OPTIMASI GAS LIFT DALAM MANAJEMEN ALOKASI GAS INJEKSI DENGAN MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION (STUDI KASUS PT. XYZ)

Prosiding Seminar Nasional Manajemen Teknologi XXII Program Studi MMT-ITS, Surabaya 24 Januari 2015

OPTIMASI GAS LIFT DALAM MANAJEMEN ALOKASI GAS INJEKSI DENGAN MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION (STUDI KASUS PT. XYZ) 1)

Hannan Fatoni1), Mauridhi Hery P2), dan Ardyono Priyadi2) Program Studi Magister Manajemen Teknologi, Institut Teknologi Sepuluh Nopember Jl. Cokroaminoto 12A, Surabaya, 60264, Indonesia e-mail: [email protected] 2) Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember

ABSTRAK Didalam industri minyak dan gas bumi, besarnya cadangan hidrokarbon dan tipe dari reservoir sangatlah menentukan untuk mendesain metode pengangkatan hidrokarbon ke permukaan serta proses pengolahannya. PT. XYZ menggunakan desain gas lift injeksi untuk mengangkat kandungan minyak bumi dari dasar reservoir. Ketidakstabilan kondisi reservoir terjadi saat katup produksi dibuka lebih besar dengan cepat untuk menghasilkan produksi yang lebih banyak. Hal ini akan berdampak pada terjadinya penurunan tekanan reservoir dan produksi minyak bumi. Langkah-langkah optimisasi produksi wajib dilakukan untuk menjaga kesinambungan produksi minyak dan gas bumi pada PT. XYZ melalui pengelolaan alokasikan laju gas lift injeksi pada masing-masing sumur produksi sehingga mampu menghasilkan produksi minyak bumi yang maksimal. Prosper software digunakan untuk mendapatkan modeling dari masing-masing sumur sehingga diperoleh kurva gas lift injeksi terhadap laju produksi minyak. Masing-masing fungsi kurva gas lift injeksi akan dilakukan uji validasi data dengan menggunakan acuan data hasil dari pengetesan masing-masing sumur produksi. Algoritma Particle Swarm Optimization (PSO) digunakan untuk menyelesaikan permasalahan diatas dan juga dibandingkan dengan solusi solver add-in yang menggunakan metode Genetik Algoritma (GA). Hasil maksimum yang diperoleh setelah dilakukan optimasi PSO adalah alokasi gas injeksi pada masingmasing sumur produksi sebesar 0.98; 2.66; 1.39; 0.98; 3.19; 1.61; 1.78; 2.03; 1.40 dan 0.98, pada keterbatasan gas injeksi dilapangan sebesar 17 Million standard cubic feet perday (MMscfd). Hasil maksimal minyak bumi sebesar 4908.7 Barrel per-day (BPD). Keuntungan maksimum perusahaan setelah optimasi mencapai USD$ 578,004 meningkat sebesar 5.57% dari sebelum optimasi. Kata kunci: Optimasi, Prosper Modeling, Particle Swarm Optimization (PSO), Genetik Algoritma (GA). PENDAHULUAN Perusahaan PT. XYZmerupakan salah satu perusahaan eksplorasi dan eksploitasi minyak dan gas bumi yang mengembangkan fasilitas produksi yang dimilikinya dikawasan Jawa Timur. Pada pengembangan awal produksi, terdapat beberapa buah sumur yang menghasilkan gas dan dilanjutkan dengan kegiatan bersama antara produksi dan pengeboran sumur baru. Gas yang dihasilkan kemudian diinjeksikan kembali ke dalam sumur baru yang memiliki kandungan minyak melalui saluran injeksi gas yang disalurkan kedalam tubing melalui katup gas injeksi pada kedalaman tertentu dengan memanfaatkan proses secara mekanik membuka dan menutup katup gas injeksi. Untuk mencapai target

