implementasi jaringan syaraf tiruan dalam pemilihan metode

Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
IMPLEMENTASI JARINGAN SYARAF TIRUAN DALAM PEMILIHAN
METODE ENHANCED OIL RECOVERY
Oleh :
Malunlana Alamsah, Anas Puji Santoso, Boni Swadesi
Jurusan Teknik Perminyakan, Universitas Pembangunan Nasional ”Veteran” Yogyakarta
Jl. SWK 104 (Lingkar Utara) Condongcatur, Yogyakarta 55283
Telp. (0274) 486056, Facs. (0274) 486056
e-mail : [email protected], [email protected], [email protected]
ABSTRAK
Pengambilan keputusan dalam pengembangan lapangan sangat sulit dilakukan pada awal
suatu lapangan dieksploitasi. Hal ini disebabkan kurangnya data sehingga mempersulit dalam
penentuan langkah-langkah selanjutnya. Untuk merencanakan EOR, diperlukan suatu penelitian yang
sangat rumit dan membutuhkan biaya yang mahal. Biasanya suatu lapangan menggunakan simulator
untuk memprediksi kelakuan reservoir yang nantinya digunakan sebagai acuan dalam
mengembangkan suatu lapangan. Kegiatan simulasi reservoir membutuhkan data reservoir yang harus
lengkap dan membutuhkan waktu yang cukup lama untuk mendapatkan hasil yang bagus.
Biasanya, perencanaan strategi pengembangan lapangan dilakukan pada awal dilakukannya
pengembangan lapangan. Hal ini berhubungan dalam penyusunan Plan of Development (POD) suatu
lapangan sehingga dapat direncanakan pula biaya yang diperlukan dalam pengembangan lapangan
tersebut. Diperlukan suatu alat untuk membantu dalam pengambilan keputusan dengan tersedianya
informasi reservoir yang terbatas. Dengan menggunakan suatu alat, bisa ditentukan metode EOR yang
akan dilakukan pada suatu lapangan dengan hanya menggunakan data reservoir yang terbatas.
Menggunakan konsep Jaringan Syaraf Tiruan (JST) dapat ditentukan metode EOR yang sesuai pada
suatu lapangan dengan melihat dari tingkat keberhasilannya.
Screening criteria yang digunakan berdasarkan dari data reservoir dari lapangan yang telah
melakukan EOR dengan karakteristik dan kondisi reservoir yang berbeda-beda. Data yang diperlukan
adalah parameter reservoir kunci yaitu: gravity minyak, viscositas minyak, komposisi minyak,
saturasi minyak, jenis batuan, ketebalan batuan, permeabilitas rata-rata, kedalaman, dan temperatur.
Dilakukan pembelajaran backpropagation pada data pembelajaran. Model JST mampu mengolah data
yang berbeda, mengurangi kemungkinan pengambilan keputusan yang tidak berdasar, dan mampu
menginvestigasi secara cepat dan akurat. Pada penelitian ini menghasilkan software yang dinamakan
PiXel.
Keywords : Jaringan Syaraf Tiruan, Backpropagation, Enhanced Oil Recovery.
PENDAHULUAN
suatu
Awal dilakukan pengembangan
lapangan hanya memiliki data
reservoir yang terbatas. Di saat yang sama
dibutuhkan
suatu
keputusan
untuk
pengembangan lapangan jangka panjang
termasuk
dalam
pemilihan
metode
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
Enhanced Oil Recovery yang akan
dilakukan dimasa yang akan datang. Hal ini
berhubungan dengan pembuatan Plan of
Development (POD) suatu lapangan.
Pemilihan metode Enhanced Oil
Recovery (EOR) telah lama dilakukan
dengan menggunakan screening criteria.
Dari screening criteria ini hanya bisa
dilakukan pemilihan secara kualitatif, yaitu
pemilihan berdasarkan kecocokan data
reservoir yang akan dilakukan EOR dengan
screening criteria yang ada. Hal ini bisa
menjadikan pemilihan yang kurang tepat
karena
pada
suatu
data
reservoir
memungkinkan sesuai dengan lebih dari satu
metode EOR. Cara ini sangat sulit
menentukan metode mana yang lebih sesuai
pada reservoir tersebut. Dari masalah ini
dibutuhkan
alat
untuk
menghitung
persentase kesesuaian data reservoir yang
diteliti terhadap masing-masing metode
EOR.
