Publisher

KIPMIKIPMI

Journal Communications in Science and TechnologyCommunications in Science and Technology Abstract

Mengoptimalkan proses injeksi Alkali-Surfaktan-Polimer (ASP) tetap menjadi tantangan berkelanjutan dalam Peningkatan Perolehan Minyak (EOR), terutama di reservoir batupasir heterogen di mana simulator reservoir tradisional dibatasi oleh tuntutan komputasi yang tinggi dan fleksibilitas yang terbatas. Studi ini memperkenalkan aplikasi baru dari ensemble Super Learner (SL), sebuah algoritma pembelajaran mesin berbasis stacking yang mengintegrasikan beberapa model dasar (XGBoost, SVR, BRR, dan Decision Tree), untuk secara sistematis memprediksi dan mengoptimalkan parameter injeksi ASP. Berbeda dengan pendekatan sebelumnya, metode kami memadukan data simulasi CMOST fidelitas tinggi dengan presisi pembelajaran mesin yang memungkinkan optimasi waktu nyata dengan relevansi skala lapangan. Menggunakan 500 skenario simulasi yang divalidasi oleh masukan laboratorium, model SL mencapai kinerja prediktif yang luar biasa (R² = 0,988, RMSE = 0,304), mengungguli semua pembelajar individual. Faktor perolehan (RF) optimal sebesar 79,49% diperoleh dengan konsentrasi surfaktan (5483,29 ppm), polimer (2242,61 ppm), SO₄²⁻ (5610,15 ppm), CO₃²⁻ (7053,59 ppm), dan Na⁺ (9939,35 ppm) yang disetel dengan baik. Hebatnya, pendekatan SL dapat mengurangi waktu optimasi dari 10 jam (CMOST) menjadi kurang dari 1 menit; ini menyoroti potensinya untuk penerapan operasional waktu nyata. Kebaruan dari pekerjaan ini terletak pada penggunaan pembelajaran ensemble terintegrasi untuk menangkap interaksi kompleks dan non-linear antara kimia ionik dan perilaku mobilisasi minyak, menawarkan kerangka kerja AI siap lapangan untuk desain EOR yang cepat dan adaptif. Pendekatan ini membuka jalan bagi optimasi skema ASP yang cerdas dengan meminimalkan ketergantungan pada simulasi yang intensif secara komputasi sambil memastikan efisiensi kimia dan ekonomi di reservoir marginal atau kompleks.

Conclusion

Studi ini mengonfirmasi bahwa algoritma ensemble Super Learner (SL) adalah alat yang ampuh dan efisien untuk mengoptimalkan injeksi ASP di reservoir batupasir, mencapai akurasi prediktif yang tinggi (R² = 0,988) dan mengurangi waktu optimasi dari 10 jam menjadi kurang dari 1 menit.Secara mekanistik, ion polimer dan natrium merupakan kontributor utama peningkatan perolehan minyak, mengendalikan mobilitas, efisiensi sapuan, wettabilitas, dan kinerja surfaktan, sementara ion lain memerlukan dosis yang tepat untuk menghindari efek merugikan.Relevansi praktis pekerjaan ini ditekankan oleh eksekusi yang cepat dan skalabilitas model, menjadikannya cocok untuk manajemen reservoir dinamis, dengan potensi perluasan di masa depan untuk mengintegrasikan metrik ekonomi, data lapangan waktu nyata, dan pemodelan transportasi reaktif.

Future Research

Melihat potensi besar algoritma Super Learner (SL) dalam mengoptimalkan injeksi ASP, penelitian lanjutan dapat berfokus pada peningkatan kemampuan adaptasi dan kelengkapan model dalam menghadapi skenario dunia nyata yang dinamis. Pertama, bagaimana kita bisa mengembangkan kerangka kerja SL yang dapat secara adaptif belajar dan memperbarui dirinya sendiri dengan data lapangan waktu nyata, seperti data laju injeksi, produksi, dan perubahan komposisi fluida? Ini akan memungkinkan model untuk terus-menerus menyempurnakan strategi injeksi ASP secara real-time, beradaptasi dengan kondisi reservoir yang terus berubah tanpa campur tangan manual yang intensif. Penelitian ini bisa mengeksplorasi arsitektur pembelajaran berkelanjutan (continuous learning) yang mampu mempertahankan akurasi tinggi dan efisiensi komputasi dalam menghadapi aliran data yang tidak stabil, menjadikannya alat yang responsif dan cerdas untuk manajemen reservoir. Kedua, ada peluang untuk memperluas model SL agar tidak hanya berfokus pada faktor perolehan minyak, tetapi juga mengintegrasikan metrik ekonomi secara komprehensif. Ini berarti mengembangkan model optimasi multi-objektif yang dapat secara simultan mempertimbangkan biaya bahan kimia, harga minyak global, dan biaya operasional lainnya, sehingga menghasilkan rekomendasi injeksi ASP yang optimal dari perspektif teknis dan finansial. Pertanyaan pentingnya adalah bagaimana menyeimbangkan efisiensi teknis dengan kelayakan ekonomi di bawah kondisi pasar yang fluktuatif, dan apakah ada bobot berbeda yang harus diberikan pada setiap parameter ekonomi tergantung pada tujuan bisnis. Terakhir, untuk meningkatkan keandalan keputusan, penelitian dapat menyelidiki bagaimana mengintegrasikan teknik kuantifikasi ketidakpastian ke dalam kerangka SL. Mengingat sifat heterogenitas reservoir dan ketidakpastian inherent dalam reaksi kimia serta sifat fisik batuan dan fluida, penting untuk memahami rentang potensi hasil dari setiap rekomendasi optimasi. Bagaimana model dapat secara efektif mengidentifikasi, mengukur, dan mengelola dampak ketidakpastian ini pada prediksi faktor perolehan dan rekomendasi parameter injeksi? Ini akan memungkinkan para pembuat keputusan untuk menilai risiko terkait dengan strategi injeksi yang berbeda, menyediakan alat bantu yang lebih tangguh dan informatif untuk proyek-proyek EOR di masa depan.

References

1. Maximizing oil recovery in sandstone reservoirs through optimized ASP injection using the super learner... doi.org/10.21924/cst.10.1.2025.1649Maximizing oil recovery in sandstone reservoirs through optimized ASP injection using the super learner doi 10 21924 cst 10 1 2025 1649

Subjects

1. #rhizopus arrhizus#rhizopus arrhizus
2. #pembelajaran mesin#pembelajaran mesin

Metadata

File size	1.42 MB
Pages	12
Short Link	https://juris.id/p-3rn
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report