Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Bahan Bakar 117 (2014) 579–589

Daftar isi tersedia di SainsLangsung

Bahan bakar

beranda jurnal: www.el sevier .com/located/ fuel

Prediksi waktu terobosan water coning di reservoir yang retak dengan

menerapkan pendekatan mesin vektor pendukung parameter rendah
Mohammad Ali Ahmadi A,⇑, Mohammad Ebadi B, Seyed Moein Hosseini C
A Lembaga Penelitian Industri Perminyakan (RIPI), Teheran, Iran
BDepartemen Teknik Perminyakan, Universitas Islam Azad, Cabang Sains dan Penelitian, Teheran, Iran
C Fakultas Teknik Perminyakan Ahwaz, Universitas Teknologi Perminyakan, Ahwaz, Iran

highlight

Pendekatan terobosan pertama untuk memantau waktu terobosan pengerukan air

diilustrasikan. Pendekatan parameter rendah telah dijelaskan.
Menangani dataset coning masif dengan pendekatan LS-SVM.
Implementasi pendekatan fuzzy untuk mengatasi masalah water coning dipresentasikan.
Optimalisasi dari aturan fuzzy dengan memanfaatkan hybrid algoritma genetika dan filter Kalman.

artikel info abstrak

Sejarah artikel: Karena pengerukan air, air mengalir ke dalam lubang sumur produksi dari bawah saluran berlubang dan biasanya menyebabkan beberapa masalah teknis di lubang sumur dan fasilitas produksi permukaan seperti separator. Pengetahuan tentang

Diterima 8 April 2013 waktu terjadinya water coning dapat sangat membantu kami dalam merencanakan skema produksi dan mengatasi kendala yang dihadapi. Karena fakta ini, penelitian ini melakukan pengembangan pendekatan parameter rendah untuk mengetahui

Diterima dalam bentuk revisi 18 September

secara cerdas waktu terobosan water coning di reservoir rekahan (FR). Untuk mencapai tujuan dari pekerjaan ini, mesin vektor dukungan kuadrat terkecil (LSSVM), jaringan saraf tiruan (ANN) dan hibrida logika fuzzy, filter Kalman dan algoritma genetika
2013
(HFKGA) digunakan untuk memprediksi waktu terobosan kerucut air di FR. Untuk meneliti pendekatan yang diusulkan untuk memperkirakan waktu terobosan pengerukan air, sejumlah besar data nyata dari ladang minyak Teluk Persia utara
Diterima 19 September 2013 Tersedia
diimplementasikan. Keluaran pendekatan LSSVM sejajar dengan nilai eksperimen yang sesuai dan hasil model HFKGA dan ANN yang menggambarkan implikasi potensial raksasa dari pendekatan yang diusulkan untuk memprediksi waktu terobosan
online 6 Oktober 2013
pengerukan air di FR. Selain itu, keuntungan dari parameter statistik seperti deviasi relatif absolut rata-rata (AARD%) diperoleh untuk mengukur ketahanan dan akurasi model yang diusulkan. Berkat penerapan penelitian mutakhir ini, mengetahui

secara tepat waktu terobosan pengerukan air di sumur minyak memberikan kesempatan ini untuk merencanakan lebih akurat dan beroperasi lebih lanjut secara bertanggung jawab. sejumlah besar data nyata dari ladang minyak Teluk Persia utara
Kata kunci:
diimplementasikan. Keluaran pendekatan LSSVM sejajar dengan nilai eksperimen yang sesuai dan hasil model HFKGA dan ANN yang menggambarkan implikasi potensial raksasa dari pendekatan yang diusulkan untuk memprediksi waktu terobosan
Pengerukan air
Waktu terobosan pengerukan air di FR. Selain itu, keuntungan dari parameter statistik seperti deviasi relatif absolut rata-rata (AARD%) diperoleh untuk mengukur ketahanan dan akurasi model yang diusulkan. Berkat penerapan penelitian mutakhir ini, mengetahui

Reservoir retak secara tepat waktu terobosan pengerukan air di sumur minyak memberikan kesempatan ini untuk merencanakan lebih akurat dan beroperasi lebih lanjut secara bertanggung jawab. sejumlah besar data nyata dari ladang minyak Teluk Persia utara

Pendekatan cerdas diimplementasikan. Keluaran pendekatan LSSVM sejajar dengan nilai eksperimen yang sesuai dan hasil model HFKGA dan ANN yang menggambarkan implikasi potensial raksasa dari pendekatan yang diusulkan untuk memprediksi waktu terobosan

Mesin vektor dukungan kuadrat terkecil pengerukan air di FR. Selain itu, keuntungan dari parameter statistik seperti deviasi relatif absolut rata-rata (AARD%) diperoleh untuk mengukur ketahanan dan akurasi model yang diusulkan. Berkat penerapan penelitian mutakhir ini, mengetahui

(LSSVM) secara tepat waktu terobosan pengerukan air di sumur minyak memberikan kesempatan ini untuk merencanakan lebih akurat dan beroperasi lebih lanjut secara bertanggung jawab. Keluaran pendekatan LSSVM sejajar dengan nilai eksperimen yang

sesuai dan hasil model HFKGA dan ANN yang menggambarkan implikasi potensial raksasa dari pendekatan yang diusulkan untuk memprediksi waktu terobosan pengerukan air di FR. Selain itu, keuntungan dari parameter statistik seperti deviasi relatif

absolut rata-rata (AARD%) diperoleh untuk mengukur ketahanan dan akurasi model yang diusulkan. Berkat penerapan penelitian mutakhir ini, mengetahui secara tepat waktu terobosan pengerukan air di sumur minyak memberikan kesempatan ini

untuk merencanakan lebih akurat dan beroperasi lebih lanjut secara bertanggung jawab. Keluaran pendekatan LSSVM sejajar dengan nilai eksperimen yang sesuai dan hasil model HFKGA dan ANN yang menggambarkan implikasi potensial raksasa dari pendekatan yang diusu

2013 Elsevier Ltd. Semua hak dilindungi undang-undang.

1. Perkenalan gerakan fluida ke arah resistensi yang lebih kecil yang diimbangi dengan gaya
gravitasi [2]. Coning adalah fungsi yang kuat dari gravitasi, gaya kental dan
Coning mengacu pada pergerakan air ke atas dan/atau pergerakan gas ke kapiler. Secara lebih rinci, peningkatan gaya viskos Dibandingkan dengan gaya
bawah di sekitar zona berlubang milik sumur produksi. [1]. Fenomena tersebut gravitasi memainkan peran paling penting dalam terjadinya coning sementara
dianggap sebagai alasan utama kenaikan biaya produksi yang nyata, gaya kapiler biasanya dianggap sebagai parameter yang dapat diabaikan dan
pengurangan efisiensi produksi yang sangat besar, pertumbuhan korosi dapat diabaikan.[1]. Peningkatan laju produksi menimbulkan pertumbuhan tinggi
peralatan yang dramatis dan akhirnya menghadapi penghentian proses produksi. kerucut (sampai tingkat produksi tertentu). Selalu ada ambang batas dalam laju
[1]. Coning dianggap sebagai konsekuensi produksi yang dikenal sebagai laju kritis yang melintasi langit-langit ini
mengubah pernyataan stabil dari kerucut air atau gas menjadi mode tidak stabil
yang diikuti dengan terjadinya terobosan[3,4]. Dengan kata lain, untuk mencegah
terobosan kerucut, perlu untuk mengatur tingkat produksi di bawah batasan
⇑ Penulis yang sesuai. Alamat: Lembaga Penelitian Industri Perminyakan (RIPI), yang diizinkan ini[4]. Yang kritis
Teheran, Iran. Telp.: +98 912 6364936.
Alamat email: ahmadi6776@yahoo.com (MA Ahmadi).