Jaringan Syaraf Tiruan (JST)
merupakan suatu struktur perhitungan yang
mempelajari proses-proses susunan syaraf
biologis. Ada beberapa jenis jaringan syaraf
tiruan, dari yang sederhana sampai yang
sangat komplek sebagai gambaran teoritis
dari proses syaraf biologis. Model JST
dirancang menyerupai kemampuan berpikir
manusia seperti proses ilmu pengetahuan,
berbicara, perkiraan, dan control. Sehingga,
tidak berlebihan apabila penerapan JST
digunakan dalam pemilihan metode EOR
baik secara kualitatif maupun kuantitatif
walaupun dengan data reservoir yang
terbatas.
EOR Screening Criteria
EOR screening criteria telah lama
digunakan pada kebanyakan reservoir
sebelum dilakukan penelitian yang lebih
lanjut. Screening criteria ini berdasarkan
dari parameter kunci reservoir, baik itu
kerakteristik minyak, karakteristik batuan,
maupun kondisi reservoirnya. Secara umum
diperoleh dari pengalaman di lapangan baik
yang sukses maupun yang gagal atau dari
penelitian di laboratorium mengenai proses
EOR.
Pada penelitian ini digunakan
screening criteria dari beberapa sumber
yang saling melengkapi satu sama lain
(Tabel 1). Digunakan 9 data parameter
reservoir yaitu: gravity minyak, viscositas
minyak, komposisi minyak, saturasi minyak,
jenis batuan, ketebalan batuan, permeabilitas
rata-rata, kedalaman, dan temperatur.
Metode EOR yang akan diperoleh adalah
injeksi N2, injeksi gas hidrokarbon, injeksi
CO2, injeksi surfaktan, injeksi polimer,
injeksi alkalin, in-situ combustion, dan
injeksi uap.
Jaringan Syaraf Tiruan (JST)
JST adalah implementasi dari
teknologi artificial intelligence. Merupakan
representasi buatan dari otak manusia yang
selalu mencoba untuk mensimulasikan
proses pembelajaran pada otak manusia
tersebut. Istilah tiruan ini karena jaringan
syaraf ini diimplementasikan menggunakan
program
komputer
yang
mampu
menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran. Otak manusia
terdiri dari banyak neuron, axon, dan
dendrit. JST memiliki node yang
dianalogikan sebagai neuron pada otak
manusia. Proses dari input yang diperoleh
untuk menghasilkan respon keluaran pada
node ini. JST merupakan model sederhana
dari kemampuan otak dalam menganalisa
objek dan data.
JST merupakan sistem pemroses
informasi yang mempunyai kemampuan
untuk belajar, mengingat informasi,
menyamakan data, dan menentukan pola
selama proses pembelajaran.
JST
telah
dikembangkan
menggunakan metode matematika dari
pengertian manusia atau syaraf biologis,
berdasarkan asumsi-asumsi, sbb:
1. Pemrosesan informasi terjadi pada elemen
sederhana yang disebut neuron.
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
2. Sinyal dialirkan diantara neuron melalui
connection link.
3. Setiap connection link memiliki masingmasing bobot
4. Setiap neuron dilakukan fungsi aktivasi
pada setiap input untuk menentukan sinyal
output.
Arsitektur
JST pada umumnya diklasifikasikan
sebagai satu lapisan atau banyak lapisan.
Pengaturan neuron pada lapisan dan pola
hubungan di antara lapisan disebut sebagai
arsitektur jaringan. Beberapa JST memiliki
input lapisan dengan aktivasi pada setiap
unit yang sama pada sinyal external input.
Kebanyakan JST menggunakan lapisan
banyak dengan satu lapisan tersembunyi
seperti yang digunakan pada penelitian ini
(Gambar 1). Untuk menyelesaikan masalah
yang berbeda sangat penting dalam
menentukan jumlah lapisan dan jumlah
neuron pada setiap lapisannya. Untuk
menentukan jumlah lapisan, unit input tidak
dihitung sebagai lapisan, karena tidak
dilakukan perhitungan.
