Anda di halaman 1dari 19

TM4031

Intelgensia Artifisial Perminyakan

TUGAS AKHIR

PENENTUAN RECOVERY FACTOR TAMBAHAN PADA METODE SURFAKTAN


HUFF N PUFF MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN)

Anggota Kelompok

Dosen

: Rizky Veronica Widya

12211004

Nadira Octavia Wisesa

12211054

Muhammad Ikhsan Akbar

12211073

: Prof. Ir. Sudjati Rachmat, DEA

Nama Asisten

Tanggal Penyerahan

: Steven Chandra

12210010

I Made Artha Segara

12211018

Gusti Ardiansah Putra P.

12211039

Achmad Zufikar Khomaini

12211082

: Rabu, 19 Mei 2015

FAKULTAS TEKNIK PERTAMBANGAN DAN PERMINYAKAN


PROGRAM STUDI TEKNIK PERMINYAKAN
INSTITUT TEKNOLOGI BANDUNG
2015

Abstract
Metode Huff and Puff dengan menggunakan surfaktan merupakan salah satu metode
EOR yang dapat memperoleh produksi kumulatif minyak yang lebih tinggi sehingga kita bisa
mendapatkan recovery factor yang lebih tinggi. Metode ini diterapkan dengan
menginjeksikan surfaktan bukan ke dalam sumur injeksi melainkan sumur produksi. Siklus
ini terdiri dari injeksi surfaktan, lalu menutup sumur produksi menunggu agar surfaktan
meresap disebut sebagai soaking time dan pada akhirnya menghasilkan kumulatif prodiksi
minyak yang lebih tinggi daripada saat deplesi alami.
Keuntungan dari metode ini adalah efisiensi biaya tinggi karena fasilitas permukaan
tidak terlalu rumit dan tidak diperlukan sumur injeksi. Selain itu metode ini lebih efektif
daripada surfaktan flooding karena dalam metode tersebut, surfaktan mengalir sepanjang
antara sumur injeksi dan produksi dengan jarak yang berjauhan, sehingga ketika mencapai
sumur produksi hanya terdapat air dan tidak ada lagi surfaktan. Oleh karena itu, metode Huff
and Puff diusulkan untuk meningkatkan efektivitas dan nilai ekonomi dalam memproduksi
minyak.

Introduction
Aplikasi peningkatan perolehan minyak atau Enchanced Oil Recovery di Indonesia
masih sangat terbatas sekarang meskipun banyak lapangan Indonesia diklasifikasikan sebagai
lapangan yang telah mature. Indonesia masih memiliki 40 miliar barel minyak yang masih
dapat diproduksi. Sebagian besar minyak ini tidak dapat diproduksi dengan teknologi yang
tersedia karena kondisi reservoir yang tidak memungkinkan untuk diproduksi dan minyak
juga yang tersisa tersebar luas didalam reservoir.
Seperti dijelaskan sebelumnya, dari lapangan produksi 579 di Indonesia, 460 lapangan
diklasifikasikan sebagai lapangan yang telah mature, 138 bidang sebagai immature, dan 31
lainnya sebagai lapangan yang belum dikembangkan (status hingga 1 Januari 2008). Jumlah
tersebut menunjukan bahwa kesulitan untuk menemukan deposit minyak baru. Kondisi ini
akan menjadi alasan yang kuat untuk menerapkan metode EOR di lapangan yang telah
mature Sayangnya, penerapan metode EOR masih terbatas pada metode injeksi termal saja.
Metode lain dari EOR masih dalam tahap penelitian. Selain itu, pemerintah cenderung
enggan menerima proposal aplikasi EOR pada lapangan yang telah mature karena pemerintah
telah memberikan sejumlah besar insentif setelah memberikan izin pada aplikasi EOR. Hal
tersebut menjadi kendala bagi pertumbuhan EOR di Indonesia Untungnya, di tahun-tahun

