com
SPE 95456
simulasi dibandingkan dengan 4 6 × 38 = 26.873.856 berjalan penuh simulasi yang tidak optimal
antara parameter dan respons; ini dibandingkan dengan kinerja yang diprediksi menggunakan analisis ketidakpastian
• Perkirakan nilai informasi untuk memfokuskan sumber daya pada seperti CCD dan Box-Behnken mungkin memerlukan proses
pengurangan ketidakpastian dalam faktor-faktor yang paling signifikan akan sebanyak dua tingkat desain faktorial penuh jika ada lebih dari
mengurangi ketidakpastian dan membantu optimalisasi faktor-faktor sekitar 5 faktor Desain penyaringan Plackett-Burman harus
rekayasa digunakan hanya jika situasi pembaur diketahui (atau dapat
dianggap tidak penting ).
Merancang dan Menganalisis Studi Reservoir Masalah desain lainnya adalah memilih desain jenuh,
Desain eksperimental dan model respons menggunakan interpolasi
yang menghitung n koefisien regresi dari n berjalan. Garpu
untuk meminimalkan jumlah simulasi yang diperlukan untuk tingkat k
akurasi dan inferensi tertentu. Dengan menggunakan hasil simulasi,
faktor dan Q interaksi Q , ada n =1 + k + q
interpolasi memprediksi kombinasi tanggapan untuk faktor 2
reservoir tidak disimulasikan. koefisien yang akan diestimasi. Secara umum, desain jenuh
Kombinasi faktor yang disimulasikan harus terpilih sulit didapat dari desain CCD dan Box-Behnken.
untuk mengisi ruang multidimensi. Tugas kritis memilih
kombinasi faktor disebut desain eksperimen atau Array Ortogonal. Array ortogonal menawarkan pendekatan
desain eksperimental. alternatif. Array ortogonal adalah bentuk umum dari sampling
hypercube Latin.23 Array ortogonal berbagi properti tertentu yang
Desain eksperimental. Serangkaian eksperimen dan kombinasi faktor diinginkan dengan hypercubes Latin sambil memungkinkan
yang terkait disebut desain. Idealnya, desain harus mencakup ruang properti statistik tambahan yang diinginkan untuk
faktor sepenuhnya dengan kemungkinan berjalan sesedikit mungkin; diimplementasikan. Yang paling penting adalah bahwa di bawah
desain yang baik juga akan menyederhanakan perhitungan model model tertentu mereka secara universal optimal untuk estimasi
respon. beberapa atau semua efek yang muncul dalam model.
Desain klasik dari statistik eksperimental bersifat ortogonal dan Array ortogonal (OA) adalah struktur kombinatorial yang
dapat diputar.6 Desain tersebut dimaksudkan untuk memperoleh memiliki bilangan bulat non-negatif sebagai elemen. Sejak
diperkenalkan, matriks desain ini telah banyak digunakan dalam
model dan sensitivitas perkiraan. Di sisi lain, Monte Carlo dan metode
statistik, terutama untuk desain eksperimental.24
terkait adalah metode pengambilan sampel (juga disebut desain dalam
literatur karena mereka juga merupakan kumpulan eksperimen); Array ortogonal adalah n×k kumpulan elemen dalam n
mereka dimaksudkan untuk memperkirakan statistik respons daripada baris dan k kolom di mana Sayath kolom memiliki SSaya tingkat. NS
memodelkan respons.7
n×k array memiliki semua set T kolom dengan jumlah baris
Dalam aplikasi statistik, desain faktorial dua tingkat klasik atau yang sama dengan permutasi elemen yang sama. Sifat desain
ruang yang mengisi hypercube Latin11 desain (metode pengambilan mirip dengan desain faktorial fraksional, yang menunjukkan
sampel yang dapat digunakan sebagai desain untuk kriging) sering bahwa desain OA adalah desain faktorial fraksional; misalnya,
digunakan. Untuk memperkirakan respons reservoir minyak dan gas desain Plaket-Burman adalah OA. Sebuah OA dicampur jika
nonlinier secara akurat, desain harus mempertimbangkan faktor pada tingkat faktor yang berbeda (atau kolom) berbeda. Makalah ini
lebih dari dua tingkat, bukan hanya nilai tinggi dan rendah seperti
menggunakan notasi OA dari Hedayatdkk.24
dalam desain faktorial dua tingkat.12 Desain tingkat tinggi dapat Untuk desain campuran notasi diikuti
menghubungkan respons dan faktor secara lebih akurat dengan isOA (n, k , s k1 S k2 K S k3 ), di mana k = k1 + k 2 +K + k Q .
menggunakan efek tingkat tinggi dalam regresi polinomial. Namun,
Di Sini, n harus sama denganλ ST di mana λ disebut indeks array
desain bertingkat meningkatkan beban komputasi karena
ortogonal. Array kekuatant >2 membutuhkan ukuran sedang n dan
membutuhkan lebih banyak simulasi; ini sangat penting jika banyak
karenanya tampaknya kurang praktis saat ini tetapi desain
faktor yang dipertimbangkan.
kekuatan yang lebih tinggi menghasilkan model yang lebih baik.
Alternatif untuk desain faktorial penuh multilevel
Kekuatan terkait dengan resolusi dan sifat proyeksi desain24.
mencakup faktorial parsial dan variasi jumlah level yang
Kekuatan sama dengan resolusi dikurangi satu. Kekuatan yang
digunakan per faktor (desain level campuran). Sayangnya,
lebih tinggi berarti resolusi yang lebih tinggi dan efek yang
desain faktorial parsial multilevel campuran sulit untuk
dirumuskan dan belum digunakan dalam rekayasa reservoir. membingungkan serta interpretasi yang lebih sederhana.
