OTC-26450-MS

Penerapan Kecerdasan Buatan untuk Masalah Pengerukan Air

pada Reservoir Minyak Ketat Retak Hidraulik
Shams Kalam, Sami Abdulaziz Alnuaim, dan Muzammil Hussain Rammay, Universitas Perminyakan & Mineral King Fahd

Hak Cipta 2016, Konferensi Teknologi Lepas Pantai

Makalah ini disiapkan untuk dipresentasikan pada Offshore Technology Conference Asia yang diadakan di Kuala Lumpur, Malaysia, 22-25 Maret 2016.

Makalah ini dipilih untuk dipresentasikan oleh komite program OTC setelah meninjau informasi yang terkandung dalam abstrak yang dikirimkan oleh penulis. Isi
makalah belum ditinjau oleh Konferensi Teknologi Lepas Pantai dan dapat dikoreksi oleh penulis. Materi tidak selalu mencerminkan posisi apa pun dari Konferensi
Teknologi Lepas Pantai, pejabatnya, atau anggotanya. Dilarang memperbanyak, mendistribusikan, atau menyimpan secara elektronik bagian mana pun dari makalah
ini tanpa persetujuan tertulis dari Konferensi Teknologi Lepas Pantai. Izin untuk mereproduksi dalam bentuk cetak dibatasi untuk abstrak tidak lebih dari 300 kata;
ilustrasi tidak boleh disalin. Abstrak harus berisi pengakuan hak cipta OTC yang mencolok.

Abstrak
Kecerdasan buatan memainkan peran penting dalam industri minyak dan gas. Dalam makalah ini prosedur baru dan
model statistik yang unik telah dikembangkan untuk memprediksi laju minyak kritis pada setiap perimeter fraktur
hidrolik dan properti reservoir untuk Reservoir Minyak Ketat (TOR) yang mengandung fraktur hidrolik di bawah masalah
pengerukan air. Pendekatan baru menggunakan simulasi numerik dan Jaringan Syaraf Tiruan (JST). Mensimulasikan
perilaku coning adalah teknik yang mahal dan memakan waktu. Oleh karena itu, diperlukan korelasi siap pakai yang
dapat membantu sebagai perkiraan cepat yang baik.
Karya penelitian ini menunjukkan model simulasi 3D, yang telah berjalan untuk rentang yang berbeda dari
konduktivitas rekahan, kf*w (md-ft), permeabilitas reservoir, k (mD), rasio anisotropi, kv/k, perbedaan densitas,
w-o (lb/ft3), kontak minyak air, WOC (ft), panjang rekahan, LF (ft), tinggi patahan, hF (ft) dan viskositas oli,
o (cp) untuk mencari laju minyak kritis. Jumlah total 20.000 titik data diperoleh dari 20.000 jumlah simulasi yang

dijalankan dengan menggabungkan simulator reservoir komersial dengan MATLAB. ANN digunakan untuk
mendapatkan korelasi umum untuk laju minyak kritis di reservoir minyak ketat yang retak secara hidraulik.
Tujuh puluh persen dari titik data simulasi digunakan untuk mengembangkan korelasi dan sisanya digunakan untuk
memvalidasi dan menguji korelasi yang diusulkan. Hasil menunjukkan kesepakatan yang baik dengan data yang tidak terlihat.
Parameter korelasi ditransformasikan ke dalam bentuk tak berdimensi untuk mendapatkan korelasi yang digeneralisasikan.
Teknik regresi nonlinier juga diterapkan untuk mencari korelasi, tetapi JST memberikan hasil yang baik dengan kesalahan yang
lebih kecil dibandingkan dengan regresi nonlinier. Diamati bahwa laju minyak kritis sangat tergantung pada panjang setengah
rekahan, tinggi rekahan dan konduktivitas rekahan pada sumur minyak vertikal rekahan hidrolik.