mendatang, akan ada waktu berprospek untuk EOR injeksi kimia untuk pertumbuhan, salah
satunya adalah injeksi surfaktan dengan metode Huff and Puff.
Berdasarkan penelitian sebelumnya (Muhammad Romadhona, 2013) variabel penting
yang menunjukkan efektivitas dari injeksi surfaktan dengan metode Huff and Puff merupakan
Additional Recovery Factor (ARF) sebagai rasio antara produksi kumulatif minyak dengan
injeksi surfaktan Huff and Puff dan produksi kumulatif minyak tanpa injeksi surfaktan Huff
and Puff (deplesi alami). Biasanya, simulasi reservoir digunakan untuk memperoleh ARF,
tetapi akan memakan waktu yang lama dan kurang efektif. Oleh karena itu, diperlukan suatu
metode cepat tetapi akurat untuk memperkirakan ARF. Sebagai kelanjutan dari penelitian
sebelumnya

yang

dilakukan

oleh

Muhammad

Romadhona,

penelitian

ini

akan

mengembangkan metode kecerdasan buatan untuk memperkirakan ARF dengan cepat dan
mudah, tetapi memiliki tingkat akurasi yang baik, dan juga mengetahui parameter yang
paling berpengaruh dalam ARF.

Enchanced Oil Recovery


Enhanced Oil Recovery adalah fase terakhir dari produksi minyak setelah primary
recovery (deplesi alami) dan secondary recovery (water flooding). Produksi primer minyak
dimulai ketika lapangan minyak yang ditemukan, perbedaan tekanan antara reservoir dan
dasar sumur yang menyebabkan minyak dalam reservoir bergerak maju dan kemudian
diproduksi. Mekanisme produksi minyak biasanya disebut deplesi alami. Ketika terjadi
penurunan tekanan reservoir menyebabkan produksi minyak menurun, oleh karena itu energi
tambahan dari luar reservoir diperlukan untuk mendapatkan produksi minyak lebih banyak.
Fase ini disebut dengan secondary recovery. Salah satu cara untuk melakukan secondary
recovery adalah dengan menginjeksikan air ke dalam reservoir. Sebagai air terhadap rasio
produksi lapangan minyak mendekati batas operasi ekonomi dan injeksi water flood tidak
lagi ekonomi, produksi minyak akan bergerak ke tahap berikutnya, yang biasanya disebut
Enhanced Oil Recovery (EOR). Kombinasi produksi kumulatif minyak oleh perolehan primer
dan sekunder umumnya kurang dari 40% dari jumlah minyak di reservoir. Oleh karena itu,
fase EOR mengambil porsi yang lebih tinggi dari produksi minyak dari fase lainnya. Melihat
kondisi lapangan minyak di Indonesia, pengembangan EOR mendapat perhatian lebih untuk
mendapatkan produksi minyak yang lebih tinggi.

Surfactant Flooding dan Metode Huff and Puff


Salah satu metode EOR yang akan berprospek dalam beberapa tahun mendatang
adalah injeksi surfaktan. Injeksi surfaktan dapat diterapkan pada reservoir dengan dua
metode, yang pertama adalah surfactant flooding, metode ini diterapkan dengan
menginjeksikan surfaktan pada sumur injeksi dan yang kedua adalah menginjeksikan
surfaktan dengan metode Huff and Puff, diterapkan dengan menginjeksikan surfaktan pada
sumur produksi.

Gambar 1 - Surfactant Flooding

Surfactan flooding dapat diterapkan pada reservoir sandstone dan karbonat. Prinsip
utama metode ini adalah meningkatkan efisiensi perpindahan di daerah displacement dengan
mengurangi tekanan kapiler dan tegangan antar muka antara minyak dan air. Istilah huff and
puff berasal dari proses ketika larutan surfaktan dengan air pertama diinjeksikan ke dalam
sumur produksi (huff) dan kemudian sumur ditutup selama beberapa hari untuk membiarkan
surfaktan membasahi dan akhirnya dibuka lagi untuk menghasilkan minyak (puff).