Algoritma
Metode untuk menentukan nilai
bobot sangat penting dalam membedakan
karakteristik dari jaringan syaraf yang
berbeda.
Secara
umum
dua
tipe
pembelajaran untuk JST yaitu terawasi dan
tak terawasi. Kebanyakan JST diatur dan
dilatih berdasarkan urutan pembelajaran
vektor, atau pola yang masing-masing
berubungan dengan vektor target output.
Proses ini disebut sebagai pembelajaran
terawasi.
Beberapa algoritma pembelajaran
dikembangkan pada JST. Algoritma ini
berdasarkan pada kelayakan pembelajaran
yang disesuaikan dengan optimasi dari teori.
Pada pembelajaran ini dipengaruhi oleh
besarnya learning rate.
Pada penelitian ini digunakan
pembelajaran
terawasi
metode
backpropagation.
Pembelajaran
backpropagation memiliki tiga tahapan
yaitu: langkah maju (feedforward) dari pola
pembelajaran input, perhitungan error dan
langkah mundur (backpropagation) apabila
belum mencapai error yang dikehendaki,
serta memperbaiki bobot.
Setelah dilakukan pembelajaran,
JST bisa digunakan untuk menyelesaikan
masalah tertentu dengan memasukkan data
pada lapisan input sehingga didapat hasil
pada lapisan output.
Implementasi
Penelitian ini menggunakan metode
backpropagation untuk melatih JST pada
penentuan tingkat keberhasilan EOR.
Diperlukan 9 node pada lapisan input, hal ini
disesuaikan dari jumlah input parameter
reservoir yang digunakan dengan 8 metode
EOR yang dituju sehingga memerlukan 3
node pada output lapisan. Lapisan
tersembunyi dapat diubah-ubah jumlah
node-nya sesuai kebutuhan (Gambar 3).
Masing-masing parameter reservoir
dibagi dalam batasan-batasan tertentu sesuai
screening
criteria
yang
digunakan.
Ditentukan nilai bobot awal pada masingmasing batasan. Sedangkan pada output
yaitu metode EOR yang dituju ditentukan
nilai output pada masing-masing metode
menggunakan bilangan biner.
Pembelajaran
backpropagation:
sebelum JST bisa menginvestigasi pada
suatu reservoir, dilakukan terlebih dahulu
pembelajaran. Digunakan sebanyak 64 data
sampel untuk pembelajaran JST. Kemudian
data yang ada akan dipelajari oleh JST
dengan terlebih dahulu ditentukan jumlah
hidden node, learning rate, maksimal iterasi,
dan error targetnya.
Perhitungan tingkat keberhasilan
diperoleh dari error yang dicapai pada suatu
investigasi
berdasarkan
bobot
yang
diperoleh pada pembelajaran sebelumnya.
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
%output = 100
100
* error
8
Contoh hasil pada penelitian ini
ditentukan 10 hidden node, 0.5 learning
rate, 20,000 max iteration, dengan target
error (RMSE) sebesar 0.01. Pembelajaran
akan berhenti pada maksimal iterasi atau
telah memperoleh target error yang
ditentukan.
Contoh
pembelajaran
menunjukkan target error 0.01 dicapai pada
iterasi ke-19,361.
CONTOH KASUS
Contoh kasus ini dilakukan terhadap
suatu lapangan di Wyoming, USA. Semua
data reservoir yang diperlukan tersedia
kecuali komposisi minyak (Tabel 2).
Sebelum dilakukan investigasi
terhadap lapangan tersebut, dilakukan
pembelajaran, kemudian memasukkan data
reservoir dari lapangan tersebut.
Hasil investigasi menunjukkan
lapangan
tersebut
memiliki
tingkat
keberhasilan terbesar jika dilakukan injeksi
CO2 dibandingkan metode yang lain yaitu
sebesar 96.42 % (Gambar 4).
KESIMPULAN
1. Pembuatan software pembelajaran JST
dapat digunakan dalam pemilihan
metode EOR.
2. Keterbatasan
data
dapat
diatasi
menggunakan JST dalam penentuan
metode EOR yang akan digunakan
sebagai
pertimbangan
dalam
pengembangan lapangan.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih
kepada Sekar Ayu Intan Maharani, Yanuar
Hadiyanto dan Jurusan Teknik Perminyakan
UPN ”Veteran” Yogyakarta atas dukungan
yang diberikan dalam penulisan paper ini.
