ini sangat sulit menentukan metode mana yang lebih sesuai pada reservoir tersebut. Dari masalah ini dibutuhkan alat untuk menghitung persentase kesesuaian data reservoir yang diteliti terhadap masing-masing metode EOR. Jaringan Syaraf Tiruan (JST) merupakan suatu struktur perhitungan yang mempelajari proses-proses susunan syaraf biologis. Ada beberapa jenis jaringan syaraf tiruan, dari yang sederhana sampai yang sangat komplek sebagai gambaran teoritis dari proses syaraf biologis. Model JST dirancang menyerupai kemampuan berpikir manusia seperti proses ilmu pengetahuan, berbicara, perkiraan, dan control. Sehingga, tidak berlebihan apabila penerapan JST digunakan dalam pemilihan metode EOR baik secara kualitatif maupun kuantitatif walaupun dengan data reservoir yang terbatas. EOR Screening Criteria EOR screening criteria telah lama digunakan pada kebanyakan reservoir sebelum dilakukan penelitian yang lebih lanjut. Screening criteria ini berdasarkan dari parameter kunci reservoir, baik itu kerakteristik minyak, karakteristik batuan, maupun kondisi reservoirnya. Secara umum diperoleh dari pengalaman di lapangan baik
yang sukses maupun yang gagal atau dari penelitian di laboratorium mengenai proses EOR. Pada penelitian ini digunakan screening criteria dari beberapa sumber yang saling melengkapi satu sama lain (Tabel 1). Digunakan 9 data parameter reservoir yaitu: gravity minyak, viscositas minyak, komposisi minyak, saturasi minyak, jenis batuan, ketebalan batuan, permeabilitas rata-rata, kedalaman, dan temperatur. Metode EOR yang akan diperoleh adalah injeksi N2, injeksi gas hidrokarbon, injeksi CO2, injeksi surfaktan, injeksi polimer, injeksi alkalin, in-situ combustion, dan injeksi uap. Jaringan Syaraf Tiruan (JST) JST adalah implementasi dari teknologi artificial intelligence. Merupakan representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah tiruan ini karena jaringan syaraf ini diimplementasikan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Otak manusia terdiri dari banyak neuron, axon, dan dendrit. JST memiliki node yang dianalogikan sebagai neuron pada otak manusia. Proses dari input yang diperoleh untuk menghasilkan respon keluaran pada node ini. JST merupakan model sederhana dari kemampuan otak dalam menganalisa objek dan data. JST merupakan sistem pemroses informasi yang mempunyai kemampuan untuk belajar, mengingat informasi, menyamakan data, dan menentukan pola selama proses pembelajaran. JST telah dikembangkan menggunakan metode matematika dari pengertian manusia atau syaraf biologis, berdasarkan asumsi-asumsi, sbb: 1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
2. Sinyal dialirkan diantara neuron melalui connection link. 3. Setiap connection link memiliki masingmasing bobot 4. Setiap neuron dilakukan fungsi aktivasi pada setiap input untuk menentukan sinyal output. Arsitektur JST pada umumnya diklasifikasikan sebagai satu lapisan atau banyak lapisan. Pengaturan neuron pada lapisan dan pola hubungan di antara lapisan disebut sebagai arsitektur jaringan. Beberapa JST memiliki input lapisan dengan aktivasi pada setiap unit yang sama pada sinyal external input. Kebanyakan JST menggunakan lapisan banyak dengan satu lapisan tersembunyi seperti yang digunakan pada penelitian ini (Gambar 1). Untuk menyelesaikan masalah yang berbeda sangat penting dalam menentukan jumlah lapisan dan jumlah neuron pada setiap lapisannya. Untuk menentukan jumlah lapisan, unit input tidak dihitung sebagai lapisan, karena tidak dilakukan perhitungan. Algoritma Metode untuk menentukan nilai bobot sangat penting dalam membedakan