pengantar
Reservoir minyak ketat (TOR) adalah reservoir yang hanya dapat diproduksi secara komersial dan ekonomis
dengan teknik stimulasi yang sesuai (biasanya hydraulic fracturing). Mereka umumnya ditandai dengan
permeabilitas rendah (kurang dari 1 mD). Rekah hidrolik menghasilkan fraktur konduktif tinggi di reservoir
untuk meningkatkan produktivitas.
Pengerukan air adalah masalah produksi di mana air dasar menembus ke daerah perforasi di zona dekat
lubang sumur dan menurunkan produksi minyak.
2 OTC-26450-MS

Gambar 1 menunjukkan geometri idealis khas dari rekahan vertikal. Masalah pengerukan air menjadi lebih
kritis di sumur vertikal yang retak secara hidraulik. Desain rekahan hidrolik yang tidak tepat akan menyebabkan
terobosan air lebih awal karena masuknya air ke dalam perforasi. Masalah pengerukan air dapat ditunda dengan
mengoptimalkan laju produksi minyak kritis (laju produksi di atas mana air masuk ke dalam sumur). Ini juga
dapat dipahami sebagai tingkat produksi tanpa air maksimum. Oleh karena itu, perlu dibuat korelasi water
coning untuk TOR rekahan hidraulik untuk memperkirakan laju minyak kritis. Korelasi dikembangkan untuk
sumur vertikal rekahan hidraulik di TOR dalam studi penelitian ini.

Gambar 1—Geometri Fraktur Hidrolik Vertikal (Sumber: Stimulasi Waduk, Michael. J. Ekonomi)

Masalah pengerukan air telah dipelajari oleh beberapa penulis. Penentuan kadar minyak kritis selalu menjadi topik
utama diskusi di daerah penelitian coning. Beberapa model coning air analitik dan empiris telah disajikan di masa lalu.
Muskat dan Wyckoff (1935) adalah yang pertama mempelajari masalah water coning dan menerbitkan algoritma coning
untuk memperkirakan tingkat minyak kritis. Mereka menganggap pengerukan air sebagai masalah sensitif laju yang
terjadi ketika situasi keseimbangan tertentu tidak seimbang. Hal ini disebabkan oleh peningkatan perbedaan tekanan di
atas batas-batas tertentu.Meyer dan Garder (1954) mengusulkan bahwa masalah coning disebabkan oleh aliran radial
minyak dan pressure sink yang terhubung di dekat lubang sumur. Mereka mengasumsikan reservoir homogen dengan
kv kh.Chaney dkk. (1956)menemukan potensi minyak baik dengan analisa potensiometri dan persamaan matematika.
Mereka membangun keluarga kurva untuk meramalkan tingkat kritis untuk berbagai panjang perforasi. Untuk sumur
minyak vertikal, model potensiometri digunakan untuk memprediksi perilaku pengerukan air dengan:Chierici dan Ciucci
(1964). Pekerjaan mereka menunjukkan grafik tanpa dimensi, yang menangkap perilaku permeabilitas vertikal dan
horizontal.Sekolah (1972) membangun korelasi empiris berdasarkan hasil yang diperoleh dari eksperimen laboratorium
dan simulator numerik.
Ketua (1986) menyarankan hubungan untuk pembentukan anisotropik (kv kh) untuk memprediksi tingkat kritis.
HH Abass dkk. (1988)menerbitkan solusi analitik untuk menentukan laju minyak kritis untuk kedua stabil
kondisi aliran keadaan tunak dan keadaan tunak semu. Mereka menyelidiki lokasi dan panjang optimal untuk bagian
berlubang untuk menunda pengerukan air.
Hoyland, Papatzacos, dan Skjaeveland (1989) mempelajari solusi analitis dan numerik untuk meramalkan
laju minyak kritis untuk pengerukan air dalam kasus sistem anisotropik dan homogen. Dalam metode
simulasi numerik, mereka menjalankan sejumlah besar simulasi. Berdasarkan simulasi nilai laju kritis,
penulis menggunakan teknik regresi untuk membangun model reservoir isotropik dan anisotropik.Guo dan
Lee (1993) mempertimbangkan efek masuk terbatas pada produktivitas minyak dalam model mereka.
Model ini didasarkan pada asumsi medan aliran tiga dimensi radial/spherical/combined (RSC) di reservoir
gradien tekanan tinggi.M. Tabatabaei dkk. (2012)mengembangkan model analitik untuk coning
OTC-26450-MS 3