0016-2361/$ - lihat soal depan 2013 Elsevier Ltd. Semua hak dilindungi undang-undang.

http://dx.doi.org/10.1016/j.fuel.2013.09.071
580 MA Ahmadi dkk. / Bahan Bakar 117 (2014) 579–589

tingkat produksi yang diperoleh dari perhitungan teknik dan teknis biasanya (H), viskositas (l) dan angka fraktur (FN). Untuk mengatasi masalah ini, model
sangat rendah dan berdasarkan kendala ekonomi tidak dapat dianggap dan matematika berbasis jaringan telah diterapkan.
dalam banyak kasus diamati bahwa sumur produksi diperintahkan untuk Sebanyak yang dapat dilihat dengan jelas dari literatur sebelumnya,
dialirkan dengan tingkat di atas tingkat yang dibatasi. Oleh karena itu, terjadinya pendekatan berbasis jaringan saraf tiruan (JST) sebagian besar menghasilkan
terobosan air dan/atau gas tampaknya tidak dapat dihindari setelah beberapa presisi tinggi dalam berbagai aspek rekayasa dan masalah ilmiah. [26,27].
saat. Waktu yang berlalu ini adalah Terlepas dari fakta sebelumnya bahwa inisialisasi jaringan saraf secara acak,
disebut waktu untuk terobosan [TTT] [1]. Mengetahui secara kasar tentang alternatif dari kriteria penghentian di seluruh optimasi parameter pendekatan
parameter vital ini memiliki kepentingan tersendiri karena menyesuaikan pro- yang dialamatkan, dan sejumlah besar parameter jaringan dapat menurunkan
mode duksi sumur membuat terjadinya coning dan terobosan dengan moral penerapannya untuk estimasi eksternal.[27–31].
penundaan dan sebagai aturan menyebabkan memperpanjang harapan hidup
dan efisiensi umum operasi produksi. Peningkatan rasio air atau/dan gas Karena sifat yang melekat dari mesin vektor dukungan, ini adalah pendekatan
terhadap minyak yang terus berlanjut dengan memperhatikan waktu lalu setelah matematika yang efektif yang dikembangkan dari komunitas pembelajaran mesin
terjadi terobosan adalah alasan utama untuk beberapa masalah bermasalah [27,28,32–34]. Model SVM yang dialamatkan menganalisis sekelompok data,
dalam hal memisahkan cairan ini satu sama lain dan bahkan mungkin mematikan mengenali polanya dan kemudian diimplementasikan untuk tujuan regresi. Selain
produksi dengan asumsi yang lebih buruk[5]. itu, perlu dicatat bahwa SVM adalah pengklasifikasi linier biner nonprobabilistik
[27,28,32–34]. Manfaat substansial dari pendekatan berbasis SVM atas
Upaya besar telah diajukan untuk mengkarakterisasi prosedur coning dengan pendekatan konvensional lainnya berdasarkan JST telah dinegosiasikan[27,28].
Memprediksi faktor-faktor yang terkait seperti tingkat produksi kritis atau waktu Juga, perlu diingat bahwa regresi linier dan nonlinier dapat dipertahankan untuk
terobosan, topik tertentu dari penelitian ini. Mengusulkan korelasi untuk mengatur masalah yang relevan untuk mengimplementasikan algoritma SVM
memperkirakan waktu terobosan pada sumur vertikal berdasarkan data [27,28,32–34].
laboratorium dan hasil pemodelan yang dilakukan oleh Sobocinski dan Cornelius
[6]. Menyimpulkan bahwa penghalang horizontal menunda waktu terobosan Sebagai hasil dari masalah over-fitting dalam implementasi jaringan saraf,
sementara itu tidak mampu memberikan solusi mutlak untuk masalah amandemen yang signifikan untuk mesin vektor dukungan asli (SVM) telah
pengerukan air juga dibuat oleh Penjara dan Mehta[7]. Pada tahun 1971 dikembangkan oleh Suykens dan Vandewalle.
Bournazel dan Jeanson[8] dengan menerapkan kelompok tak berdimensi yang [32,33] dengan akhir menyederhanakan kekalahan ekspresi nonlinier yang diatur
sama dari dalam algoritma asli SVM. Pendekatan mesin vektor dukungan kuadrat terkecil
Sobocinski dan Cornelius [6], menyajikan hubungan baru untuk TBT (LSSVM) yang baru membawa pendekatan perhitungan yang lebih mudah
dalam sumur horizontal. Pemodelan secara teoritis waktu terobosan digunakan dan pencarian rute yang lebih cepat sambil menggambar paralel
di sumur horizontal yang diperoleh dari kelompok tanpa dimensi diajukan oleh dengan pendekatan SVM konvensional
Ozkan dan Raghavan [9] pada tahun 1988. Solusi semi-analitis oleh Papatzacos [27,28,32–34].
dan rekan kerja [10] pada tahun 1989 disarankan untuk
menggambarkan TBT dalam reservoir tak terbatas anisotropik dengan sumur horizontal 2.2. Latar belakang matematika LSSVM
ditempatkan di zona minyak [10]. Pada tahun 2010[11] model yang dirancang oleh Ome-
ke dan rekan kerja untuk menghitung waktu terobosan dan dibandingkan Ekspresi berikut diimplementasikan sebagai fungsi biaya dari mesin vektor
dengan studi simulasi numerik. Xinzhi dan Sengju mengusulkan model pada dukungan kuadrat terkecil (LSSVM) dalam langkah-langkah perhitungan
tahun 2010 untuk memperkirakan waktu terobosan di sumur minyak di reservoir [27,28,32–34]:
air bawah permeabilitas rendah dengan penghalang. Ini tidak semua tetapi
1 xn
beberapa studi brilian yang dilakukan untuk menggambarkan isu-isu terkait QLSSVM ¼ wTwth C ek2 D1NS
fenomena coning, perhatian peneliti lain yang perhatiannya sepenuhnya tertuju 2 k¼
1
pada coning hal-hal yang relevan dan menempatkan mereka dalam agenda
Kaitkan dengan batasan berikut [27,28,32–34]:
mereka.
[12–25]. kamuk ¼ wTkamuDxkÞ þ B th ek k ¼ 1; 2; . . . ;n D2NS
Dalam komunikasi ini sejumlah besar upaya telah dilakukan untuk
di mana C singkatan dari parameter regularisasi dan ek mewakili
mengembangkan dan menunjukkan pendekatan berbasis kecerdasan buatan
variabel kesalahan untuk xk [26–29].
untuk memprediksi waktu terobosan kerucut air di reservoir retak seperti
Untuk mendapatkan solusi dari masalah optimasi yang diberikan dalam Persamaan. (1),
reservoir karbonat. Karena fakta ini, metode cerdas jenis baru dengan tepat
masalah terbatas diubah menjadi masalah tidak terbatas dan pengali Lagrange A
bernama mesin vektor dukungan kuadrat terkecil (LSSVM) telah diterapkan untuk
Saya untuk menentukan fungsi tujuan adalah
memperkirakan waktu terobosan pengerukan air di reservoir yang retak. Selain
34]:
dilambangkan sebagai berikut [32– x
itu, akar pendekatan lain yang kuat dalam logika fuzzy yang disetel oleh hibrida
M
filter Kalman dan Algoritma Genetika (GA) dilakukan untuk mengetahui target LDw; B; e;AÞ ¼ JDw; eNS A Saya
FwTHaiDxk NSþmenjadi
þk kamukG D3NS
k¼1
yang dituju dari penelitian ini. Untuk menilai kemampuan dan fleksibilitas metode
yang diperkenalkan, data eksperimen ekstensif diimplementasikan untuk Berdasarkan Karush–Kuhn–Tucker (KKT), situasi optimal dapat ditentukan
mengembangkan pendekatan yang ditangani. Penjelasan lengkap tentang dengan melakukan turunan parsial dari
metodologi, A seperti di bawah ini
Persamaan. (3) dengan hormat w, b, e dan , sesuai
[32–34]:
8 M 9
> w ¼ P A HaiDx >
> >
< P M
> >
k¼1 Saya SayaNS