karakteristik dari jaringan syaraf yang berbeda. Secara umum dua tipe pembelajaran untuk JST yaitu terawasi dan tak terawasi. Kebanyakan JST diatur dan dilatih berdasarkan urutan pembelajaran vektor, atau pola yang masing-masing berubungan dengan vektor target output. Proses ini disebut sebagai pembelajaran terawasi. Beberapa algoritma pembelajaran dikembangkan pada JST. Algoritma ini berdasarkan pada kelayakan pembelajaran yang disesuaikan dengan optimasi dari teori. Pada pembelajaran ini dipengaruhi oleh besarnya learning rate. Pada penelitian ini digunakan pembelajaran terawasi metode
backpropagation. Pembelajaran backpropagation memiliki tiga tahapan yaitu: langkah maju (feedforward) dari pola pembelajaran input, perhitungan error dan langkah mundur (backpropagation) apabila belum mencapai error yang dikehendaki, serta memperbaiki bobot. Setelah dilakukan pembelajaran, JST bisa digunakan untuk menyelesaikan masalah tertentu dengan memasukkan data pada lapisan input sehingga didapat hasil pada lapisan output. Implementasi Penelitian ini menggunakan metode backpropagation untuk melatih JST pada penentuan tingkat keberhasilan EOR. Diperlukan 9 node pada lapisan input, hal ini disesuaikan dari jumlah input parameter reservoir yang digunakan dengan 8 metode EOR yang dituju sehingga memerlukan 3 node pada output lapisan. Lapisan tersembunyi dapat diubah-ubah jumlah node-nya sesuai kebutuhan (Gambar 3). Masing-masing parameter reservoir dibagi dalam batasan-batasan tertentu sesuai screening criteria yang digunakan. Ditentukan nilai bobot awal pada masingmasing batasan. Sedangkan pada output yaitu metode EOR yang dituju ditentukan nilai output pada masing-masing metode menggunakan bilangan biner. Pembelajaran backpropagation: sebelum JST bisa menginvestigasi pada suatu reservoir, dilakukan terlebih dahulu pembelajaran. Digunakan sebanyak 64 data sampel untuk pembelajaran JST. Kemudian data yang ada akan dipelajari oleh JST dengan terlebih dahulu ditentukan jumlah hidden node, learning rate, maksimal iterasi, dan error targetnya. Perhitungan tingkat keberhasilan diperoleh dari error yang dicapai pada suatu investigasi berdasarkan bobot yang diperoleh pada pembelajaran sebelumnya.
___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
%output = 100
100 * error 8
Contoh hasil pada penelitian ini ditentukan 10 hidden node, 0.5 learning rate, 20,000 max iteration, dengan target error (RMSE) sebesar 0.01. Pembelajaran akan berhenti pada maksimal iterasi atau telah memperoleh target error yang ditentukan. Contoh pembelajaran menunjukkan target error 0.01 dicapai pada iterasi ke-19,361. CONTOH KASUS Contoh kasus ini dilakukan terhadap suatu lapangan di Wyoming, USA. Semua data reservoir yang diperlukan tersedia kecuali komposisi minyak (Tabel 2). Sebelum dilakukan investigasi terhadap lapangan tersebut, dilakukan pembelajaran, kemudian memasukkan data reservoir dari lapangan tersebut. Hasil investigasi menunjukkan lapangan tersebut memiliki tingkat keberhasilan terbesar jika dilakukan injeksi CO2 dibandingkan metode yang lain yaitu sebesar 96.42 % (Gambar 4). KESIMPULAN 1. Pembuatan software pembelajaran JST dapat digunakan dalam pemilihan metode EOR. 2. Keterbatasan data dapat diatasi menggunakan JST dalam penentuan metode EOR yang akan digunakan sebagai pertimbangan dalam pengembangan lapangan.
UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada Sekar Ayu Intan Maharani, Yanuar Hadiyanto dan Jurusan Teknik Perminyakan UPN ”Veteran” Yogyakarta atas dukungan yang diberikan dalam penulisan paper ini. DAFTAR PUSTAKA
1. Kusumadewi, 2.
3. 4.
