Penerapan Algoritma Deep Neural Network (DNN) Pada Studi Kasus Prediksi Distribusi Saturasi Gas CO2

Tsaniyah, Zahrotuts (2023) Penerapan Algoritma Deep Neural Network (DNN) Pada Studi Kasus Prediksi Distribusi Saturasi Gas CO2. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03411940000033-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Analisis aliran multifase sangat penting untuk menangani masalah aliran bawah permukaan pada sistem penangkapan dan penyimpanan CO2 (CCS). Salah satu contoh yang cukup efektif untuk menganalisis aliran multifase adalah prediksi distribusi saturasi gas CO2. Simulasi aliran multifase biasa dilakukan pada simulasi numerik, salah satunya menggunakan simulator TOUGH2. Namun, simulasi numerik biasa memiliki beberapa kelemahan seperti membutuhkan resolusi spasial grid yang tinggi dan biaya komputasi yang mahal. Penggunaan deep learning dengan algoritma tertentu merupakan salah satu solusi dalam memprediksi distribusi saturasi gas CO2. Salah satu metode deep learning yang cukup efektif adalah deep neural network (DNN). Deep neural network merupakan struktur jaringan yang terdiri dari tiga lapisan yang saling berhubungan, yaitu input layer, hidden layer, dan output layer. DNN mempelajari data input berdasarkan arsitektur yang telah dibuat sebelumnya. DNN memerlukan data train yang banyak sebagai masukan. Kemudian model DNN yang sudah dilatih ini digunakan untuk memprediksi distribusi saturasi gas CO2 secara otomatis. Algoritma ini mampu menangani pola data yang kompleks, terutama saturasi gas pada masalah aliran multifase. Dari hasil loss reconstruction didapatkan bahwa nilai loss semakin menurun seiring bertambahnya jumlah epoch. Selain itu, nilai eror yang paling kecil didapatkan pada model dengan jumlah epoch 5 dan bobot regularisasi 0,001 dengan nilai eror sebesar 0,43. Oleh karena itu, model ini sudah cukup baik untuk memprediksi distribusi saturasi gas CO2 meskipun masih membutuhkan pengembangan lebih lanjut untuk mendapatkan hasil yang lebih optimal.
=================================================================================================================================
Multiphase flow analysis is crucial to solving the problem subsurface flow problems in CO2 capture and storage (CCS) systems. One example that is quite effective for analyzing multiphase flow is predicting the distribution of CO2 gas saturation. Multiphase flow simulation is usually carried out in numerical simulations, one of which is using the TOUGH2 simulator. However, ordinary numerical simulations have some drawbacks, such as requiring high grid spatial resolution and expensive computational costs. The use of deep learning with certain algorithms is one of the solutions for predicting the distribution of CO2 gas saturation. One deep learning method that is quite effective is a deep neural network (DNN). A deep neural network is a network structure consisting of three interconnected layers, namely input layer, the hidden layer, and the output layer. DNN learns the input data regarding the architecture that has been created before. DNN requires a large amount of data train as input. Then the trained DNN model is used to predict the distribution of CO2 gas saturation automatically. This algorithm is able to handle complex data patterns, especially gas saturation of multiphase flow problems. From the results of the reconstruction loss, it was found that the loss value decreases as the number of epochs increases. In addition, the smallest error value was found in the model with 5 epochs and 0.001 regularization weight with an error value of 0.43. Therefore, this model is good enough to predict the distribution of CO2 gas saturation, although it still requires further development to obtain more optimal results.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Aliran Multifase, Deep Neural Network, Saturasi Gas CO2, Multiphase Flow, CO2 Gas Saturation
Subjects:	Q Science > QA Mathematics > QA76.6 Computer programming. T Technology > T Technology (General) > T57.6 Operations research--Mathematics. Goal programming
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis
Depositing User:	Zahrotuts Tsaniyah
Date Deposited:	21 Nov 2023 04:18
Last Modified:	21 Nov 2023 04:18
URI:	http://repository.its.ac.id/id/eprint/103235

Actions (login required)

View Item