Machine Translated by Google

Ilmu dan Teknologi Perminyakan

ISSN: 1091-6466 (Cetak) 1532-2459 (Online) Beranda jurnal: http://www.tandfonline.com/loi/lpet20

Menerapkan jaringan saraf fungsi basis radial

untuk prediksi retensi surfaktan dalam minyak bumi
industri produksi dan pengolahan

Afshin Tatar, Saeid Nasery, Alireza Bahadori, Meysam Bahadori, Adel Najafi
Marghmaleki & Ali Barati-Harooni

Mengutip artikel ini: Afshin Tatar, Saeid Nasery, Alireza Bahadori, Meysam Bahadori, Adel Najafi
Marghmaleki & Ali Barati-Harooni (2016) Menerapkan jaringan saraf fungsi basis radial
untuk prediksi retensi surfaktan dalam produksi minyak bumi dan industri pengolahan,
Sains dan Teknologi Perminyakan, 34:11-12, 992-999, DOI: 10.1080/10916466.2016.1177548
Untuk menautkan ke artikel ini: http://dx.doi.org/10.1080/10916466.2016.1177548

Diterbitkan online: 12 Juli 2016.

Kirimkan artikel Anda ke jurnal ini

Lihat artikel terkait

Lihat data Tanda Silang

Syarat & Ketentuan lengkap akses dan penggunaan dapat ditemukan di

http://www.tandfonline.com/action/journalInformation?journalCode=lpet20

Unduh oleh: [Universitas Carolina Selatan] Tanggal: 12 Juli 2016, Pukul: 09:54
 Machine Translated by Google

ILMU PENGETAHUAN DAN TEKNOLOGI MINYAK

ÿÿÿÿ, VOL. ÿÿ, TIDAK. ÿÿ–ÿÿ, ÿÿÿ–ÿÿÿ
http://dx.doi.org/ÿÿ.ÿÿÿÿ/ÿÿÿÿÿÿÿÿ.ÿÿÿÿ.ÿÿÿÿÿÿÿ

Menerapkan jaringan saraf fungsi basis radial untuk prediksi

retensi surfaktan dalam produksi dan pemrosesan minyak bumi
industri
Afshin Tatara, Saeid Naseryb, Alireza Bahadoric , Meysam Bahadorid, Adel Najafi-Marghmalekib,
dan Ali Barati-Haroonib
A
Peneliti Muda dan Klub Elit, Cabang Teheran Utara, Universitas Azad Islam, Teheran, Iran; bPeneliti Muda dan
Klub Elit, Cabang Ahvaz, Universitas Azad Islam, Ahvaz, Iran; c Universitas Southern Cross, Sekolah Lingkungan,
Sains dan Teknik, Lismore, Australia; dDepartemen Pengelolaan Limbah, Perusahaan Pengeboran Nasional Iran,
Ahwaz, Iran

ABSTRAK KATA KUNCI

Banjir kimia adalah cara yang efektif untuk mendapatkan perolehan minyak yang lebih tinggi Algoritma genetika;
skema pemulihan minyak tersier. Ada beberapa variabel yang berkontribusi terhadap produksi minyak bumi; radial
fungsi dasar; surfaktan
retensi surfaktan dalam produksi minyak bumi termasuk jenis batuan, pH, struktur kimia
penyimpanan
surfaktan, salinitas air formasi, keasaman minyak, mobilitas,
viskositas mikroemulsi, dan konsentrasi kosolven. Meskipun berbeda, studi teoritis tentang
mekanisme retensi surfaktan dilaporkan dalam
Dalam literatur, hanya ada sedikit penelitian mengenai pengembangan model yang akurat
dan efektif untuk memprediksi retensi surfaktan dalam produksi minyak bumi. Di dalam
Dalam penelitian ini, fungsi basis radial dikembangkan berdasarkan dinamika eksperimental
data retensi surfaktan. Data eksperimen mencakup berbagai kondisi. Hasil kajian
asu
y]tih n d aotn5
i4lv6
reh i1
hu la
iu:e
drn iflC
U
u
o0
a
9
2 D
S
o
p
0
1
2
J[

pemodelan menunjukkan bahwa model yang dikembangkan sangat baik

akurat dan kuat dalam prediksi data retensi surfaktan aktual. Selain itu juga dilakukan
perbandingan antara model yang diusulkan dalam penelitian ini dengan model yang tersedia
model dalam literatur menunjukkan keunggulan model ini.

1. Perkenalan

Penurunan tekanan selama periode produksi setiap reservoir minyak bumi membuat ekstraksi hidrokarbon menjadi sulit. Di sisi
lain, dunia sangat membutuhkan produksi hidrokarbon. Sebagai akibat,
beberapa strategi harus diterapkan untuk memaksimalkan produksi hidrokarbon dengan cara komersial.
Ada berbagai pendekatan yang digunakan dalam industri perminyakan seperti banjir kimia, salah satu jenis tersier
pemulihan minyak, dan banjir air, pemulihan minyak sekunder, yang digunakan untuk meningkatkan efisiensi produksi hidrokarbon
(Speight, 2013). Setelah air membanjiri reservoir, minyak membuat beberapa kelompok yang tidak kontinu, yang dibatasi oleh
batuan dan air, sehingga kapilaritas membatasi pergerakan kelompok minyak dan menyebabkan pembentukan sisa minyak di
reservoir (Jordan, 1956; Moore dan
Slobod, 1956). Beberapa faktor yang berperan penting dalam pembentukan sisa minyak seperti tegangan antarmuka antara
minyak dan air (Stegemeier, 1974), bentuk pori-pori (Dullien et al., 1972), dan gradien tekanan .
(Stegemeier, 1974). Dalam perolehan minyak tersier, poin utamanya adalah menemukan cairan untuk berinteraksi
minyak dan menyebabkan pergerakan kelompok minyak yang terputus-putus; akibatnya, kelompok minyak yang berbeda akan melakukan hal yang sama
dipindahkan dan digabungkan satu sama lain untuk membuat kelompok yang lebih besar, yang dapat mengalir ke sumur (Reed dan

