Perbandingan Metode Klasifikasi Machine Learning: Studi Kasus Prediksi Jenis Litologi Berdasarkan Data Well Log Pada Formasi Sleipner, North Sea

Mahdani Mahardika Sastra, Rian Cahya Rohmana

Abstract


Perkembangan era dunia industri 4.0 mendorong para ahli untuk melakukan digitalisasi terhadap berbagai bidang khususnya di industri minyak dan gas bumi. Penelitian ini membahas tentang penggunaan metode machine learning untuk prediksi litologi dalam eksplorasi migas yang terletak di Formasi Sleipner, North Sea. Formasi Sleipner disusun oleh litologi batupasir dengan sisipan batulanau, batuserpih dan batubara. Tujuan utama dari penelitian ini adalah untuk membandingkan tiga algoritma machine learning yang berbeda dalam konteks prediksi litologi berdasarkan data log sumur. Studi ini menggunakan lima data well log yang mencakup data log gamma ray, log resistivitas, log neutron, log densitas, dan log PEF. Data litologi rinci berdasarkan batuan inti (core) digunakan untuk validasi hasil prediksi dari machine learning. Penelitian ini menggunakan tiga algoritma machine learning yakni decision tree (DT), k-nearest neighbor (KNN), dan extra tree classifier (ETC). Ketiga algoritma tersebut juga sudah dilakukan tuning hyperparameter, agar menghasilkan model terbaik saat menganalisis data penelitian ini. Hasil evaluasi prediksi pada sumur blind test didapatkan metode DT memiliki akurasi sebesar 83%, metode KNN 85% dan algoritma ETC 82%. Hasil penelitian menunjukkan bahwa ketiga algoritma machine learning ini memiliki potensi untuk prediksi litologi yang cukup akurat. Pada penelitian ini, algoritma KNN menjadi yang terakurat dalam memprediksi litologi. Penelitian ini diharapkan memberikan pengetahuan baru dalam penggunaan metode machine learning untuk memprediksi litologi, terutama berguna dalam efisiensi waktu dan pada sumur yang tidak memiliki data batuan inti (core).

Keywords


Machine Learning, Litologi, Well Log

Full Text:

PDF

References


Bhattacharya, S. (2021). A primer on machine learning in subsurface geoscience. PGE. Switzerland: Springer.

Cholissodin, I., Sutrisno., Subroto, A.A., Hasanah, U., dan Febiola, Y.I. (2020). AI machine learning & deep learning. Filkom. Malang: Universitas Brawijaya.

Folkestad, A., dan Satur, N. (2008). Regressive and transgressive cycles in a rift-basin: Depositional model and sedimentary partitioning of the middle jurassic Hugin Formation, Southern Viking Graben, North Sea. Sedimentary Geology. Norway: Elsevier. hal. 1-21.

Horrocks, T., Holden, E.J., dan Wedge, D. (2015). Evaluation of automated lithology classification architectures using highly-sampled wireline logs for coal exploration. CG, 83. Australia: Elsevier. hal. 209-218.

Kurniadi, F.I., Rohmana, R.C., dan Taufani, L. (2023). Local mean imputation for handling missing value to provide more accurate facies classification. Procedia Computer Science. 1. hal. 301-309.

Kurniadi, F.I., dan Rohmana, R.C. (2023). Enhancing lithology classification performance through random forest, COPOD, and bayesian optimization. ICISS. IEEE. hal. 1-5.

Kaspersen, H.M. (2016). Reservoir characterization of jurassic sandstones of the Johan Sverdrup field, Central North Sea. Master Thesis. Oslo: Departmen of Geoscience. University of Oslo.

Khomsah, S., dan Ariwibowo, A.S. (2020). Model text-preprocessing komentar youtube dalam bahasa Indonesia. RESTI. vol. 4. no. 4. Sumatera Barat: IAII. hal. 648-654.

Lutz, M. (2013). Learning python: powerful object-oriented programming. United States of America. Canada: O’Reilly.

Mahesh, B. (2020). Machine lerning algorithm – A review. CE. Vol. 9 (1). India: IJSR. hal. 381-386.

Mohamed, I.M., Mohamed, S., Mazher, I., dan Chester, P. (2019). Formation lithology classification: insights into machine learning methods. Canada: SPE.

Pandey, Y.N., Rastogi, A., Kainkaryam, S., Bhattacharya, S., dan Saputelli, L. (2020). Machine learning in the oil and gas industry. California: Apress.

Ravasi, M., Vasconcelos, I., Curtis, A., dan Kritski, A. (2015). Vector-acoustic reverse time migration of volve ocean-bottom cable data set without up/down decomposed wavefields. Geophysics. vol. 80. no. 4. Norway: SEG. hal. 137-150.

Statoil. (1998). Final Well Report, North Sea. Norway: Statoil.

Salehi, S.M., dan Honarvar, B. (2014). Automatic identification of formation iithology from well log data: a machine learning approach. JPSR. vol. 3 (2). Iran: Science and Engineering. hal. 73-82.

Sen, S., dan Ganguli, S.S. (2019). Estimation of pore pressure and fracture gradient in volve field, Norwegian North Sea. Mumbai. India: SPE.

Thomas, B.M., Pedersen, P.M., Whitaker, M.F., dan Shaw, N.D. (1984). Organic facies and hydrocarbon distributions in the Norwegian North Sea. PGSE. Springer. Stavanger: Graham & Trotman. hal. 3-26.

Vollset, J., dan Dore, A.G. (1984). A revised triasic and jurassic lithostratigraphic nomenclature for the Norwegian North Sea. NPD-Buletin no 3. Norway: Oljedirektoratet.

Xie, Y., Zhu, C., Zhou, W., Li, Z., Liu, X., dan Tu, M. (2018). Evaluation of machine learning methods for formation lithology identification: A comparison of tuning processes and model performances. JPSE. Chengdu: Elsevier. hal. 182-193.




DOI: http://dx.doi.org/10.31000/jt.v13i2.10882

Article Metrics

Abstract - 333 PDF - 260

Refbacks

  • There are currently no refbacks.


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