Array ortogonal dan array hampir ortogonal memberikan Terkadang OA yang tersedia untuk serangkaian faktor dan
properti desain yang diinginkan dan dapat menangani banyak kombinasi level dapat memiliki jumlah yang sangat besar
parameter.13, 14 Array ini menjangkau ruang desain dengan proses eksperimen. Misalnya, OA (18 , 9 , 21 3 8 , 2) mungkin
yang lebih sedikit, dapat dimanipulasi dengan mudah, dan sesuai dicari, tetapi hanya OA (36,14, 36 4 8 , 2) saat ini tersedia. Di dalam
untuk analisis eksperimen komputer. Array ortogonal tingkat beberapa kasus, untuk satu set level dan faktor tidak ada OA,
campuran juga dapat dihasilkan, dan mereka adalah desain yang misalnya, OA (36 ,14 , 3 6 4 8 , 2) . Dalam kondisi seperti itu hampir
baik untuk studi simulasi reservoir (Array Ortogonal, nanti).
orthogonal array (NOA) dapat digunakan. Misalnya, desain
NOA (36,14, 3 6 4 8 , 2 ) dan NOA (18 , 9 , 2 1 3 8 , 2) adalah
Seleksi Desain Eksperimental. Dalam eksperimen komputer yang mencakup
ruang desain sambil menyederhanakan konstruksi permukaan respons adalah mungkin. Juga, jumlah run dapat dikurangi dengan
faktor penentu untuk memilih desain. Poin desain yang direplikasi (seperti dalam
penggunaan desain yang hampir ortogonal daripada desain
OA. Dalam desain NOA, kolom tidak ortogonal, yang akan
CCD dan banyak desain Box-Behnken) tidak memberikan akurasi ekstra dalam
menyebabkan korelasi koefisien regresi. Pada penelitian ini
eksperimen komputer atau memungkinkan perkiraan kesalahan yang lebih baik.
digunakan algoritma untuk menghitung desain OA dan NOA
Desain tiga atau lima tingkat
berdasarkan optimalitas A.14
SPE 95456 3
k k k Σβ aku j xSaya x J
nanti; Lampiran 1). Tiga faktor rekayasa akan disesuaikan untuk
y = β0 +ΣβSaya xsaya + Σβx Σ
2
ii saya + mengoptimalkan kinerja reservoir, sedangkan faktor lainnya tidak
saya =1 saya =1 saya =1 j> saya
pasti. Faktor-faktor yang diperiksa terjadi pada komponen yang
Pesanan yang lebih tinggi atau urutan yang lebih rendah dari xSaya dapat diambil berbeda dari model simulasi reservoir: geometri reservoir, properti
untuk meniru respons y. Ketika mempertimbangkan orde pertama atau orde kedua reservoir, data sumur, dan kurva permeabilitas relatif.
orde model vektor koefisien β terdiri dari set parameter yang
tidak diketahui, β dapat diperkirakan dengan menjalankan Rentang faktor dipilih menggunakan distribusi
eksperimen dan mentabulasi faktor (input) dan respons probabilitas faktor. Lebih banyak level dipilih untuk faktor-faktor
(output). Set parameter dapat diperkirakan dengan analisis yang diperkirakan paling mempengaruhi respons, terutama jika
regresi. Metode kuadrat terkecil biasanya digunakan untuk faktor-faktor signifikan ini diharapkan memiliki efek nonlinier
memperkirakan koefisien regresi.16
(Tabel 1). Kemungkinan efek nonlinier yang signifikan kadang-
Kriging diperiksa sebagai teknik interpolasi untuk membangun kadang dapat disimpulkan dari pemahaman tentang fisika dasar
model respon dalam makalah ini. Kriging menggunakan kombinasi dan solusi analitis.
linear bobot pada titik yang diketahui untuk diinterpolasi, mirip dengan
rata-rata bobot jarak terbalik tetapi memperlakukan pengelompokan Model Simulasi. Model radial dengan mekanisme
atau redundansi data dengan lebih efektif.17 Kriging menggunakan penggerak air digunakan dan model terdiri dari 26 cincin
variogram (atau, setara, fungsi autokovarians atau autokorelasi).18 grid radial dan 110 lapisan tanpa variasi sudut.
Variogram atau autokorelasi mendefinisikan kontinuitas suatu faktor Untuk menangkap ketidakpastian ukuran reservoir, radius
dengan lag atau jarak pisah dalam arah tertentu. Kriging memiliki dan ketebalan divariasikan dalam model simulasi reservoir.
beberapa sifat penting: Panjang zona gas,H, dijaga konstan pada 100 kaki untuk semua
• Prediksi Kriging adalah kombinasi linear tertimbang dari simulasi (Gambar 1). Porositas, densitas, dan temperatur reservoir
pengamatan; ini membuat aplikasi berulang dari perkiraan juga konstan. Performa tubing terintegrasi dengan performa
kriged secara komputasi menjadi efisien reservoir sehingga tekanan tubing head dan diameter tubing
• Bobot titik data di sekitarnya bergantung pada seberapa dapat divariasikan dan dioptimalkan.
dekat titik data lainnya. Artinya, kriging menganggap Ketebalan total diperluas dengan meningkatkan ketebalan
redundansi. zona air. Model kedalaman reservoir adalah 5000 ft dan tidak
• Sebagian besar metode kriging mengasumsikan stasioner divariasikan. Suhu permukaan tanah adalah 60˚F dan suhu
orde kedua (harapan prediksi dan varians tidak bergantung reservoir adalah 120̊F. Porositas zona gas adalah 25 persen. Air
pada lokasi titik prediksi). yang tidak dapat direduksi, saturasi gas sisa, dan rasio
• Kriging adalah interpolator yang “tepat”; perkiraan yang permeabilitas vertikal-horizontal bervariasi dan dianggap tidak
diinterpolasi sama dengan pengamatan (tidak benar untuk pasti (Tabel 1).
polinomial tak jenuh). Properti ini diinginkan untuk Berat jenis gas adalah 0,65 tanpa komponen nonhidrokarbon.
eksperimen komputer, yang tidak memiliki kesalahan acak, Kurva permeabilitas relatif gas-air adalah untuk sistem air-basah
seperti yang ditunjukkan oleh Sacksdkk.26 dan tekanan kapiler dianggap dapat diabaikan karena kontras
yang tinggi dalam densitas gas dan air dan
4 SPE 95456
permeabilitas yang relatif tinggi dipertimbangkan dalam penelitian ini.20 faktor sangat penting, karena efek ini terjadi adalah tingkat mode,
Produksi dibatasi oleh tekanan kepala tubing yang konstan dan dan efek ini sering diabaikan (atau diwakili menggunakan kulit non-
dihentikan jika lajunya lebih rendah dari 1 MMscf/hari. Darcy yang disamakan, yang tidak memiliki efek setara pada gas
coning).20, 25
Otomatisasi. Model reservoir dibangun untuk setiap titik desain. R 2 untuk model ini ditunjukkan pada Tabel 2 tinggi tetapi
Setiap baris dalam array desain memilikik kolom (untuk k karena derajat kebebasannya kecil untuk model (jumlah
parameter) dan dapat digunakan untuk menyiapkan dek data
koefisien yang ditafsirkan tinggi) R2 menyesuaikan \tidak terlalu tinggi. Dalam
menggunakan skrip.21 Perangkat lunak atau bahasa utilitas apa pun
yang menangani string secara efisien dapat digunakan. Program penelitian, model cocok dengan derajat kebebasan yang rendah; ini
membuat dek data dan file "termasuk" yang sesuai dengann poin mungkin itu R2 adj akan menjadi kecil. Tapi regresi
desain. Variabel berkode dalam array desain diubah skalanya menjadi
koefisien dan F menunjukkan kesesuaian yang baik.
