PREDIKSI LAJU ALIRAN MELALUI VOLUME KONTROL WELLHEAD CHOKE MENGGUNAKAN ALGORITMA RANDOM FOREST DAN MULTILAYER PERCEPTRON

Abstract

Mengukur laju aliran minyak dan gas merupakan hal yang krusial dalam operasi produksi. Metode konvensional seperti test separator dan multiphase flow meters (MPFM) memiliki keterbatasan dalam hal frekuensi dan biaya. Metode machine learning (ML) muncul sebagai dasar alternatif untuk prediksi laju aliran minyak dan gas secara tidak langsung dengan memanfaatkan data historis produksi. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa model ML dari algoritma Random Forest (RF) dan Multilayer Perceptron (MLP) untuk prediksi laju aliran minyak dan gas melalui volume kontrol wellhead choke. Data yang digunakan adalah rekaman data dari alat sensor dan perangkat MPFM yang terpasang pada lima sumur di lapangan Volve, Laut Utara Norwegia. Tahapan utama dalam penelitian ini meliputi exploratory data analysis, data preprocessing, dan pengembangan model ML dengan algoritma RF dan MLP. Algoritma MLP menunjukkan kemampuan generalisasi yang lebih baik dengan R² sebesar 0.987 untuk memprediksi laju aliran minyak dan R² sebesar 0.992 untuk memprediksi laju aliran gas, sedangkan algoritma RF hanya mencapai R² sebesar 0.978 untuk memprediksi laju aliran minyak dan R² sebesar 0.979 untuk memprediksi laju aliran gas. Model ML secara signifikan dapat mengungguli keakuratan prediksi dibandingkan model korelasi empiris, dengan mean absolute percentage error (MAPE) sebesar 4-8%. Hasil penelitian ini dapat menjadi solusi untuk prediksi laju aliran minyak dan gas yang melalui wellhead choke secara real-time dengan menggunakan rekaman data dari alat sensor pada sumur.