HUBUNGI Afshin Tatar afshin.tatar@gmail.com Peneliti Muda dan Klub Elit, Cabang Teheran Utara, Universitas Azad Islam
kota, Teheran, Iran.; Teknik Alireza alireza.bahadori@scu.edu.au Southern Cross University, Sekolah Lingkungan, Sains dan
Bahadori, PO Box ÿÿÿ, Lismore, NSW, Australia.
Versi warna dari satu atau lebih gambar dalam artikel dapat ditemukan online di www.tandfonline.com/lpet.
© ÿÿÿÿ Taylor & Francis Group, LLC
 Machine Translated by Google
ILMU PENGETAHUAN DAN TEKNOLOGI MINYAK 993

Healy, 1977). Mengenai banjir kimia, penelitian telah menunjukkan bahwa ketegangan antar muka antara
minyak bumi dan bubur kimia perpindahan harus dikurangi untuk mengintensifkan perolehan minyak (Glover et
al., 1979). Dengan menggunakan surfaktan, kekuatan kapiler yang mencegah minyak bumi mengalir berkurang
dan potensi aliran minyak bumi meningkat (Scamehorn et al., 1982b). Banjir surfaktan adalah pendekatan yang
mahal dibandingkan dengan metode pemulihan lainnya. Namun, karena tingginya harga minyak bumi dalam
dekade terakhir, teknologi ini mendapat perhatian (Iglauer et al., 2010). Dari sudut pandang pengembangan
strategi perolehan minyak yang efisien, pertimbangan utama penggunaan surfaktan adalah aspek ekonominya,
bukan aspek teknisnya. Karena lebih mahal dibandingkan minyak bumi, penyediaan metode EOR yang efektif
bergantung pada sejauh mana surfaktan digunakan untuk menghasilkan lebih banyak minyak bumi dari reservoir
(Novosad, 1982).
Meskipun metode ini memiliki keuntungan dalam meningkatkan perolehan minyak, retensi molekul surfaktan
harus dipertimbangkan selama penggunaan bahan kimia. Fenomena ini menimbulkan masalah yang dapat
mempengaruhi efektivitas dan keekonomian proses penggenangan kimia (Yassin et al., 2014). Semakin banyak
retensi yang terjadi ketika surfaktan mengalir melalui reservoir, semakin cepat pula terjadi penipisan surfaktan
dari slug; oleh karena itu, kemampuannya untuk mengurangi tegangan antarmuka minyak-air akan berkurang.
Akibatnya, jumlah retensi menjadi sangat penting dari sudut pandang teknis dan ekonomi (Bae dan Petrick,
1977). Berbagai faktor dapat menyebabkan retensi surfaktan seperti jenis dan pH surfaktan, kandungan liat,
konsentrasi kation divalen, salinitas dan viskositas mikroemulsi, serta gradien salinitas (Trogus et al., 1979;
Nelson, 1982; Novosad , 1982 ; Wang , 1993 ; Zhang dkk., 2006; Hirasaki dkk., 2008).

Mengingat pentingnya retensi/adsorpsi surfaktan yang disebutkan di atas, memperoleh informasi yang lebih
baik tentang subjek ini sangatlah penting. Berbagai penelitian telah dilakukan untuk menemukan pemahaman
yang lebih baik tentang fenomena rumit ini. Ray dkk. (1995) menunjukkan bahwa daya tarik montmorillonit
terhadap surfaktan nonionik lebih besar dibandingkan kaolinit. Hasil ini dibuktikan dalam penelitian lain oleh
Salloum et al. (2000). Podoll dkk. (1987) menyelidiki berbagai sedimen untuk penyerapan oligomer polietilen
glikol nonionik dan polietilen imina kationik. Mereka menunjukkan bahwa adsorpsi oligomer, yang larut dalam
asu
y]tih n d aotn5
i4lv6
reh i1
hu la
iu:e
drn iflC
U
u
o0
a
9
2 D
S
o
p
0
1
2
J[