ISBN : 978-602-70604-1-8 A-35-1


produksi, kandungan gas yang dihasilkan diproduksi lebih cepat dari yang seharusnyasehingga terjadi penurunan tekanan reservoir yang cukup cepat dan berdampak pula pada penurunan produksi minyak. Permasalahan yang ditemui dalam optimasi injeksi gas lift adalah untuk menentukan alokasi jumlah gas yang akan diinjeksikan kedalam masing-masing sumur produksi sehingga mendapatkan hasil produksi minyak yang maksimal. Sementara pada kenyataan dilapangan besarnya alokasi gas yang dapat diinjeksikan kedalam sumur sangat terbatas. Gas lift performance curve (GLPC) dikembangkan untuk mengetahui korelasi laju gas injeksi terhadap besarnya produksi minyak pada masing-masing sumur.Ketersediaan gas injeksi menjadi salah satu pembatas yang dibutuhkan disamping keterbatasan kapasitas pengolahan limbah air. Pendekatan dengan fungsi exponensial dari kurva GLPC digunakan untuk mendapatkan formulasi matematis sehingga permasalahan optimasi dapat dipecahkan dengan menggunakan metode particle swarm optimization (PSO) dan hasilnya nanti akan dibandingkan dengan pula dengan solusi optimasi dengan menggunakan metode genetic algorithm (GA)yang memanfaatkan fungsi solver add-in. Hasil yang diperoleh akan dimasukkan kedalam fungsi obyektif untuk mencari profit perusahaan. Diharapkan dengan perbandingan hasil tersebut dapat dihasilkan solusi yang terbaik untuk menyelesaikan permasalahan optimasi gas-lift dari PT. XYZ. METODA PENELITIAN Secara garis besar penelitian ini terdiri dari tiga tahap, yaitu tahap studi pendahuluan, pemodelan korelasi antara gas injeksi terhadap hasil sumur produksi,optimasi dari model yang diperoleh untuk meningkatkan produksi dan perhitugan maksimasi profit perusahaan. Untuk menyelesaikan permasalahan optimasi yang berhubungan dengan distribusi injeksi gas pada masing-masing sumur produksi pada penelitian ini, dibutuhkanpemodelankurva GLPC. Kurva GLPC merupakan sebuah fungsi kontinyu yang memberikan korelasi antara laju gas injeksiterhadap laju produksi minyak bumi.Pendekatan dari kurva GLPC yang digunakan adalah dengan pendekatankedalam sebuah fungsi exponensial sehinggamampu mendapatkan plot fungsi kurva yang mendekati kurva GLPC. Hasil pemodelan fungsi exponensial ini perlu dilakukan validasi terhadap kondisi aktual dilapangan melalui mekanisme pembanding menggunakan data uji sumur. Langkah selanjutnyaadalahmenentukan fungsi objektif dan fungsi kendala dari permasalahan yang ada untuk selanjutnya dilakukan analisa optimasi produksi. Metode optimasi yang digunakan adalah menggunakan metode PSO dan dibandingkan dengan metode GA.Kedua metode ini digunakan untuk memecahkan permasalahan optimasi nonlinier dengan menggunakan prinsip evolusi yang ditemukan di alam untuk menemukan solusi optimal dari sebuah permasalahan. Metode optimasi yang menggunakan jaringan syaraf tiruan merupakan metode non-deterministik, yang dapat menghasilkan solusi yang agak berbeda pada setiap kali percobaan dilakukan. Tahap Studi Pendahuluan Pada tahap studi pendahuluan dilakukan penelitian awal dengan data-data produksi milik PT. XYZ untuk menggali permasalahan tentang penurunan produksi minyak bumi. Selanjutnya, dilakukan studi literature untuk menentukan teori dan konsep yang relevan untuk digunakan menyelesaikan permasalahan. Teori dan konsep yang digunakan dalam penelitian ini meliputi bahasan tentang kondisi proses aktual dilapangan, pengumpulan data