parameter dengan unit yang dibaca oleh simulator (Faktor yang
Dipertimbangkan, lebih awal). Simulator komersial digunakan.22
Menghasilkan Permukaan Kriging. Interpolasi juga dilakukan dengan
Setelah file data disiapkan; model dijalankan menggunakan file batch.
menggunakan simple kriging. Membiarkanx = (x1 ….x36)T menunjukkan vektor
Tanggapan seperti faktor pemulihan atau waktu terobosan diekstraksi
input dan kamu menunjukkan respon (pemulihan gas). Kemudian
dari file ringkasan.
y (x ) = F (x )+ z (x )
di mana F(x) diasumsikan konstan dan z(x) adalah acak
Pembangunan Model Respon dan Studi Sensitivitas
fungsi dengan mean nol, varians2 z dan korelasi R(xSaya, xJ)
Kompleksitas respon pemulihan gas diharapkan antara dua z nilai pada vektor masukan xSaya dan xJ; ini dua k-
memerlukan model regresi orde kedua: vektor dimensi pada titik yang berbeda Saya dan J.26 Di sini,
k =14 k =14 k =14Σ β aku j xSaya x ji = bentuk asumsi dari fungsi korelasi R(xSaya, xJ) adalah
Σ Σ Σ
2
kamu
= β0 + β Saya xSaya + βx+
(x - )
( ) 2
36
aku aku aku
Σ x
J Saya
saya =1 saya =1 1 j > saya R x Saya
, x = exp - k =1 θk k kJ
Model ini termasuk satu istilah efek rata-rata, empat belas utama
efek untuk empat belas variabel, empat belas istilah kuadrat untuk di mana θ adalah k-vektor rentang korelogram eksponensial, dan
empat belas suku dan 91 (k (k - 1) 2) istilah interaksi. NS xSaya k dan
x J adalah
k kth komponen titik sampel xSaya dan
Desain faktorial dua tingkat penuh untuk empat belas faktor akan xJ. Karena jumlah run yang sedikit (N = 36) dan dimensi
memiliki 214 (16.384) berjalan. Desain yang digunakan disini adalah desain
masalah yang tinggi (k = 14) , isotropik sederhana
campuran dengan tiga (delapan faktor) dan empat (enam faktor) tingkat
faktor. Faktorial penuh untuk desain seperti itu akan lebih mahal model (θsaya = ,∀Saya) dianggap. Sacks dan Welch5 membuat sebuah
dengan jumlah run yang dipasang ke 3 8 × 4 6 = 26.873.856 lari. asumsi serupa. isotropikθ diperkirakan oleh
Bahkan faktorial fraksional harus difraksinasi untuk mengurangi meminimalkan perbedaan antara yang diprediksi dan yang diperkirakan
run. Fraksinasi ad hoc dapat membuat pengganggu yang R(xSaya, xJ) menggunakan kemungkinan maksimum untuk semua perbedaan
kompleks dan sifat desain yang tidak diinginkan. Array ortogonal faktor (yaitu, pasangan titik dalam desain)27, 28. Dari model yang dipasang,
prediktor tak bias linier terbaik dapat dibangun dengan:29
dan array hampir ortogonal dapat membagi desain
kontrol dari presisi dan ketangguhan. A ∧ ∧ ∧
+ R T ( x R) -1 kamu
dengan
y=β - β 10
) dipilih untuk masalah saat ini.
0
NOA (36,14, 3 6 4 8 , 2
Karena desain NOA yang dipertimbangkan di sini memiliki 36 di mana r(x) adalah n x 1 vektor korelasi dengan titik yang tidak
run, derajat kebebasan akan memungkinkan kita hanya diketahui Saya dan poin desain yang diberikan oleh R(xSaya, x). Radalah
memperkirakan 36 suku dalam model respons. Efek utama dan
matriks korelasi dari titik-titik desain dan ∧ β 0 adalah yang paling sedikit
istilah kuadrat dianggap menghasilkan permukaan regresi;
interaksi dua suku dan lebih tinggi akan dikacaukan dengan perkiraan kuadrat dari β0 (Gambar 3). Meneliti ketergantungan
koefisien yang diperkirakan. pemulihan pada permeabilitas absolut dan saturasi air bawaan,
karena saturasi air bawaan meningkat, pemulihan akan rendah,
Permukaan Regresi Polinomial. Regresi linier berganda seperti yang diharapkan. Namun, efeknya adalahbukan linier
cocok dengan model permukaan respons untuk empat belas sebagai analisis volumetrik sederhana akan menyiratkan. Selain itu,
faktor dan berbagai respons. Transformasi skor normal dari perubahan kecekungan sepanjang Sw sumbu menunjukkan bahwa metode
respons meningkatkan kecocokan. Efek utama dan efek kriging dapat menghasilkan bentuk permukaan yang model kuadrat
kuadrat diperoleh (29 koefisien regresi). tidak bisa. Selain itu, kesalahan pemasangan pada semua data sampel
Model orde kedua turunan yang tidak memiliki istilah identik dengan nol, yang masuk akal untuk serangkaian eksperimen
interaksi untuk faktor pemulihan ditunjukkan pada Lampiran komputer.
1. Koefisien faktor menentukan signifikansi faktor tersebut
karena faktor tersebut diskalakan. Permukaan respon Perbandingan Model Regresi. Model polinomial dan kriging untuk
memberikan sensitivitas faktor (Gambar 2). Semakin curam pemulihan gas dievaluasi menggunakan bootstrap dan jackknifing,
permukaannya, semakin sensitif faktor yang sesuai dengan masing-masing19. Metode ini memperkirakan kesalahan standar untuk
respons. Koefisien kuadrat lebih kecil dibandingkan rata-rata sederhana. Di sini, contoh bootstrap dari
dengan koefisien efek utama. Untuk pemulihan gas faktor 10.000 residu model polinomial menghasilkan estimasi kesalahan
yang paling penting adalah permeabilitas, saturasi air awal, standar 0,038. Jackknifing model kriging dari pemulihan gas
dan faktor koreksi non-Darcy. Pentingnya non-Darcy memperkirakan kesalahan standar model ini 0,142.
