Saputro, Julian (2012) Evaluasi Formasi Dari Estimasi Permeabilitas Pada Reservoar Karbonat Reef Built-Up Menggunakan Artificial Neural Network Berdasarkan Data Log. UNSPECIFIED thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1108100018-Undergraduate_Thesis.pdf - Accepted Version Download (43MB) | Preview |
Abstract
Dalam penelitian ini digunakan tipe back propagation neural network untuk membuat sintetik log permeabilitas. Arsitektur neural network yang dibuat menggunakan 1 hidden layer dengan 3 neuron pada masing-masing layer. Fungsi pembangkit pada tiap neuron digunakan fungsi sigmoid (S). Pada proses propagasi balik, hasil prediksi dan observasi dari sumur target dibandingkan dengan menggunakan error-checking routine. Jika error yang didapat terlalu besar, pemberat dari neuron diatur berdasarkan besarnya error dan parameter yang disebut learning rate. Pemberat diatur pertamakali pada output layer kemudian tepat pada layer sebelumnya, kemudian pada lapisan neuron yang paling dekat sesudahnya, sampai dicapai input layer. Kemudian forward propagation dimulai kembali. Forward propagation dan backward propagation ini dilanjutkan sampai neural network mendapatkan respon input-output yang benary atau sampai model melebihi nilai ”cut-off ' iterasi yang
ditentukan oleh trainer. Sintetik log dibangun dari data-data yang ada pada sumur terdekat dari sumur target, kemudian dilakukan training ke dalam neural network yang telah dibuat. Setelah itu dilakukan testing pada sumur lain yang memiliki data yang lengkap, apabila menghasilkan error yang kecil, maka neural
network tersebut di aplikasikan pada sumur target. Sintetik log
===============================================================================================
In this research, the back propagation of neural network used for generate density log synthetic. Architecture of neural network me 2 hidden layers with 4 neurons at each layer. Sigmod function (S) usedfor generating function at every neuron. In back propagation process, error checking routine used to compare
prediction result and observe data. If error which got to big; weight from neuron arranged by pursuant to level of error and parameter called learning rate. Weight arranged at the output layer first, then precisely at previous layer, later than coat of nearest neuron after, until input layer reached. Then forward
propagation made a fresh start. Forward propagation and this back ward propagation is continued until neural network get real correct respon of input-output, or model to exceed “cut-off ’ iteration value which determined by trainer. Synthetic log builded from data in closest wells from target well, then training done
into neural network which have been made. Afterwads, testing done at the other wells which have complete data, if yealding small error, hence the neural network is applicated in target well. Permeability log synthetic hereinafter will be used to enhance formation evaluation quality in “MJ” field.
| Item Type: | Thesis (UNSPECIFIED) |
|---|---|
| Additional Information: | RSFi 006.3 Sap e |
| Uncontrolled Keywords: | Neural network, Back propagation, Permeability, Formation evaluation |
| Subjects: | Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) |
| Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Physics > 45201-(S1) Undergraduate Thesis |
| Depositing User: | Mr. Tondo Indra Nyata |
| Date Deposited: | 01 Mar 2022 02:02 |
| Last Modified: | 09 Sep 2022 01:29 |
| URI: | http://repository.its.ac.id/id/eprint/94770 |
Actions (login required)
 |
View Item |