belajar. Model ini mampu menentukan laju aliran kritis dan interval penyelesaian optimal untuk sumur
vertikal dengan penyelesaian sebagian.
Pekerjaan sebelumnya menunjukkan korelasi coning untuk reservoir konvensional. Makalah ini menggambarkan model
pengerukan air untuk kuantifikasi laju minyak kritis di reservoir minyak ketat yang retak secara hidraulik. Ini akan berfungsi
sebagai alat cepat dalam merancang perimeter fraktur hidrolik di TOR.

Metodologi

Laju produksi minyak kritis merupakan parameter penting dalam fenomena water coning. Sebuah model
simulasi dibuat untuk TOR dengan sumur vertikal yang retak secara hidraulik. Teknik Local Grid Refinement (LGR)
digunakan untuk mensimulasikan fraktur. Model simulasi dijalankan oleh simulator komersial. Untuk
menghasilkan sejumlah besar simulasi berjalan, simulator komersial digabungkan dengan MATLAB. Terakhir, alat
statistik yang tepat digunakan untuk membuat korelasi yang diinginkan. Asumsi model simulasi reservoir kami
adalah:

● Homogen dan anisotropik (kv kh)

● Tekanan Reservoir tetap di atas tekanan titik gelembung yaitu minyak fase tunggal digunakan.
● Fraktur bersifat vertikal dan simetris
● Reservoirnya basah oleh air

Model Simulasi Reservoir

Makalah ini menunjukkan model simulasi tiga dimensi yang dibuat dari 15 oleh 15 grid masing-masing dalam arah X
dan Y, masing-masing dengan dimensi 200 kaki. Reservoir berlapis menjadi 25 lapisan dengan ketebalan 10 kaki. Teknik
Local Grid Refinement (LGR) digunakan untuk mensimulasikan fraktur. Sumur vertikal tunggal ditempatkan di reservoir
yang menembus semua lapisan.Tabel 1 di bawah ini menunjukkan sifat reservoir yang digunakan dalam model simulasi
ini.

Tabel 1—Properti Reservoir

Parameter Nilai

Tekanan waduk 4500 psi

Porositas 21,0%
Kedalaman 8000 kaki

Faktor Volume Pembentukan Minyak 1.24 res bbl/STB

Viskositas Minyak 1,14 cp

Angka 2 dan 3 menunjukkan tampilan atas dan depan model simulasi kami. KetikaGambar 4 menunjukkan fraktur
dalam model simulasi.
4 OTC-26450-MS

Gambar 2—Tampilan Atas Model Simulasi

Gambar 3—Tampilan Depan Model Simulasi

Gambar 4—Fraktur dalam Model Simulasi

OTC-26450-MS 5

Model simulasi 3D telah dijalankan untuk berbagai rentang konduktivitas rekahan, kF*w (md-ft), permeabilitas
reservoir, k (mD), rasio anisotropi, kv/k, perbedaan densitas, w-o (lb/ft3), kontak minyak air, WOC (ft), panjang
rekahan, LF (ft), tinggi patahan, hF (ft) dan viskositas oli, o (cp) untuk menemukan tingkat minyak kritis
(Qok). Lebih dari 20.000 titik data diperoleh dengan mengintegrasikan simulator reservoir komersial dengan
MATLAB. Teknik regresi multivariat digunakan untuk mendapatkan korelasi umum untuk waktu
untuk terobosan di sumur vertikal yang retak secara hidraulik di reservoir minyak yang ketat. Rentang parameter untuk
menjalankan simulasi yang berbeda adalah sebagai berikut:

Analisis Simulasi
Sensitivitas yang berbeda telah dilakukan untuk beberapa parameter reservoir dan rekahan. Ini adalah permeabilitas
reservoir, rasio anisotropi, densitas minyak, viskositas minyak, kontak minyak air, konduktivitas rekahan, setengah
panjang rekahan dan tinggi rekahan. Pengaruh parameter-parameter ini pada laju minyak kritis dijelaskan di bawah ini:

Gambar 5 menunjukkan hubungan antara laju minyak kritis (Qk) dan permeabilitas reservoir (k) pada kontak minyak air yang
berbeda (WOC), yang menggambarkan bahwa reservoir permeabel tinggi memberikan Q yang lebih besarok dan semakin dalam
WOC, semakin rendah Qok Tren serupa diamati untuk konduktivitas rekahan (kf*w) dan rasio anisotropi
permeabilitas (kv/k) seperti yang ditunjukkan pada Gambar 6 dan 7.

Gambar 5—Pengaruh permeabilitas reservoir pada laju minyak kritis pada Kontak Minyak Air yang berbeda
6 OTC-26450-MS

Gambar 6—Pengaruh konduktivitas rekahan pada laju minyak kritis pada Kontak Minyak Air yang berbeda

Gambar 7—Pengaruh rasio anisotropi pada laju minyak kritis pada Kontak Minyak Air yang berbeda

Angka 8 menunjukkan pengaruh variasi densitas minyak untuk beberapa WOC. Pada densitas minyak rendah hingga sedang,
pengaruh WOC serta densitas minyak tidak signifikan. Reservoir densitas minyak tinggi membutuhkan Q . yang lebih tinggiok untuk
mengalirkan air ke dalam perforasi.
OTC-26450-MS 7

Gambar 8—Pengaruh densitas minyak pada laju minyak kritis pada Kontak Minyak Air yang berbeda

Angka 9, 10 dan 11 menunjukkan pengaruh variasi viskositas minyak untuk permeabilitas reservoir yang berbeda,
konduktivitas fraktur dan rasio anisotropi pada Qok masing-masing. Viskositas minyak reservoir yang lebih tinggi akan memiliki
Q yang lebih rendahok untuk menerobos kerucut air ke dalam sumur produksi. Efek ini serupa untuk k, kf*w dan kv/k.

Gambar 9—Pengaruh konduktivitas rekahan pada laju minyak kritis pada viskositas minyak yang berbeda
8 OTC-26450-MS

Gambar 10—Pengaruh permeabilitas reservoir pada laju minyak kritis pada viskositas minyak yang berbeda

Gambar 11—Pengaruh rasio anisotropi pada laju minyak kritis pada viskositas minyak yang berbeda

Angka 12, 13, 14 dan 15 menunjukkan efek panjang setengah patahan untuk beberapa nilai reservoir
permeabilitas, konduktivitas fraktur, rasio anisotropi dan densitas minyak masing-masing pada Qok Untuk reservoir dari
permeabilitas yang berbeda, setengah panjang fraktur yang lebih besar membutuhkan Q . yang lebih tinggiok dan sebaliknya seperti yang ditunjukkan pada Gambar

12. Tetapi peningkatan setengah panjang patahan pada nilai yang lebih besar yaitu dari 1000 kaki menjadi 1500 kaki, ada sedikit peningkatan
OTC-26450-MS 9

dalam laju minyak kritis. Efek serupa telah terlihat untuk konduktivitas rekahan, rasio anisotropi dan densitas minyak seperti
yang ditunjukkan padaangka 13, 14 dan 15 masing-masing. Pengaruh tinggi patahan dapat dilihat dariGambar 16.
Tinggi rekahan yang lebih tinggi di reservoir membutuhkan Q . yang lebih tinggiok untuk kerucut air untuk menerobos ke
dalam perforasi.