air, sangat kuat meskipun faktanya oligomer tersebut larut dalam air. Mereka juga menunjukkan bahwa
penyerapan polietilen imina kationik lebih kuat dan ireversibel dibandingkan dengan polietilen glikol nonionik.
Scamehorn dkk. (1982a) mempertimbangkan larutan natrium alkil benzena sulfonat dengan konsentrasi rendah
untuk surfaktan dan menyelidiki retensinya dalam mineral tanah liat yang berbeda dan menunjukkan bahwa
isoterm retensi konsisten dengan persamaan Langmuir (Rosen, 2004) .
Standnes dan Austad (2000) menggunakan 14 macam surfaktan yang larut dalam air untuk menyelidiki
perubahan keadaan keterbasahan dalam kapur. Mereka menunjukkan bahwa minyak dapat diekstraksi dari inti
kapur menggunakan surfaktan kationik melalui imbibisi spontan dengan cara berlawanan arah karena perubahan
keterbasahan. Mengenai surfaktan anionik, mereka menunjukkan bahwa sulfonat teretoksilasi dapat
menggantikan minyak melalui imbibisi spontan air garam dan efektivitas surfaktan meningkat dengan jumlah
gugus EO yang lebih banyak. Liu (2008) melakukan beberapa percobaan untuk mengetahui bagaimana
perubahan retensi dengan berbagai surfaktan dan batuan. Ia menunjukkan bahwa retensi surfaktan nonionik
lebih banyak dibandingkan retensi surfaktan anionik pada batupasir. Lebih lanjut, penelitian eksperimental ini
menunjukkan bahwa retensi surfaktan nonionik dan anionik memiliki besaran yang sama jika menggunakan
basa. Rudin dan Wasan (1992) melakukan penelitian untuk mencari spektrum pH optimal untuk menurunkan
retensi surfaktan. Mereka menghasilkan campuran basa dan mengubah bagian molar basa yang berbeda; pada
akhirnya mereka menunjukkan bahwa tingkat pH rata-rata adalah kondisi optimal untuk menurunkan retensi
surfaktan. Zhang dkk. (2006) menunjukkan bahwa permukaan kalsit berubah dari positif ke negatif menggunakan
alkali seperti natrium karbonat; akibatnya, adsorpsi surfaktan anionik berkurang. Namun, hasilnya tidak sama
ketika mereka menggunakan natrium hidroksida sebagai basa. Mereka menyimpulkan bahwa karbonat
merupakan ion penentu potensial pada permukaan karbonat; namun, hidroksida tidak memiliki sifat ini. Mengenai
penggunaan alkali, terdapat aturan umum bahwa keberadaan alkali menurunkan retensi surfaktan. Meskipun
demikian, peningkatan konsentrasi alkali yang signifikan akan menyebabkan ion-ion yang bermuatan berlawanan
terlibat dalam retensi (Yassin dkk., 2014). Mengenai dampak kation divalen, beberapa peneliti (Lawson, 1978;
Glover et al., 1979; Novosad, 1982) telah menunjukkan bahwa keberadaan kation divalen mempengaruhi
adsorpsi surfaktan, mereka menunjukkan bahwa retensi surfaktan akan meningkat dengan semakin banyak divalen.
 Machine Translated by Google
994 A. TATAR dkk.

konsentrasi kation. Sehubungan dengan berat molekul surfaktan, Solairaj et al. (2012) melakukan penyelidikan dengan
hasil bahwa tidak ada hubungan antara berat molekul surfaktan dan retensinya. Di sisi lain, Somasundaran dan
Hanna (1977) menunjukkan bahwa retensi surfaktan meningkat jika rata-rata berat molekul sulfonat dan alkil amonium
asetat meningkat.
Selain penelitian yang disebutkan sebelumnya yang menyelidiki pengaruh berbagai faktor terhadap retensi
surfaktan, beberapa peneliti telah menyajikan model untuk memprediksi retensi surfaktan di reservoir selama banjir
kimia. Baru-baru ini, untuk memperkirakan berbagai parameter yang ada dalam industri perminyakan, para peneliti
telah menunjukkan minat yang besar pada teknik cerdas seperti jaringan syaraf tiruan (JST), logika fuzzy (FL), mesin
vektor pendukung (SVM), dan pemrograman ekspresi gen (GEP). karena kemampuan luar biasa dari strategi ini untuk
menganalisis dan memodelkan subjek yang ambigu dan kompleks (Ghiasi et al., 2013; Kamari et al., 2014; Talebi et
al., 2014; Zendehboudi et al., 2014; Nouri-Taleghani et al. ., 2015; Kamari dkk., 2015a; Tatar dkk., 2015a; Tatar dkk.,
2015b). Mengenai retensi surfaktan, Kamari et al. (2015b) mengembangkan model untuk menentukan jumlah parameter
ini. Dalam model ini, mereka menggunakan GEP.
Mereka membandingkan model mereka dengan korelasi empiris (Solairaj et al., 2012) dan menunjukkan keunggulan
model GEP. Yasin dkk. (2014) mempresentasikan model prediksi retensi surfaktan menggunakan algoritma Least
Square Support Vector Machine (LSSVM). Hasil model ini memiliki konsistensi yang baik dengan data eksperimen.
Lebih lanjut, mereka menunjukkan bahwa model yang diusulkan memiliki kemampuan untuk mensimulasikan perubahan
fisik nyata dari retensi surfaktan versus tiga parameter masukan penting yaitu bilangan asam total minyak, pH, dan
rasio mobilitas. Meskipun model yang disajikan sangat berharga, diperlukan lebih banyak penelitian untuk membuat
pemodelan lebih mudah dan akurat. Oleh karena itu, ANN, yang memiliki kemampuan untuk menyelesaikan masalah
rumit di bidang teknik, digunakan dalam penelitian ini. Penelitian ini bertujuan untuk mengembangkan model cerdas
untuk memprediksi retensi surfaktan berdasarkan data eksperimen, yang dilaporkan dalam literatur dan mencakup
berbagai variabel. Hasil penelitian ini menunjukkan bahwa model yang dikembangkan sangat presisi dan mampu
mereproduksi keseluruhan data eksperimen dengan akurasi tinggi. Selain itu, perbandingan antara model yang
diajukan dalam penelitian ini dengan pendekatan cerdas yang dikemukakan oleh Yassin dkk. (2014), Kamari dkk.
(2015b), dan korelasi Solairaj et al. (2012) menunjukkan bahwa hasil model yang dikembangkan dalam penelitian ini
asu
y]tih n d aotn5
i4lv6
reh i1
hu la
iu:e
drn iflC
U
u
o0
a
9
2 D
S
o
p
0
1
2
J[

