Prediksi Missing Values Pada Data Log Neutron Menggunakan Algoritma Extreme Gradient Boosting Pada Lapangan “Z”

Insani, Alif Nurdien Fitrah (2024) Prediksi Missing Values Pada Data Log Neutron Menggunakan Algoritma Extreme Gradient Boosting Pada Lapangan “Z”. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5017201018-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Log porositas neutron atau log NPHI merupakan salah satu jenis log sumur penting yang membawa informasi mengenai litologi, porositas formasi, dan ketersediaan hidrokarbon. Namun, seringkali ditemukan nilai yang hilang pada data log NPHI yang disebabkan oleh beberapa faktor, seperti kesalahan pengukuran, kerusakan sensor, dan kerusakan lingkungan pengeboran. Terdapat pendekatan konvensional untuk menangani nilai yang hilang, tetapi cara ini memerlukan waktu pengerjaan yang lama dan potensi kesalahan yang besar yang dapat terjadi akibat human error. Oleh karena itu, penelitian ini menggunakan pembelajaran mesin atau machine learning untuk menangani nilai yang hilang pada data log NPHI. Algoritma machine learning Extreme Gradient Boosting (XGBoost) mengoptimalkan akurasi model prediksi menggunakan metode Grid Search Cross-Validation yang digunakan dalam konstruksi. Selain itu, penelitian ini juga berfokus pada analisis dampak beberapa sumur dan fitur log pada prediksi NPHI menggunakan algoritma XGBoost pada lapangan hidrokarbon. Hasil prediksi nilai missing pada data log NPHI menggunakan fitur pelatihan seperti data log sumur CALI, RHOB, GR, NPHI, SP dan DT. Hasilnya menunjukkan bahwa penggunaan kumpulan data pelatihan yang lebih beragam dan jumlah log sumur yang lebih banyak diperlukan untuk meningkatkan akurasi prediksi log NPHI. Hal ini juga didukung oleh nilai metrik evaluasi, nilai RMSE tertinggi sebesar 0,07 dengan MAPE sebesar 14,68%, dan nilai R² terendah sebesar 0,01 pada satu set data log sumur menunjukkan kinerja prediksi yang buruk. Nilai metrik tersebut menurun seiring dengan bertambahnya jumlah sumur yang digunakan, dan nilai MAPE menurun sekitar 6,13%. Hasil penelitian ini diharapkan dapat digunakan sebagai dasar analisis lebih lanjut dan penerapan praktis dalam pemantauan kinerja sumur dan pemeliharaan peralatan, sehingga dapat mendeteksi secara dini kerusakan yang dapat terjadi pada peralatan pengeboran.
==================================================================================================================================
Neutron porosity logs or NPHI logs are an important type of well log that carry information regarding lithology, formation porosity, and hydrocarbon availability. However, missing values are often found in NPHI log data caused by several factors, such as measurement errors, sensor damage, and damage to the drilling environment. There is a conventional approach to dealing with missing values, but this method requires a long processing time and the potential for large errors that can occur due to human error. Therefore, this research uses machine learning to handle missing values in NPHI log data. The Extreme Gradient Boosting (XGBoost) machine learning algorithm optimizes the accuracy of the prediction model using the Grid Search Cross-Validation method used in construction. In addition, this research also focuses on analyzing the impact of several wells and log features on NPHI predictions using the XGBoost algorithm in hydrocarbon fields. Results prediction of missing values in NPHI log data using training features such as CALI, RHOB, GR, NPHI, SP and DT well log data. The results show that use a more diverse training data set and a greater number of well logs necessary to improve the prediction accuracy of the NPHI log. This is also supported by value evaluation metrics, the highest RMSE value of 0.07 with a MAPE of 14.68%, and the lowest R² value of 0.01 on a well log data set indicate good prediction performance bad. The metric value decreases as the number of wells increases used, and the MAPE value decreased by around 6.13%. It is hoped that the results of this research will be used as a basis for further analysis and practical application in monitoring well performance and equipment maintenance, so that damage can be detected early that can occur in drilling equipment.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Extreme Gradient Boosting Algorithm, Machine Learning, Missing Values, Neutron Log, Well Log
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QE Geology > QE601 Geology, Structural
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis
Depositing User:	Alif Nurdien Fitrah Insani
Date Deposited:	15 Aug 2024 03:06
Last Modified:	15 Aug 2024 03:06
URI:	http://repository.its.ac.id/id/eprint/114451

Actions (login required)

View Item