Prediksi Nilai Sumur Log Sonik Berbasis Machine Learning Menggunakan Algoritma Gradient Boosting Pada Lapangan “NR”.

Rasif, Nahari (2022) Prediksi Nilai Sumur Log Sonik Berbasis Machine Learning Menggunakan Algoritma Gradient Boosting Pada Lapangan “NR”. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03411840000020-UNDERGRADUATE_THESIS.pdf Restricted to Repository staff only Download (9MB)

Abstract

Memperluas kegiatan eksplorasi pada lapangan baru terbukti berhasil dalam meningkatkan produksi minyak bumi. Salah satu metode yang cukup efektif dalam eksplorasi minyak bumi adalah metode well logging. Metode well logging merupakan metode yang digunakan untuk mengevaluasi secara kualitatif dan kuantitatif zona hidrokarbon berdasarkan data sumur yang diperoleh. Parameter yang dianalisis itu sendiri dapat berupa gamma ray, porositas, densitas, resistivitas, maupun kecepatan rambat gelombang, tergantung alat log yang digunakan pada masing-masing sumur. Data yang diperoleh tersebut nantinya akan disajikan dalam bentuk kurva log vertikal berbanding dengan kedalaman sumur. Dalam proses perolehan data log sumur tersebut, kadang kala alat log yang digunakan tidak dapat mendeteksi parameter formasi dengan baik ataupun membutuhkan biaya yang tidak sedikit. Sehingga, beberapa data log sumur hilang dan tidak tampak pada kurva well log. Termasuk pada data log sonik yang merupakan salah satu jenis pengukuran log baru dan sering kali tidak ditemui pada sumur tua maupun sumur yang sedang dikembangkan. Sedangkan, parameter sonik merupakan salah satu yang paling penting pada petrofisika untuk melakukan perhitungan porositas maupun well-seismic-tie. Solusinya adalah penggunaan machine learning dengan algoritma tertentu merupakan salah satu cara dalam penentuan prediksi pada data yang tidak terbaca ataupun tidak tersedia karena kendala pengukuran dan faktor lainnya. Salah satu teknik machine learning yang cukup efektif dalam memprediksi data adalah gradient boosting. Gradient boosting adalah salah satu algoritma yang memanfaatkan fungsi ensamble dari model prediksi paling lemah, decision tree, untuk memprediksi nilai. Pendekatan dari algoritma ini adalah dengan membuat simple decision tree yang berkesinambungan, dan setiap tree baru yang dibuat adalah perbaikan error atau kesalahan dari tree sebelumnya Algoritma ini mampu menangani pola-pola data yang kompleks seperti data log sumur. Prediksi ini dikembangkan menggunakan bahasa pemrograman Python.
===================================================================================================================================
Expanding exploration activities in new fields has proven successful in increasing oil production. One method that is quite effective in petroleum exploration is the well logging method. The well logging method is a method used to evaluate qualitatively and quantitatively the hydrocarbon zone based on the obtained well data. The parameters analyzed themselves can be in the form of gamma ray, porosity, density, resistivity, and wave propagation velocity, depending on the log tool used in each well. The data obtained will be presented in the form of a vertical log curve compared to the depth of the well. In the process of obtaining the well log data, sometimes the log tool used cannot detect the parameters properly or costs a lot of money. Thus, some of the well log data is lost and does not appear on the well log curve. This includes sonic log data, which is a new type of log measurement and is often not found in old wells or wells that are being developed. Meanwhile, the sonic parameter is one of the most important in petrophysics for calculating porosity and well-seismic-tie. The use of machine learning applications with certain algorithms is one way to determine predictions of unreadable or non-existent data due to constraints and other factors. One machine learning technique that is quite effective in predicting data is gradient boosting. Gradient boosting is an algorithm that utilizes the ensemble function of the weakest prediction model, the decision tree, to predict values. The approach of this algorithm is to create a simple decision tree, and each new tree created is an error correction or error from the previous tree. This algorithm is able to handle complex data patterns such as well log data. This prediction was developed using the Python programming language.

Item Type:	Thesis (Other)
Additional Information:	RSGf 552 Ras p-1 2022
Uncontrolled Keywords:	Log Sumur, Pembelajaran Mesin, Gradient Boosting, Log Sonik. Well Log, Machine Learning, Gradient Boosting, Sonic Log.
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	21 May 2026 04:35
Last Modified:	21 May 2026 04:35
URI:	http://repository.its.ac.id/id/eprint/133306

Actions (login required)

View Item