lebih baik.
tepat.

2. Detail model cerdas

2.1. Fungsi basis radial

Jaringan saraf fungsi basis radial (RBF) terdiri dari tiga lapisan. Mereka memiliki beberapa keunggulan seperti
kemampuan generalisasi yang tinggi, kemampuan pembelajaran online, dan toleransi yang tinggi terhadap gangguan
masukan (Tatar et al., 2013; Sayahi et al., 2016). Kemampuan generalisasi yang tinggi dari RBF disebabkan oleh fakta
bahwa mereka merespons pola-pola yang tidak terlihat dan tidak terlatih dengan sangat baik. Pengoperasiannya
didasarkan pada perkiraan fungsi berulang dan fungsi basis lokal. Mereka mewakili teknik pelatihan pengawas dan
beroperasi dengan menggunakan jaringan saraf feed-forward (Yu et al., 2011; Tatar et al., 2013; Sayahi et al., 2016).
Struktur RBF, yang mirip dengan jaringan regularisasi, memiliki tiga ciri (Tatar et al., 2014):
1. Dengan adanya data masukan yang cukup, ia dapat secara akurat memprediksi fungsi kontinu multivariabel
tion pada domain yang ditetapkan dengan akurasi sewenang-wenang.
2. Meminimalkan fungsi dengan mengukur fluktuasinya dan mengembangkan solusi optimal.
3. Ia melakukan pendekatan terbaik dalam arti bahwa koefisien yang tidak diketahui adalah linier.
Arsitektur RBF terdiri dari tiga lapisan: lapisan masukan, tersembunyi, dan keluaran (Gambar 1). Fungsi aktivasi
yang dilambangkan dengan ÿ(r) digunakan oleh setiap node yang terletak di lapisan tersembunyi. Lapisan masukan
berisi vektor masukan. Pada lapisan tersembunyi, yang terdiri dari fungsi aktivasi sebagai neuron, transformasi non
linier diterapkan pada vektor ini. Jarak antara vektor masukan dan bobotnya, yang dikalikan dengan faktor bernama
bias, merupakan masukan bersih dari fungsi aktivasi RBF (Du dan Swamy, 2006; Tatar et al., 2013). Lapisan keluaran
bertindak sebagai penggabung linier, yang mentransfer nonlinier ke dalam domain baru. Neuron tambahan dapat
digunakan di lapisan tersembunyi untuk memodelkan bias neuron di lapisan keluaran. Neuron tambahan ini mencakup
fungsi aktivasi konstan ÿ0(r) = 1 Output model adalah
 Machine Translated by Google
ILMU PENGETAHUAN DAN TEKNOLOGI MINYAK 995

Gambar ÿ. Perbandingan antara hasil model RBF dengan nilai eksperimen.

diberikan sebagai (Du dan Swamy, 2006; Tatar et al., 2013)

J2

yi(x) = wkiÿ(x ÿ ck) untuk i = 1,..., J3 (1)

k=1
asu
y]tih n d aotn5
i4lv6
reh i1
hu la
iu:e
drn iflC
U
u
o0
a
9
2 D
S
o
p
0
1
2
J[

di mana x adalah pola masukan, yi(x) menunjukkan keluaran RBF ke-i, wik adalah bobot yang menghubungkan ke-k yang tersembunyi
komponen ke komponen keluaran ke-i, dan . adalah norma Euclidean. RBF ÿ(.) mewakili
fungsi Gaussian. Mendefinisikan suatu himpunan yang berisi N pasangan pola {(xk, yk )} dapat mewakili Persamaan. (1) masuk
bentuk matriks sebagai (Du dan Swamy, 2006; Tatar et al., 2013)

Y = WT (2)

dimana W = [w1, …,wJ3 ] adalah matriks bobot berdimensi J2×J3 , wi = (w1i, …,wJ2i) T, = [ÿ1, …,ÿN]
adalah matriks berdimensi J2×N, ÿp = (ÿp1,...,ÿpJ2 )T adalah pola ke-p lapisan keluaran, ÿpk =
ÿ(xp ÿ ck), Y = [y1,..., yN] adalah matriks J3×N, dan yp = (yp1,..., ypJ3 )T .
Kualitas pendekatan sangat bergantung pada pilihan RBF. RBF dapat memperkirakan apa saja
fungsi kontinu dengan akurasi yang dapat diterima jika RBF dipilih dengan tepat (Poggio dan Girosi, 1990;
Shan dan Zheng, 2002; Liao et al., 2003). Ketika RBF kontinu dan terintegrasi, RBF dapat mencapai
untuk solusi universal dari masalah tersebut. RBFN tipe Gaussian dapat memprediksi fungsi kontinu apa pun
dalam norma Lp, p ÿ [1,ÿ] ketika jumlah pusat ci cukup, i = 1, …,J2 dan standar biasa
deviasi ÿ > 0 tersedia (Park dan Sandberg, 1991). Untuk minimalisasi indikator UMK untuk
pembelajaran RBFN UMK diberikan sebagai

