Publisher

ESDMESDM

Journal Indonesian Journal on GeoscienceIndonesian Journal on Geoscience Abstract

Data log sumur yang tidak lengkap merupakan masalah umum dalam eksplorasi minyak dan gas. Kemajuan teknologi kecerdasan buatan menyediakan pendekatan baru untuk memprediksi log yang hilang dengan memanfaatkan informasi terbatas yang tersedia. Pada penelitian ini, regresi parametrik (Linear Regression) dan non‑parametrik (Support Vector Machine dan Gaussian Process Regression) dibandingkan untuk memprediksi log yang hilang menggunakan data log terdekat; pemilihan fitur dilakukan melalui Analisis Komponen Utama (PCA). Hasil menunjukkan bahwa Gaussian Process Regression secara konsisten memberikan performa lebih baik, dengan korelasi antara nilai porositas yang diprediksi dan aktual meningkat hingga 0,19 dibandingkan metode lain, serta nilai RMSE yang lebih rendah. GPR juga memberikan perkiraan ketidakpastian berbasis deviasi standar, yang bervariasi antara 0,006 (kepercayaan tinggi) hingga 0,077 (ketidakpastian tinggi). Model yang dibangun terbukti robust dan stabil, dengan nilai RMSE cross‑validation selalu di bawah 0,04, menegaskan keandalan teknik regresi untuk memprediksi log sumur yang hilang pada berbagai formasi.

Conclusion

Vektor eigen hasil PCA sangat dipengaruhi oleh variasi litologi pada masing‑masing formasi, sehingga pemilihan fitur harus disesuaikan dengan karakteristik formasi.Gaussian Process Regression secara konsisten menghasilkan prediksi yang lebih akurat dibandingkan metode regresi lainnya dan sekaligus menyediakan estimasi ketidakpastian untuk setiap variabel target.Model yang dibangun terbukti robust dan dapat diandalkan untuk memprediksi log yang hilang pada sumur manapun, yang dibuktikan melalui validasi silang yang menghasilkan nilai RMSE yang stabil.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penerapan teknik pembelajaran mendalam, seperti jaringan saraf konvolusional, untuk meningkatkan akurasi prediksi log sumur pada formasi dengan litologi yang sangat heterogen, sehingga dapat mengatasi keterbatasan PCA dalam menangkap hubungan non‑linier kompleks. Selain itu, studi lanjutan disarankan memperluas basis data dengan menambah jumlah sumur dan variasi formasi geologi, agar model regresi dapat diuji pada skala yang lebih luas dan menghasilkan generalisasi yang lebih baik. Terakhir, penelitian dapat mengkaji integrasi data geofisik lain, misalnya data seismik atau citra petrografi, sebagai variabel tambahan dalam proses prediksi, guna menilai apakah kombinasi multi‑sumber data dapat menurunkan tingkat ketidakpastian dan meningkatkan keandalan hasil prediksi log yang hilang.

References

1. SVM Parameter Optimization using Grid Search and Genetic Algorithm to Improve Classification Performance... doi.org/10.12928/telkomnika.v14i4.3956SVM Parameter Optimization using Grid Search and Genetic Algorithm to Improve Classification Performance doi 10 12928 telkomnika v14i4 3956

Metadata

File size	2.52 MB
Pages	15
DMCA	Report