=
k¼1ASaya ¼ 0
D4NS
>
> >
>
>
:ASaya ¼ CeSaya >
;
2. Metodologi wTHaiDxSayaÞ þ B th eSaya ¼0
kamuSaya

oleh karena itu, persamaan linier jatuh ke tempatnya sebagai berikut" Th

2.1. Mendukung mesin vektor (SVM)
yg berhutang [32–3#4]:

Upaya besar telah dilakukan sepanjang langkah ini untuk memfasilitasi 0 1T B¼0
korelasi nonlinier antara waktu terobosan water coning dan empat variabel input D5NS
1 xth 1 ay
yang ditujukan: laju aliran (Q), tinggi
C Sayan
 MA Ahmadi dkk. / Bahan Bakar 117 (2014) 579–589 581

dengan y = (y1,. . .,kamun)T, 1n = (1, . . ., 1)T, a = (a1; . . .;An)T dan xkl = kamu (xk) T set (11 titik data) dan set ''Test'' (11 titik data) secara bersamaan. Sekelompok
kamu (xl) untuk k, l = 1, . . .,n. Menurut teori Mercer, perolehan LS- bagian distribusi telah ditelan ke dalam profil untuk mencegah akumulasi lokal
aplikasi SVM x
pendekatan untuk fungsi menjadi [32–34] data di wilayah yang mungkin dari masalah target. Akibatnya, distribusi yang
memadai adalah distribusi dengan akumulasi data yang homogen pada domain
F DxÞ ¼ n AkKDx; xkÞ þ B D6NS dari dua sub-set data yang dialamatkan.[27,28].
k¼1
Langkah-langkah komputasi telah diambil untuk mengikuti algoritma yang
di mana A dan B menunjukkan solusi untuk Persamaan. (6) sebagai berikut sebagai [32–
ditunjukkan. Dua parameter penting dari algoritma ini adalah
34]:
R2 dan C, yang disarankan untuk dioptimalkan melalui penerapan program
optimasi yang sesuai. Karena kompleksitas yang tinggi dari pendekatan Support
nDxth 1 C SayanNS 1kamu
B ¼ 1T D7NS Vector Machine (SVM), Genetic Algorithm (GA), yang secara rutin diperoleh untuk
Tð þ
1 nx 1
C Sayan
NS 11n mencapai kinerja yang memuaskan, telah dijalankan untuk menilai tujuan ini.
Algoritma genetika, yang menarik paralel dengan pendekatan optimasi linier
1
1 tradisional lainnya, memiliki solusi yang lebih baik dengan presisi tinggi[35,36].
A¼ xth Dkamu 1nBNS D8NS Untuk menggambar paralel antara mesin vektor dukungan kuadrat terkecil
C Sayan

(LSSVM) dan algoritma genetika yang dialamatkan, kotak alat optimasi di MATLAB
Persamaan. (9) dapat diimplementasikan sebagai opsi regresi nonlinier [37] perangkat lunak telah diterapkan. Dalam kotak alat yang dirujuk, jumlah
x fungsi Kernel sebagai berikut: [27,28,32–34]:
dan mobilcoba populasi genetik dari target optimasi telah ditetapkan menjadi 1200. Untuk
menghindari konvergensi prematur dari optimasi target dan mendekati solusi
F DxÞ ¼ n AkKDx; xkÞ þ B D9NS akhir ke nilai optimum global, prosedur yang disebutkan di atas diulang beberapa
k¼1 kali.[27,28]. Gambar 1 mendemonstrasikan prosedur penyetelan parameter least

di mana K(x,xk) menunjukkan ketergantungan fungsi Kernel ke nilai dalam dari square support vector machine (LSSVM) dengan memanfaatkan algoritma

dua vektor x dan xk di wilayah yang mungkin ditentukan oleh produk dalam dari genetika (GA).

vektor U(x) dan U(xk) sebagai berikut

ekspresi [27,28,32–34]:

KDx; xkÞ ¼ kamuDxNSTkamuDxkNS D10NS

3. Jaringan saraf tiruan
di mana Kernel fungsi basis radial (RBF) telah dilakukan sebagai berikut: keluar sebagai

[27,28,32–34]: Jaringan saraf tiruan, sebagai sistem biologis yang cerdik, adalah salah satu
metode yang menarik untuk mengetahui hubungan tak terduga antara variabel
KDx; xkÞ ¼ expkxk xk2=R2NS D11NS
input dan output dalam banyak proses yang berbeda.
di mana R singkatan dari variabel keputusan yang digambarkan oleh sebuah luar- [38]. Jaringan saraf didefinisikan sebagai sistem komponen pemrosesan, yang
pendekatan optimasi akhir seperti algoritma genetika, simulasi annealing, dll. disebut neuron, yang terhubung ke jaringan melalui berbagai saluran bobot
Mean square error (MSE) dari hasil yang diperoleh menuju keluaran neuron.[39]. Topologi JST yang paling populer adalah jaringan
dari fix pendekatan terakhir adalah dirumuskan dengan persamaan berikut: saraf feed-forward. Model JST feedforward dipelajari dengan menggunakan
n DBT fungsi pembelajaran backpropagation. Sebuah JST feed-forward tiga lapis dengan
EstSaya BT expSaya NS2 algoritma propagasi balik dapat memperkirakan kerumitan apapun

UMK ¼ Saya¼1 D12NS

n
di mana BT menunjukkan waktu terobosan water coning, subscripts est, dan exp.
mewakili perkiraan, dan waktu terobosan terukur eksperimental dari pengerukan Pengkodean LSSVM

air, dengan demikian, dann singkatan dari jumlah data dari populasi awal yang
ditetapkan. Perlu diingat bahwa algoritma LSSVM yang diusulkan oleh Pelckmans
et al.[34] dan Suykens dan Vandewalle [33] telah diimplementasikan dalam Buat Populasi Awal
pekerjaan penelitian saat ini.

Pelatihan Pendekatan LSSVM

2.3. Langkah-langkah perhitungan

Seperti disebutkan sebelumnya, dua parameter utama dari pendekatan mesin Evaluasi Kebugaran GA
vektor dukungan kuadrat terkecil (LSSVM) yang diimplementasikan adalah: C dan
R2. Karena peran penting dari parameter yang dialamatkan, algoritma optimasi
YA
yang kuat harus dilakukan untuk mengekstrak nilai yang paling optimal dari Kriteria Perhentian Temui

parameter yang dirujuk berdasarkan fungsi tujuan yang ditetapkan di mana

kesalahan kuadrat rata-rata (MSE) dilakukan. Set data waktu terobosan Tidak

eksperimental yang diimplementasikan telah dibagi menjadi tiga sub-set data

Pilihan
umum yang disebut set ''Pelatihan'', ''optimasi'' dan ''Pengujian''. Sepanjang Parameter yang Dioptimalkan

dari LSSVMModel pindah silang

kontribusi ini, set ''Pelatihan'' diimplementasikan untuk membangkitkan topologi
Diperoleh
pendekatan dan set data ''optimasi'' dan ''Pengujian'' dilakukan untuk Mutasi
mengevaluasi kemampuan estimasi dan validitas pendekatan yang
dikembangkan. Pemisahan database yang diimplementasikan menjadi tiga sub-
set data telah dilakukan secara acak. Jadi, sekitar 80%, Parameter Baru
Populasi

Gambar 1. Prosedur keseluruhan penyetelan parameter LSSVM dengan GA [53,54].