Gambar 2 - Metode Huff and Puff dengan Surfaktan

Faktor yang Mempengaruhi Additional Recovery Factor (AFR)


Seperti disebutkan sebelumnya, variabel penting dalam penelitian ini adalah
Additional Recovery Factor (ARF) yang dapat diperoleh dari membandingkan produksi
kumulatif minyak menggunakan metode Huff and Puff dan produksi minyak kumulatif
dengan penurunan alami. Dengan mengetahui nilai ARF, kita dapat melihat seberapa efektif
metode Huff and Puff dengan surfaktan untuk mendapatkan produksi minyak lebih tinggi.
Semakin tinggi nilai ARF, semakin efektif metode Huff and Puff dengan surfaktan untuk
diterapkan. Faktor yang mempengaruhi ARF meliputi:
Porositas ()
Permeabilitas (k)
Ketebalan (h)
Saturasi Minyak (So)
Laju Injection (ft3 / hari)
Waktu Injeksi (hari)
Soaking Time (hari)
Konsentrasi Surfaktan (fraksi)
Dalam kasus deplesi alami, hanya digunakan empat variabel pertama diatas sementara
di kasus injeksi Huff and Puff digunakan semua variable diatas.

Artificial Intelligence
Pada studi ini, penulis membuat sebuah Artificial Neutral Network (ANN) sebagai
kelanjutan dari penelitian sebelumnya. Tujuan dari ANN ini untuk membuat suatu hubungan
antara data yang tersedia untuk emnentukan ARF. Meskipun ARF dapat ditentukand ari
simulasi reservoir, namun penulis ingin membuat suatu metode lain untuk mentukan ARF
lebih cepat namun mempunyai tingkat akurasi yang baik. Sehingga, penulis menggunakan
ANN untuk menentukan ARF.

Artificial Neural Network (ANN)


ANN adalah model elektronik yang secara dasar meniru struktur neuron otak. ANN
terdiri dari sebuah grup neuron yang saling berhubungan. ANN merupakan suatu system
adaptasi yang mengubah struktur neural berdasarkan input data yang akan diproses selama
fase training. Metode ini digunakan untuk mencari model yang baik (disebut sebagai
network) dari data yang tersedia untuk menghasilkan keluaran yang merepresentasikan ARF.

Gambar 3 Skematik ANN

Semua ANN mempunyai struktur network yang mirip dengan gambar di atas.
Beberapa permukaan neuron digunakan untuk menerima input data . Beberapa neuron lain
menyediakan output, dimana sisanya disembunyikan dari pengguna. Neuron tersembunyi ini
digunakan untuk memproses data di network. Parameter di ANN dikategorikan dalam tiga
jenis parameter , yaitu:

Pola yang ling berhubungan pada lapisan yang berbeda

Proses training untuk memperbaharui beban antar hubungan

Aktivasi fungsi untuk mengubah input data set menjadi hasil output

Metodologi
Pada tugas akhir ini, penulis menggunakan simulator CMG-STARS untuk pemodelan
dan simulasi reservoir untuk mengetahui produksi minyak, baik dengan atau tanpa injeksi
surfaktan Huff n Puff sehingga dapat diketahui ARF. Setelah data dari simulasi reservoir
telah diperoleh, maka data tersebut diproses dengan software pengembangan ANN., Alyuda
Neurointelligence. Software ini mengembangkan system artificial intelligence yang dapat
digunakan untuk mengetahui ARF secara cepat tapi dengan tingkat akurasi yang baik. Alur
kerja metodologi penulis dibagi menjadi dua bagian, bagian pertama yaitu simulasi untuk
mendapatkan data ARF dan yang kedua yaitu pembuatan ANN. Untuk lebih jelasnya, gambar
dibawah ini menunjukkan alur kerja.

Gambar 4 - Alur kerja Penentuan ARF

Pemodelan dan Simulasi Reservoir


Penulis menggunakan model yang telah dikembangkan pada penelitian sebelumnya.
Penulis menggunakan CMG-STARS untuk membuat dan mensimulasikan injeksi surfaktan
Huff n Puff. Model reservoir tersebut berbentuk persegi dengan dimensi 31x31x5 grid,
panjang sumbu-x 3100 ft, sumbu-y 3100 ft, dan ketebalan 50 feet. Model reservoir
mempunyai total 4805 grid. Reservoir ini diasumsikan reservoir finite tanpa mekanisme
pendorongan, isotropic, fluida dua fasa, dan tanpa skin pada wellbore. Ilustrasi model
tersebut dapat dilihat pada gambar berikut.