ISBN : 978-602-70604-1-8 A-35-2


reservoir, pemodelan kurva GLPC, optimasi gas-lift, fungsi obyektif, kendala-kendala dilapangan produksi, perhitungan keuntungan produksi,PSO danGA.Dengan menentukan jumlah alokasi volume gas injeksi yang dibutuhkan pada masing-masing sumur produksi, perusahaan dapat meningkatkan produksi minyak yang maksimal sehingga mendapatkan keuntungan yang optimal secara ekonomi. Disisi lain kenaikan produksi minyak bumi tentunya akan disertai dengan meningkatnya produksi air yang akan memberikan kenaikan biaya pengolahan. Metode optimasi PSO dan GA yang digunakan untuk memecahkan permasalahan alokasi gas lift pada lapangan produksi milik PT. XYZ merupakan optimasi nonlinier dengan menggunakan prinsip evolusi yang ditemukan di alam untuk menemukan solusi optimal dari sebuah permasalahan. Metode optimasi yang menggunakan jaringan syaraf tiruan merupakan metode non-deterministik, yang dapat menghasilkan solusi yang agak berbeda pada setiap kali percobaan dilakukan.Dalam penerapan penyelesaian permasalahan optimasi dengan menggunakan metode GA, solusi permasalahan direpresentasikan sebagai chromosome. Populasi awal ini dibangkitkan secara random untuk mendapatkan solusi awal. Selanjutnya menggunakan pola operasi reproduksi/seleksi, crossover dan mutasi untuk reporduksi. Setelah beberapa generasi, akan dihasilkan chromosome-chromosomedimana nilai gen-gennya konvergen ke suatu nilai tertentu.Nilai tersebut merupakan solusi terbaik untuk penyelesaian permasalahan yang dihasilkan dengan metode GA. Penerapan optimasi PSO menitik beratkan pada pengaturan kecepatan partikel secara heuristik dan probabilistik. Metode optimasi yang didasarkan pada swarm intelligence ini disebut algoritma behaviorally inspired sebagai alternatif lain dari metode GA. Dalam konteks optimasi multivariabel, kawanan diasumsikan mempunyai ukuran tertentu atau tetap dengan setiap partikel posisi awalnya terletak di suatu lokasi yang acak dalam ruang multidimensi. Setiap partikel diasumsikan memiliki dua karakteristik: posisi dan kecepatan. Setiap partikel bergerak dalam ruang/space tertentu dan mengingat posisi terbaik yang pernah dilalui atau ditemukan terhadap sumber makanan atau nilai fungsi objektif. Setiap partikel menyampaikan informasi atau posisi terbaiknya kepada partikel yang lain dan menyesuaikan posisi dan kecepatan masing-masing berdasarkan informasi yang diterima mengenai posisi yang terbaik tersebut. Tahap Pengumpulan Data Lapangan Tabel 1. Data produksi sebelum optimasi

Berdasarkan studi literatur dilakukanpengumpulan data kolektif dari lapangan produksi milik PT. XYZ dilokasi lepas pantai Jawa Timur. Data yang digunakan pada penelitian ini merupakan data primer yang diperoleh dari hasil eksplorasi dan pengeboran

ISBN : 978-602-70604-1-8 A-35-3


sumur berupa data pressure-volume-temperature reservoir, data penyelesaian pengeboran sumur dan data-data pengujian sumur-sumur produksi seperti tekanan pada reservoir, tekanan pada kepala sumur, kedalaman titik lokasi katup gas-lift, laju produksi minyak dan laju injeksi gas. Tahap Pemodelan Gas Lift Performance Curve Data-data yang diperolehakan digunakan didalam proses selanjutnya yaitu pemodelan sumur produksi, validasi model, obyektif dan kendala-kendala gas injeksi. Untuk menyelesaikan permasalahan optimasi mengenai manajemen alokasi gas injeksi pada sumur gas lift, diperlukan hubungan antara laju injeksi gas terhadap laju produksi minyak pada masing-masing sumur produksi.Pendekatan dengan pemodelankurva korelasi ini disebut dengan Gas-lift Perfomance Curve (GLPC) yang dilakukan secara komputerisasi menggunakan software prosper.

Gambar 1.Contoh hasil modeling GLPC Apabila diamati hasil pemodelan GLPC sumur produksi mendekati sebuah fungsi exponensial atau sebuah fungsi polinomial orde tinggi. Penelitian lebih awal dilakukan oleh Robert N. Hatton dan Ken Potter (2011) dan menyatakan bahwa pendekatan kurva GLPC yang lebih baik diperoleh dengan menggunakan persamaan exponensial dibandingkan dengan pendekatan dengan menggunakan persamaan polinomial ber-orde tinggi.Bentuk persamaan exponensial yang digunakan adalah: f(x) = a 3 +((a 2 /(a 0 /a 2 )-1))*(exp(-a 1 x)-exp(-a 0 x)) (1) Keterangan:

• x adalah independen variable (laju gas injeksi) • a 0 , a 1 , a 2 ,a 3 dan a 4 merupakan koefisien independen Kurva gas lift keseluruhan dari hasil simulasi modeling diregresikan secara exponensial berdasarkan pada fungsi persamaan 1 untuk mencari nilai masing-masing koefisien a 0 , a 1 , a 2 , dan a 3 yang memberikan error terkecil. Hasil keseluruhan modeling sumur produksi dalam bentuk fungsi exponensial dapat dilihat sebagai berikut: Sumur 1:

ISBN : 978-602-70604-1-8 A-35-4


f(x 1 ) = 77.2445+((4.4230/(0.8205/4.4230)-1))*(exp(-14.7148x1 )-exp(-0.8205x 1 )) Sumur 2: f(x 2 ) = 225.3677+((9.1730/((0.0159)/9.1730)-1))*(exp(-1.0542x 2 )-exp(-0.0159x 2 )) Sumur 3: f(x 3 ) = 320.2196+((2.5876/((0.0143)/2.5876)-1))*(exp(-1.6859x 3 )-exp(-0.0143x 3 )) Sumur 4: f(x 4 ) = 5.5427+(((0.8726)/(0.0174/(0.8726)-1))*(exp(-0.9006x 4 )-exp(-0.0174x 4 )) Sumur 5: f(x 5 ) = 33.6341+((0.0334/((0.0000)/0.0334)-1))*(exp(-1.0176x 5 )-exp(-0.0001x 5 )) Sumur 6: f(x 6 ) = -16.7568+((1.5201/((0.0042)/1.5201)-1))*(exp(-2.3263x 6 )-exp(-0.0042x 6 )) Sumur 7: f(x 7 ) = 399.9655+((67.7375/(1.6248/67.7375)-1))*(exp(-11.2985x 7 )-exp(-1.6248x 7 )) Sumur 8: f(x 8 ) = 557.4861+((153.5515/(1.5179/153.5515)-1))*(exp(-7.0480x 8 )-exp(-1.5179x 8 )) Sumur 9: f(x 9 ) = -67.6160+((4.9937/((0.0365)/4.9937)-1))*(exp(-2.1562x 9 )-exp(-0.0365x 9 )) Sumur 10: f(x 10 ) = 288.0101+((372.9423/(0.8072/372.9423)-1))*(exp(-0.7643x 10 )-exp(-0.8072x 10 )) GAS LIFT CURVE x=Gas Lift Injected Rate (MMscfD); y=Oil Production Rate (BPD) 1200 1000 800 600 400 200 0 0

0.5

1

1.5

2

2.5

3

3.5

4

Well1

Well2

Well3

Well4

Well5

Well6

Well7

Well8

Well9

Well10

4.5

5

Gambar 2.Hasil pendekatan fungsi exponensial terhadap kurva GLPC Tahap Validasi Model Korelasi dilakukan pada model yang telah dibuat dan dibandingkan dengan hasil yang diperoleh dari pengujian sumur dilapangan produksi. Model sumur produksi yang dihasilkan berdasarkan persamaan fungsi exponensial (1), akan dilakukan validasi untuk mengetahui sejauh mana ketepatan dan kecermatan dari model yang dibuat terhadap data

ISBN : 978-602-70604-1-8 A-35-5


pengukuran aktual dari lapangan. Hasil validasi yang diperoleh menunjukkan korelasi yang cukup signifikan dimana nilai rata-rata produksi minyak, air dan gas memiliki korelasi ratarata mencapai 0.9394. 1 0.9 0.8 0.7 0.6 0.5 Well 1

Well 2

Well 3

Well 4

Well 5 Oil

Well 6

Water

Well 7

Well 8

Well 9

Well 10

Gas

Gambar 3. Nilai korelasi pembacaan hasil uji sumur dengan hasil modeling Tahap Penentuan Fungsi Obyektif dan Fungsi Kendala Fungsi obyektif yang akan digunakan adalah sebagai berikut: Maksimasi: 𝑖𝑖=10

𝑖𝑖=10

𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 ∗ � 𝑓𝑓(𝑥𝑥𝑖𝑖 ) − 𝑁𝑁𝑁𝑁𝑁𝑁 ∗ � 𝑥𝑥𝑖𝑖 – ⎛ ⎞ 𝑖𝑖=1 𝑖𝑖=1 ⎜ ⎟ ⎟ 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 = ⎜ 𝑖𝑖=10 ⎟ ⎜ ⎜− 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 − 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 ∗ � 𝑦𝑦 ⎟ 𝑖𝑖=1

⎝

𝑖𝑖

⎠

(2)