SPE 95456 5
Kesalahan standar untuk polinomial lebih kecil daripada tekanan, diameter tubing, dan panjang penyelesaian). Permukaan
model kriged. Ini menyiratkan bahwa model polinomial lebih respons yang dihasilkan oleh NOA dengan 108 run mengandung
baik untuk analisis sensitivitas dan optimasi. Hasil ini antara efek desain 72 run ditambah interaksi faktor-faktor yang
lain karena koefisien bilangan yang digunakan untuk kriging mendominasi seperti yang ditentukan dari sebelumnya, desain
lebih kecil daripada model polinomial, terutama dengan yang lebih kecil (ukuran akuifer, saturasi air bawaan, dan
asumsi isotropi pada empat belas dimensi. Penggunaan model permeabilitas relatif air).
korelasi anisotropik yang lebih rinci dapat meningkatkan hasil Model respons dari semua desain memprediksi
kriging. perolehan gas rata-rata yang serupa (Tabel 3, Gambar 4).
Perkiraan varians desain 36-run kurang dari estimasi varians 108-
Ketidakpastian Respon Reservoir run, desain tetapi rata-rata semua desain secara statistik tidak
Ketidakpastian faktor mempengaruhi keandalan fungsi respon dapat dibedakan pada tingkat kepercayaan 0,05 dalam pemulihan
dan proses optimasi dalam simulasi reservoir. Analisis gas rata-rata. Namun, perbedaan dalam standar deviasi
ketidakpastian memperkirakan respon rata-rata dan standar menunjukkan bahwa ekstrem diperkirakan jauh berbeda,
deviasi. Ketidakpastian dapat disebabkan oleh31
terutama antara 36 titik dan desain sampel yang lebih padat.
• kesalahan pengukuran dalam faktor-faktor seperti permeabilitas dan Karena estimasi risiko merupakan penggunaan penting dari
permeabilitas relatif pemodelan reservoir, beberapa pemeriksaan konvergensi harus
• kesalahan upscaling dalam memperkirakan properti efektif dilakukan untuk model respon, seperti halnya Monte Carlo
• memperkirakan properti reservoir di lokasi reservoir yang bias konvensional memerlukan tes konvergensi.
dan sangat sedikit
• aproksimasi dan penyederhanaan dalam bangunan model Hasil Tes Konvergensi Quasi-Monte Carlo. Eksperimen
numerik membandingkan rata-rata sampel, simpangan
Kekokohan Estimasi Ketidakpastian. Penilaian ketidakpastian baku, dan kemiringan dari sampel independen Monte
dalam suatu model sering dilakukan dengan menggunakan Carlo, LHS, dan HSS dengan 5, 10, 50, 100, 500, dan
simulasi Monte Carlo. Analisis ini menerjemahkan ketidakpastian 1000 run. HSS dan LHS dibandingkan dengan Monte
yang ditentukan dalam faktor menjadi ketidakpastian dalam Carlo untuk distribusi yang berbeda termasuk distribusi
respons dengan berbagai faktor dan respons komputasi secara seragam, segitiga, normal, log-normal, dan beta. Pada
acak. Skema pengambilan sampel Quasi-Monte Carlo seperti Gambar 5, distribusi input adalah distribusi beta dan
urutan Hammersley (HSS) dan Latin hypercubes (LHS) mengurangi properti yang diperhatikan adalah varians. LHS dan HSS
ukuran sampel yang diperlukan sambil mempertahankan banyak mencapai karakteristik yang dibutuhkan dalam putaran
sifat yang diinginkan dari simulasi Monte Carlo.10 Analisis Monte yang lebih sedikit daripada Monte Carlo. Karakteristik
Carlo dengan simulasi aliran skala halus akan sangat mahal, penting lainnya adalah bahwa ketika jumlah run
karena jumlah sampel Monte Carlo yang dibutuhkan sekitar 104 ke meningkat, HSS dan LHS konvergen ke nilai aktual
105 untuk masalah yang cukup kompleks.1 secara monoton, tetapi di Monte Carlo properti yang
Untuk simulasi stokastik masalah reservoir gas saat ini diestimasi berosilasi di sekitar nilai yang diharapkan,
menggunakan urutan Hammersley sebesar 1.000 realisasi. sehingga sulit untuk mendeteksi konvergensi. Untuk
Simulasi kuasi-Monte Carlo menggunakan permukaan respons kasus dengan hanya 30 atau 50 titik sampel,
dari desain NOA. Faktor-faktor yang tidak pasti diambil dari
distribusi probabilitas yang ditentukan; distribusi faktor dapat Hypercube Latin sangat efisien dalam mengisi ruang satu
diperkirakan dengan menggunakan data historis dan analog dan dimensi tetapi deret Hammersley menggunakan perbedaan
pengetahuan tentang fisika yang mengendalikan faktor tersebut dalam penempatan n poin di k-hypercube dimensi secara
(misalnya, proses pengendapan dan digenetik yang efisien. Properti multi-dimensi sangat penting dan kumpulan
mengendalikan permeabilitas). Distribusi yang disimpulkan poin Hammersley mengisi hyperspace tidak seperti Monte
mungkin seragam, normal, lognormal, dan segitiga. Carlo dan hypercube Latin. Kalgnanam dan Diwekar10
Simulasi ini mengungkapkan berbagai kemungkinan hasil memberikan perbandingan kinerja sampling HSS dengan LHS
untuk respon (di sini, pemulihan gas) dan kemungkinan dan Monte Carlo. Ditemukan bahwa teknik HSS setidaknya
terjadinya. 3-100 kali lebih cepat daripada teknik LHS dan Monte Carlo.