5.
6.
Sri; “Artificial Intelligence (Teknik dan Aplikasinya)”; Graha Ilmu; Yogyakarta; 2003. Manrique, Eduardo; “CO2 Capture and Sequestration: EOR Advanced Screening Criteria”; Questa Engineering Corporation; ________. O’Brien, John, et all; “Time-lapse VSP Reservoir Monitoring”; The Leading Edge; Houston; 2004. Taber, J.J. and Martin, F.D.; “Technical Screening Guides for the Enhanced of Oil”, paper SPE 12069 presented at the 1983 Annual Technical Conference and Exhibition; San Fransisco; 1983. Taber, J.J, Martin, F.D., and Seright, R.S.; “EOR Screening Criteria Revisited: Part 1 – Introduction to Screening Criteria and Enhanced Recovery Fields Project”; SPERE (August 1997). Taber, J.J, Martin, F.D., and Seright, R.S.; “EOR Screening Criteria Revisited: Part 2 – Applications and Impact of Oil Prices”; SPERE (August 1997).
___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
TABEL 1. EOR SCREENING CRITERIA
TABEL 2. CONTOH DATA RESERVOIR Reservoir Properties Oil Gravity (ºAPI) Oil Viscosity (cp) Oil Composition Oil Saturation (%) Formation Type Thickness (Ft) Permeability (mD) Depth (Ft) Temperature (ºF)
Field Data 43 0.85 no data available 54 sandstone 25 30 4800 120
___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
TABEL 3. DATA PEMBELAJARAN data vis satura id gravity cos composition formation tions ity 1 49 0.2 high percent 65 Carbonate of C1-C7 2 25 2 high percent 35 Sandstone of C2-C7 3 34 20 light 44 Sandstone intermediate 4 12 70 no data 59 Sandstone 0 available 5 21 14 some organic 47 Sandstone 0 acid 6 27 0.7 high percent 38 Sandstone of C2-C7 7 19 90 no data 75 Sandstone 0 available 8 12 49 no data 45 Sandstone 0 available 9 26 80 some organic 55 Sandstone acid 10 20 70 some 80 Sandstone 0 asphaltic component 11 50 90 no data 70 Sandstone available 12 14 19 no data 36 Sandstone 0 available 13 50 7 light 70 Sandstone intermediate 14 53 1 high percent 60 Carbonate of C1-C7 15 14 60 no data 59 Sandstone 0 available 16 26 29 light 31 Sandstone intermediate 17 45 0.2 high percent 48 Sandstone of C1-C7 18 52 15 no data 48 Sandstone
thick perme tempe depth ness ability rature
method
22
130
10000
60
N2
100
45
8000
200
Hydrocarbon
120
55
4500
90
Surfactant
50
290
3500
110
Steam
20
140
7500
140
Alkaline
50
30
6500
100
Hydrocarbon
50
200
3500
110
Combustion
30
300
3900
120
Steam
30
59
6000
120
Alkaline
28
250
20000
150
Combustion
100
750
750
150
Steam
15
21
8900
199
Surfactant
200
5
950
145
Surfactant
10
150
11000
160
N2
69
69
11400
190
Combustion
11
23
7900
170
Surfactant
54
100
6001
105
N2
68
125
5700
152
Surfactant
___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
19
50
20
39
21
24
22
40
23
38
24
32
25
14
26
41
27
47
28
29
29
35
30
21
31
8
32
13
33
12
34
23
35
45
36
49
37
15
38
27
39
50
available 60 no data 0 available 13 no data 5 available 8 high percent of C5-C12 0.5 high percent of C2-C7 0.8 high percent of C2-C7 50 no data available 50 high percent 0 of C2-C7 8 light intermediete 0.3 high percent of C1-C7 1 no data available 0.5 no data available 11 light 5 intermediate 85 high percent 0 of C2-C7 20 no data 0 available 49 no data 0 available 8 high percent of C5-C12 0.2 no data available 4 high percent of C5-C12 50 no data available 70 no data available 0.2 high percent of C2-C7