582 MA Ahmadi dkk. / Bahan Bakar 117 (2014) 579–589

dan fungsi kontinu nonlinier ke presisi yang diinginkan [40,41]. Selama proses 5. Hasil dan pembahasan
pelatihan, jaringan mengubah bobotnya untuk meminimalkan kesalahan antara
target nyata dan perkiraan. Kinerja jaringan diukur dengan MSE antara 5.1. Hasil LSSVM

nilai perkiraan jaringan dan target atau nilai nyata sebagai- Nilai-nilai dari kemungkinan optimal global dari masalah termasuk R2 dan C
rendah [42–50]:x telah dihitung sebagai 662,4523 dan
6711.9326 sesuai. Harus disebutkan bahwa jumlah digit yang disajikan dari
x M½ ðÞ
parameter yang ditentukan yang dialamatkan telah ditunjukkan mencoba-coba
UMK ¼ 1G y Jk T Jkð Þ 2 D13NS
2 ¼k 1 J¼
1
dalam analisis sensitivitas dari kesalahan menyeluruh dari algoritme
pengoptimalan yang dirujuk ke nilai yang dialamatkan.

di mana M singkatan dari jumlah node target, G menunjukkan nomor-

Sebelum membahas bagian diskusi, sangat perlu diinformasikan bahwa
J ð Þ keluaran yang diharapkan, dan T
ber dari poin pelatihan, y k adalah J DkNS adalah
parameter statistik dari data yang diimplementasikan, yang telah dikumpulkan
keluaran yang sebenarnya.
dari laporan teknis dari beberapa reservoir yang retak, apa yang biasanya
dihadapi dengan konsekuensi air yang relevan dalam hal tingkat produksi
4. Logika kabur minyak. reduksi, terletak secara geografis di provinsi Khuzestan Iran dan juga
terletak di tepi bagian barat laut Teluk Persia, yang pada dasarnya digunakan
Membuat kesimpulan yang memuaskan, menguntungkan, dan bermanfaat selama penelitian ini dirangkum dalam Tabel 1. Gambar paralel antara hasil dari
tentang masalah-masalah dunia nyata yang bermasalah dapat menjadi ladang pendekatan mesin vektor pendukung kuadrat terkecil (LSSVM) yang
ranjau kecuali jika ambiguitas dan ketidakjelasan terkait dipertimbangkan secara dikembangkan dan waktu terobosan eksperimental yang relevan dari
akurat dan logis. Kondisi yang dijelaskan dapat diberikan dengan kualitas tingkat pengerukan air digambarkan dalamGambar. 2 dan 3. Seperti yang diilustrasikan
tinggi dengan menerapkan metode yang Zade[51] telah datang dengan sangat dalamGambar 2., output dari model LSSVM mengikuti garis
dan cerdas, yang disebut Logika Fuzzy (FL), yang telah membuat penilaian lewat
pada topik pertemuan sehari-hari yang mengandung rasa ketidaktepatan sangat Y = X yang mewakili presisi yang baik dari model yang dituju dalam perhitungan
lebih mudah. Saat ini, Logika fuzzy dianggap sebagai alat yang bermanfaat untuk waktu terobosan. Dengan kata lain, ketika output dari model dan nilai aktual yang
mengontrol dan memantau sistem dan proses yang rumit. FL memperoleh sesuai adalah sama, dalam diagram pencar mereka mengandalkan garis dengan
keuntungan dari pola IF X AND Y THEN Z sederhana berbasis aturan untuk kemiringan 45 (Y = X)
memecahkan masalah kontrol daripada membuat upaya untuk memodelkannya dan dalam analisis statistik poin ini diringkas menjadi nilai koefisien korelasi. Jika
secara matematis. Alih-alih memiliki pengetahuan tentang sistem yang dianggap, koefisien korelasi mendekati 1, berarti hasil model dan nilai eksperimen sama.
model FL adalah solusi berbasis empiris yang bergantung pada para ahli yang Representasi lain dari output model LSSVM dan nilai aktual digambarkan dalam
berpengalaman. Namun, memasukkan selera manusia ke dalam rencana yang Gambar 3 yang menggambarkan hasil LSSVM dan nilai eksperimen versus nomor
dituju dapat menyebabkan terjadinya beberapa kesalahpahaman atau kesalahan. indeks yang relevan. Seperti yang digambarkan dalamGambar 3, hasil LSSVM
Untuk mencegah terjadinya kesulitan-kesulitan semacam ini, beberapa metode mengikuti perilaku nilai aktual di semua rentang dan kesepakatan yang memadai
pembuatan aturan otomatis telah direpresentasikan sejauh ini. ''Hibrida filter antara keluaran LSSVM dan nilai terukur dapat diamati. Untuk mencerminkan
Kalman dan Algoritma Genetika'' adalah salah satu metode yang dirujuk yang kekokohan model LSSVM yang dikembangkan, deviasi relatif dari hasil LSSVM dan
biasanya dilakukan untuk menyimpulkan aturan yang paling kompatibel. Ini nilai terukur digambarkan melaluiGambar. 4 dan 5. Gambar 4 menyajikan deviasi
pertama dilakukan dengan mengalokasikan derajat keanggotaan untuk setiap relatif dari model LSSVM versus waktu terobosan eksperimental yang relevan.
nilai parameter input. Pola keanggotaan Selain itu, penyimpangan relatif dari output pendekatan LSSVM versus indeksnya
ditunjukkan dalamGambar 5. Seperti dapat dilihat dengan jelas dari dua gambar
fungsi dengan rumus berikut untuk 3 bagian memiliki: pernah yang dialamatkan, model LSSVM yang dikembangkan memiliki deviasi yang
dipertimbangkan.8(Lihat Persamaan. (14)–(16)). memadai dari nilai aktual yang sesuai. Untuk mengukur semua hasil sebelumnya,
parameter statistik rutin seperti koefisien korelasi (R2), deviasi relatif absolut rata-
9
>
> 1; x 6 A >
> rata (AARD), kesalahan standar deviasi (SDE), dan Mean Square Errors (MSE)
>
> >
AthB>
=
< 12 ðba
Þ2 ; A 6 x 6
xa dirangkum dalam Meja 2 untuk pelatihan, optimasi dan fase pengujian.
2
F Dx; A; B> ð14
Þ
> th6
2 ab 6x >
>
> ðÞ ; B >
>
: 2 xb
B A 2 >
;
1; x P B

8 9
> 0; x 6 A >
>
> >
> Poin penting dari komunikasi ini yang harus dirujuk di sini adalah bahwa
> 2DxaNS2
> 6 6xA thB> >
>
>
> ba ; A 2 >
>
>
> > pendekatan LSSVM yang dikembangkan adalah model parameter rendah
>
> >
>
< 1 2 D xb 2 AthB
baNS ; 2 6 x
6 b >>
>
= (memiliki dua parameter yang dialamatkan) dan karena fakta ini tidak mungkin
GDx; A; B; C; D> 1; B 6 x 6 C D15NS untuk menjebak masalah over-fitting dalam eksekusi seperti jaringan saraf tiruan.
>
> > (ANN).
> 1 2 DdcxcNS2 ; C 6 6xCthD>2 > >
> >
>
>
> >
>
>
> >
> 2 Ddc
> xdNS2 ;
CthD
6 x 6 d >>
>
: 2
;
0; x P D
5.2. Hasil logika fuzzy
8 9
>
> 0; x 6 A >
>
>
> 2; A 6 x 6
ANS
>
> Berdasarkan bagian sebelumnya yang terdiri dari latar belakang matematis
< 2D
x
ab
th> =
ba 2 dari pendekatan logika fuzzy yang diimplementasikan, fungsi keanggotaan dari
;;
HDxab> D16NS
>
> 1 2 ðxbÞ2 ab
th
26 x 6B >
>
parameter yang dialamatkan digambarkan dalam Gambar. 6–10.
>
:
ba ; >
; Gambar 6 mewakili fungsi keanggotaan dari H parameter dan selanjutnya fungsi
0 ;x P B
keanggotaan dari Q, Parameter FN dan viskositas digambarkan dalam Gambar. 7–
Lebih-lebih lagi, Tabel 1 menunjukkan tinjauan singkat dari data yang sudah 9masing-masing. Akhirnya, fungsi keanggotaan dari waktu terobosan
dikumpulkan. diilustrasikan dalamGambar 10.
 MA Ahmadi dkk. / Bahan Bakar 117 (2014) 579–589 583

Tabel 1
Ringkasan data yang dikumpulkan.