Keterangan: • POIL = Nilai minyak bumi sekarang • 𝑓𝑓(𝑥𝑥𝑖𝑖 ) = f(x 1 ) + f(x 2 ) + f(x 3 ) f(x 4 ) + f(x 5 ) + f(x 6) + f(x 7 ) f(x 8 ) + f(x 9 ) + f(x 10 ) • NGP = Nilai gas alam sekarang • Biaya produksi = Biaya tetap dan biaya variable untuk menghasilkan pemisahan minyak bumi dan gas. • PWTR = Biaya yang dibutuhkan untuk pengolahan limbah air produksi perbarrel air. • 𝑓𝑓(𝑦𝑦𝑖𝑖 ) = f(y1 ) + f(y2 ) + f(y 3 ) f(y 4 ) + f(y 5 ) + f(y 6 ) + f(y7 ) f(y 8 ) + f(y9 ) + f(y 10 ) Besarnya laju alir air olahan produksi hidrokarbon merupakan sebuah fungsi konstan yang diambil dari hasil pengujian sumur produksi dan dimasukkan kedalam laju fungsi besarnya minyak bumi yang dihasilkan. Metode perbandingan didalam industri pengolahan minyak dan gas bumi biasa disebut sebagai pembacaan hasil water-cut dari sumur produksi. Besarnya konstanta pada masing-masing sumur produksi berdasarkan data hasil pengujian sumur adalah sebagai berikut:

𝑦𝑦1 = 0.99*x1/(1-0.99); 𝑦𝑦4 =0.99*x4/(1-0.99); 𝑦𝑦7 =0.88*x7/(1-0.88); 𝑦𝑦10 =0.78*x10/(1-0.78);

𝑦𝑦2 =0.85*x2/(1-0.85); 𝑦𝑦5 =0.7*x5/(1-0.7); 𝑦𝑦8 =0.86*x8/(1-0.86);

𝑦𝑦3 =0.86*x3/(1-0.86); 𝑦𝑦6 =0.65*x6/(1-0.65) 𝑦𝑦9 =0.88*x9/(1-0.88)

ISBN : 978-602-70604-1-8 A-35-6


Fungsi pembatas sesuai dengan kondisi proses produksi yang terdapat pada pengolahan minyak dan gas bumi miliki PT. XYZ. Batasan batasan yang digunakan dalam permasalahan optimasi ini ada dua; yang pertama adalah keterbatasan sumber injeksi gas yang masih menggunakan gas dari dalam. Jumlah gas injeksi maksimum=�

𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑖𝑖=1 𝑠𝑠/𝑑𝑑 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗ℎ 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

𝑥𝑥𝑖𝑖 ≥ 0 (laju gas injeksi non-negatif) R

Fungsi Kendala 1:

𝑥𝑥𝑖𝑖 – ≤Total gas injeksi yang tersedia 𝑖𝑖=10

� 𝑥𝑥𝑖𝑖 – ≤ 17 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖=1

𝑥𝑥𝑖𝑖 merupakan variabel bebas atau variabel penyebab (independent variables) yang digunakan untuk menentukan hubungan antara fenomena yang diobservasi atau diamati dalampenelitian ini adalah pengaruh besarnya laju injeksi gas terhadap produksi minyak bumi yang dihasilkan didalam satu sumur produksi. Kendala berikutnya adalah keterbatasan fasilitas pengolahan air limbah industri minyak. Air limbah hasil dari separasi hidrokarbon akan diinjeksikan kembali kedalam reservoir olahan melalui 3 buah pompa injeksi yang masing-masing memiliki keterbatasan volume sebesar 213 M3 per jam atau setara dengan 32,153 BPD. Jumlah air maksimum=� Fungsi Kendala 2:

𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑖𝑖=1 𝑠𝑠/𝑑𝑑 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗ℎ 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

