PREDIKSI KECEPATAN GELOMBANG GESER (VS) MENGGUNAKAN MACHINE LEARNING DI SUMUR X

Authors

  • Sanggeni Gali Wardhana Teknik Geofisika, Fakultas Teknologi Eksplorasi dan Produksi, Universitas Pertamina, Indonesia
  • M Aldi Teknik Geofisika, Fakultas Teknologi Eksplorasi dan Produksi, Universitas Pertamina, Indonesia
  • Indra Rivaldi Siregar Teknik Geofisika, Fakultas Teknologi Eksplorasi dan Produksi, Universitas Pertamina, Indonesia

DOI:

https://doi.org/10.23960/jge.v8i1.180

Keywords:

Machine learning, R2 value score, Shear wave velocity, Well X and Y

Abstract

Salah satu parameter yang sangat penting dalam produksi dan eksplorasi minyak dan gas untuk mengetahui properti fisik batuan adalah kecepatan gelombang geser (Vs). Akan tetapi, dalam tahap akuisisi data ini tidak selalu tersedia karena keterbatasan biaya. Salah satu metode alternatif yang dapat dilakukan untuk mengestimasi kecepatan gelombang geser adalah memanfaatkan pemelajaran mesin (machine learning). Machine learning memiliki komputasi yang cepat setelah sekumpulan data dicoba untuk memahami pola dan faktor yang dapat mempengaruhi nilai parameter yang diprediksi, contoh kasus adalah kecepatan gelombang geser. Penelitian ini menggunakan data dari sumur X dan Y yang dapat diakses secara bebas di website SEG Wiki. Algoritma machine learning yang digunakan yaitu KNN, ANN, dan SVR. Beberapa parameter yang digunakan dalam mengestimasi nilai Vs berdasarkan nilai korelasi yang paling tinggi yaitu Depth, DTCO, NPHI, ECGR, dan ATRT, serta DTSM. Proses pembangunan model machine learning diperoleh dengan membagi data menjadi 70% sebagai data latih dan 30% sebagai data tes. Hasil prediksi kecepatan gelombang geser menunjukkan algoritma KNN lebih baik daripada ANN dan SVR dengan perolehan nilai ð‘…2 ð‘ ð‘ð‘œð‘Ÿð‘’ ð¾ð‘ð‘ = 0,9686, ð´ð‘ð‘ = 0,9643, dan ð‘†ð‘‰ð‘… = 0,9697 untuk sumur X dan ð‘…2 ð‘ ð‘ð‘œð‘Ÿð‘’ ð¾ð‘ð‘ = 0,6170, ð´ð‘ð‘ = 0,4680, dan ð‘†ð‘‰ð‘… = 0,5800 untuk sumur Y. Hasil prediksi pada sumur Y menunjukkan indikasi terjadinya overfitting akibat model terlalu mempelajari data percobaan.

References

Agustina, S. D., Mustakim, Okfalisa, Bella, C., & Ramadhan, M. A. (2018). Support Vector Regression Algorithm Modeling to Predict the Availability of Foodstuff in Indonesia to Face the Demographic Bonus. Journal of Physics: Conference Series, 1028(1). https://doi.org/10.1088/1742-6596/1028/1/012240

Akhundi, H., Ghafoori, M., & Lashkaripour, G, R. (2014). Prediction of Shear Wave Velocity Using Artificial Neural Network Technique, Multiple Regression and Petrophysical Data: A Case Study in Asmari Reservoir (SW Iran). SciRes. https://doi.org/http://dx.doi.org/10.4236/ojg.2014.47023.

Anemangely, M., Ramezanzadeh, A., Amiri, H., & Hoseinpour, S.-A. (2019). Machine learning technique for the prediction of shear wave velocity using petrophysical logs. Journal of Petroleum Science and Engineering, 174, 306–327. https://doi.org/https://doi.org/10.1016/j.petrol.2018.11.032

Bre, F., Gimenez, J. M., & Fachinotti, V. D. (2018). Prediction of Wind Pressure Coefficients on Building Surfaces using Artificial Neural Networks. Energy & Buildings, 158, 1429–1441. https://doi.org/https://doi.org/10.1016/j.enbuild.2017.11.045

Dumke, I., & Berndt, C. (2019). Prediction of seismic p-wave velocity using machine learning. Solid Earth, 10(6), 1989–2000. https://doi.org/10.5194/se-10-1989-2019

Hampson, D., Schuelke, J., & Quirein, J. (2021). Use of Multi-Attribute Transforms to Predict Log Properties from Seismic Data. Geophysics, 66, 220–236.

