Prediksi Jenis Litologi Dengan Metode K-Nearest Neighbor (KNN) Pada Data Sumur Lapangan "X"

Sapdawati, Santi (2021) Prediksi Jenis Litologi Dengan Metode K-Nearest Neighbor (KNN) Pada Data Sumur Lapangan "X". Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 03411740000005-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (1MB) | Request a copy

Abstract

Dalam studi pengembangan reservoir, pada umumnya seorang petrophysics akan melakukan analisis kualitatif dengan cara melakukan kombinasi dari nilai-nilai log untuk menentukan jenis litologi. Dalam era industri 4.0 Metode KNN sebagai salah satu alogaritma dari Machine Learning dapat mengklasifikasikan data berdasarkan nilai k tetangga terdekat untuk prediksi litologi. Penentuan nilai k penting untuk menunjukan jumlah tetangga terdekat yang terhitung dengan menggunakan prinsip Jarak Euclidean. Penelitian ini menggunakan 2 data yaitu Well1 dan Well2 dengan parameter log sumur yaitu Gamma-Ray Log, Density Log (RHOB), Log NPHI, Log Caliper, Sonic Log (DT). Well1 digunakan sebagai data training atau pelatihan dan Well2 digunakan sebagai data testing atau data uji. Klasifikasi data menggunakan metode KNN dengan parameter yang digunakan yaitu n_neighbors = k, weights = 'distance', algorithm = 'auto', p =2 , metric = 'euclidean'. Nilai K pada KNN perlu dilakukan penjajakan agar dapat mengetahui nilai k terbaik sehingga didapatkan akurasi yang tinggi. Skor akurasi didapatkan dengan membandingkan nilai litologi yang sebenarnya dengan nilai litologi hasil prediksi dengan KNN. Pada data training dengan Well1, nilai k=1 memiliki nilai akurasi yang sangat tinggi sebesar 98%. Hal ini menunjukkan bahwa litologi hasil prediksi dengan metode KNN dari Data Training sudah sangat representative terhadap data litologi yang sebenarnya. Hasil Well2 ini di dominasi litologi claystone. Jika dibandingkan dengan hasil interpretasi secara mandiri hasil dari machine learning pada Well2 dapat mempredikasi lapisan-lapisan tipis dengan waktu yang relative cepat. Untuk pengembangan selanjutnya perlu adanya pembobotan parameter dan jumlah data training yang diambil dari beberapa sumur yang memiliki lingkungan pengendapan yang berbeda ataupun sama. Untuk running KNN ini tergantung terhadap jumlah data yang ada, pada proses pengolahan running KNN ini memiliki proses running lebih cepat. Hasil dari kerja machine learning ini mempercepat kerja sehingga lebih efisien dan efektif.
================================================================================================
In reservoir development studies, a petrophysics will perform a qualitative analysis by combining the log values to determine the type of lithology. In the industrial era 4.0, the KNN method as one of the algorithms of Machine Learning can classify data based on the value of k nearest neighbors for lithology predictions. Determining the value of k is important to show the number of nearest neighbors calculated using the Euclidean distance principle. This study uses 2 data, namely Well1 and Well2 with well log parameters, namely Gamma-Ray Log, Density Log (RHOB), NPHI Log, Caliper Log, Sonic Log (DT). Well1 is used as training or training data and Well2 is used as testing data or test data. Classification of data using the KNN method with the parameters used are n_neighbors = k, weights = 'distance', algorithm = 'auto', p =2 , metric = 'euclidean'. The value of K in KNN needs to be explored in order to find out the best value of k so that high accuracy is obtained. The accuracy score is obtained by comparing the actual lithology value with the predicted lithology value with KNN. In the training data with Well1, the value of k=1 has a very high accuracy value of 98%. This shows that the predicted lithology using the KNN method from the Training Data is very representative of the actual lithological data. The results of Well2 are dominated by claystone lithology. When compared with the results of independent interpretation, the results from machine learning in Well2 can predict thin layers in a relatively fast time. For further development it is necessary to weight parameters and the amount of training data taken from several wells that have different or the same depositional environment. For running KNN, it depends on the amount of data available, in the processing process, running KNN has a faster running process. The results of this machine learning work speed up work so that it is more efficient and effective.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Jarak Euclidean, K Faktor, K-Nearest Neighbors, Skor Akurasi, Accuracy Score, Euclidean distance.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning.
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis
Depositing User:	Santi Sapdawati
Date Deposited:	26 Aug 2021 02:18
Last Modified:	26 Aug 2021 02:18
URI:	http://repository.its.ac.id/id/eprint/89717

Actions (login required)

View Item