𝑦𝑦𝑖𝑖 – ≤ Kapasitas pengolahan air produksi yang tersedia. 𝑖𝑖=10

� 𝑦𝑦𝑦𝑦– ≤ 32153 𝐵𝐵𝐵𝐵𝐵𝐵 𝑖𝑖=1

𝑦𝑦𝑖𝑖 merupakan variabel terikat (dependent variables) yang merupakan kondisi hubungan antara fenomena yang diobservasi atau diamati dalampenelitian ini adalah besarnya jumlah air olahan yang dihasilkan terhadap produksi minyak bumi yang dihasilkan didalam satu sumur produksi. HASIL DAN PEMBAHASAN Permasalahan yang dihadapi didalam optimasi gas injeksi adalah penentuan alokasi gas injeksi pada masing-masing sumur produksi untuk mendapatkan produksi minyak yang maksimal. Penerapan optimasi pada percobaan awal PSO dilakukan beberapa kali dengan masing-masing percobaan mengkombinasikan antara besar populasi awal dan banyaknya iterasi. Percobaan awal ini dilakukan untuk mencari inisial populasi awal dan banyaknya iterasi yang akan digunakan dalam pemecahan masalah optimasi selanjutnya. Asumsi awal yang digunakan adalah seluruh produksi gas yang dihasilkan dari reservoir digunakan untuk gas lift injeksi.Hasil solusi optimasi ditampilkan dalam sebuah kurva dengan sumbu x merrpresentasikan banyaknya iterasi sedangkan sumbu y merepresentasikan ekpektasi banyaknya produksi minyak yang dapat dihasilkan Perbedaan dari percobaan pertama dengan iterasi maksimal 500. Solusi yang dihasilkan dari optimasi ini dapat dilihat pada gambar 4. Gambar (4.a)

ISBN : 978-602-70604-1-8 A-35-7


menggunakanpopulasi awal sebanyak 5000, (4.b) menggunakan populasi awal sebanyak 2500, (4.c) menggunakan populasi awal sebanyak 2000 dan (4.d) menggunakan populasi awal sebanyak 1000. Bila diamati, solusi yang dapat memberikan hasil maksimal diperoleh denganjumlah populasi awal sebanyak 2000. 5222.5

5230

5222

5225 5220

5221.5

5215

5221

5210

5220.5

5205

5220

5200

5219.5

5195 0

100

200

300

400

0

500

100

(4.a)

200

300

400

500

300

400

500

(4.b)

5235

5235 5230 5225 5220 5215 5210 5205 5200 5195

5230 5225 5220 5215 0

100

200

300

400

500

0

100

200

(4.c) (4.d) Gambar 4. Hasil optimasi gas injeksi pada sumur produksi dengan menggunakan metode PSO dengan iterasi maksimum 500 Percobaan kedua dilakukan dengan menaikkan jumlah iterasi maksimum menjadi 1000. Jumlah populasi awal masih menggunakan komposisi yang sama seperti percobaan sebelumnya yaitu 5000, 2500, 2000 dan 1000.Dari keempat grafik pada gambar 5 (a~d) tersebut dapat diamati bahwa banyaknya populasi yang menghasilkan nilai terbaik diperoleh pada populasi 5000 5235 5230 5225 5220 5215 5210 5205 5200

5240 5230 5220 5210 5200 0

500

0

1000

(5.a)

500

(5.b)

ISBN : 978-602-70604-1-8 A-35-8

1000


5230

5235 5230

5225

5225

5220

5220

5215

5215 5210

5210 0

500

5205

1000

0

(5.c)

500

1000

(5.d)

Gambar 5. Hasil optimasi gas injeksi pada sumur produksi dengan menggunakan metode PSO dengan iterasi maksimum 1000 Peneliti melakukan percobaan kembali dengan menaikkan nilai iterasi maksimum menjadi 2000 dan masih menggunakan komposisi populasi awal yang sama dengan percobaan sebelumnya. Hasil percobaan ini dapat dilihat pada gambar 6dimana banyaknya populasi yang menghasilkan nilai terbaik diperoleh pada populasi 2500. 5235

5235 5230 5225 5220 5215 5210 5205 5200

5230 5225 5220 5215 5210 0

1000

0

2000

(6.a)

1000

2000

(6.b)

5240

5230

5230

5220

5220

5210

5210

5200

5200

5190 5180

5190 0

1000

0

2000

(6.c)

1000

2000

(6.d)

