Artificial Neural Network in EOR

8/18/2019 Artificial Neural Network in EOR

1/19

TM4031

Intelgensia Artifisial Perminyakan

TUGAS AKHIR

PENENTUAN RECOVERY FACTOR TAMBAHAN PADA METODE SURFAKTAN

HUFF ‘N’ PUFF MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN)

Anggota Kelompok : Rizky Veronica Widya 12211004

Nadira Octavia Wisesa 12211054

Muhammad Ikhsan Akbar 12211073

Dosen : Prof. Ir. Sudjati Rachmat, DEA

Nama Asisten ` : Steven Chandra 12210010

I Made Artha Segara 12211018

Gusti Ardiansah Putra P. 12211039

Achmad Zufikar Khomaini 12211082

Tanggal Penyerahan : Rabu, 19 Mei 2015

FAKULTAS TEKNIK PERTAMBANGAN DAN PERMINYAKAN

PROGRAM STUDI TEKNIK PERMINYAKAN

INSTITUT TEKNOLOGI BANDUNG

2015


2/19

Abstract

Metode Huff and Puff dengan menggunakan surfaktan merupakan salah satu metode

EOR yang dapat memperoleh produksi kumulatif minyak yang lebih tinggi sehingga kita bisa

mendapatkan recovery factor yang lebih tinggi. Metode ini diterapkan dengan

menginjeksikan surfaktan bukan ke dalam sumur injeksi melainkan sumur produksi. Siklus

ini terdiri dari injeksi surfaktan, lalu menutup sumur produksi menunggu agar surfaktan

meresap disebut sebagai soaking time dan pada akhirnya menghasilkan kumulatif prodiksi

minyak yang lebih tinggi daripada saat deplesi alami.

Keuntungan dari metode ini adalah efisiensi biaya tinggi karena fasilitas permukaan

tidak terlalu rumit dan tidak diperlukan sumur injeksi. Selain itu metode ini lebih efektif

daripada surfaktan flooding karena dalam metode tersebut, surfaktan mengalir sepanjangantara sumur injeksi dan produksi dengan jarak yang berjauhan, sehingga ketika mencapai

sumur produksi hanya terdapat air dan tidak ada lagi surfaktan. Oleh karena itu, metode Huff

and Puff diusulkan untuk meningkatkan efektivitas dan nilai ekonomi dalam memproduksi

minyak.

Introduction

Aplikasi peningkatan perolehan minyak atau Enchanced Oil Recovery di Indonesiamasih sangat terbatas sekarang meskipun banyak lapangan Indonesia diklasifikasikan sebagai

lapangan yang telah mature. Indonesia masih memiliki 40 miliar barel minyak yang masih

dapat diproduksi. Sebagian besar minyak ini tidak dapat diproduksi dengan teknologi yang

tersedia karena kondisi reservoir yang tidak memungkinkan untuk diproduksi dan minyak

juga yang tersisa tersebar luas didalam reservoir.

Seperti dijelaskan sebelumnya, dari lapangan produksi 579 di Indonesia, 460 lapangan

diklasifikasikan sebagai lapangan yang telah mature, 138 bidang sebagai immature, dan 31

lainnya sebagai lapangan yang belum dikembangkan (status hingga 1 Januari 2008). Jumlah

tersebut menunjukan bahwa kesulitan untuk menemukan deposit minyak baru. Kondisi ini

akan menjadi alasan yang kuat untuk menerapkan metode EOR di lapangan yang telah

mature Sayangnya, penerapan metode EOR masih terbatas pada metode injeksi termal saja.

Metode lain dari EOR masih dalam tahap penelitian. Selain itu, pemerintah cenderung

enggan menerima proposal aplikasi EOR pada lapangan yang telah mature karena pemerintah

telah memberikan sejumlah besar insentif setelah memberikan izin pada aplikasi EOR. Hal

tersebut menjadi kendala bagi pertumbuhan EOR di Indonesia Untungnya, di tahun-tahun


3/19

mendatang, akan ada waktu berprospek untuk EOR injeksi kimia untuk pertumbuhan, salah

satunya adalah injeksi surfaktan dengan metode Huff and Puff .