DAFTAR PUSTAKA
1. Kusumadewi,
2.
3.
4.
5.
6.
Sri;
“Artificial
Intelligence (Teknik dan Aplikasinya)”;
Graha Ilmu; Yogyakarta; 2003.
Manrique, Eduardo; “CO2 Capture and
Sequestration:
EOR
Advanced
Screening Criteria”; Questa Engineering
Corporation; ________.
O’Brien, John, et all; “Time-lapse VSP
Reservoir Monitoring”; The Leading
Edge; Houston; 2004.
Taber, J.J. and Martin, F.D.; “Technical
Screening Guides for the Enhanced of
Oil”, paper SPE 12069 presented at the
1983 Annual Technical Conference and
Exhibition; San Fransisco; 1983.
Taber, J.J, Martin, F.D., and Seright,
R.S.;
“EOR
Screening
Criteria
Revisited: Part 1 – Introduction to
Screening Criteria and Enhanced
Recovery Fields Project”; SPERE
(August 1997).
Taber, J.J, Martin, F.D., and Seright,
R.S.;
“EOR
Screening
Criteria
Revisited: Part 2 – Applications and
Impact of Oil Prices”; SPERE (August
1997).
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
TABEL 1. EOR SCREENING CRITERIA
TABEL 2. CONTOH DATA RESERVOIR
Reservoir Properties
Oil Gravity (ºAPI)
Oil Viscosity (cp)
Oil Composition
Oil Saturation (%)
Formation Type
Thickness (Ft)
Permeability (mD)
Depth (Ft)
Temperature (ºF)
Field Data
43
0.85
no data available
54
sandstone
25
30
4800
120
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
TABEL 3. DATA PEMBELAJARAN
data
vis
satura
id gravity cos composition
formation
tions
ity
1
49 0.2 high percent 65
Carbonate
of C1-C7
2
25
2 high percent 35
Sandstone
of C2-C7
3
34 20
light
44
Sandstone
intermediate
4
12 70
no data
59
Sandstone
0
available
5
21 14 some organic 47
Sandstone
0
acid
6
27 0.7 high percent 38
Sandstone
of C2-C7
7
19 90
no data
75
Sandstone
0
available
8
12 49
no data
45
Sandstone
0
available
9
26 80 some organic 55
Sandstone
acid
10
20 70
some
80
Sandstone
0
asphaltic
component
11
50 90
no data
70
Sandstone
available
12
14 19
no data
36
Sandstone
0
available
13
50
7
light
70
Sandstone
intermediate
14
53
1 high percent 60
Carbonate
of C1-C7
15
14 60
no data
59
Sandstone
0
available
16
26 29
light
31
Sandstone
intermediate
17
45 0.2 high percent 48
Sandstone
of C1-C7
18
52 15
no data
48
Sandstone
thick perme
tempe
depth
ness ability
rature
method
22
130
10000
60
N2
100
45
8000
200
Hydrocarbon
120
55
4500
90
Surfactant
50
290
3500
110
Steam
20
140
7500
140
Alkaline
50
30
6500
100
Hydrocarbon
50
200
3500
110
Combustion
30
300
3900
120
Steam
30
59
6000
120
Alkaline
28
250
20000
150
Combustion
100
750
750
150
Steam
15
21
8900
199
Surfactant
200
5
950
145
Surfactant
10
150
11000
160
N2
69
69
11400
190
Combustion
11
23
7900
170
Surfactant
54
100
6001
105
N2
68
125
5700
152
Surfactant
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
19
50
20
39
21
24
22
40
23
38
24
32
25
14
26
41
27
47
28
29
29
35
30
21
31
8
32
13
33
12
34
23
35
45
36
49
37
15
38
27
39
50
available
60
no data
0
available
13
no data
5
available
8 high percent
of C5-C12
0.5 high percent
of C2-C7
0.8 high percent
of C2-C7
50
no data
available
50 high percent
0
of C2-C7
8
light
intermediete
0.3 high percent
of C1-C7
1
no data
available
0.5
no data
available
11
light
5 intermediate
85 high percent
0
of C2-C7
20
no data
0
available
49
no data
0
available
8 high percent
of C5-C12
0.2
no data