Tabel 2—Rentang Variabel

Properti/Parameter Rentang

Konduktivitas Fraktur, kF*w, md-ft 10 hingga 10.000

Permeabilitas Reservoir, k, md 0,001 hingga 1

Rasio anisotropi, kv/k 0,1 hingga 9

Kepadatan Minyak, Hai, lb/ft3 44 hingga 58,5

Kontak Minyak Air, WOC, ft 8050 hingga 8090

Fraktur Setengah panjang, LF, 100 hingga 1500

ft Tinggi Fraktur, hF, ft 40 hingga 70

Viskositas Minyak, Hai, cp 1,52 hingga 0,96

Gambar 12—Pengaruh setengah panjang rekahan pada laju minyak kritis pada konduktivitas rekahan yang berbeda
10 OTC-26450-MS

Gambar 13—Pengaruh setengah panjang patahan pada laju minyak kritis pada rasio anisotropi yang berbeda

Gambar 14—Pengaruh setengah panjang rekahan pada laju minyak kritis pada permeabilitas reservoir yang berbeda
OTC-26450-MS 11

Gambar 15—Pengaruh setengah panjang rekahan pada laju minyak kritis pada densitas minyak yang berbeda

Gambar 16—Pengaruh tinggi rekahan pada laju minyak kritis pada konduktivitas rekahan yang berbeda
12 OTC-26450-MS

Algoritma untuk Tingkat Minyak Kritis

Dengan menggunakan parameter reservoir, laju minyak tanpa dimensi QD dapat ditemukan, yang akan digunakan dalam
memperkirakan laju minyak kritis.

(01)

Dimana k adalah permeabilitas reservoir dalam mD, h adalah ketebalan reservoir dalam ft, tekanan drawdown P
dalam psi, B dan masing-masing adalah faktor volume formasi (res bbl/STB) dan viskositas minyak (cp).

Regresi Non Linier

Regresi non-linier adalah praktik umum dalam membangun korelasi. Data dilengkapi dengan metode aproksimasi berturut-
turut. Hal ini diterapkan dalam studi penelitian kami untuk mendapatkan korelasi yang diinginkan. Korelasi baru yang
dikembangkan diberikan di bawah ini:

(02)

Di mana,

Tingkat minyak kritis tanpa dimensi

Tingkat minyak tanpa dimensi

Rasio Anisotropi Konduktivitas Fraktur

Tanpa Dimensi

LF Fraktur Setengah Panjang, ft

Rasio tinggi patahan dengan tinggi sumur di reservoir

Rasio tinggi fraktur dengan ketebalan zona minyak

kFw Konduktivitas Fraktur, mD-ft

w—o Perbedaan densitas air & minyak, lb/ft3
Korelasi laju minyak kritis tanpa dimensi dibuat dengan menggunakan regresi non-linier, tetapi persentase kesalahan absolut rata-
rata sangat tinggi untuk data yang terlihat (pelatihan) dan tidak terlihat (pengujian) seperti yang ditunjukkan pada meja 3. Jadi Jaringan
Syaraf Tiruan (JST) digunakan untuk mendapatkan korelasi yang diinginkan dengan kesalahan minimum.

Tabel 3—Analisis statistik korelasi non-linier untuk QCD

Mean Absolute Percentage Error (MAPE), % Average Error (APE), % Standar Deviasi (SD)

Data yang Dilihat (Pelatihan) 23.6831 3.1513 47.5634

Data Tak Terlihat (Pengujian) 30.1142 - 2.5747 38.4211
OTC-26450-MS 13

Jaringan Saraf Buatan

JST adalah algoritma yang digunakan untuk memecahkan masalah dengan meniru struktur dan fungsi
sistem saraf kita. Ini terdiri dari beberapa neuron buatan yang terhubung bersama sesuai dengan
arsitektur jaringan tertentu. Tujuan ANN adalah untuk mengubah input menjadi output yang berarti.
Model JST khas didasarkan pada serangkaian tiga lapisan (input, tersembunyi dan output). Data input diberikan ke
lapisan input yang memberi mereka makan ke lapisan tersembunyi di mana mereka diproses dan kemudian
diumpankan ke lapisan output. Setiap lapisan terdiri dari satu set neuron yang mirip dengan mesin komputasi untuk
lapisan. Neuron memproses setiap record data berdasarkan fungsi aktivasi. Kami menggunakan tan-sigmoid sebagai
fungsi aktivasi dalam kasus ini.
Model berbasis neural network yang diadopsi dalam penelitian ini adalah feedforward neural network (FFNN). Basis
data yang dikumpulkan dari 14465 data simulasi digunakan sebagai input ke FFNN untuk pelatihan sementara 6198 titik
data digunakan untuk menguji model. Topologi model JST kami ditunjukkan padaara. 17.