Berdasarkan penelitian sebelumnya (Muhammad Romadhona, 2013) variabel penting

yang menunjukkan efektivitas dari injeksi surfaktan dengan metode Huff and Puff merupakan

Additional Recovery Factor (ARF) sebagai rasio antara produksi kumulatif minyak dengan

injeksi surfaktan Huff and Puff dan produksi kumulatif minyak tanpa injeksi surfaktan Huff

and Puff (deplesi alami). Biasanya, simulasi reservoir digunakan untuk memperoleh ARF,

tetapi akan memakan waktu yang lama dan kurang efektif. Oleh karena itu, diperlukan suatu

metode cepat tetapi akurat untuk memperkirakan ARF. Sebagai kelanjutan dari penelitian

sebelumnya yang dilakukan oleh Muhammad Romadhona, penelitian ini akan

mengembangkan metode kecerdasan buatan untuk memperkirakan ARF dengan cepat dan

mudah, tetapi memiliki tingkat akurasi yang baik, dan juga mengetahui parameter yang

paling berpengaruh dalam ARF.

Enchanced Oil Recovery

Enhanced Oil Recovery adalah fase terakhir dari produksi minyak setelah primary

recovery (deplesi alami) dan secondary recovery (water flooding ). Produksi primer minyak

dimulai ketika lapangan minyak yang ditemukan, perbedaan tekanan antara reservoir dandasar sumur yang menyebabkan minyak dalam reservoir bergerak maju dan kemudian

diproduksi. Mekanisme produksi minyak biasanya disebut deplesi alami. Ketika terjadi

penurunan tekanan reservoir menyebabkan produksi minyak menurun, oleh karena itu energi

tambahan dari luar reservoir diperlukan untuk mendapatkan produksi minyak lebih banyak.

Fase ini disebut dengan secondary recovery. Salah satu cara untuk melakukan secondary

recovery adalah dengan menginjeksikan air ke dalam reservoir. Sebagai air terhadap rasio

produksi lapangan minyak mendekati batas operasi ekonomi dan injeksi water flood tidak

lagi ekonomi, produksi minyak akan bergerak ke tahap berikutnya, yang biasanya disebut

Enhanced Oil Recovery (EOR). Kombinasi produksi kumulatif minyak oleh perolehan primer

dan sekunder umumnya kurang dari 40% dari jumlah minyak di reservoir. Oleh karena itu,

fase EOR mengambil porsi yang lebih tinggi dari produksi minyak dari fase lainnya. Melihat

kondisi lapangan minyak di Indonesia, pengembangan EOR mendapat perhatian lebih untuk

mendapatkan produksi minyak yang lebih tinggi.


4/19

Surfactant Flooding dan Metode Huff and Puff

Salah satu metode EOR yang akan berprospek dalam beberapa tahun mendatang

adalah injeksi surfaktan. Injeksi surfaktan dapat diterapkan pada reservoir dengan dua

metode, yang pertama adalah surfactant flooding , metode ini diterapkan dengan

menginjeksikan surfaktan pada sumur injeksi dan yang kedua adalah menginjeksikan

surfaktan dengan metode Huff and Puff , diterapkan dengan menginjeksikan surfaktan pada

sumur produksi.

Gambar 1 - Surfactant Flooding

Surfactan flooding dapat diterapkan pada reservoir sandstone dan karbonat. Prinsip

utama metode ini adalah meningkatkan efisiensi perpindahan di daerah displacement dengan

mengurangi tekanan kapiler dan tegangan antar muka antara minyak dan air. Istilah huff and

puff berasal dari proses ketika larutan surfaktan dengan air pertama diinjeksikan ke dalam

sumur produksi (huff ) dan kemudian sumur ditutup selama beberapa hari untuk membiarkan

surfaktan membasahi dan akhirnya dibuka lagi untuk menghasilkan minyak ( puff).