Gambar 6. Hasil optimasi gas injeksi pada sumur produksi dengan menggunakan metode PSO dengan iterasi maksimum 2000 Hal yang patut dicermati adalah kenaikan jumlah iterasi maksimum tidak berdampak signifikan kepada hasil yang diberikan, dimana hasil maksimum yang diperoleh masih berkisar pada besaran iterasi rata-rata pada iterasi ke-440. Sedangkan populasi awal yang memberikan hasil maksimum berkisar 2000. Komposisi populasi awal dan besarnya iterasi maksimum ini akan digunakan pada optimasi selanjutnya. Sebagai pembanding, dipilih penggunaan metode GA dengan memanfaatkan applikasi solver addin. Dari hasil beberapa percobaan, nilai maksimum, minimum, rata-rata dan besarnya varian yang diperoleh dari kedua metode PSO maupun GA tersebut diambil dan

ISBN : 978-602-70604-1-8 A-35-9


dibandingkan hasilnya pada gambar 7. Dari hasil tersebut dapat dilihat bahwa kedua metode PSO dan Solver mampu memberikan hasil maksimal yang tidak jauh berbeda.Metode algoritma PSO dipilih karena solusi yang diharapkan adalah solusi alokasi laju alir gas inkesi pada masing-masing sumur produksi yang termasuk dalam model optimasi non deterministik polinomial. Perbandingan Hasil Optimasi Produksi Minyak

4912 4908 4904 4900 4896 4892 4888 4884 4880

PSO

MAX

MIN

GA

AVERAGE

Gambar 7. Perbandingan hasil optimasi antara metode PSO dan Solver (kendala gas injeksi 17MMscfd dan fasilitas pengolahan air 32,150 BPD) Perhitungan profit dengan asumsi data rata-rata dari sumur produksi yang sejenis dengan sumur produksi dari PT. XYZ berdasarkan tabel data yang dikeluarkan oleh kementerian ESDM harga minyak bumi adalah sebesar USD$ 102.76 per Barrel. Sedangkan biaya produksi serta pengolahan minyak bumi sebesar USD$ 12.91 per-MMscf diperoleh dari data rata-rata pengeluaran anggaran operasional pertahun. Kenaikan produksi minyak tentu akan menyebabkan pula terjadinya pula kenaikan biaya produksi. Besarnya profit perusahaan dapat dibandingkan sebagai berikut.

558,000 552,000

575,258

4.803%

5.300% 6%

4%

2% 1%

546,000 540,000

5%

3%

547,498

564,000

5.274% 577,987

578,004

570,000

5.301% 578,134

576,000

5.272% 577,969

5.572%

577,987

Perbandingan profit perusahaan

582,000

0%

0%

MAX

Sebelum Optimasi

MIN

AVG

Optimasi PSO Profit Perusahaan

MAX

MIN

AVG

Optimasi GA Profit (%)

Gambar 8. Perbandingan profit perusahaan Secara keseluruhan profit yang diperoleh dari hasil optimasi dapat dihitung dengan menambahkan nilai minyak bumi. Perhitungan hasil profit maksimum yang diperoleh setelah dilakukan optimasi PSO menunjukkan hasil yang lebih baik dibandingkan sebelum dilakukan optimasi yaitu sebesar USD$ 578,004. Besarnya profit ini masih lebih tinggi dibandingkan dengan maksimum profit yang dihasilkan dari solusi denganmenggunakan metode GA yaitu sebesar USD$ 577,987. Sementara untuk profit minimum dan rata-rata yang dapat dihasilkan setelah optimasi baik dengan solusi yang diberikan dengan metode PSO maupun solusi yang diberikan dengan metode GA adalah sebesar USD$ 577,969