Atribut Berarti median min. Maks. Standar deviasi

Memasukkan H 24.14 25.00 5.00 40.00 11.25

Q 2.33 1.50 0,42 7.90 2.05
FN 3.15 3,00 2.00 5.00 1.07
Viskositas 1.53 1.20 1.20 2.00 0,40

Keluaran Waktu terobosan 39.23 27.00 2.50 180.00 37.66

Gambar 2. Diagram sebar untuk waktu terobosan berdasarkan vektor dukungan kuadrat terkecil
mesin (LSSVM) pendekatan dalam hal koefisien korelasi (R2).
Gambar 4. Deviasi relatif dari nilai waktu terobosan yang ditentukan dari sistem yang dipelajari
oleh model mesin vektor dukungan kuadrat terkecil (LSSVM) dari nilai eksperimental.

Gambar 3. Perbandingan antara hasil least square support vector machine (LSSVM) dan nilai
nyata dari waktu terobosan untuk setiap sampel kumpulan data.

Dalam studi ini, karena potensi pencarian GA yang kuat, hibrida dari filter
Kalman dan GA telah dipertimbangkan untuk mengekstrak aturan utama, kunci,
dan utama dari basis aturan besar yang diberikan yang merupakan aspek yang
paling sulit dan memakan waktu dalam membangun sebuah model kabur. Pada
dasarnya, berdasarkan jumlah istilah linguistik di setiap MF yaitu 3, Rendah,
Sedang dan Tinggi, jumlah kemungkinan aturan harus dihitung. Bagian
selanjutnya untuk membangun dataset adalah pengkodean aturan. Algoritme
hybrid yang disarankan memperoleh GA untuk mencari aturan terpenting dalam
database dan filter Kalman untuk menentukan parameter yang relevan dalam
output dariSayaaturan. Langkah selanjutnya adalah mengalokasikan nilai biner, 0
atau 1, untuk setiap aturan yang berarti pengecualian atau penyertaan aturan
dalam model yang sesuai. Oleh karena itu disimpulkan bahwa setiap anggota
populasi utama di GA adalah kumpulan nol dan satu yang masing-masing
bertindak untuk salah satu aturan yang seharusnya. Selanjutnya, dalam populasi
awal harus ada string biner yang semua nilai binernya adalah 1 sehingga anggota
ini, kromosom, menunjukkan inklusi
Gambar 5. Deviasi relatif dari nilai waktu terobosan yang ditentukan dari sistem yang dipelajari
oleh model mesin vektor dukungan kuadrat terkecil (LSSVM) versus indeks data.
semua aturan linguistik yang mungkin. Melalui pengoperasian konsep dasar GA
seperti: reproduksi, persilangan dan mutasi, GA menghasilkan individu
(keragaman himpunan nilai biner atau kombinasi aturan yang beragam) dari
generasi berikutnya. Selama proses tersebut, parameter terkait generasi baru
yang ditemukan oleh GA diestimasi dengan filter Kalman. Selain itu,
kompatibilitas individu baru diperiksa dengan Kriteria Schwarz-Rissanen (SRC)
yang dikenal sebagai persamaan ke-4.
^
SRCDMÞ ¼ catatan DRNS2 D17NS
e th
n
catatanDnNSM
di mana m menunjukkan jumlah aturan fuzzy dalam pendekatan yang
dialamatkan, n adalah jumlah data dalam set pelatihan, dan
estimasi varians dari residual model dilambangkan dengan R2 e.Mencoba
584 MA Ahmadi dkk. / Bahan Bakar 117 (2014) 579–589

Meja 2 1
Parameter statistik dari pendekatan yang diusulkan untuk penentuan waktu di terobosan
0.9
reservoir rekahan.
0.8

Gelar Keanggotaan
Parameter statistik Nilai
0,7
Rendah
Perlengkapan latihan 0.6
Medium
R2 A 0,9995
0,5 Tinggi
Deviasi relatif absolut rata-rataB 4.063
0.4
Kesalahan standar deviasiC 5.8952
Kesalahan kuadrat rata-rataD 0,5479 0,3
ne 88 0.2
Set validasi 0.1
R2 0,9973 0
Simpangan relatif absolut rata-rata 4.96075
1.5 2 2.5 3 3.5 4 4,5 5 5.5
Kesalahan simpangan baku 6.5883
Kesalahan kuadrat rata-rata 0.65736
FN
n 11
Gambar 8. Fungsi keanggotaan dari parameter FN.
Perangkat tes

R2 0,999
Simpangan relatif absolut rata-rata 2.85774
Kesalahan simpangan baku 3.8815 1
Kesalahan kuadrat rata-rata 0,40583 0.9
n 11
0.8

Gelar Keanggotaan
Total
0,7
R2 0,9994
0.6
Simpangan relatif absolut rata-rata 4.0322 Rendah

Kesalahan simpangan baku 5.8269 0,5 Medium

Tinggi
Kesalahan kuadrat rata-rata 0,5447 0.4
n 110 0,3
Pn 0.2
A R2 ¼ 1 P Saya
n DKal:DSaya=N:DSayaNS rata-rataDexp :DSayaÞÞÞ2.
0.1
Saya
B %AARD
PDKal:DSaya=Est:DSayaNS exp :DSayaÞÞ
¼ 10Q Sayaffiffiffiffi
FFI 0
2
0 ffiffiffi FFI ffiffi FFI FFI : FFI FFI =ffi ffiffi ffiffi : FFI
n J C A aku C D Saya NS E S T D Saya FFINSffiffiffiffieffiffixffiffiP:DffiffiSayaFFINSFFIJ.ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
contoh:DSayaNS

Pn 0,5 1 1.5 2 2.5

C penyakit menular seksual ¼ 1Pn

n Saya DKal: sayað=Est:

Þ Sayað Þ D saya
Kalku rata-rata: ð Þ= Est:DSayaÞÞÞ2.
n
Viskositas
D UMK ¼ DKal:DSaya=Est:DSayaNS expDSayaÞÞ2
Saya¼1

n
.
e Jumlah data Gambar 9. Fungsi keanggotaan parameter viskositas.
poin.

1
1
0.9
0.9
0.8
0.8
Gelar Keanggotaan

0,7
Gelar Keanggotaan

0,7
0.6
0.6 Rendah

Medium 0,5 Rendah

0,5 Medium
Tinggi
0.4
0.4 Tinggi

0,3
0,3
0.2
0.2
0.1 0.1

0 0

5 10 15 20 25 30 35 40 0 20 40 60 80 100 120 140 160 180

H Waktu Terobosan

Gambar 6. Fungsi keanggotaan dari NS H parameter. Gambar 10. Fungsi keanggotaan parameter Breakthrough Time.