Gambar 2 - Metode Huff and Puff dengan Surfaktan


5/19

Faktor yang Mempengaruhi Additional Recovery Factor (AFR)

Seperti disebutkan sebelumnya, variabel penting dalam penelitian ini adalah

Additional Recovery Factor (ARF) yang dapat diperoleh dari membandingkan produksi

kumulatif minyak menggunakan metode Huff and Puff dan produksi minyak kumulatif

dengan penurunan alami. Dengan mengetahui nilai ARF, kita dapat melihat seberapa efektif

metode Huff and Puff dengan surfaktan untuk mendapatkan produksi minyak lebih tinggi.

Semakin tinggi nilai ARF, semakin efektif metode Huff and Puff dengan surfaktan untuk

diterapkan. Faktor yang mempengaruhi ARF meliputi:

• Porositas (Ф)

• Permeabilitas (k)

• Ketebalan (h)

• Saturasi Minyak (So)

• Laju Injection (ft3 / hari)

• Waktu Injeksi (hari)

• Soaking Time (hari)

• Konsentrasi Surfaktan (fraksi)

Dalam kasus deplesi alami, hanya digunakan empat variabel pertama diatas sementara

di kasus injeksi Huff and Puff digunakan semua variable diatas.

Artificial Intelligence

Pada studi ini, penulis membuat sebuah Artificial Neutral Network (ANN) sebagai

kelanjutan dari penelitian sebelumnya. Tujuan dari ANN ini untuk membuat suatu hubungan

antara data yang tersedia untuk emnentukan ARF. Meskipun ARF dapat ditentukand ari

simulasi reservoir, namun penulis ingin membuat suatu metode lain untuk mentukan ARF

lebih cepat namun mempunyai tingkat akurasi yang baik. Sehingga, penulis menggunakan

ANN untuk menentukan ARF.


6/19


7/19

Metodologi

Pada tugas akhir ini, penulis menggunakan simulator CMG-STARS untuk pemodelan

dan simulasi reservoir untuk mengetahui produksi minyak, baik dengan atau tanpa injeksi

surfaktan Huff ‘n’ Puf f sehingga dapat diketahui ARF. Setelah data dari simulasi reservoir

telah diperoleh, maka data tersebut diproses dengan software pengembangan ANN., Alyuda

Neurointelligence. Software ini mengembangkan system artificial intelligence yang dapat

digunakan untuk mengetahui ARF secara cepat tapi dengan tingkat akurasi yang baik. Alur

kerja metodologi penulis dibagi menjadi dua bagian, bagian pertama yaitu simulasi untuk

mendapatkan data ARF dan yang kedua yaitu pembuatan ANN. Untuk lebih jelasnya, gambar

dibawah ini menunjukkan alur kerja.

Gambar 4 - Alur kerja Penentuan ARF


8/19

Pemodelan dan Simulasi Reservoir

Penulis menggunakan model yang telah dikembangkan pada penelitian sebelumnya.

Penulis menggunakan CMG-STARS untuk membuat dan mensimulasikan injeksi surfaktan

Huff ‘n’ Puff. Model reservoir tersebut berbentuk persegi dengan dimensi 31x31x5 grid,

panjang sumbu-x 3100 ft, sumbu-y 3100 ft, dan ketebalan 50 feet. Model reservoir

mempunyai total 4805 grid. Reservoir ini diasumsikan reservoir finite tanpa mekanisme

pendorongan, isotropic, fluida dua fasa, dan tanpa skin pada wellbore. Ilustrasi model

tersebut dapat dilihat pada gambar berikut.

Gambar 5 - Reservoir Grid Model

Sumur produksi dan injeksi digabungkan dalam satu sumur karena penulis

menggunakan metode Huff ‘n’ Puff, yang berlokasi di tengah reservoir dengan coordinate

(16,16) dan diperforasi pada semua lima palisan reservoir. Untuk konstrain produksi, BHP

dioperasikan dengan tekanan 3400 psi. untuk konstrain injeksi, BHP maksimum diset pada

5745 psi. Model reservoir ini menggunakan property batuan dan fluida dari North Sea dan

property batuan dapat ditunjuukan pada gambar di tabel berikut.

