Analisis Pemilihan Kandidat Sumur Water Shut Off pada Perusahaan Migas untuk Klasifikasi Sumur Potensial dengan Metode Random Forest

Wicaksono, Aditya Pramada (2024) Analisis Pemilihan Kandidat Sumur Water Shut Off pada Perusahaan Migas untuk Klasifikasi Sumur Potensial dengan Metode Random Forest. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032221152-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Produksi air merupakan masalah utama yang dihadapi oleh sebagian besar perusahaan minyak dan gas. Peningkatan produksi air berdampak pada dua hal: peningkatan biaya pemeliharaan dan penurunan keuntungan akibat penurunan produksi minyak dan gas. Untuk mengatasi masalah meningkatnya produksi air, sebagian besar perusahaan, termasuk PT XYZ Migas, melakukan kegiatan water shut off (WSO) yang bertujuan untuk mengurangi produksi air sehingga memaksimalkan produksi minyak dan gas dari reservoir. Meskipun telah dilakukan berbagai upaya, tingkat keberhasilan kegiatan WSO di PT XYZ Migas tetap rendah karena hasil historis WSO tidak dipertimbangkan dalam pemilihan kandidat yang mengakibatkan kerugian finansial dan kompleksitas operasional. Untuk mengatasi tantangan ini, penelitian ini memperkenalkan model prediktif berdasarkan algoritma random forest classifier. Model ini memanfaatkan data operasional historis, data reservoir, produksi, dan geologi yang relevan untuk menganalisis dan mengklasifikasikan sumur kandidat WSO yang potensial. Dengan memanfaatkan teknik machine learning, model ini bertujuan untuk meningkatkan akurasi pemilihan kandidat dan meningkatkan tingkat keberhasilan kegiatan WSO. Key finding dari penelitian ini menunjukkan pentingnya variabel seperti produksi air, kedalaman sumur, dan tekanan reservoir dalam pemilihan sumur kandidat WSO. Selain itu, metode mekanis dalam pelaksanaan WSO perlu dipertimbangkan dalam perencanaan implementasi. Melalui analisis data dan pengembangan model, model prediktif ini mengidentifikasi 15 dari 65 sumur sebagai kandidat yang cocok untuk kegiatan WSO. Model ini mencapai tingkat akurasi sebesar 83% dan sensitivitas 100% pada data uji, menunjukkan kinerjanya yang kuat dalam memprediksi keberhasilan WSO. Implementasi rekomendasi dari model yang dikembangkan ini dapat memberikan implikasi manajerial yang signifikan bagi PT XYZ Migas dan perusahaan serupa di sektor minyak dan gas.====================================================================================================================The water production is a major issue faced by most of oil and gas companies. The increase of water production leads to two effects: an increase of maintenance cost and loss of profit due to decline of oil and gas production. To address the escalating water production issue, most of the companies, one of which is PT XYZ Migas, employ water shut-off (WSO) activities aiming for mitigating water production, thus maximizing oil and gas recovery from reservoirs. Despite these efforts, the success rate of WSO activities at PT XYZ Migas remains low as historical WSO results are not taking into account in candidate selection, leading to financial losses and operational complexities. To overcome this challenge, this study introduces a predictive model based on the random forest classifier algorithm. The model utilizes historical operational data and relevant reservoir, production, and geological data to analyze and classify potential WSO candidate. By leveraging machine learning techniques, the model points to enhance the accuracy of candidate selection and improve the success rates of WSO activities. Key findings from the study underscore the significance of variables such as water production, well depth, and reservoir pressure in influencing the selection of WSO candidate wells. Besides that, mechanical methods in implementing WSO need to be considered in implementation planning. Through data analysis and model development, the predictive model identifies 15 out of 65 wells as suitable candidates for WSO activities. The model achieves an accuracy rate of 83% and sensitivity of 100% on testing data, indicating its robust performance in predicting WSO success. The implementation of the developed model's recommendations can give significant managerial implications for PT XYZ Migas and similar companies in the oil and gas sector.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Classification, Decision-Making, Random Forest Algorithm, Upstream Oil and Gas Industry, Water Shut-Off
Subjects:	T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Aditya Pramada Wicaksono
Date Deposited:	05 Aug 2024 03:26
Last Modified:	24 Sep 2024 06:50
URI:	http://repository.its.ac.id/id/eprint/111907

Actions (login required)

View Item