Gambar 17—Struktur QCD prediksi model berbasis FFNN

QCD Model JST terdiri dari lima neuron input (parameter input) yang dihubungkan dengan kv/k,
HF /(2Hdengan baik *ho), ln(FCD), ln(kF*w), ( w - o), satu lapisan tersembunyi dan satu neuron keluaran (parameter keluaran).
Neuron keluaran terkait dengan laju minyak kritis tak berdimensi. Ada 10 neuron di lapisan tersembunyi,
yang diperoleh setelah sensitivitas berjalan dari jumlah neuron. Levenberg-Marquardt kembali-
14 OTC-26450-MS

algoritma propagasi digunakan untuk pelatihan Neural Network. Jaringan algoritma yang diusulkan ditunjukkan pada
Gambar 1 dan secara matematis dapat digambarkan sebagai:
(03)

Di mana,
J Jumlah neuron lapisan tersembunyi
Saya Jumlah neuron lapisan input
xSaya Parameter Input (Normalized) Bias
BJ untuk lapisan tersembunyi
Bk Bias untuk lapisan Output
waku j Bobot antara Input dan Hidden Layer
wjk bobot antara Hidden dan Output Layer
F Fungsi transfer (Untuk yang disembunyikan adalah tan-sigmoid dalam skenario kami)
n Subskrip 'N' menunjukkan parameter yang dinormalisasi
nH Jumlah total neuron di lapisan
nSaya tersembunyi Jumlah total input
nhj neuron ke-j di lapisan tersembunyi Keluaran yang
(QCD)N dinormalisasi dari lapisan keluaran
Parameter input harus dinormalisasi sebelum menggunakan model JST kami (03) dan kemudian de-normalisasi
output.

Normalisasi Masukan
Normalisasi parameter input dilakukan dengan fungsi berikut:
(04)

xmaksimal dan xmin diberikan dalam meja 4.

OTC-26450-MS 15

Tabel 4—Deskripsi Statistik Data Input dan Output

Digunakan untuk Pelatihan

Parameter Nilai Minimum Nilai maksimum

Parameter Keluaran
QCD 0.2659 26.6178
Parameter Masukan

kv/k 0.1 9
H 2H
F /( HHai)
dengan baik *
0,444444 1.750
ln(FCD) - 4.39445 9.09256
ln(kF*w) 2.302585 9.21034
( w - o) 4,5 19

(05)

(06)

(07)

(08)

(09)

Persamaan (05) ke (09) menunjukkan bentuk normal dari lima parameter input kami.

De-Normalisasi Keluaran
De-normalisasi output dilakukan dengan fungsi berikut:
(10)

kamumaksimal dan kamumin diberikan dalam meja 4 untuk keluaran

(11)

Persamaan (11) memberikan hasil akhir dari model JST kami yang baru dikembangkan.
Bobot optimal dan nilai bias untuk seluruh jaringan JST diperoleh setelah pelatihan dan ini ditunjukkan
pada: Tabel 5.
16 OTC-26450-MS

Tabel 5—Bobot dan Nilai Bias untuk QCD Jaringan Saraf Buatan Model

Bobot antara Masukan Lapisan dan Lapisan Tersembunyi (wJi)

Neuron Lapisan Masukan (i)