Tabel 1 - Skenario sifat fisik batuan

Rock Properties

Porosity 0.22


9/19

Horizontal Permeability 250 mD

Vertical Permeability 25 mD

Reservoir Temperature 200 F

Initial Oil Saturation 0.8

Reservoir Thickness 50 ft

Reservoir Rock Type Water Wet

Tabel 2 - Skenario sifat fisik fluida

Fluid Properties

µ @15 C 1.93129 cp

Oil density @15 C

@3999.4 psi20.5003 kg/ft3

Bo @15 C @3999.4 psi 141.428

Bo @15 C @15 psi 129.942

Cw 3.00E-06

Cchemical 3.00E-06

Co 1.00E-06

Molar Density of Oil 204.1 gmole/ft3

Surfactant Type propoxy-ethoxyglyceryl-

sulphonate surfactants

Pada studi ini, ARF diamati dengan mengubah nilai beberapa parameter yang telah

dipilih pada studi sebelumnua. Rentang data simulasi untuk setiap parameter dapat dilihat

pada tabel berikut.


10/19

Tabel 3 - Rentang Data Simulasi

Parameter Min Max

Porosity (frac) 0.11 0.3

Permeability (mD) 30 3350

Oil Saturation (frac) 0.5 0.9

Net Thickness (ft) 15 135

Injection Rate (ft3/day) 2150 52500

Injection Time (days) 7 56

Soaking Time (days) 7 60

Surfactant Concentration (frac) 0.001 0.05

Pembuatan Artificial Neural Network (ANN)

Setelah diperoleh data simulasi reservoir untuk penentuan ARF, penulis membuat

ANN menggunakan software Alyuda Neurointelligence.

Tahap pertama pembuatan ANN adalah pemilihan data, pada tahap ini data yang

diperoleh mulai dianalisa apakah valid atau anomali. Pada proses analisis data, pemilihan

data dikategorikan menjadi tiga kategori: training, validasi, dan pengujian. Training data

adalah bagian input data yang menggunakan neural network. Validasi data adalah bagian

input data set yang mengharmonisasikan topologi network. Pengujian data adalah bagian

input data set yang mengecek seberapa baik neural network. Gambar di bawah ini

menunjukkan detail tahap pertama.


11/19

Gambar 6 - Tahap pertama pembangunan ANN

Tahap berikutnya adalah pemrosesan ulang data, dimana data yang telah dipilih

sebelumnya dimodifikasi sebelum dimasukkan ke neural network. Hal ini dilakukan karena

neural network tidak dapat mengolah data berjenis text. Sehingga, data text harus

dimodifikasi menjadi data numerik. Pada kasus ini, semua data set yang digunakan adalah

data numeric. Detail pemrosesan data dapat dilihat pada gambar berikut.

Gambar 7 - Pemrosesan Ulang Data


12/19

Setelah data diproses ulang, tahap berikutnya adalah pemilihan arsitektur neural

network yang akan digunakan dalam pembangunan ANN. Pada kasus ini, arsitektur diilih

secara otomatis oleh Alyuda Neurointelligence. Software ini akan mencari arsitektur terbaik

sesuai kriteria. Pertimbangan pemilihan arsitektur adalah kecocokan angka , korelasi, serta R-

squared yang paling tinggi. Arsitektur neural network akan ditandai dengan tebal. Ilustrasi

pemilihan arsitektur terbaik untuk ANN dapat dilihat pada gambar berikut.

Gambar 8 - Pemilihan Arsitektur

Tahap keempat dari pembangunan ANN adalah traiing network dari tahap

sebelumnya. Hal tersebut bertujuan untuk menyiapkan network untuk menentukan ARF.

Pada proses ini, network yang telah dipilih dilatih dengan iterasi sampai eror dan validasi eror

mencapai nilai minimum. Pada penelitian ini, penulis menentukan validasi eror dan training

adalah 0.01. selain itu, tahap keempat pembangunan ANN juga dapat mengetahui parameter

yang paling berpengaruh terhadap nilai ARF. Untuk lebih detail dapat dilihat pada gambar

dan tabel berikut.