menghasilkan permukaan respons untuk optimasi dibenarkan dengan meningkat, kumpulan data sampel harus lebih padat. Untuk masalah yang
membandingkan optima yang diperoleh dengan 36, 72, dan 108-run desain memakan waktu, lebih baik menggunakan sampel yang lebih sedikit. Untuk
NOA. desain, polinomial orde kedua memiliki k = (n + 1 )(n + 2) / 2
koefisien untuk memperkirakan dan jumlah percobaan harus
Perumusan Fungsi Tujuan. Optimalisasi pemulihan gas di setidaknya k. raksasa dkk.,32, 33 menemukan bahwa untuk regresi yang
bawah ketidakpastian memaksimalkan nilai yang diharapkan
cukup akurat, pedoman empiris yang berguna adalah sekitar 1,5k
dari respons ini dengan mengubah faktor rekayasa c, c∈x .21
berjalan untuk 5-10 variabel, 3k berjalan untuk 10-20 variabel, dan 4,5k
kepadatan probabilitas dari faktor-faktor yang tidak pasti. Formulasi ini Desain tertentu untuk jumlah putaran yang sama dapat dipilih
menggunakan D-Optimalitas atau kriteria lainnya.15 Sekumpulan dari
(Persamaan 1) mengakui bahwa sifat reservoir seperti: kv / kH
titik yang memaksimalkan x T X , adalah himpunan titik yang
jarang tepat; dengan merata-ratakan semua faktor yang tidak
pasti, ini memasukkan ketidakpastian ke dalam fungsi tujuan dan meminimalkan varians prediksi maksimum dan juga himpunan
mencakup nonlinier dalam semua hubungan faktor-respons. Ini titik yang meminimalkan varians dari parameter yang
juga dapat mengatur permukaan objektif dan menghilangkan diestimasi.
ekstrem lokal yang tidak berarti.
Analisis Ketidakpastian.Pengambilan sampel untuk
Metode dan Hasil Optimasi. Jika Persamaan 1 diselesaikan penilaian ketidakpastian membutuhkan jumlah model yang
secara analitis, -F (C ) adalah persamaan orde dua tanpa cukup besar berjalan dengan masukan sampel secara acak.
Analisis risiko stokastik membutuhkan ribuan simulasi,
interaksi karena tidak ada istilah interaksi yang dinilai dalam
terutama jika ada banyak variabel yang tidak pasti dan
36 desain NOA. Faktor yang tidak pasti mempengaruhi tujuan
distribusi respons yang akurat diperlukan. Untuk sistem
fungsi -F jika faktor-faktor yang tidak pasti berinteraksi dengan yang kompleks, biaya menjalankan begitu banyak simulasi
faktor-faktor rekayasa. Karena efek kuadrat diperkirakan dalam bisa sangat mahal. Tetapi model harus menilai berbagai
-F untuk permukaan respons ini adalah a
desain 36-lari, kemungkinan situasi; asumsi data yang salah dapat
parabola di luar angkasa C, dan mungkin memiliki optimum dalam menyebabkan keputusan yang buruk dan dapat berakibat
ruang faktor (tidak mungkin untuk model linier). Dalam studi ini, serius. Metode Monte Carlo yang dimodifikasi yang
F diperoleh dengan mengintegrasikan numerik F atas yang tidak pasti
- ditunjukkan pada bagian di atas, Latin Hypercube Sampling
(LHS) menggunakan pengambilan sampel bertingkat untuk
ruang faktor menggunakan sampel Hammersley dan optimasi mengurangi jumlah run yang diperlukan. Urutan
faktor teknik menggunakan regresi nonlinier. Hammersley adalah alternatif deterministik yang efisien
Optima dari 36 run dan 108 run mendekati ketiga faktor untuk Monte Carlo yang benar dan acak.
tersebut tetapi 72 run menyimpang dari kedua model. Semua Urutan Hammersley memiliki sifat dispersi yang lebih baik tetapi
desain memiliki optima di sekitar panjang penyelesaian penuh, jumlah titik yang akan dihasilkan harus ditentukan secara apriori.
diameter tabung rata-rata sekitar 2 inci, dan tekanan kepala Urutan perbedaan rendah (quasirandom) digunakan dalam integrasi
tabung rendah. Hasilnya dapat dianalisis lebih lanjut numerik, simulasi dan optimasi. Mereka seperti bilangan acak
menggunakan desain lain dengan faktor teknik dan beberapa terdistribusi seragam tanpa kemandirian statistik, dan dirancang untuk
faktor ketidakpastian penting (ukuran akuifer, saturasi air bawaan, memberikan lebih banyak keseragaman dalam ruang multidimensi.
dan permeabilitas relatif air) di wilayah yang optimal. Rentang Oleh karena itu, mereka seringkali lebih efisien daripada bilangan acak
awal yang tinggi untuk faktor-faktor yang dipilih untuk penelitian dalam metode Monte Carlo multidimensi atau metode Monte Carlo
ini dan sejumlah faktor membuat hampir tidak mungkin bagi yang dimodifikasi. Sifat menarik lainnya dari HSS adalah bahwa korelasi
desain untuk secara tepat menemukan optima kecuali kisaran yang dibangun antara kolom mendekati nol tetapi dalam bahasa Latin
tersebut secara adaptif disempurnakan di sekitar yang optimal. hypercubes korelasi yang signifikan biasanya ada di antara kolom,
menurunkan efisiensi pengambilan sampel dan membuat pemodelan
Diskusi yang benar dari faktor berkorelasi menjadi lebih sulit.30 Akibatnya,
metode pengambilan sampel Hammersley dapat menjangkau k-ruang
Kinerja desain atau teknik pengambilan sampel tergantung pada dimensi dengan sampel yang relatif kecil tetapi masih representatif
ukuran sampel. Semakin besar sampel, semakin akurat model untuk pengambilan sampel, dan memudahkan pemodelan korelasi.