1
mendapatkan trade-off antara presisi dan kompleksitas pendekatan dilakukan
dengan kriteria ini [52]. Untuk mengimplementasikan algoritma runcing,
0.9
diputuskan untuk menjalankan analisis sensitivitas untuk menemukan struktur
0.8
terbaik dari GA yang digunakan. Untuk memulai, model dasar dengan
Gelar Keanggotaan

0,7
0,02%, 30% dan 8% untuk laju mutasi, laju persilangan dan jumlah individu pada
0.6 Rendah

Medium populasi awal ditetapkan secara berurutan. Setelah menyimpulkan struktur yang
0,5 Tinggi
paling optimal untuk GA berdasarkan
0.4
Gambar. 11–13yaitu 0,04 untuk laju mutasi, 20% untuk laju crossover dan 12
0,3
untuk jumlah individu pada populasi awal, algoritma yang diusulkan dijalankan.
0.2
0.1
Selanjutnya, jumlah generasi diperiksa dengan mengamati respons algoritma
0
yang diterapkan untuk serangkaian data input untuk GA yang dioptimalkan.
0 1 2 3 4 5 6 7 8
KarenaGambar 14, menjalankan GA selama 45 generasi menghasilkan jumlah
Q
terbaik
Gambar 7. Fungsi keanggotaan dari NS Q parameter. R-kriteria statistik persegi.
 MA Ahmadi dkk. / Bahan Bakar 117 (2014) 579–589 585

Gambar 11. Pengaruh tingkat mutasi pada jumlah aturan yang diekstraksi dan jumlah R-persegi.
Gambar 14. Pengaruh generasi pada jumlah R-persegi untuk GA yang parameternya telah dan
telah dioptimalkan secara numerik.

Gambar 12. Pengaruh tingkat crossover pada jumlah aturan yang diekstraksi dan jumlah R- Gambar 15. Tren penurunan fungsi SRC selama proses optimasi.
persegi.

Gambar 16. Mencapai jumlah aturan fuzzy menjadi 5 setelah 45 generasi.

Gambar 13. Pengaruh jumlah individu dalam populasi awal terhadap jumlah aturan yang
diekstraksi dan jumlah R-persegi.

Aturan yang diekstraksi adalah:

Berdasarkan hasil yang dihasilkan yang digambarkan dalam Gambar. 15 dan 16, ini
menyimpulkan bahwa topik yang dirujuk, dalam hal menerapkan hibrida GA dan
filter Kalman untuk mengekstrak aturan yang paling kompatibel, memiliki selera
yang homogen dan konvergen, karena nilai SRC dan jumlah aturan fuzzy
mengikuti tren pengurangan yang serupa. Akhirnya, menjalankan algoritme yang
dianggap memiliki potensi kemahiran menghasilkan 5 aturan (Gambar 16) untuk
memprediksi jumlah waktu terobosan bersamaan dengan pengurangan tingkat
fungsi SRC setelah setiap putaran (Gambar 15) menjadi 3,25.
1. {0,1,2,2 lalu 1} atau ''Jika H rendah dan Q sedang dan FN tinggi dan viskositas
tinggi maka waktu terobosan sedang''.
2. {1,1,0,0 lalu 0} atau ''Jika H sedang dan Q sedang dan FN rendah dan viskositas
rendah maka waktu terobosan rendah''.
3. {2,2,0,0,1} atau ''Jika H tinggi dan Q tinggi dan FN rendah dan viskositas rendah
maka waktu terobosan sedang''.
4. {0,0,0,00} atau ''Jika h rendah dan q rendah dan FN rendah dan viskositas
rendah maka waktu terobosan rendah''.
586 MA Ahmadi dkk. / Bahan Bakar 117 (2014) 579–589
Keluaran Pendekatan Fuzzy

Data eksperimental

Gambar 17. Perbandingan statistik antara nilai prediksi waktu dan eksperimental Gambar 19. Distribusi kesalahan relatif sepanjang nilai waktu terobosan.
terobosan.

5. {0,2,1,0,2} atau ''Jika h rendah dan q tinggi dan FN sedang dan viskositas
rendah maka waktu terobosan tinggi''.

Hasil menembak aturan yang dihasilkan untuk dataset telah diilustrasikan

dalam Gambar. 17 dan 18. Seperti yang dapat diamati dariGambar 17, keluaran
pendekatan fuzzy pada batas atas menyimpang dari garis diagonal dan ini berarti
bahwa pendekatan fuzzy tidak memberikan kesesuaian yang baik dengan nilai
terukur yang sesuai. Selanjutnya, hasil keluaran fuzzy dan nilai eksperimen
digambarkan versus nomor indeks yang sesuai dalamGambar 18. Seperti yang
diilustrasikan dalamGambar 18, keluaran fuzzy mengikuti trend aktual dengan
derajat deviasi yang tinggi pada zona batas atas.

Seperti yang ditunjukkan dalam Gambar 19, distribusi kesalahan relatif

sepanjang waktu terobosan dari nilai terkecil ke terbesar menunjukkan bahwa
Gambar 20. Analisis sensitivitas koefisien korelasi (R2) versus jumlah neuron tersembunyi yang
metode ini mampu mengganggu kesalahan normal. Dengan kata lain, ia dapat
sesuai.
membagi seluruh kesalahan di antara seluruh ekstrem terlepas dari nilai-nilai
agung.

5.3. Hasil jaringan saraf tiruan (JST)

Untuk membuktikan kemampuan dan integritas pendekatan mesin vektor

pendukung kuadrat terkecil (LSSVM) yang telah berevolusi untuk memantau
waktu terobosan pengerukan air melalui reservoir yang retak, pendekatan
berbasis cerdas lainnya (metode ANN) juga dilakukan. Selain itu, metode regresi
juga diterapkan untuk mengetahui waktu tembus air keluar. Oleh karena itu, hasil
yang diperoleh dari pendekatan JST dan model regresi digambarkan melalui
Gambar. 20–23. Perlu diingat bahwa efektivitas jaringan saraf tiruan sangat
tergantung pada jumlah neuron tersembunyi. Akibatnya, analisis sensitivitas
korelasi dan kesalahan kuadrat rata-rata

Gambar 21. Analisis sensitivitas kesalahan kuadrat rata-rata (MSE) versus jumlah neuron
tersembunyi yang sesuai.

versus jumlah neuron tersembunyi dilakukan secara sistematis.

Gambar 20 menggambarkan sensitivitas koefisien korelasi (R2)
terhadap jumlah neuron tersembunyi. Seperti yang ditunjukkan padaGambar 20,
jumlah optimal neuron tersembunyi adalah 6. Selain itu, Gambar 21 menunjukkan
sensitivitas kesalahan kuadrat rata-rata (MSE) dari pendekatan jaringan yang
berkembang versus jumlah neuron tersembunyi. Seperti yang ditunjukkan pada
Gambar. 20 dan 21, jumlah optimum hidden neuron adalah 6. Hasil yang
diperoleh dari topologi jaringan optimum diilustrasikan pada Gambar 22. Gambar
22 menggambarkan plot pencar dari output JST versus waktu terobosan
eksperimental yang sesuai. Sebagai
Gambar 18. Data eksperimen versus prediksi berdasarkan indeks data.
 MA Ahmadiyah dkk. / Bahan Bakar 117 (2014) 579–589 587

Pelatihan: R2 = 0,89212 Validasi: R2 = 0,84112

180

140 Data Data

160
Bugar Bugar

120 140 Y=T

Y=T
120
100

Keluaran JST
Keluaran JST
100
80
80
60
60
40
40
20 20

50 100 150 50 100 150

Eksperimental Eksperimental

Tes: R2 = 0,83115 Semua: R2=0.85047

180
100 Data Data
160
Bugar Bugar

Y=T 140 Y=T

80
120
Keluaran JST

Keluaran JST
60 100

80
40 60

40
20
20

20 40 60 80 100 50 100 150

Eksperimental Eksperimental

Gambar 22. Plot pencar dari hasil model jaringan saraf tiruan (JST) yang dikembangkan versus nilai eksperimen yang sesuai.

Tabel 3
Parameter model regresi untuk terobosan penentuan waktu.