13/19

Gambar 9 – Network Training

Tabel 4 - Tingkat pengaruh parameter

Input column name Importance, %

por 24.67

k (md) 6.14

injection rate (ft3/day) 24.64

injection time (days) 1.75

soaking time (days) 0.01

oil sat 20.77

h (ft) 21.64

Surfactant

Concentration0.39


14/19

Tahap berikutnya adalah mengecek nilai Absolute Error (AE) dan Absolute Relative

Error (ARE). Nilai tersebut merepresentasikan perbedaan antara nilai sebenarnya (hasil

simulasi) dan nilai output (hasil ANN). Jika hasil menunjukkan network yang dipilih tidak

cukup baik (dilihat dari nilai korelasi dan R-squeared), network dapat dipilih ulang dengan

mengubah training, validasi, dan pengujian data. Tahap ini terus diulang sampai ARE dan AE

menyentuh nilai terkecil. ARE dan AE dapat dihitung menggunakan persamaan:

| |(1)

| |

(2)

Untuk lebih deail, ilustrasi tahap ini dapat dilihat pada gambar berikut,.

Gambar 10 – Pengujian Network

Hasil dan Diskusi

Proses simulasi telah dilakukan dengan 499 kasus. Proses simulasi dibagi menjadi 2

jenis kasus, yaitu kasus injeksi huff ‘n’ puff dan tanpa injeksi huff ‘n’ puff (natural depletion).

Setiap kasus disimulasikan dengan mengganti nilai 8 parameter yang sebelumnya telah

disebutkan. Gambar dibawah ini menunjukkan perbandingan produksi kumulatif minyak

antara kasus injeksi huff ‘n’ puff dan tanpa injeksi huff ‘n’ puff .


15/19

Gambar 11 - Cumulative Oil Production Natural Depletion Case


16/19

Gambar 12 - Cumulative Oil Production with Surfactant Huff ‘n’ Puff Case

Seperti yang ditunjukkan pada gambar diatas, injeksi huff ‘n’ puff surfaktan dapat

meningkatkan produksi minyak. Produksi kumulatif minyak tambahan ini disebut dengan

Additional Recovery Factor (ARF). ARF akan menjadi indikator yang representasikan

keefektifan injeksi huff ‘n’ puff surfaktan. Nilai ARF lebih dari 1, mengindikasikan bahwa

produksi minyak kumulatif menggunakan huff ‘n’ puff surfaktan lebih besar dari natural

depletion. Hal ini membuktikan bahwa huff ‘n’ puff surfaktan lebih efektif ddalam

meningkatkan produksi kumulatif minyak.

Setelah semua data dari simulasi dikumpulkan, langkah selanjutnya adalah membuat

Artificial Neural Network menggunakan Alyuda Neurointelligence. Dari 499 data, 57 data

ditolak karena terdapat masalah anomali data dan tidak termasuk dalam pembuatan Artificial

Neural Network . Beberapa arsitektur Artificial Neural Network dibuat dan dipilih

menggunakan software trial dan error . Proses pemilihan dilakukan berulangkali untuk

memilih jaringan yang paling baik dan sistem yang memiliki nilai eror paling sedikit, dan

juga memiliki korelasi dan nilai R-squared mendekati 1.


17/19

Setelah beberapa kali melakukan trial dan error , merubah masukan set data, merubah

arsitektur jaringan, diperoleh arsitektur artificial neural network 8-5-6-1. Artificial neural

network yang dipilih memiliki nila rata-rata AE 0,010236 dan rata-rata ARE 0,63%. Gambar

dibawah menunjukkan arsitektur jaringan yang telah dipilih.

Gambar 13 - Selected Network Architecture

Parameter-parameter yang dapat menjadi indikator validasi artificial neural network

adalah korelasi dan nilai R-squared . Dari proses pengujian, nilai korelasi adalah 0,997421

dan nilai R-squared adalah 0,994772, yang memiliki keakuratan yang tinggi. Urutan

parameter yang mempengaruhi dalam penentuan ARF adalah porositas, laju injeksi, net

thickness, saturasi minyak, permeabilitas, waktu injeksi, konsentrasi surfaktan dan soaking

time.

Kesimpulan

1. Metode Huff ‘n’ Puff surfaktan dapat diaplikasikan untuk meningkatkan produksi

minyak sebagai Enhanced Oil Recovery (EOR). Direpresentasikan dengan nilai ARF

yang selalu lebih besar dari 1 pada simulasi ini.