Gambar 5 - Reservoir Grid Model

Sumur produksi dan injeksi digabungkan dalam satu sumur karena penulis
menggunakan metode Huff n Puff, yang berlokasi di tengah reservoir dengan coordinate
(16,16) dan diperforasi pada semua lima palisan reservoir. Untuk konstrain produksi, BHP
dioperasikan dengan tekanan 3400 psi. untuk konstrain injeksi, BHP maksimum diset pada
5745 psi. Model reservoir ini menggunakan property batuan dan fluida dari North Sea dan
property batuan dapat ditunjuukan pada gambar di tabel berikut.
Tabel 1 - Skenario sifat fisik batuan

Rock Properties
Porosity

0.22

Horizontal Permeability

250 mD

Vertical Permeability

25 mD

Reservoir Temperature

200 F

Initial Oil Saturation

0.8

Reservoir Thickness

50 ft

Reservoir Rock Type

Water Wet

Tabel 2 - Skenario sifat fisik fluida

Fluid Properties
@15 C
Oil density @15 C
@3999.4 psi

1.93129 cp

20.5003 kg/ft3

Bo @15 C @3999.4 psi

141.428

Bo @15 C @15 psi

129.942

Cw

3.00E-06

Cchemical

3.00E-06

Co

1.00E-06

Molar Density of Oil

204.1 gmole/ft3

Surfactant Type

propoxy-ethoxyglycerylsulphonate surfactants

Pada studi ini, ARF diamati dengan mengubah nilai beberapa parameter yang telah
dipilih pada studi sebelumnua. Rentang data simulasi untuk setiap parameter dapat dilihat
pada tabel berikut.

Tabel 3 - Rentang Data Simulasi

Parameter

Min

Max

0.11

0.3

Permeability (mD)

30

3350

Oil Saturation (frac)

0.5

0.9

Net Thickness (ft)

15

135

2150

52500

Injection Time (days)

56

Soaking Time (days)

60

0.001

0.05

Porosity (frac)

Injection Rate (ft3/day)

Surfactant Concentration (frac)

Pembuatan Artificial Neural Network (ANN)


Setelah diperoleh data simulasi reservoir untuk penentuan ARF, penulis membuat
ANN menggunakan software Alyuda Neurointelligence.
Tahap pertama pembuatan ANN adalah pemilihan data, pada tahap ini data yang
diperoleh mulai dianalisa apakah valid atau anomali. Pada proses analisis data, pemilihan
data dikategorikan menjadi tiga kategori: training, validasi, dan pengujian. Training data
adalah bagian input data yang menggunakan neural network. Validasi data adalah bagian
input data set yang mengharmonisasikan topologi network. Pengujian data adalah bagian
input data set yang mengecek seberapa baik neural network. Gambar di bawah ini
menunjukkan detail tahap pertama.

Gambar 6 - Tahap pertama pembangunan ANN

Tahap berikutnya adalah pemrosesan ulang data, dimana data yang telah dipilih
sebelumnya dimodifikasi sebelum dimasukkan ke neural network. Hal ini dilakukan karena
neural network tidak dapat mengolah data berjenis text. Sehingga, data text harus
dimodifikasi menjadi data numerik. Pada kasus ini, semua data set yang digunakan adalah
data numeric. Detail pemrosesan data dapat dilihat pada gambar berikut.

Gambar 7 - Pemrosesan Ulang Data

Setelah data diproses ulang, tahap berikutnya adalah pemilihan arsitektur neural
network yang akan digunakan dalam pembangunan ANN. Pada kasus ini, arsitektur diilih
secara otomatis oleh Alyuda Neurointelligence. Software ini akan mencari arsitektur terbaik
sesuai kriteria. Pertimbangan pemilihan arsitektur adalah kecocokan angka , korelasi, serta Rsquared yang paling tinggi. Arsitektur neural network akan ditandai dengan tebal. Ilustrasi
pemilihan arsitektur terbaik untuk ANN dapat dilihat pada gambar berikut.

Gambar 8 - Pemilihan Arsitektur

Tahap keempat dari pembangunan ANN adalah traiing network dari tahap
sebelumnya. Hal tersebut bertujuan untuk menyiapkan network untuk menentukan ARF.
Pada proses ini, network yang telah dipilih dilatih dengan iterasi sampai eror dan validasi eror
mencapai nilai minimum. Pada penelitian ini, penulis menentukan validasi eror dan training
adalah 0.01. selain itu, tahap keempat pembangunan ANN juga dapat mengetahui parameter
yang paling berpengaruh terhadap nilai ARF. Untuk lebih detail dapat dilihat pada gambar
dan tabel berikut.