responsnya. Tetapi di luar beberapa ambang batas jumlah run,
akurasinya tidak meningkat secara signifikan. Pertanyaan umumnya
adalah: “Berapa banyak run yang ideal untuk kasus tertentu?”. Pemulihan Gas Kumulatif yang Optimal. Hasil optimasi pemulihan
Jawabannya tergantung pada seberapa kompleks sistemnya dan gas menunjukkan bahwa permukaan respons yang dihasilkan oleh
seberapa mahal biayanya. Sebagai kompleksitas sistem NOA 36-run adalah desain yang efisien untuk optimasi, karena
SPE 95456 7
estimasi optimum dengan desain ini sangat mendekati hasil untuk masing-masing menjadi 20 sen/bbl dan 10 persen. Harga gas adalah
NOA dengan 108 run. Hasil optimasi pemulihan gas ini menunjukkan $4/MCF. Inflasi tahunan dalam pengolahan gas dan air diasumsikan
bahwa sumur gas dengan sifat reservoir kerucut dan tidak pasti harus tiga persen. Biaya tubing dimasukkan dalam NPV, tetapi biaya tubing
memiliki penyelesaian melalui seluruh zona pembayaran dan tekanan saja untuk kedalaman subjek tidak secara signifikan mempengaruhi
kepala tabung dijaga serendah mungkin untuk menghasilkan gas keputusan karena biayanya kecil (kurang dari 0,1%) dibandingkan
sebanyak mungkin untuk pemulihan gas yang lebih tinggi (bukan dengan pendapatan. Namun, mengingat ketergantungan biaya
untuk NPV optimum, dibahas di bagian berikutnya). pengeboran dan penyelesaian untuk lubang sumur berdiameter lebih
Tekanan kepala tubing diskalakan ke reservoir awal besar kemungkinan akan mempengaruhi optimalisasi NPV. Plot garis
tekanan, sehingga nilai optimum adalah fungsi dari PSaya. Batas fungsi tujuan dan diameter tubing ditunjukkan pada Gambar 12.
untuk tekanan kepala bisa berupa pembatasan fasilitas dan pasir Demikian pula, kompresi membutuhkan investasi dan biaya bahan
produksi. Karena ini bukan input untuk simulasi, batas rentang bakar kompresi dapat mempengaruhi
harus dipilih dengan hati-hati untuk memodelkan efek tersebut. perkiraan faktor optimal, terutama Ptf. Pengaruh tekanan tubing head
Diameter tabung yang lebih tinggi dioptimalkan untuk diameter di terhadap fungsi objektif pada gambar 11 menunjukkan bahwa
mana pemulihan akan tinggi. Diameter yang lebih tinggi tekanan kepala tabung terendah lebih disukai (tinggi Ptf,D berarti rendah
memberikan masalah pemuatan terutama di bawah perambahan Ptf) untuk NPV yang lebih tinggi (juga untuk pemulihan gas) tetapi
air dan diameter yang lebih rendah mungkin memberikan kendala produksi praktis seperti produksi pasir dan kompresi
pemulihan yang lebih rendah. Hasilnya berbeda jika biaya biaya membatasi tekanan kepala tabung yang lebih rendah.
penanganan air, kompresi, dan tubing dimasukkan dalam fungsi Tekanan dan permeabilitas tidak memiliki efek kuadrat pada
tujuan (Optimasi NPV, di bawah). respon NPV (Gambar 6) tidak seperti respon pemulihan gas (Gambar 2,
Distribusi faktor juga mempengaruhi optimasi dan 3). Tanggapan yang berbeda sensitif terhadap faktor yang berbeda;
analisis ketidakpastian secara signifikan. Model distribusi fakta ini memperumit analisis sensitivitas. Faktor-faktor yang
yang masuk akal sangat penting untuk hasil yang berarti. mengendalikan NPV adalah permeabilitas, bentuk kurva permeabilitas
Misalnya, evaluasi ketidakpastian alternatif menggunakan relatif, dan titik akhir permeabilitas relatif. Dukungan akuifer
semua distribusi faktor yang digeser ke kiri (menggunakan meningkatkan NPV tetapi mobilitas air yang sangat tinggi dapat
distribusi segitiga). Menggunakan permukaan respons menghambat nilai reservoir (bentuk pelana pada Gambar
yang dihasilkan oleh 108 run NOA dan pengambilan 7). Nilai rata-rata cadangan adalah 94 MM$ dan standar deviasi
sampel ulang dari distribusi faktor ini, ketidakpastian dan adalah 22 MM$ (Gambar 8).
hasil optimasi berubah. Cadangan rata-rata meningkat dari Pemulihan gas dan NPV berkorelasi ( = 0,77 ; Gambar 9).
41 persen menjadi 52 persen dan standar deviasi Namun, untuk pemulihan gas tertentu ada banyak kemungkinan nilai
meningkat dari 17,7 menjadi 26,9. Diameter tabung NPV. 36 titik desain yang digunakan untuk mendapatkan permukaan
optimal berubah dari 2 inci menjadi 2,3 inci (dua faktor lain respons juga ditunjukkan pada gambar 9. Untuk pemulihan gas rata-
yang dapat dikontrol memiliki optimal yang sama seperti rata 45 persen (gas di tempat,G, konstan untuk semua model), NPV
sebelumnya). Analisis efek distribusi faktor tersebut dapat rata-rata 90 MM$ dengan standar deviasi 15 MM$. Penyebaran pada
digunakan untuk membenarkan sumber daya untuk data Gambar 9 juga menyiratkan bahwa peringkat model dalam NPV tidak
tambahan. Sebagai contoh, akan sama dengan pemulihan gas; itu
adalah, praktik umum penamaan model sebagai "the" P10 model
Optimasi NPV. Dalam pengembangan gas dan minyak, faktor mungkin menyesatkan jika lebih dari satu tanggapan dipertimbangkan.
ekonomi seperti discount factor dan harga gas memiliki pengaruh Faktor rekayasa optimum ditunjukkan pada Tabel 5. Panjang
yang signifikan terhadap kelangsungan proyek. Faktor-faktor ini penyelesaian berbeda dari optimum yang diberikan pada Tabel 4 di mana
menentukan tingkat pengembalian investasi dan juga pemulihan gas kumulatif dioptimalkan. Tekanan kepala tabung yang
memberikan strategi penipisan cadangan. Faktor ekonomi harus optimal tidak berubah dan diameter tabung sedikit berubah. Panjang
dipertimbangkan yang mengoptimalkan parameter produksi dan penyelesaian yang lebih rendah menurunkan tingkat gas tetapi
lebih penting daripada pemulihan gas kumulatif adalah nilai menurunkan produksi air dan dengan demikian biaya pembuangan.
sekarang bersih (NPV) yang harus dioptimalkan. Biaya tabung, Analisis optimasi lebih lanjut dapat mencakup desain yang
biaya pembuangan air (Cw ), harga bensin (CG ) dan biaya disempurnakan dengan tiga faktor utama yang tidak pasti, diameter
pemompaan gas dapat mengubah kondisi operasi yang optimal. tabung mulai dari 1,5 hingga 2,5 inci, tekanan kepala dengan tinggi
Mempertimbangkan biaya pembuangan air membuat penyelesaian ((P - P P
Saya tf) / Saya ), panjang lihat
dmtn
seorang rekan pei (HP ) dari 0,5 menjadi 1.