1 N 2
1 2
E= = kamu - WT (3)
N yp - WT ÿp N F
saya=1

dimanaY = [y1,..., yN], yi adalah keluaran akhir yang sesuai dengan komponen ke-i di set pelatihan, dan
adalah norma Frobenius yang dirumuskan sebagai A2 = tr(ATA). Sangat penting untuk menentukan RBF
.F F
pusat dan bobot terkait untuk menyelesaikan prosedur pembelajaran RBF (Devijver dan Kittler, 1982).
Pemenuhan RBF yang baik sangat bergantung pada pilihan pusat RBF yang sesuai. Seseorang dapat memilihnya
secara acak dalam subset atau dengan pengelompokan atau dengan proses pembelajaran. Metode lain adalah memilih pada awalnya
 Machine Translated by Google
996 A. TATAR dkk.

seluruh titik data sebagai pusat kemudian menghilangkan titik-titik data yang tidak sesuai dengan
menggunakan prosedur klasifikasi k-NN secara selektif. Tren naik atau turun fungsi radial bergantung pada
jarak dari titik pusat. Di antara berbagai jenis fungsi basis radial, yang paling banyak digunakan adalah
fungsi Gaussian yang direpresentasikan sebagai berikut (Devijver dan Kittler, 1982; Tatar et al., 2013):
r2
-
ÿ(r) = e 2ÿ2 (4)

dimana r > 0 menunjukkan jarak antara titik data x dan pusatc, dan ÿ adalah parameter yang mengontrol
homogenitas fungsi regresi.

3. Hasil dan pembahasan

3.1. Akuisisi data

Data yang digunakan dalam penelitian ini dikumpulkan dari literatur terbuka (Solairaj et al., 2012). Selain itu,
data ini diulangi dalam literatur lain (Yassin et al., 2014; Kamari et al., 2015b). Data ini mencakup 47
percobaan banjir inti yang dilakukan dalam kelompok kimia EOR CPGE di Universitas Texas di Austin.
Tinjauan literatur sebelumnya menunjukkan bahwa retensi surfaktan adalah fungsi dari jenis batuan,
formulasi kimia bubur, bilangan asam total minyak (TAN), jenis elektrolit yang ada dalam larutan, dan suhu
reservoir (Bae dan Petrick, 1977 ; Mannhardt dkk., 1993; Ray dkk., 1995; Solairaj dkk., 2012; Yassin dkk.,
2014 Kamari dkk., 2015b). Data yang digunakan meliputi jenis batuan, permeabilitas absolut (mD), TAN
minyak (mg KOH/g-minyak), suhu pengujian (°C), konsentrasi kosolvent (wt%), salinitas polimer (ppm), pH
limbah maksimum, rasio mobilitas. , berat molekul rata-rata campuran surfaktan (g/mol), dan nilai retensi
surfaktan eksperimental yang sesuai (mg/g-Batu). Indeks 1 dan 2 digunakan untuk menunjukkan jenis
batuan. Yang pertama menunjukkan batuan karbonat sedangkan yang kedua digunakan untuk batu pasir.
asu
y]tih n d aotn5
i4lv6
reh i1
hu la
iu:e
drn iflC
U
u
o0
a
9
2 D
S
o
p
0
1
2
J[

3.2. Pengembangan model

Poin data dibagi menjadi dua subset, yaitu set data pelatihan dan pengujian. Sekitar 80% titik data (38 titik
data) digunakan sebagai data pelatihan untuk melatih dan membangun model. Setelah itu, sisa 20%
(sembilan titik data) digunakan untuk menguji keakuratan model yang dikembangkan. Metode propagasi
balik digunakan untuk melatih algoritma RBF dengan meminimalkan nilai MSE dengan parameter yang telah
disebutkan sebelumnya. Jaringan ini terdiri dari tiga lapisan. Lapisan tersembunyi berisi fungsi basis radial
dengan jumlah maksimum neuron dan penyebarannya masing-masing adalah 34 dan 0,71.