Neuron Lapisan Tersembunyi (j) 1 2 3 4 5

1 - 2.84708 - 6.25892 - 9.61319 3.034146 0.1101535

2 0,515243 - 0,2254 - 2.39159 - 0,50876 0,089749
3 0,345623 0,688668 - 2.58249 - 0.21225 0,038945
4 - 0,05654 - 7.05314 - 1.78617 - 0,24273 0.005521
5 - 0,50798 0,441253 2.307749 0.617118 - 0.10926
6 - 0,01189 0,012879 2.235133 0,06061 - 0,00807
7 - 0,07913 - 0.38112 2.476714 0,099584 - 0,01662
8 - 2,755 - 1,87597 0,704177 0.291569 - 0,06014
9 0.289712 - 8.44624 - 1.69028 - 0,18368 0,002086
10 - 3.77673 1.225344 1.389844 0.238122 - 0,02663

Nilai Bias untuk Lapisan Tersembunyi Neuron (bJ) Bobot antara Lapisan Tersembunyi dan Lapisan Keluaran (wkj)

Lapisan Tersembunyi Neuron(j) bias (bj) Neuron Lapisan Tersembunyi (j) Keluaran Satu Neuron

1 7.060098
2 1.253477
3 1.874391
4 - 1.92989
5 - 1.10904
6 - 0,93572
7 - 1,43255
8 - 2.12794
9 - 2.22617
10 - 3.66944
1 - 0,79589
2 5.793592
3 - 3.63098
4 - 1,42652
5 4.064791
6 4.668026
7 - 6.24456
8 - 0,01223
9 1.459377
10 - 0,2301

Nilai Bias untuk Neuron Lapisan Keluaran (bk)

Neuron Lapisan Keluaran Nilai Bias (bk)

1 - 0.1338

Hasil dan Diskusi

Tujuh puluh persen dari titik data yang disimulasikan digunakan untuk mengembangkan korelasi dan sisanya mereka digunakan

untuk memvalidasi dan menguji algoritma yang diusulkan. Mean Absolute Percentage Error (MAPE) untuk data terlihat, tidak
terlihat dan keseluruhan kurang dari 5% yang menunjukkan bahwa model JST kami lebih akurat daripada regresi non linier
seperti yang ditunjukkan padameja 6. Angka 18, 19 dan 20 menunjukkan plot pencar untuk pelatihan, pengujian dan data
keseluruhan masing-masing. Koefisien determinasi (R2) lebih besar dari 99% untuk semua kasus, yang menegaskan tingginya
kualitas korelasi JST kami yang dikembangkan.

Tabel 6—Analisis statistik dari korelasi yang dikembangkan (berbasis JST)

Mean Absolute Percentage Error (MAPE), % Rata-rata Kesalahan (APE), % Standar Deviasi (SD) R2

Data yang Dilihat (Pelatihan) 4.8796 - 0,8510 15.9202 0,9921

Data Tak Terlihat (Pengujian) 4.5619 - 0,8685 14.3977 0,9928
Semua data 4.7843 - 0,8563 15.4789 0,9923
OTC-26450-MS 17

Gambar 18—Plot pencar untuk data pelatihan

Gambar 19—Plot pencar untuk data pengujian

18 OTC-26450-MS

Gambar 20—Plot pencar untuk seluruh data

Kesimpulan
● Korelasi empiris baru untuk laju minyak kritis berhasil dikembangkan dengan menggunakan
simulasi numerik dan JST.
● Korelasi baru yang diusulkan tidak berdimensi yaitu umum untuk reservoir minyak ketat yang
mengandung rekahan hidrolik di sumur vertikal.
● Korelasi yang diusulkan akan sangat membantu karena menghilangkan waktu, kompleksitas dan biaya
simulasi dalam reservoir minyak ketat retak hidrolik untuk masalah pengerukan air.
● Laju minyak kritis dalam reservoir minyak ketat yang retak secara hidraulik sangat tergantung pada parameter
patahan.