Gambar 9 Network Training

Tabel 4 - Tingkat pengaruh parameter

Input column name

Importance, %

por

24.67

k (md)

6.14

injection rate (ft3/day)

24.64

injection time (days)

1.75

soaking time (days)

0.01

oil sat

20.77

h (ft)

21.64

Surfactant
Concentration

0.39

Tahap berikutnya adalah mengecek nilai Absolute Error (AE) dan Absolute Relative
Error (ARE). Nilai tersebut merepresentasikan perbedaan antara nilai sebenarnya (hasil
simulasi) dan nilai output (hasil ANN). Jika hasil menunjukkan network yang dipilih tidak
cukup baik (dilihat dari nilai korelasi dan R-squeared), network dapat dipilih ulang dengan
mengubah training, validasi, dan pengujian data. Tahap ini terus diulang sampai ARE dan AE
menyentuh nilai terkecil. ARE dan AE dapat dihitung menggunakan persamaan:
|
|

|(1)
|

(2)

Untuk lebih deail, ilustrasi tahap ini dapat dilihat pada gambar berikut,.

Gambar 10 Pengujian Network

Hasil dan Diskusi


Proses simulasi telah dilakukan dengan 499 kasus. Proses simulasi dibagi menjadi 2
jenis kasus, yaitu kasus injeksi huff n puff dan tanpa injeksi huff n puff (natural depletion).
Setiap kasus disimulasikan dengan mengganti nilai 8 parameter yang sebelumnya telah
disebutkan. Gambar dibawah ini menunjukkan perbandingan produksi kumulatif minyak
antara kasus injeksi huff n puff dan tanpa injeksi huff n puff.

Gambar 11 - Cumulative Oil Production Natural Depletion Case

Gambar 12 - Cumulative Oil Production with Surfactant Huff n Puff Case

Seperti yang ditunjukkan pada gambar diatas, injeksi huff n puff surfaktan dapat
meningkatkan produksi minyak. Produksi kumulatif minyak tambahan ini disebut dengan
Additional Recovery Factor (ARF). ARF akan menjadi indikator yang representasikan
keefektifan injeksi huff n puff surfaktan. Nilai ARF lebih dari 1, mengindikasikan bahwa
produksi minyak kumulatif menggunakan huff n puff surfaktan lebih besar dari natural
depletion. Hal ini membuktikan bahwa huff n puff surfaktan lebih efektif ddalam
meningkatkan produksi kumulatif minyak.
Setelah semua data dari simulasi dikumpulkan, langkah selanjutnya adalah membuat
Artificial Neural Network menggunakan Alyuda Neurointelligence. Dari 499 data, 57 data
ditolak karena terdapat masalah anomali data dan tidak termasuk dalam pembuatan Artificial
Neural Network. Beberapa arsitektur Artificial Neural Network dibuat dan dipilih
menggunakan software trial dan error. Proses pemilihan dilakukan berulangkali untuk
memilih jaringan yang paling baik dan sistem yang memiliki nilai eror paling sedikit, dan
juga memiliki korelasi dan nilai R-squared mendekati 1.

Setelah beberapa kali melakukan trial dan error, merubah masukan set data, merubah
arsitektur jaringan, diperoleh arsitektur artificial neural network 8-5-6-1. Artificial neural
network yang dipilih memiliki nila rata-rata AE 0,010236 dan rata-rata ARE 0,63%. Gambar
dibawah menunjukkan arsitektur jaringan yang telah dipilih.

Gambar 13 - Selected Network Architecture

Parameter-parameter yang dapat menjadi indikator validasi artificial neural network


adalah korelasi dan nilai R-squared. Dari proses pengujian, nilai korelasi adalah 0,997421
dan nilai R-squared

adalah 0,994772, yang memiliki keakuratan yang tinggi. Urutan

parameter yang mempengaruhi dalam penentuan ARF adalah porositas, laju injeksi, net
thickness, saturasi minyak, permeabilitas, waktu injeksi, konsentrasi surfaktan dan soaking
time.