3.3. Akurasi model yang diusulkan dan validasinya

Dalam penelitian ini keakuratan dan integritas model yang diusulkan dievaluasi dengan metode statistik dan
grafis. Plot analisis kesalahan grafis seperti plot silang dan plot distribusi kesalahan digunakan dalam kasus
evaluasi hasil secara grafis. Empat parameter statistik yang berbeda yaitu faktor korelasi (R2), rata-rata
deviasi relatif absolut (AARD), deviasi standar (STD), dan root mean squared error (RMSE) ditunjukkan
pada Tabel 1 dan Tabel 2 juga menunjukkan nilai parameter statistik tersebut untuk tiga set pelatihan,
pengujian, dan semua titik data yang berbeda. Hasil penelitian menunjukkan bahwa keluaran model RBFN
sangat sesuai dengan data eksperimen karena nilai R2 yang tinggi dan nilai AARD dan RMSE yang rendah.
Nilai prediksi retensi surfaktan versus nilai aktual untuk kumpulan data pelatihan dan pengujian ditunjukkan
pada Gambar 1. Dalam gambar ini jelas bahwa kumpulan titik data berada di sekitar garis 45° dan garis
yang paling sesuai sangat tumpang tindih dengan garis ini. garis. Artinya model yang diusulkan sangat kuat
dalam memprediksi titik data eksperimen. Dapat disimpulkan bahwa model RBFN dapat mereproduksi titik
data sebenarnya secara akurat. Gambar 2 menunjukkan deviasi relatif titik data yang diprediksi berdasarkan
model RBFN yang diusulkan versus data retensi surfaktan aktual. Berdasarkan gambar ini, dalam kasus
menghilangkan satu titik data, deviasi relatif untuk titik data lainnya berada pada wilayah tersebut, yang dibatasi oleh a
 Machine Translated by Google
ILMU PENGETAHUAN DAN TEKNOLOGI MINYAK 997

Tabel ÿ. Parameter statistik data masukan dan keluaran.

Standar
Parameter Status Minimum Maksimum Rata-rata deviasi

Jenis batuan Memasukkan

ÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ
ÿ ÿÿÿÿ ÿÿÿÿ.ÿÿÿ ÿÿÿÿ.ÿÿÿ
Kabs (air garam), mD Memasukkan

TAN, mg Memasukkan
ÿÿÿ ÿ ÿ.ÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ

KOH/g-minyak)
Suhu, °C Memasukkan
ÿÿ ÿÿÿ ÿÿ.ÿÿÿÿÿ ÿÿ.ÿÿÿÿÿ

Kosolven,% berat Memasukkan

ÿ ÿ.ÿÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ

Salinitas polimer, Memasukkan

ÿÿÿ ÿÿÿÿÿ ÿÿÿÿÿ.ÿÿ ÿÿÿÿÿ.ÿÿ

ppm
Maksimum Memasukkan
ÿ ÿÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ

pH limbah
Rasio mobilitas Memasukkan
ÿ.ÿÿ ÿ.ÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ
Surfaktan Memasukkan
ÿÿÿ.ÿÿ ÿÿÿÿ ÿÿÿ.ÿÿÿÿ ÿÿÿ.ÿÿÿÿ

Gelombang M,

g/mol
Penyimpanan, Keluaran ÿ.ÿÿ ÿ.ÿÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ

mg/g-Batu

Tabel ÿ. Parameter statistik model RBF yang diusulkan.

Himpunan data Rÿ AARD PMS RMSE N

Data kereta api ÿ.ÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿ ÿÿ

Data uji ÿ.ÿÿÿÿÿÿ ÿÿ.ÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ ÿ
Semua data ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ ÿ.ÿÿÿÿÿÿ ÿÿ
asu
y]tih n d aotn5
i4lv6
reh i1
hu la
iu:e
drn iflC
U
u
o0
a
9
2 D
S
o
p
0
1
2
J[

Gambar ÿ. Deviasi kesalahan relatif antara data nyata dan data prediksi untuk model RBF.

deviasi relatif <0,2%. Titik data yang terkonsentrasi di sekitar garis nol menunjukkan keakuratan dan
efektivitas model. Selain itu, hasil model RBF yang dikembangkan dalam penelitian ini dibandingkan dengan
hasil model yang diterbitkan sebelumnya oleh Yassin dkk. (2014), Kamari dkk. (2015b), dan korelasinya
dikembangkan oleh Solairaj dkk. (2012).

4. Kesimpulan

Model cerdas, model RBF, dikembangkan untuk memperkirakan data retensi surfaktan. Kualitas
dan kinerja model dievaluasi menggunakan metode statistik dan grafis dan ditemukan bahwa
 Machine Translated by Google
998 A. TATAR dkk.

prediksi model sesuai dengan nilai eksperimen karena koefisien korelasi yang tinggi (R2 = 0,99313)
dan nilai AARD = 3,406308 dan RMSE = 0,00844 yang kecil. Selain itu, hasil model RBF yang
dikembangkan dibandingkan dengan model yang dikemukakan oleh Yassin et al. (2014), Kamari dkk.
(2015b), dan korelasi yang dikembangkan oleh Solairaj et al. (2012) dan hasilnya menunjukkan bahwa
kinerja model RBF lebih baik dan akurat dibandingkan dua pendekatan lainnya dalam memprediksi
data retensi surfaktan. Hasil penelitian ini dapat digunakan dalam merancang proses EOR khususnya
skema surfaktan dan kimia untuk mendapatkan perolehan minyak yang lebih tinggi.