interval penuh kurang menarik, karena mereka meningkatkan produksi air
dan dapat menurunkan NPV bahkan jika pemulihan gas lebih tinggi untuk
Kesimpulan
penyelesaian interval penuh (Gambar 10). Optimalisasi NPV memberikan
panjang penyelesaian di mana pemulihan gas tinggi Desain eksperimental membantu memeriksa perilaku
(bergantung kepada CG dan tingkat diskon) dan juga biaya untuk air reservoir jika dipengaruhi oleh banyak faktor dalam rentang
yang luas. Rentang faktor, tingkat faktor, dan jumlah proses
pengobatan rendah (tergantung pada Cw dan tingkat diskon). Demikian
dipilih tergantung pada kompleksitas model dan sifat
pula, biaya tubing, yang merupakan fungsi dari panjang dan diameter
ketergantungan antara faktor dan respons.
tabung, dapat mengubah optimal pada Tabel 4. Biaya tabung tidak
Ketidakpastian dapat dinilai secara efisien menggunakan
dipengaruhi oleh tingkat diskonto karena merupakan investasi
desain eksperimental. Array ortogonal dan array hampir
awal. Fungsi tujuan untuk analisis ekonomi adalah permukaan
ortogonal lebih efisien daripada faktorial penuh, hiperkubus
respon NPV yang diperoleh dengan regresi dengan NOA 36-run.
Latin, dan desain faktorial parsial lainnya. Mereka secara
Biaya pengolahan air dan tingkat diskonto tahunan diasumsikan
signifikan mengurangi jumlah lari dibandingkan dengan
8 SPE 95456
desain tradisional seperti komposit pusat dan desain Box-Behnken. Analisis 5. Sacks, J., Welch, WJ, Mitchell, TJ, Wynn, HP: "Desain dan
ketidakpastian menggunakan sampling Monte Carlo dapat ditingkatkan dan Analisis Eksperimen Komputer", Ilmu Statistik
varians yang lebih baik dan prediksi rata-rata dari tanggapan dapat (1989), 4(4), 409-435
6. Kotak, GEP, Pemburu, WG, Pemburu, JS: “Statistik untuk
diperoleh dengan menjalankan lebih sedikit menggunakan sampling
Eksperimen: Pengantar Desain, Analisis Data, dan
Hammersley. Pengambilan sampel Monte Carlo dan hypercube Latin yang
Pembuatan ModelJohn Wiley & Sons (1978)
dimodifikasi dapat menjadi efisien dengan beberapa faktor, tetapi
7. Sandor, Z., Andras, P.: “Metode Pengambilan Sampel Alternatif
Hammersley lebih baik dalam masalah dimensi tinggi. untuk Mengestimasi Probabilitas Normal Multivariat”, Jurnal
Permukaan respons menganalisis sensitivitas respons Ekonometrika (2004), 120, 2, 207-234
produksi terhadap variasi faktor. Model polinomial klasik atau 8. Halton, JH: "Tentang Efisiensi Barisan Kuasi-Acak Tertentu dari
kriging berdimensi tinggi dapat digunakan untuk membuat model Poin dalam Mengevaluasi Integral Multi-Dimensi",
respons. Boot strapping dan jackknifing memberikan perkiraan Matematika Numerische (1960), 2, 84–90
kesalahan untuk model ini. Dalam studi saat ini, regresi polinomial 9. Sobol, IM: “Tentang Distribusi Poin dalam Kubus dan
Evaluasi Perkiraan Integral”, Matematika Komputasi
terbukti lebih baik daripada kriging untuk permukaan respons
dan Fisika Matematika (1967), 7, 86-112.
menurut uji kesalahan kuadrat rata-rata. Estimasi kriging dapat
10. Kalagnanam, JR, Diwekar, UM: “Teknik Pengambilan Sampel yang
ditingkatkan dengan tidak mengasumsikan isotropi dalam ruang Efisien untuk Kontrol Kualitas Off-Line”, Teknologi (1997),
faktor atau dengan kriging residual ke polinomial orde rendah. 39, 308 – 319
Permukaan respons untuk NOA 36-lari dapat menghubungkan 11. Aslett, R., Buck, R, J., Duvall, S, G.: “Optimasi Sirkuit melalui
respons seperti NPV atau pemulihan gas dengan parameter produksi Eksperimen Komputer Berurutan: Desain Penyangga Output”,
secara akurat. Permukaan respons memungkinkan studi optimasi, Statistik Terapan (1998), 47, 31-48
sensitivitas, dan ketidakpastian dilakukan lebih cepat dan mudah 12. Box, GEP, Hunter, JS: “Desain Faktorial Pecahan 2(kp)”,
daripada simulasi reservoir numerik lengkap. Dengan demikian, Bagian I, Teknologi (1961), 3, 311-351
13. Hedayat, AS, Sloane, NJA, John Stufken.: “Array
permukaan respons dapat menjadi alternatif yang masuk akal untuk
Ortogonal: Teori dan Aplikasi”, Seri Springer, New York
model numerik yang lebih mahal.