Kesimpulan
1. Metode Huff n Puff surfaktan dapat diaplikasikan untuk meningkatkan produksi
minyak sebagai Enhanced Oil Recovery (EOR). Direpresentasikan dengan nilai ARF
yang selalu lebih besar dari 1 pada simulasi ini.
2. Sebuah Artificial Neural Network untuk menentukan ARF metode injeksi surfaktan
huff n puff dibuat dengan tingkat akurasi yang tinggi. Nilai yield korelasi adalah
0,997421 dan nilai R-squared adalah 0,994772
3. Urutan parameter yang mempengaruhi metode injeksi surfaktan huffn puff antara
lain : porositas (21,67%), laju injeks (24,64%), net thickness (21,64%), saturasi

minyak (20,77%), permeabilitas (6,14%), waktu injeksi (1,75%), konsentrasi


surfaktan (0,39%) dan soaking time (0,01%)

Saran
1. Memperbesar lingkup data yang digunakan untuk input parameter, sehinggan sistem
akan valid untuk lingkup data yang lebih besar.
2. Membuat analisis ekonomi untuk mengetahui efektivitas huff n puff sehingga dapat
di aplikasikan pada sumur minyak
3. Membuat sebuah ANFIS menggunakan MATLAB untuk membandingkan nilai
dengan final project ANN.
4. Menambahkan parameter sensitivity lain yang mempengaruhi surfaktan huff n puff,
Tegangan antar muka, menuju studi selanjutnya

Nomenlacture
ARF

= Additional Recovery Factor, dimensionless

= Porosity, fraction

kh

= Horizontal Permeability, mD

kv

= Vertical Permeability, mD

= Net Thickness, ft

So

= Oil Saturation, fraction

Bo

= Formation Volume Factor, RBbl/STB

Cw

= Water Compressibility, 1/psi

Co

= Oil Compressibility, 1/psi

BHP

= Bottom Hole Pressure, psia

AE

= Absolute Error, dimensionless

ARE

= Absolute Relative Error, %

Referensi
1.

Nur Hasan, Wahyuda, 2013. Additional Recovery Factor Determination of Surfactant


Huff N Puff Method Using Artificial Neural Network (ANN) : Final Project
Petroleum Engineering Department, Bandung Institute of Technology.

2.

Romadhona, Muhammad, 2013. A Study to Formulate Screening Criteria and

Predictive model of Newly Applied EOR Method in Indonesia: Surfactant Huff n


Puff method: Final Project Petroleum Engineering Department, Bandung Institute of
Technology.
3.

Wagner, O., and Leach, R., 1996. Effect of Interfacial Tension on Displacement
Efficiency: Old SPE Journal, 6, 335-344.

4.

Taber, J.J., Kirby, J.C., and Schroeder, F.U., 1973. Studies on The Displacement of
residual Oil Viscosity and Permeability Effect: Am. Inst. Chem. Eng., Symp. Ser,
69(127), 53-56.

5.

Mohaghegh, Shahab., Arefi, Reza., and Ameri, Samuel., 1994. A Methodological


Approach for Reservoir Heterogeneity Characterization Using Artificial Neural
Network: SPE Conference Paper 28394-MS.

6.

Cai, Yudong, 1994. The Artificial Neural Network For Research of the Recovery
Ratio of Oil Fields: SEG Conference Paper 1994-0791.

7.

Wang, Y., Bai, B., Gao, H., He, L., and Zhao, F., 2008.Enhanced Oil Production
through a Combined Application of Gel Treatment and Surfactant Huff n Puff
Technology: SPE International Symposium and Exhibition on Formation Damage
Control held in Lafayette, Lousiana, U.S.A.

8.

http://www.peeri.org/industrial/surfactant.htm.

9.

Santoso, Ade Anggi Naluriawan, 2013. Penentuan Waktu Dewatering Pada Sumur
Coalbed Methane (CBM) Jenis Vertical Well Sebagai Fungsi Sifat-Sifat Reservoir Dan
Batubara Dengan Menggunakan Artificial Neural Network: Tugas Akhir Departemen
Teknik Perminyakan, Institut Teknologi Bandung.