Model Koefisien tidak terstandarisasi Koefisien terstandarisasi Beta

B Std. Kesalahan

(Konstan) 23,833 10.264

H 2.367 . 181 . 707
Q 6.168 1,001 . 336
FN 9.877 1.942 . 282
Viskositas 2.427 5.228 . 025

Gambar 23. Diagram sebar untuk waktu terobosan berdasarkan pendekatan regresi ditinjau dari
koefisien korelasi (R2).

terlihat jelas dari Gambar 22, koefisien korelasi model jaringan lebih besar
daripada pendekatan fuzzy, tetapi sangat lebih rendah dari model mesin vektor
dukungan kuadrat terkecil (LSSVM).
Akhirnya, metode regresi linier digunakan untuk mengetahui waktu
terobosan. Parameter yang diperoleh dari model regresi yang dikembangkan
dirangkum dalamTabel 3. Hasil dari model regresi yang dikembangkan
ditunjukkan dalamGambar 23 versus waktu terobosan aktual yang sesuai.
MenurutGambar 23, hasil dari model regresi yang dituju tidak mengikuti garis
diagonal dan ini berarti bahwa model regresi gagal memprediksi atau memantau
waktu terobosan water coning dengan tingkat akurasi yang tinggi. Setelah itu, Gambar 24. Penyimpangan relatif dari nilai waktu terobosan yang ditentukan dari sistem yang
dipelajari oleh model regresi versus waktu terobosan aktual yang relevan.
deviasi relatif dari keluaran regresi versus waktu terobosan yang relevan
diilustrasikan dalam
model regresi adalah sekitar 170% dan kriteria ini menegaskan poin sebelumnya.
Gambar 24 demikian juga. Seperti yang digambarkan dalamGambar 24, simpangan maksimum dari
588 MA Ahmadi dkk. / Bahan bakar
Gambar 25. Kepentingan relatif dari parameter yang diterapkan untuk penentuan waktu
terobosan.
Pada bagian terakhir, untuk menggambarkan kepentingan relatif dari setiap
variabel input pada target yang dituju (waktu terobosan), metode analisis
sensitivitas kinerja tinggi yang disebut "Analysis of Variance (ANOVA)" dijalankan.
Hasil yang diperoleh dari pendekatan ANOVA dipamerkan diGambar 25.
Didedikasikan untukGambar 25, waktu terobosan air coning melalui reservoir
retak sebagian besar dan sangat dipengaruhi oleh ketinggian (H). Juga, viskositas
fluida reservoir memiliki efek terendah pada keluaran yang dituju (waktu
terobosan) juga.
6. Kesimpulan
Pengetahuan tentang waktu terobosan pengerukan air di sumur minyak,
dapat dianggap sebagai bantuan besar untuk menyediakan skema produksi dan
peningkatan pemulihan minyak (EOR) yang lebih efisien dan kuat. Untuk menilai
tujuan ini, dalam penelitian ini komunikasi telah dilakukan upaya besar-besaran
untuk menyediakan pendekatan parameter rendah yang disebut mesin vektor
dukungan kuadrat terkecil (LSSVM) yang tidak mungkin terjebak dalam masalah
over-fitting. Selain itu, pendekatan lain berdasarkan jaringan saraf tiruan (JST),
logika fuzzy yang disetel dengan hibrida dari filter Kalman dan algoritma genetika
dieksekusi untuk menghitung waktu terobosan kerucut air juga. Berdasarkan
analisis statistik dari hasil yang diperoleh dari pekerjaan ini, LSSVM memiliki
presisi yang memadai dan masuk akal dan ketidakpastian yang rendah terhadap
pendekatan lain seperti jaringan saraf tiruan (JST) dan logika fuzzy.
Referensi
[1] Buku pegangan teknik Waduk Ahmed T. edisi ketiga. Burlington, MA, AS: Profesional Teluk;
2006.
[2] Moradi B, Dastkhan Z, Roozbehani B. Desain dan persiapan simulator untuk fenomena
pengerukan air yang diterapkan di reservoir retak. Pet Sci Technol 2012;30(15):1579–90.
[3] Tabatabaei M, Ghalambor A, Guo B. Solusi analitis untuk pengerukan air di sumur vertikal.
SPE Prod Opera 2012;27(2):195–204.
[4] Bahadori A. Penentuan penempatan sumur dan waktu terobosan pada sumur horizontal
untuk reservoir homogen dan anisotropik. J Pet Sci Eng 2010;75:196–202.
[5] Wagenhofer T, Hatzignatiou DG. Optimalisasi penempatan sumur horizontal, SPE 35714,
dipresentasikan pada pertemuan regional barat yang diadakan di Anchorage, Alaska 22-24;
Mei 1996.
[6] Sobocinski DP, Cornelius AJ. Korelasi untuk memprediksi waktu pengerukan air. J Pet
Technol 1965;17(5):594–600.
117 (2014) 579–589
[7] Pirson SJ, Mehta MM. Sebuah studi langkah-langkah perbaikan untuk air-coning melalui
simulator dua dimensi. SPE 1808, pertemuan musim gugur masyarakat insinyur
perminyakan AIME, New Orleans, LA, 1-4 Oktober; 1967.
[8] Bournazel C, Jeanson B. Evaluasi pengerukan air cepat. SPE Paper 3628 dipresentasikan
pada SPE 46th Annual Fall Meeting, New Orleans, 3–6 Oktober;
1971.
[9] Ozkan E, Raghavan R. Kinerja Sumur Horisontal yang Dipengaruhi Penggerak Air Bawah. SPE
Paper 18545, dipresentasikan pada SPE Eastern Regional Meeting. Charleston, Virginia
Barat; 2–4 November 1988.
[10] Papatzacos P, Herring TU, Martinsen R, Skjaeveland SM. Waktu terobosan kerucut untuk
sumur horizontal. Dalam: SPE Paper 19822, dipresentasikan pada Konferensi dan Pameran
Tahunan SPE ke-64, San Antonio, TX; 8-11 Oktober 1989.
[11] Omeke JE, Livinus A, Uche IN, Obah B, Ekeoma E. Model waktu terobosan kerucut yang
diusulkan untuk sumur horizontal di reservoir tepi minyak tipis. Dalam: Konferensi dan
Pameran Internasional Tahunan Nigeria, 31 Juli-7 Agustus, Tinapa - Calabar, Niger; 2010.
[12] Muskat M, Wyckoff RD. Sebuah teori perkiraan pengerukan air dalam produksi minyak.
Trans AIME 1935;114:144–59.
[13] Muskat M. Prinsip fisik produksi minyak. New York: Mc Graw-Hill; 1949.
[14] Elkins LF. Masalah yang tidak biasa dari pengerukan air dasar dan efisiensi invasi air
volumetrik. Pertemuan Musim Gugur Tahunan ke-33 SPE, Houston, TX. 5–8 Oktober. Kertas
SPE 1121-G; 1958.
[15] Fortunati F. Pengerukan air di dasar sumur. SPE 544, Catatan Teknis;
1962. hal. 1–9.
[16] Karp JC, Lowe DK, Marusov N. Penghalang horizontal untuk mengontrol pengerukan air. JPT
1962;783–790.
[17] Smith CR, Pirson SJ. Kontrol coning air di sumur minyak dengan injeksi cairan. SPE 613.
Reservoir Eng J; 1963. hal. 314–26 (Desember).
[18] Mengalahkan HD. Pengaruh coning terhadap laju produksi bersih sumur di reservoir
heterogen. Pertemuan Musim Gugur Tahunan ke-39 SPE, Houston, TX, 11–14 Oktober.
Kertas SPE 893; 1964.