ISBN : 978-602-70604-1-8 A-35-10


(optimasi PSO minimum); USD$ 575,258 (optimasi GA minimum); USD$ 578,134 (optimasi PSO rata-rata); USD$ 577,987 (optimasi GA rata-rata). Secara umum hasil yang diberikan setelah optimasi PSO baik secara maksimum, minimum maupun rata-rata masih lebih baik bila dibandingkan dengan solusi optimasi dengan menggunakan metode GA. KESIMPULAN DAN PENELITIAN LANJUTAN Berdasarkan penelitian yang dilakukan serta hasil analisis dari simulasi maka dapat disimpulkan: 1. Permasalahan optimasi alokasi gas injeksi pada sumur produksi milik PT. XYZ merupakan permasalahan yang kompleks dengan proses perhitungan alokasi gas injeksi pada seluruh sumur produksi yang dilakukan secara simultan. 2. Solusi optimasi yang diberikan dengan menggunakan metode PSO adalah solusi optimasi non-deterministik polinomial. Dengan melakukan 200 percobaan; metode PSO mampu memberikan hasil produksi minyak bumi maksimal sebesar 4,908.7 BPD sedangkan nilai minimum yang dihasilkan adalah sebesar 4,902.2 BPD sementara ratarata hasil percobaan mampu menghasilkan 4,904.47 BPD. 3. Jumlah alokasi gas lift injeksi pada masing-masing sumur produksi yang dibutuhkan untuk menghasilkan produksi minyak yang maksimum dengan menggunakan metode PSO adalah sebesar (dalam MMscfd) 0.98; 2.66; 1.39; 0.98; 3.19; 1.61; 1.78; 2.03; 1.40 dan 0.98 serta menghasilkan air limbah sebesar 29,751 BPD. Sementara dengan menggunakan metode GA solusi maksimum yang diberikan adalah dengan alokasi gas injeksi pada masing-masing sumur produksi sebesar (dalam MMscfd) 0.98; 2.68; 1.48; 0.98; 3.18; 1.64; 1.70; 2.05; 1.34 dan 0.98 serta serta menghasilkan air limbah sebesar 29,740 BPD. 4. Metode optimasi PSO mampu memberikan keuntungan maksimum sebesar USD$ 578,004 dan masih lebih baik apabila dibandingkan dengan maksimum profit yang dihasilkan dari metode GA yaitu sebesar USD$ 577,987. PT. XYZ memiliki beberapa anjungan lepas pantai yang masing-masing dapat saling terhubung. Apabila hasil olahan dari beberapa anjungan lepas pantai tersebut digabungkan, maka akan memberikan sebuah permasalahan baru untuk optimasi produksi. Penelitian lanjutan dapat dilakukan dengan memasukkan sumur-sumur produksi dari anjungan lepas pantai lainnya kedalam permasalahan dan mengalokasikan gas injeksi pada keseluruhan sumur-sumur produksi agar mencapai hasil produksi minyak yang maksimal. DAFTAR PUSTAKA Mostafa Monfared, Abbas Helalizadeh, (2013), “Simulation and Gas Allocation Optimization of Gas-lift System Using Genetic Algorithm Method in One of Iranian Oil Field,” Journal of Basic and Applied Scientific Research, ISSN 2090-4304, pp. 732~738. Deni Saepudin, Edy Soewono, Kuntjoro Adji Sidarto, Agus Yodi Gunawan,Septoratno Siregar, Pudjo Sukarno, (2007) “An Investigation on Gas-lift Performance Curve in an Oil-Producing Well” Hindawi Publishing Corporation, International Journal of Mathematics and Mathematical Sciences.

ISBN : 978-602-70604-1-8 A-35-11


Mohammad M. Zerafat, Shahab Ayatollahi, Ali A. Rossta, (2009), “Genetic Algorithms and Ant Colony Approach for Gas-lift Allocation Optimization,” Journal of the Japan Petroleum Institute, Vol 52, No.3, (2009), pp. 102-107. Robert N. Hatton, Ken Potter, (2011), “Optimization of Gas-Injected Oil Wells,” SAS Global Forum, paper 195-2011 H. Beggs, (2008), “Production Optimization Using Nodal Analysis,” Oil & Gas Consultants, 2nd edition, 2008. J. Kennedy, and R. Eberhart, “ Perticle Swarm Optimization,” IEEE Conference on Neural Networks, pp. 1942-1948, (perth, Australia), Piscataway, NJ, IV, 1995 E. R.Martinez,W. J.Moreno, J. A. Moreno, and R. Maggiolo, “Application of genetic algorithm on the distribution of gas lift injection,” in Proceedings of the 3rd SPE Latin American and Caribbean Petroleum Engineering Conference, pp. 811–818, Buenos Aires, Argentina, April 1994. T. Ray and R. Sarker, “Multiobjective evolutionary approach to the solution of gas lift optimization problems,” in Proceedings of the IEEE Congress on Evolutionary Computation (CEC ’06), pp. 3182–3188, British Columbia, Canada, July 2006. Santosa, Budi. (2005),“Tutorial Particle Swarm Optimization,” Teknik Industri – ITS Surabaya.

ISBN : 978-602-70604-1-8 A-35-12

OPTIMASI GAS LIFT DALAM MANAJEMEN ALOKASI GAS INJEKSI DENGAN MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION (STUDI KASUS PT. XYZ)

Recommend Documents