Referensi
Bae, JH, dan Petrick, CB (1977). Adsorpsi/retensi minyak bumi sulfonat di inti berea. SPE J.17:353–357.
Devijver, PA, dan Kittler, J. (1982). Pengenalan pola: Pendekatan statistik. London: Prentice-Hall.
Du, K.-L., dan Swamy, MN (2006). Jaringan saraf dalam kerangka komputasi lunak. New York: Sains & Bisnis Springer
Media.
Dullien, F., Dhawan, G., Gurak, N., dan Babjak, L. (1972). Hubungan antara struktur pori dan saturasi sisa minyak
dalam banjir surfaktan tersier. SPE J.12:289–296.
Ghiasi, MM, Bahadori, A., Zendehboudi, S., Jamili, A., dan Rezaei-Gomari, S. (2013). Metode baru memprediksi kandungan metanol uap
kesetimbangan selama penghambatan gas hidrat. J.Nat. Ilmu Gas. bahasa Inggris 15:69–75.
Glover, C., Puerto, M., Maerker, J., dan Sandvik, E. (1979). Perilaku dan retensi fase surfaktan dalam media berpori. SPE
Yoh 19:183–193.
Hanna, H., dan Somasundaran, P. (1977). Aspek fisika-kimia adsorpsi pada antarmuka padat/cair. II. Mahoni
sulfonat/batupasir berea, kaolinit. New York: Pers Akademik.
Hirasaki, GJ, Miller, CA, dan Puerto, M. (2008). Kemajuan terkini dalam EOR surfaktan. SPE J.16:889–907.
Iglauer, S., Wu, Y., Shuler, P., Tang, Y., dan Goddard, WA III. (2010). Kelas surfaktan baru untuk meningkatkan perolehan minyak
dan potensi pemulihan minyak tersiernya. J.Hewan Peliharaan. Sains. bahasa Inggris 71:23–29.
Yordania, J. (1956). Pengaruh laju pemulihan minyak akibat banjir air. Humble, TX: Divisi Riset Produksi, Humble Oil &
Pengilangan.
Kamari, A., Arabloo, M., Shokrollahi, A., Gharagheizi, F., dan Mohammadi, AH (2015a). Metode cepat untuk memperkirakan tekanan miscibility
asu
y]tih n d aotn5
i4lv6
reh i1
hu la
iu:e
drn iflC
U
u
o0
a
9
2 D
S
o
p
0
1
2
J[

minimum (MMP) dalam sistem minyak reservoir hidup selama banjir CO2. Bahan Bakar 153:310–319.
Kamari, A., Bahadori, A., Mohammadi, AH, dan Zendehboudi, S. (2014). Mengevaluasi tekanan gradien pembongkaran dalam sistem pengangkatan
gas berkelanjutan selama operasi produksi minyak bumi. Peliharaan. Sains. Teknologi. 32:2961–2968.
Kamari, A., Sattari, M., Mohammadi, AH, dan Ramjugernath, D. (2015b). Metode yang dapat diandalkan untuk penentuan
retensi surfaktan dalam media berpori selama pemulihan minyak banjir kimia. Bahan Bakar 158:122–128.
Lawson, J. (1978). Adsorpsi surfaktan nonionik dan anionik pada batupasir dan karbonat. SPE 7052, Sim posium SPE tentang Peningkatan Metode
Pemulihan Minyak, Tulsa, Oklahoma, 16–17 April.
Liao, Y., Fang, S.-C., dan Nuttle, HLW (2003). Kondisi yang longgar untuk jaringan fungsi berbasis radial menjadi universal
aproksimasi. Jaringan Syaraf 16:1019–1028.
Liu, S. (2008). Polimer surfaktan basa meningkatkan proses perolehan minyak Tesis PhD, Houston, TX: Rice University.
Mannhardt, K., Schramm, LL, dan Novosad, JJ (1993). Pengaruh jenis batuan dan komposisi air garam terhadap adsorpsi keduanya
surfaktan pembentuk busa. Adv. Teknologi. Seri 1:212–218.
Moore, T., dan Slobod, R. (1956). Pengaruh viskositas dan kapilaritas terhadap perpindahan minyak oleh air. Melecut. Bulanan
20:20–30.
Nelson, RC (1982). Diagram kebutuhan salinitas-Alat yang berguna dalam penelitian dan pengembangan banjir kimia. SPE
Yoh 22:259–270.
Nouri-Taleghani, M., Mahmoudifar, M., Shokrollahi, A., Tatar, A., dan Karimi-Khaledi, M. (2015). Penentuan kepadatan rekahan menggunakan
skema komputasi hibrid baru: studi kasus pada reservoir ladang minyak Marun Iran. J.Geofis.
bahasa Inggris 12:188.

Novosad, J. (1982). Retensi surfaktan dalam batupasir berea-efek dari perilaku fase dan suhu. SPE J.22:962–970.
Park, J., dan Sandberg, IW (1991). Perkiraan universal menggunakan jaringan fungsi berbasis radial. Komputasi Neural.
3:246–257.
Podoll, RT, Irwin, KC, dan Brendlinger, S. (1987). Penyerapan oligomer yang larut dalam air pada sedimen. Mengepung. Sains.
Teknologi. 21:562–568.
Poggio, T., dan Girosi, F. (1990). Jaringan untuk perkiraan dan pembelajaran. Proses. IEEE 78:1481–1497.
Ray, AB, Ma, J., dan Borst, M. (1995). Adsorpsi surfaktan pada tanah liat. Bahaya. Materi Bahaya Limbah. 12:357–364.
Reed, RL, dan Healy, RN (1977). Beberapa aspek fisikokimia banjir mikroemulsi: tinjauan. Dalam: Peningkatan Pemulihan Minyak melalui Banjir
Surfaktan dan Polimer, DO Shah (Ed.). New York: Elsevier; hal.383–437.
Rosen, MJ (2004). Surfaktan dan fenomena antarmuka. Hoboken, NJ: Wiley.
Rudin, J., dan Wasan, DT (1992). Mekanisme untuk menurunkan tegangan antar muka dalam sistem minyak alkali/asam: efek penambahan
surfaktan. Ind.Eng. kimia. Res. 31:1899–1906.
 Machine Translated by Google
ILMU PENGETAHUAN DAN TEKNOLOGI MINYAK 999