Huang, S., Tian, L., Zhang, J., Chai, X., Wang, H., & Zhang, H. (2021). Support Vector Regression Based on the Particle Swarm Optimization Algorithm for Tight Oil Recovery Prediction. ACS Omega, 6(47), 32142–32150. https://doi.org/10.1021/acsomega.1c04923

Isebor, O. J., & Grujic, O. (2012). Use of Machine Learning in Petroleum Production Optimization Under Geological Uncertainty. Stanford University.

Ju, F. Y., & Hong, W. C. (2013). Application of Seasonal SVR with Chaotic Gravitational Search Algorithm in Electricity Forecasting. Applied Mathematical, 37, p.9643 – 51.

Kleynhans, T., Montanaro, M., Gerace, A., & Kanan, C. (2017). Predicting Top-of-Atmosphere Thermal Radiance Using MERRA-2 Atmospheric Data with Deep Learning. Remote Sensing, 9(11), 1133. https://doi.org/https://doi.org/10.3390/rs9111133

Maulana, N., Setiawan, B., & Dewi, C. (2019). Implementasi Metode Support Vector Regression (SVR) Dalam Peramalan Penjualan Roti (Studi Kasus: Harum Bakery). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(3), 2986–2995.

Mitchell, T. M. (1997). Machine Learning. Burr, Ridge, IL: McGraw Hill, 45(37), 870–877.

Shi, L., & Zhang, J. (2021). Prediction of shear wave velocity using machine learning technique, multiple regression and well logs. In ARMA/DGS/SEG 2nd International Geomechanics Symposium (p. ARMA-IGS-21-095).

Shmueli, G., Bruce, P. C., & Patel, N. R. (2016). Data Mining for Business Analytics.

Sholkopf, B., & Smola, A. (2002). Learning with Kernel. MIT Press.

Waldeland, A. U., Jensen, A. C., Gelius, L., & Solberg, A. H. S. (2018). Convolutional Neural Networks for Automated Seismic Interpretation. The Leading Edge, 37, 529–537.

Wang, J., Cao, J., Zhao, S., & Qi, Q. (2022). S-wave velocity inversion and prediction using a deep hybrid neural network. Science China Earth Sciences. https://doi.org/10.1007/s11430-021-9870-8

Wang, L. J., Guo, M., K., S., Lin, J., & Zhang, J. (2016). A Comparative Study of Landslide Susceptibility Maps Using Logistic Regression, Frequency Ratio, Decision Tree, Weights of Evidence and Artificial Neural Network. Geosciences Journal, 20(1), 117–136.

Widiaputra. (2016). Artificial Neural Network. Dosen Perbanas. https://dosen.perbanas.id/artificial-neural-network/.

Downloads

Additional Files

Published

2022-03-30

How to Cite

Wardhana, S. G., Aldi, M., & Siregar, I. R. (2022). PREDIKSI KECEPATAN GELOMBANG GESER (VS) MENGGUNAKAN MACHINE LEARNING DI SUMUR X. JGE (Jurnal Geofisika Eksplorasi), 8(1), 67–77. https://doi.org/10.23960/jge.v8i1.180

Issue

Vol. 8 No. 1 (2022)

Section

Articles

Citation Check

License

Authors/Readers/Third Parties can read, print and download, redistribute or republish the article (e.g. display in a repository), translate the article, download for text and data mining purposes, reuse portions or extracts from the article in other works, sell or re-use for commercial purposes, remix, transform, or build upon the material, they must distribute their contributions under the same license as the original Creative Commons Attribution-NonComercial (CC BY-NC).

Similar Articles

1 2 > >> 

You may also start an advanced similarity search for this article.