| dc.description.abstract | Stuck pipe merupakan masalah yang sering dihadapi dan menjadi penyumbang Non Productive Time yang paling signifikan selama pengeboran panas bumi. Stuck Pipe menjadi masalah yang menyebabkan kerugian baik dari segi biaya dan waktu karena dapat menunda operasi pengeboran. Dalam mencegah insiden stuck pipe dapat menggunakan berbagai metode, salah satunya adalah machine learning untuk memprediksi ketika hendak terjadinya stuck pipe.
Dalam penelitian ini, dataset yang akan digunakan adalah sumur-sumur pengeboran panas bumi di Sumatra Utara dan Jawa Barat yang mengalami stuck pipe pada kedalaman reservoir atau section 12-1/4” dan 9-7/8”, sumur dalam kondisi lost circulation, dan terjadi selama aktivitas on bottom (full rotate), reaming, dan tripping. Kemudian melakukan identifikasi beberapa parameter pengeboran seperti WOB, Hookload, Torque, dll, untuk menentukan kondisi normal, pre-stuck dan stuck.
Jenis machine learning yang diterapkan adalah klasifikasi, yakni algoritma Artificial Neural Network. Hasil prediksi model pada data testing menunjukkan akurasi sebesar 0,68 dan hasil pada blind data menunjukkan akurasi sebesar 0,59. Berdasarkan hasil prediksi model pada blind data, ketika hasil prediksinya divisualisasikan dan divalidasi dengan informasi pada Daily Drilling Report, hasilnya masih relevan. Dengan menerapkan machine learning untuk memprediksi kondisi "pre-stuck", tim pengeboran dapat mengambil tindakan untuk mencegah stuck pipe dan mengurangi downtime serta biaya terkait dengan penundaan pengeboran. | en_US |