[19] Romero-Juarez A. Karakteristik produksi minyak yang berhubungan dengan pengerukan air.
Reservoir Eng J 1-34 SPE; 1964.
[20] Blake JR, Kueera A. Coning di reservoir minyak. Matematika Sci 1988;13:36–47.
[21] Guo B, Lee RLH. Pendekatan sederhana untuk optimasi interval penyelesaian dalam sistem
coning minyak/air. SPE 23994. Reservoir SPE Eng J 1993:249–55.
[22] Gunning J, Paterson L, Poliak B. Coning dalam sistem dual selesai. J Petrol Sci Eng
1999;23(8):27–39.
[23] Guyaguler B, Horne RN. Penilaian ketidakpastian optimasi penempatan sumur. Dalam:
Konferensi dan Pameran Teknis Tahunan SPE, 30 September-3 Oktober, New Orleans,
Louisiana; 2001.
[24] Ould-amer YO, Chikh S. Perilaku sementara antarmuka air-minyak dalam aliran ke atas
dalam media berpori. J Porous Media 2003;6(2):1–12.
[25] Utama FA. Model analitik untuk memprediksi aliran segregated di penyelesaian water sink
downhole dan reservoir anisotropik. Dalam: makalah SPE 120196, dipresentasikan pada
Konferensi dan Pameran Teknis Tahunan SPE yang diadakan di Denver CO.; 21–24
September 2008.
[26] Hagan M, Demuth HB, Beale MH. Desain jaringan saraf. Boston: Penerbitan Thomson
Internasional; 2002.
[27] Gharagheizi F, Ilani-Kashkouli P, Sattari M, Mohammadi AH, Ramjugernath D, Richon D.
Pengembangan model LSSVM-GC untuk memperkirakan konduktivitas listrik cairan ionik,
Chem Eng Res Des, di Press. (doi: 10.1016/
j.cherd.2013.06.015)
[28] Eslamimanesh A, Gharagheizi F, Illbeigi M, Mohammadi AH, Fazlali A, Richon
D. Pemodelan kesetimbangan fasa hidrat klatrat metana, karbon dioksida, nitrogen, dan
promotor organik larut air + hidrogen menggunakan algoritma mesin vektor pendukung.
Kesetimbangan Fase Fluida 2012;316:34–45.
[29] Curilem M, Acuña G, Cubillos F, Vyhmeister E. jaringan saraf dan mendukung model mesin
vektor yang diterapkan pada pengoptimalan konsumsi energi dalam penggilingan
semiautogen. Chem Eng Trans 2011;25:761–6.
[30] Cortes C, Vapnik V. Jaringan dukungan-vektor. Pembelajaran mesin. jilid 20; 1995. <http://
www.springerlink.com/content/k238jx04hm87j80g/>.
[31] Halaman Dukungan Mesin Vektor, Wikipedia (diakses 10-2011.
[32] Suykens JAK, Van Gestel T, De Brabanter J, De Moor B, Vandewalle J. Kotak terkecil
mendukung mesin vektor. Singapura: Ilmu Pengetahuan Dunia; 2002.
[33] Suykens JAK, Vandewalle J. Kuadrat terkecil mendukung pengklasifikasi mesin vektor. Proses
Neural Lett 1999;9:293–300.
[34] Pelckmans K, Suykens JAK. Van Gestel T, De Brabanter D, Lukas L, Hamers B, De Moor B,
Vandewalle J. LS-SVMlab: kotak peralatan Matlab/C untuk kuadrat terkecil mendukung
mesin vektor. Laporan Internal 02-44, ESATSISTA; KU Leuven: Leuven, Belgia; 2002.
[35] Goldberg DE. Algoritme genetika dalam penelusuran, pengoptimalan, dan pembelajaran
mesin. MA, Membaca: Addison-Wesley; 1989.
[36] Davis L. Buku Pegangan algoritma genetika. New York: Van Nostrand Reinhold; 1991.
[37] MATLAB R2012a. The MathWorks Inc.; 2012
[38] Hornik K, Stinchcombe M, White H. Pendekatan universal dari pemetaan yang tidak
diketahui dan turunannya menggunakan jaringan feed forward multilayer. Jaringan Saraf
1990;3(5):551–60.
[39] Garcia-Pedrajas N, Hervas-Martinez C, Munoz-Perez J. Covnet: model evolusi bersama
kooperatif untuk mengembangkan jaringan saraf tiruan. IEEE Trans Neural Networks
2003;14:575–96.
[40] Hornick K, Stinchcombe M, White H. Jaringan feed forward multilayer adalah pendekatan
universal. Jaringan Saraf 1989; 2:359–66.
 MA Ahmadi dkk. / Bahan bakar
[41] Brown M, Harris C. Pemodelan dan kontrol adaptif fuzzy neural. NJ, PrenticeHall: Tebing
Englewood; 1994.
[42] Zendehboudi S, Ahmadi MA, Bahadori A, Shafiei A, Babadagli T. Teknik cerdas yang
dikembangkan untuk memprediksi tekanan campur minimum—implikasi EOR. Can J Chem
Eng 2013;91(7):1325–37.
[43] Zendehboudi S, Ahmadi MA, Mohammadzadeh O, Bahadori A, Chatzis I.
Investigasi termodinamika produksi presipitasi asphaltene: selama minyak primer
laboratorium dan teknik cerdas. Tahun 2013;52:6009–31. Eng Chem Res
[44] Ahmadi MA, Ebadi M, Shokrollahi A, Majidi SMJ. Evolusi jaringan saraf tiruan dan algoritma
kompetitif imperialis untuk prediksi laju aliran minyak reservoir. Appl Soft Comput
2013;13:1085–98.
[45] Ahmadi MA, Shadizadeh SR. Pendekatan baru untuk prediksi presipitasi asphaltene akibat
deplesi alami dengan menggunakan konsep algoritma evolusioner. J Bahan Bakar
2012;102:716–23.
[46] Ahmadi MA. Jaringan syaraf tiruan berbasis optimasi gerombolan partikel terpadu untuk
prediksi presipitasi asphaltene. Kesetimbangan Fase Fluida 2012;314:46–51.
[47] Ahmadi MA, Golshadi M. Neural network based swarm concept untuk prediksi presipitasi
asphaltene akibat deplesi alami. J Pet Sci Eng 2012;98-99:40–9.
117 (2014) 579–589 589
[48] Zendehboudi S, Ahmadi MA, James L, Chatzis I. Prediksi rasio kondensat-ke-gas untuk
reservoir kondensat gas retrograde menggunakan jaringan saraf tiruan dengan optimasi
segerombolan partikel. Bahan Bakar Energi 2012;26:3432–47.
[49] Ahmadi MA, Zendehboudi S, Lohi A, Elkamel A, Chatzis I. Prediksi permeabilitas reservoir
oleh jaringan saraf yang dikombinasikan dengan algoritma genetika hybrid dan optimasi
swarm partikel. Prospek Geofisika
2013;61:582–98.
[50] Ahmadi MA. Prediksi presipitasi asphaltene menggunakan jaringan saraf tiruan yang
dioptimalkan oleh algoritma kompetitif imperialis. J Pet Expl Prod Technol 2011; 1:99–106.
[51] Zadeh LA. Himpunan kabur. Kontrol Inf 1965;8:338.
[52] Wang L, Yen J. Mengekstrak aturan fuzzy untuk pemodelan sistem menggunakan hibrida
algoritma genetika dan filter Kalman. Sistem Himpunan Fuzzy 1999;101(3):353–62.
[53] Mehdizadeh B, Movagharnejad K. Studi perbandingan antara metode LS-SVM dan
persamaan semi empiris untuk pemodelan kelarutan zat terlarut yang berbeda dalam
karbon dioksida superkritis. Chem Eng Res Des 2011;89:2420–7.
[54] Fazeli H, Soleimani R, Ahmadi MA, Badrnezhad R, Mohammadi AH. Studi eksperimental dan
pemodelan ultrafiltrasi limbah kilang menggunakan pendekatan cerdas hibrida. Bahan
Bakar Energi 2013;27:3523–37.