Tata nama
ANN Kesalahan Persentase Rata-
KERA rata Jaringan Syaraf Tiruan
BHai Faktor volume formasi oli,
FCD Konduktivitas rekahan tanpa dimensi
FFNN RB/STB Feedforward Neural Network
HF Tinggi Fraktur, ft
Hdengan baik Tinggi sumur di reservoir, ft
HHai Ketebalan zona minyak, ft
H Ketebalan Reservoir, ft
k Permeabilitas Reservoir,
kv/k rasio Anisotropi md
kf Permeabilitas fraktur, Konduktivitas
kf*w Fraktur mD, Penyempurnaan Jaringan
LGR Lokal mD-ft
LF Fraktur Setengah panjang, ft
OTC-26450-MS 19

peta Mean Absolute Percentage Error Subscript 'N'

n menunjukkan parameter yang dinormalisasi
Hai Viskositas Oli, cp
Qok Tingkat minyak kritis, Tingkat
QD Minyak Tanpa Dimensi STB/hari
QCD Standar Deviasi Tingkat Minyak
SD Kritis Tanpa Dimensi
w Lebar patahan, ft
WOC Kontak Minyak Air, ft
Kepadatan Minyak, lb/ft3
Hai

w Densitas Air, lb/ft3

P Tekanan Penarikan, psi
w - o, lb/ft3

Ucapan Terima Kasih

Kami ingin mengucapkan terima kasih khusus dan terima kasih kepada KFUPM untuk menyediakan kami fasilitas dan
mensponsori penelitian ini.

Referensi
1. Abass, HH dan Bass, DM 1988. Tingkat Produksi Kritis dalam Sistem WaterConing, SPE 17311.
Chaney, PE, Noble, MD, Henson, WL, and Rice, TD 1956. Cara Melubangi Sumur Anda untuk Mencegah Air dan Gas
mengerucut. Minyak Gas 55. : 108–114.
2. Chaperon, I. 1986. Studi Teoritis Coning Menuju Sumur Horisontal dan Vertikal pada Formasi Anisotropik:
Laju Subkritis dan Kritis, SPE 15377.
3. Chierici, GL, Ciucci, GM, dan Pizzi, G. 1964. Sebuah Studi Sistematis Gas dan Air Coning Dengan Model
Potensiometri. J Pet Technol 16 (8): 923–929, SPE-871-PA.
4. Guo, B. dan Lee, RL -H. 1993. Pendekatan Sederhana untuk Optimasi Interval Penyelesaian dalam Sistem Pengerukan
Minyak/Air.SPE Res Eng 8 (4): 249–255, SPE-23994-PA.
5. Høyland, LA, Papatzacos, P., dan Skaeveland, SM 1989. Tingkat Kritis untuk Coning Air: Korelasi dan Solusi
Analitik. SPE Res Eng 4 (4): 495–502, SPE-15855-PA.
6. Meyer, HI dan Gardner, AO 1954. Mekanika Dua Cairan yang Tidak Dapat Dicampur dalam Media Berpori. J. AppL Phys. 25 (11): 1400–
1406.
7. Muskat, M. dan Wycokoff, RD 1935. Sebuah Teori Perkiraan WaterConing dalam Produksi Minyak. Di dalamPengembangan
dan Teknologi Perminyakan 1935, Jil. 114, 144-163.
8. M. Tabatabaei and A. Ghalambor, 2012, Solusi Analitik untuk Pengerukan Air di Sumur Vertikal, SPE-113106-PA.
9. Reservoir Stimulation Edisi Kedua oleh: Michael. J. Economides Kenneth G. Nolte. Gambar 12-14 Geometri rekahan
hidrolik ideal.
10. Schols, RS 1972. Formula Empiris untuk Tingkat Produksi Minyak Kritis. ErdoelErdgas Z. 88 (1): 6–11.
20 OTC-26450-MS

Lampiran

Mean Absolute Percentage Error (MAPE) adalah alat statistik untuk mengetahui keakuratan data. Ini didefinisikan
secara matematis sebagai:

Average Percentage Error (APE) adalah alat lain untuk menemukan keakuratan data dan didefinisikan secara matematis
sebagai:

Standar Deviasi (SD) mengkuantifikasi deviasi data dari nilai rata-ratanya. Ini didefinisikan secara matematis
sebagai berikut:

Di mana,
x Persen Absolut Error untuk titik data 'i'
Mean Absolute Percentage Error
n (MAPE) Jumlah titik data