available
4 high percent
of C5-C12
50
no data
available
70
no data
available
0.2 high percent
of C2-C7
75
Sandstone
45
750
100
90
Steam
75
Sandstone 200
200
7500
185
Polymer
55
Sandstone
25
50
6500
176
CO2
60
Carbonate
75
9
7000
155
Hydrocarbon
84
Sandstone
72
20
7400
190
Hydrocarbon
71
Sandstone
75
120
4000
95
Alkaline
75
Sandstone
45
210
4200
127
Steam
40
Sandstone
24
85
7000
100
Surfactant
76
Carbonate
20
120
8000
250
N2
55
Carbonate
71
150
9100
200
CO2
59
Carbonate
48
35
9500
150
Hydrocarbon
70
Sandstone
70
70
6500
160
Polymer
55
Sandstone
30
250
4000
120
Steam
73
Sandstone 140
140
7000
130
Combustion
55
Sandstone
15
60
11000
136
Combustion
30
Sandstone
50
10
3000
250
CO2
47
Sandstone 150
300
9000
150
N2
56
Sandstone
55
5
8900
80
CO2
75
Sandstone 250
75
3000
186
Alkaline
67
Sandstone
45
100
5500
100
Alkaline
70
Carbonate
59
46
6500
140
Hydrocarbon
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
40
80
0.1
41
12
42
29
65
0
25
43
23
9
44
19
80
45
28
75
46
50
0.2
47
20
80
0
48
51
0.6
49
37
0.4
50
34
95
51
16
60
0
52
50
50
53
16
50
54
17
60
55
36
3.1
56
41
1.7
57
16
58
30
10
5
5
59
30
0.5
no data
available
no data
available
no data
available
no data
available
high percent
of C2-C7
no data
available
no data
available
some
asphaltic
component
no data
available
no data
available
no data
available
some
asphaltic
component
no data
available
high percent
of C1-C7
high percent
of C5-C12
no data
available
no data
available
some organic
acid
light
intermediate
high percent
of C5-C12
60
Carbonate
50
5
10000
95
N2
67
Sandstone
65
300
3750
115
Steam
51
Sandstone
35
67
4000
115
Surfactant
21
Carbonate
34
7
6030
70
CO2
65
Sandstone
40
40
7000
180
Polymer
45
Sandstone
50
45
3500
75
Alkaline
50
Carbonate
75
80
7000
100
N2
80
Sandstone
50
250
3600
119
Combustion
25
Sandstone
29
130
6100
65
CO2
79
Sandstone
68
15
8500
115
Hydrocarbon
81
Sandstone
66
145
7200
130
Alkaline
65
Sandstone
80
80
9000
143
Combustion
60
Sandstone 150
100
1000
75
Polymer
60
Sandstone
15
15
8900
195
Polymer
52
Sandstone 300
300
6000
155
Polymer
64
Sandstone
72
17
10010
150
CO2
55
Carbonate
55
5
10250
100
Hydrocarbon
38
Sandstone
10
90
4500
99
Alkaline
40
Sandstone
25
30
5000
150
Surfactant
34
Carbonate
15
37
3750
280
CO2
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
60
61
62
63
64
40
0.3 high percent
of C1-C7
22 11
no data
8
available
57 26
some
asphaltic
component
17 10
no data
00 available
11.75 70
no data
00 available
0
45
Sandstone
45
5
6100
70
N2
56
Sandstone
25
25
4200
95
Polymer
63
Sandstone 400
400
8500
190
Polymer
72
Sandstone 160
160
4000
120
Combustion
59
Sandstone
290
3500
110
Steam
50
GAMBAR 1. ARSITEKTUR JST PiXeL
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
GAMBAR 2. PiXeL INPUT FORM
GAMBAR 3. KEADAAN AWAL DAN AKHIR PROSES PEMBELAJARAN PADA PiXeL
___________________________________________________________________________________
IATMI 2007-TS-34
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN “Veteran” Yogyakarta
_______________________________________________________________________________
GAMBAR 4. CONTOH HASIL INVESTIGASI PiXeL
___________________________________________________________________________________
IATMI 2007-TS-34