(1999)
Biaya pengolahan air dan nilai sekarang bersih mengurangi 14. Xu, H.: “Algoritma untuk Membangun Array Ortogonal dan Hampir-
panjang penyelesaian optimal dari interval penuh untuk sumur gas, Ortogonal dengan Level Campuran dan Run Kecil”,
dibandingkan dengan mengoptimalkan pemulihan gas saja. Teknologi (2002), 44, 356-368
15. Myers, RH, Montgomery, DC: “Metodologi Permukaan
Ucapan Terima Kasih Respons: Optimasi Proses dan Produk Menggunakan
Eksperimen yang Dirancang”, New York: Wiley (1995)
Pekerjaan ini didukung oleh Landmark Graphics dan Unocal. Kami juga
16. Montgomery, DC: “Pengantar Analisis Regresi Linier
berterima kasih kepada Dr. Miguel Armenta atas bantuannya dalam
”, Wiley, New York (2001)
merumuskan model reservoir, Dr. Feng Wang atas bantuannya dengan 17. Goovaerts, P.: “Geostatistik untuk Evaluasi Sumber Daya Alam”, New
pemodelan respons, Dr. Hong Tang atas bimbingan MatLab, dan Dr. Ozan York: Oxford (1997)
Arslan atas penyediaan perangkat lunak dan saran otomatisasi. 18. Deutsch, CV, Jurnal, AG: “GSLIB: Pustaka Perangkat Lunak
Geostatistik dan Panduan Pengguna”, New York: Oxford (1998)
Tata nama 19. Efron, B., Tibshirani, R, J, “Pengantar Bootstrap”, New
York: Chapman & Hall (1993)
PSaya tekanan awal (psia) tekanan kepala 20. Armenta, M., Putih. CD, Wojtanowicz. AK: “Optimalisasi Panjang
Ptf tabung (psia) pemulihan gas akhir Penyelesaian di Sumur Gas”, Konferensi Perminyakan
GP (MMscf) gas awal di tempat (MMscf) Internasional Kanada 192 (2003)
G pemulihan gas akhir tanpa dimensi 21. White, CD, Royer, SA: "Desain Eksperimental sebagai
GpD zona gas berlubang (ft) Kerangka Studi Reservoir" SPE 79676 (2003)
H 22. Peluncur Teknologi CMG, Versi 2002,1, Revisi 4, Grup
HT ketebalan zona gas (ft) Pemodelan Komputer, 1978-2002
23. McKay. MD, Conover. WJ, Beckman. RJ: “Perbandingan Tiga
CG harga gas ($/Mscf)
Metode Pemilihan Nilai Variabel Output dalam Analisis
Cw biaya pengolahan air ($/bbl)
Output dari Kode Komputer”teknometrik
HP pecahan penyelesaian (jam/jamT) (1979), 21, 239-245
24. Hedayat, AS, Sloane, NJA, John Stufken.: “Array
Referensi Ortogonal: Teori dan Aplikasi”, Seri Springer, New York
1. Narayanan, K., Cullick, AS, Bennett, M.: “Keputusan Pengembangan (1999)
Lapangan Lebih Baik dari Multi-Skenario, Reservoir Interdependen, 25. Armenta, M.:“Mekanisme dan Pengendalian Aliran Air ke
Sumur, dan Simulasi Fasilitas”, SPE 79703 (2003) Putih, CD, Wills, BJ, Sumur di Reservoir Gas dengan Penggerak Air Bawah”
2. Narayanan, K. , Dutton, SP: "Mengidentifikasi Kontrol pada Perilaku Disertasi PhD, Louisiana State University, 2003
Reservoir menggunakan Simulasi yang Dirancang", SPE 62971 (2000) 26. Sacks, J., Schiller, SB, Welch, W. J: "Desain untuk Eksperimen
Komputer", Teknologi (1989), 31,41-47
3. Peng, CY, Gupta, R.: “Desain Eksperimental dan Metode Analisis 27. Simpson, WT, Mauery, MT, Korte, JJ, Mistree, F.:
dalam Pemodelan Deterministik Berganda untuk Kuantifikasi “Perbandingan Respon Permukaan dan Model Kriging
Kurva Distribusi Probabilitas Hidrokarbon Di Tempat”, SPE 87002 untuk Optimasi Desain Multidisiplin”, ASME (1997)
(2004) 28. Jin. R., Chen. W., Simpson, WT: "Studi Perbandingan Teknik
4. Peake, WT, Abadah, M., Skander, L.: “Penilaian Ketidakpastian Metamodeling di bawah Beberapa Kriteria Pemodelan",
menggunakan Desain Eksperimental: Waduk Minagish Oolite” AIAA (2000), 4801
SPE 91820 (2005) 29. Pemodelan Informatika dan Matematika, 2002, Desain dan
SPE 95456 9
- 0.36B2 D
di mana G pD = G P / G
10 SPE 95456
Tabel
Ptf Tekanan Kepala Tabung ((PSaya - Ptf) / PSaya ) 4 0.4 0,5 0.6 0,7
Statistik Regresi
R2 0,9464
R2adj 0,7322
P(F) 0,0243
Desain
H P (jam / jamT )
Ptf (psi) D (TSaya
n )
Angka
Sehat
Re 50
45
Gas H
HP
40
Pemulihan Gas
35
LW
30
Air 25
175
Rw kaki
20
26
0,65
0,57
0,48
4
0,40
0.32
k (md)
0,23
0,151
Sw (fraksi)
Gambar 1. Sketsa Model Reservoir Radial
Gambar 3. Sensitivitas Pemulihan Gas terhadap
Saturasi dan Permeabilitas Air (HyperKriging)
0.9
0.8
80
0,7
75
Probabilitas Kumulatif
0.6
70
0,5
Pemulihan Gas
MCData 36
65 0.4 MCData 72
60 0,3 MCData 108
55 2995
0.2
50 0.1
45 P (psi) 0
0 20 40 60 80 100
40 Pemulihan Gas (persen)
1 2 5 1505
10 21 46 Gambar 4. Hasil Simulasi Monte Carlo menggunakan
99
Desain NOA yang berbeda
k (md)
0,018
0,016
50
0,014 45
40
Perbedaan
NPV ($ juta)
0,012
35
0,01 MC 30 0.4
LHS
HSS
25
)
0,008
an
Mengharapkan
20
cah
( pe
0,006
15
5 205 405 605 805 1005
K rw
Berlari 2 0.2
3
nw 4
Gambar 5. Menipu vergence of Variance untuk Teknik
Pengambilan Sampel yang Berbeda
90
150
80
130
70
110 60
NPV ($ juta)
50
90
Frekuensi
2995 40
70
30
50 20
P (psi)
30 10
1 2 5 1505 0
10 21 46 99 20 40 60 80 100 120 140 160
100000
200
90000
180
1000 Sampel pada Permukaan
80000
Respon 36 Poin Desain
160
70000
140
60000
120
Fungsi objektif
50000
NPV ($ Juta)
100
40000
80
60 30000
40 20000
20 10000
Optimal
0 0
0 10 20 30 40 50 60 70 80 90 0 0.1 0.2 0,3 0.4 0,5 0.6 0,7 0.8 0.9 1
70000 80000
68000 70000
66000
60000
64000
50000
62000
Fungsi objektif
Fungsi objektif
60000 40000
58000
30000
56000
20000
54000
Optimal 10000
52000 Optimal
50000 0
0 0.1 0.2 0,3 0.4 0,5 0.6 0,7 0.8 0.9 1 0 0.1 0.2 0,3 0.4 0,5 0.6 0,7 0.8 0.9 1
Gambar 10. Sensitivitas Fungsi Tujuan terhadap Gambar 12. Sensitivitas Fungsi Objektif terhadap Tubing
Panjang Penyelesaian Diameter