75
Sandstone
45
750
100
90
Steam
75
Sandstone 200
200
7500
185
Polymer
55
Sandstone
25
50
6500
176
CO2
60
Carbonate
75
9
7000
155
Hydrocarbon
84
Sandstone
72
20
7400
190
Hydrocarbon
71
Sandstone
75
120
4000
95
Alkaline
75
Sandstone
45
210
4200
127
Steam
40
Sandstone
24
85
7000
100
Surfactant
76
Carbonate
20
120
8000
250
N2
55
Carbonate
71
150
9100
200
CO2
59
Carbonate
48
35
9500
150
Hydrocarbon
70
Sandstone
70
70
6500
160
Polymer
55
Sandstone
30
250
4000
120
Steam
73
Sandstone 140
140
7000
130
Combustion
55
Sandstone
15
60
11000
136
Combustion
30
Sandstone
50
10
3000
250
CO2
47
Sandstone 150
300
9000
150
N2
56
Sandstone
55
5
8900
80
CO2
75
Sandstone 250
75
3000
186
Alkaline
67
Sandstone
45
100
5500
100
Alkaline
70
Carbonate
59
46
6500
140
Hydrocarbon
___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
40
80
0.1
41
12
42
29
65 0 25
43
23
9
44
19
80
45
28
75
46
50
0.2
47
20
80 0
48
51
0.6
49
37
0.4
50
34
95
51
16
60 0
52
50
50
53
16
50
54
17
60
55
36
3.1
56
41
1.7
57
16
58
30
10 5 5
59
30
0.5
no data available no data available no data available no data available high percent of C2-C7 no data available no data available some asphaltic component no data available no data available no data available some asphaltic component no data available high percent of C1-C7 high percent of C5-C12 no data available no data available some organic acid light intermediate high percent of C5-C12
60
Carbonate
50
5
10000
95
N2
67
Sandstone
65
300
3750
115
Steam
51
Sandstone
35
67
4000
115
Surfactant
21
Carbonate
34
7
6030
70
CO2
65
Sandstone
40
40
7000
180
Polymer
45
Sandstone
50
45
3500
75
Alkaline
50
Carbonate
75
80
7000
100
N2
80
Sandstone
50
250
3600
119
Combustion
25
Sandstone
29
130
6100
65
CO2
79
Sandstone
68
15
8500
115
Hydrocarbon
81
Sandstone
66
145
7200
130
Alkaline
65
Sandstone
80
80
9000
143
Combustion
60
Sandstone 150
100
1000
75
Polymer
60
Sandstone
15
15
8900
195
Polymer
52
Sandstone 300
300
6000
155
Polymer
64
Sandstone
72
17
10010
150
CO2
55
Carbonate
55
5
10250
100
Hydrocarbon
38
Sandstone
10
90
4500
99
Alkaline
40
Sandstone
25
30
5000
150
Surfactant
34
Carbonate
15
37
3750
280
CO2
___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
60 61 62
63 64
40
0.3 high percent of C1-C7 22 11 no data 8 available 57 26 some asphaltic component 17 10 no data 00 available 11.75 70 no data 00 available 0
45
Sandstone
45
5
6100
70
N2
56
Sandstone
25
25
4200
95
Polymer
63
Sandstone 400
400
8500
190
Polymer
72
Sandstone 160
160
4000
120
Combustion
59
Sandstone
290
3500
110
Steam
50
GAMBAR 1. ARSITEKTUR JST PiXeL
___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
GAMBAR 2. PiXeL INPUT FORM
GAMBAR 3. KEADAAN AWAL DAN AKHIR PROSES PEMBELAJARAN PADA PiXeL ___________________________________________________________________________________ IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI 25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
GAMBAR 4. CONTOH HASIL INVESTIGASI PiXeL
___________________________________________________________________________________ IATMI 2007-TS-34