2. Sebuah Artificial Neural Network untuk menentukan ARF metode injeksi surfaktan

huff ‘n’ puff dibuat dengan tingkat akurasi yang tinggi. Nilai yield korelasi adalah

0,997421 dan nilai R-squared adalah 0,994772

3. Urutan parameter yang mempengaruhi metode injeksi surfaktan huff’n’ puff antara

lain : porositas (21,67%), laju injeks (24,64%), net thickness (21,64%), saturasi


18/19

minyak (20,77%), permeabilitas (6,14%), waktu injeksi (1,75%), konsentrasi

surfaktan (0,39%) dan soaking time (0,01%)

Saran1.

Memperbesar lingkup data yang digunakan untuk input parameter, sehinggan sistem

akan valid untuk lingkup data yang lebih besar.

2. Membuat analisis ekonomi untuk mengetahui efektivitas huff ‘n’ puff sehingga dapat

di aplikasikan pada sumur minyak

3. Membuat sebuah ANFIS menggunakan MATLAB untuk membandingkan nilai

dengan final project ANN.

4. Menambahkan parameter sensitivity lain yang mempengaruhi surfaktan huff ‘n’ puff ,

Tegangan antar muka, menuju studi selanjutnya

Nomenlacture

ARF = Additional Recovery Factor, dimensionless

Ф = Porosity, fraction

k h = Horizontal Permeability, mD

k v = Vertical Permeability, mD

h = Net Thickness, ft

So = Oil Saturation, fraction

Bo = Formation Volume Factor, RBbl/STB

Cw = Water Compressibility, 1/psi

Co = Oil Compressibility, 1/psi

BHP = Bottom Hole Pressure, psia

AE = Absolute Error, dimensionless

ARE = Absolute Relative Error, %

Referensi

1. Nur Hasan, Wahyuda, 2013. Additional Recovery Factor Determination of Surfactant

Huff ‘N’ Puff Method Using Artificial Neural Network (ANN) : Final Project

Petroleum Engineering Department, Bandung Institute of Technology.

2.

Romadhona, Muhammad, 2013. A Study to Formulate Screening Criteria and


19/19

Predictive model of Newly Applied EOR Method in Indonesia: Surfactant Huff ‘n’

Puff method: Final Project Petroleum Engineering Department, Bandung Institute of

Technology.

3. Wagner, O., and Leach, R., 1996. Effect of Interfacial Tension on Displacement

Efficiency: Old SPE Journal, 6, 335-344.

4. Taber, J.J., Kirby, J.C., and Schroeder, F.U., 1973. Studies on The Displacement of

residual Oil Viscosity and Permeability Effect: Am. Inst. Chem. Eng., Symp. Ser,

69(127), 53-56.

5. Mohaghegh, Shahab., Arefi, Reza., and Ameri, Samuel., 1994. A Methodological

Approach for Reservoir Heterogeneity Characterization Using Artificial Neural

Network: SPE Conference Paper 28394-MS.

6.

Cai, Yudong, 1994. The Artificial Neural Network For Research of the Recovery

Ratio of Oil Fields: SEG Conference Paper 1994-0791.

7. Wang, Y., Bai, B., Gao, H., He, L., and Zhao, F., 2008.Enhanced Oil Production

through a Combined Application of Gel Treatment and Surfactant Huff ‘n’ Puff

Technology: SPE International Symposium and Exhibition on Formation Damage

Control held in Lafayette, Lousiana, U.S.A.

8. http://www.peeri.org/industrial/surfactant.htm.

9.

Santoso, Ade Anggi Naluriawan, 2013. Penentuan Waktu Dewatering Pada Sumur

Coalbed Methane (CBM) Jenis Vertical Well Sebagai Fungsi Sifat-Sifat Reservoir Dan

Batubara Dengan Menggunakan Artificial Neural Network : Tugas Akhir Departemen

Teknik Perminyakan, Institut Teknologi Bandung.
http://www.peeri.org/industrial/surfactant.htmhttp://www.peeri.org/industrial/surfactant.htmhttp://www.peeri.org/industrial/surfactant.htm

Artificial Neural Network in EOR

Documents

Transcript of Artificial Neural Network in EOR