Penerapan Machine Learning dalam Penentuan Porositas Batuan: Studi Kasus Menggunakan Regresi Linier Berganda dan Regresi KNN pada Data Log Sumur

Rian Cahya Rohmana, Delva Triwanti, Priskila Rully Setiyaningrum

Abstract


Penelitian ini bertujuan untuk memprediksi nilai porositas berdasarkan data log sumur. Log sumur berasal dari tiga sumur mencakup triple combo log dan porositas efektif yang telah divalidasi data core. Penerapan machine learning menggunakan dua model regresi, yakni regresi linier berganda dan k-nearest neighbors (KNN). Sebelum penerapan model, proses pengaturan hyperparameterdilakukan guna mengoptimalkan kedua model yang digunakan. Sebagai bagian dari evaluasi, blind test diimplementasikan pada salah satu sumur penelitian dengan tiga uji yang berbeda. Setiap uji memiliki kombinasi data yang berbeda, yakni log gamma ray, density, neutron, deep resistivity, dan photoelectric effect. Evaluasi model dilakukan dengan metrik R2 (coefficient of determination), RMSE (root mean squared error), dan MAE (mean absolute error). Hasil menunjukkan bahwa model regresi linear berganda mendapatkan R2 sebesar 90.6% pada uji 1, 90.59% pada uji 2, dan 90.59% pada uji 3. Sementara model regresi KNN mendapatkan nilai R2 sebesar 94.85% pada uji 1, 92.54% pada uji 2, dan 92.26% pada uji 3. RMSE pada model regresi linear berganda pada semua uji adalah 0.0225, sedangkan pada model regresi KNN uji 1 mendapatkan 0.0167, uji 2 mendapatkan 0.0201, dan uji 3 mendapatkan 0.0204. MAE pada model regresi linear berganda adalah 0.0088 pada uji 1 dan 0.0089 pada uji 2 dan 3. Sementara itu, MAE pada model regresi KNN adalah 0.0047 pada uji 1, 0.0053 pada uji 2, dan 0.0056 pada uji 3. Berdasarkan hasil evaluasi, model regresi KNN memiliki performa yang lebih optimal dibandingkan dengan regresi linear berganda dalam prediksi nilai porositas pada dataset yang digunakan, terutama dalam uji 1. Penelitian ini menunjukkan prediksi nilai porositas batuan dapat dengan baik dilakukan menggunakan metode ML dan dapat disesuaikan dengan beragam skenario. Hal ini dapat membantu dalam analisis petrofisika, terutama jika terdapat keterbatasan data core atau dapat membantu mempercepat proses analisis petrofisika dalam jumlah data yang besar.


Keywords


Porositas; Log Sumur, Regresi; Machine Learning; Petrofisika

Full Text:

PDF

References


Irajian, A. A., Bazargani-Guilani, K., Mahari, R., & Solgi, A. (2016). Porosity and rock-typing in hydrocarbon reservoirs case study in upper member of dalan formation in kish gas field, South of Zagros, Iran. Open Journal of Geology, 6(06), 399.

Wood, D. A. (2020). Predicting porosity, permeability and water saturation applying an optimized nearest-neighbour, machine-learning and data-mining network of well-log data. Journal of Petroleum Science and Engineering, 184, 106587.

Mohammadian, E., Kheirollahi, M., Liu, B., Ostadhassan, M., & Sabet, M. (2022). A case study of petrophysical rock typing and permeability prediction using machine learning in a heterogenous carbonate reservoir in Iran. Scientific Reports, 12(1), 4505.

Mahdy, A., Zakaria, W., Helmi, A., Helaly, A. S., & Mahmoud, A. M. (2023). Machine learning approach for core permeability prediction from well logs in Sandstone Reservoir, Mediterranean Sea, Egypt. Journal of Applied Geophysics, 105249.

Pratama, H. (2019). Machine learning: using optimized KNN (K-Nearest Neighbors) to predict the facies classifications. In The 13th SEGJ International Symposium, Tokyo, Japan, 12-14 November 2018 (pp. 538-541). Society of Exploration Geophysicists and Society of Exploration Geophysicists of Japan.

Kurniadi, F. I., Rohmana, R. C., & Taufani, L. (2023). Local mean imputation for handling missing value to provide more accurate facies classification. Procedia Computer Science, 216, 301-309.

Kurniadi, F. I., & Rohmana, R. C. (2023). Enhancing Lithology Classification Performance Through Random Forest, COPOD, and Bayesian Optimization. In 2023 10th International Conference on ICT for Smart Society (ICISS) (pp. 1-5). IEEE.

Ahmadi, M. A., & Chen, Z. (2019). Comparison of machine learning methods for estimating permeability and porosity of oil reservoirs via petro-physical logs. Petroleum, 5(3), 271-284.

Sudakov, O., Burnaev, E., & Koroteev, D. (2019). Driving digital rock towards machine learning: Predicting permeability with gradient boosting and deep neural networks. Computers & geosciences, 127, 91-98.

Cao, C. (2023). Prediction of concrete porosity using machine learning. Results in Engineering, 17, 100794.

Male, F., & Duncan, I. J. (2020). Lessons for machine learning from the analysis of porosity-permeability transforms for carbonate reservoirs. Journal of Petroleum Science and Engineering, 187, 106825.

Kearns, M. (1996). A Bound on the Error of Cross Validation Using the Approximation and Estimation Rates, with Consequences for Training-Test Split, Neural Information Processing 8, DS Touretzky, M, C. Mozer and ME Hasselmo.

Turney, S. (2023). Coefficient of Determination (R2)

Calculation & interpretation. Scribbr. https://www.scribbr.com/statistics/coefficient-of-determination/

Zach. (2021). How to interpret Root Mean Square Error (RMSE). Statology. https://www.statology.org/how-to-interpret-rmse/

Ahmed, M. W. (2023). Understanding mean Absolute error (MAE) in Regression: A Practical guide. Medium. https://medium.com/@m.waqar.ahmed/understanding-mean-absolute-error-mae-in-regression-a-practical-guide-26e80ebb97df

Otoo, D., & Hodgetts, D. (2021). Porosity and permeability prediction through forward stratigraphic simulations using GPM™ and Petrel™: application in shallow marine depositional settings. Geoscientific Model Development, 14(4), 2075-2095.

Pickle — Python object serialization. (n.d.). Python Documentation. https://docs.python.org/3/library/pickle.html

Volve field data set. (n.d.). https://www.equinor.com/energy/volve-data-sharing




DOI: http://dx.doi.org/10.31000/jt.v13i2.10830

Article Metrics

Abstract - 354 PDF - 386

Refbacks

  • There are currently no refbacks.


License URL: https://scholar.google.co.id/citations?user=RJRfBN0AAAAJ&hl=id&authuser=2