Machine Learning &

Artificial Intelligence
di Industri Migas

Selama dekade terakhir, AI dan ML menjadi topik yang paling banyak diteliti di akademisi dan
Abstrak

lembaga R&D komersial. Sebagian besar perusahaan minyak berinvestasi untuk meningkatkan sistem
operasi mereka yang berbasis AI dan ML secara cepat dan efisien. Sejak pertengahan tahun 2000,
neutron network kembali muncul dengan berbagai pembelajaran arsitektur yang mendalam.
Kemajuan tersebut membawa banyak kemajuan di berbagai bidang industri. Namun, metode
tersebut tidak dieksploitasi secara maksimal di industri minyak dan gas bumi sehingga banyak
peneliti dan insinyur yang mengembangkan aplikasi machine learning lebih dalam di industri migas.
Beberapa aplikasi machine learning yang populer di industri migas yaitu Artificial Neural Network
(ANN) dan Least Squares-Support Vector Regression (LS-SVR).

Latar Belakang dan Permasalahan Metode dan Solusi

Artificial intelligence merupakan ilmu komputer yang bekerja Metode yang digunakan dalam pemodelan
dengan kemampuan mesin pada pola perilaku manusia yang petrofisika dan geo-mekanik gas shale yaitu
serupa. AI menyediakan platform bagi komputer untuk memproses metode analisis berbasis data petrofisika atau
sejumlah besar informasi dan data untuk menghasilkan kesimpulan petrophysical data-driven analytics (PDDA).
dalam waktu singkat untuk memudahkan manusia memperoleh
Metode dalam industri migas yang sering
hasil yang lebih akurat. Machine learning merupakan teknologi
digunakan serta menerapkan machine learning
mesin yang dikembangkan sehingga mesin dapat belajar dengan
dan artificial intelligence diantaranya sebagai
sendirinya tanpa arahan dari penggunanya. ML memungkinkan
komputer untuk belajar menanggapi kebutuhan yang diinginkan berikut:
atau perilaku manusia dan juga belajar bagaimana menggunakan 1. Artificial Neural Network (ANN), aplikasi
self-defining algoritma. Machine learning dan artificial intelligence model ML yang digunakan untuk operasi
di industri migas dapat diterapkan dalam petrofisika dan rekahan hidraulik.
pemodelan geo-mekanis untuk mengidentifikasi zona reservoir dan 2. Fuzzy rule-based system, mencari sumber
memprediksi sifat geo-mekanis seperti fracability yang merupakan ketidakpastian penyebab ketidakakuratan
parameter kritis selama perekahan hidraulik. data dan memprediksi permeabilitas pada
AI dan ML juga membawa banyak manfaat di industri migas untuk
batuan sedimen menggunakan well-logs.
perencanaan pengembangan reservoir dan akurasi operasionalnya.
3. Least Squares-Support Vector Regression (LS-
Sistem ML mempelajari data reservoir yang telah dieksplorasi dan
SVR), mesin vektor pendukung berbasis AI
dikembangkan dan perilaku aliran fluida cross-ponding dalam
keadaan yang berbeda sehingga dapat memprediksi dengan lebih yang digunakan untuk memprediksi sifat
akurat. Kemajuan teknologi ini memudahkan akses sejumlah besar geo-mekanis.
data petrofisika dengan resolusi tinggi. Permasalahan yang
diangkat yaitu apa saja teknik ML dan AI dalam petrofisika dan
geo-mekanik gas shale yang sering digunakan dan bagaimana
penggunaannya.

Referensi
Hiren Maniar, dkk. 2018. Machine-learning methods in
geoscience, in: SEG Tech-nical Program Expanded Abstracts 2018,
Society of Exploration Geophysicists, pp. 4638e4642.
S. Bhattacharya, S. Mishra. 2018. Applications of machine learning
for facies andfracture prediction using Bayesian Network Theory
and Random Forest: casestudies from the Appalachian basin, USA,
J. Petrol. Sci. Eng. 170.