Salloum, MJ, Dudas, MJ, McGill, WB, dan Murphy, SM (2000). Penyerapan surfaktan pada sampel tanah dan geologi dengan sifat mineralogi
dan kimia yang bervariasi. Mengepung. beracun. kimia. 19:2436–2442.
Sayahi, T., Tatar, A., dan Bahrami, M. (2016). Model RBF untuk memprediksi perilaku pendidihan nanofluida pada pemanas batang horizontal.
Int. J. Term. Sains. 99:180–194.
Scamehorn, JF, Schechter, RS, dan Wade, WH (1982a). Adsorpsi surfaktan pada permukaan oksida mineral dari larutan berair. J. Ilmu
Antarmuka Koloid. 85:463–478.
Scamehorn, JF, Schechter, RS, dan Wade, WH (1982b). Adsorpsi surfaktan pada permukaan oksida mineral dari
larutan berair: I: Surfaktan anionik murni secara isomer. J. Ilmu Antarmuka Koloid. 85:463–478.
Shan, O., dan Zheng, B. (2002). Ekstraksi komponen utama yang cepat dengan kriteria informasi tertimbang. IEEE Trans.
Proses Sinyal. 50:1994–2002.
Solairaj, S., Britton, C., Kim, DH, Weerasooriya, U., dan Pope, GA (2012). Pengukuran dan analisis surfaktan
penyimpanan. Simposium Peningkatan Pemulihan Minyak SPE, Tulsa, Oklahoma, 14-18 April.
Speight, JG (2013). Metode pemulihan yang ditingkatkan untuk minyak berat dan pasir tar. New York: Elsevier.
Standnes, DC, dan Austad, T. (2000). Perubahan keterbasahan pada kapur: 2. Mekanisme perubahan keterbasahan dari basah minyak menjadi basah air dengan
menggunakan surfaktan. J.Hewan Peliharaan. Sains. bahasa Inggris 28:123–143.
Stegemeier, GL (1974). Hubungan saturasi minyak yang terperangkap dengan sifat petrofisika media berpori. SPE 4754, SPE
Simposium Peningkatan Pemulihan Minyak, Tulsa, Oklahoma, 22-24 April.
Talebi, R., Ghiasi, MM, Talebi, H., Mohammadyian, M., Zendehboudi, S., Arabloo, M., dan Bahadori, A. (2014). Penerapan pendekatan
komputasi lunak untuk memodelkan tekanan saturasi minyak reservoir. J.Nat. Ilmu Gas. bahasa Inggris 20:8–15.
Tatar, A., Shokrollahi, A., Halali, MA, Azari, V., dan Safari, H. (2015a). Skema komputasi cerdas hibrida untuk penentuan indeks bias minyak
mentah menggunakan analisis fraksi SARA. Bisa. J.kimia. bahasa Inggris 93:1547–1555.
Tatar, A., Shokrollahi, A., Lee, M., Kashiwao, T., dan Bahadori, A. (2015b). Prediksi permeabilitas relatif CO2/air garam superkritis di cekungan
sedimen selama penyerapan karbon dioksida. Ilmu Gas Rumah Kaca. Teknologi. 5:756–771.
Tatar, A., Shokrollahi, A., Mesbah, M., Rashid, S., Arabloo, M., dan Bahadori, A. (2013). Menerapkan jaringan fungsi basis radial untuk
memodelkan tekanan miscibility minimum minyak reservoir CO2. J.Nat. Ilmu Gas. bahasa Inggris 15:82–92.
Tatar, A., Yassin, MR, Rezaee, M., Aghajafari, AH, dan Shokrollahi, A. (2014). Menerapkan solusi yang kuat berdasarkan sistem pakar dan
algoritma evolusioner GA untuk memperkirakan saturasi gas sisa di reservoir gas penggerak air. J.Nat.
Ilmu Gas. bahasa Inggris 21:79–94.

Trogus, F., Schechter, R., Pope, G., dan Wade, W. (1979). Adsorpsi sistem surfaktan campuran. J.Hewan Peliharaan. Teknologi. 31:769–
778.
Wang, F. (1993). Efek anaerobik reservoir, mengurangi kondisi retensi surfaktan dalam banjir kimia. Res SPE.
asu
y]tih n d aotn5
i4lv6
reh i1
hu la
iu:e
drn iflC
U
u
o0
a
9
2 D
S
o
p
0
1
2
J[

bahasa Inggris 8:108–116.

Yassin, MR, Arabloo, M., Shokrollahi, A., dan Mohammadi, AH (2014). Prediksi retensi surfaktan dalam media berpori: pendekatan pemodelan
yang kuat. J. Disper. Sains. Teknologi. 35:1407–1418.
Yu, H., Xie, T., Paszczynski, S., dan Wilamowski, BM (2011). Keuntungan jaringan fungsi basis radial untuk desain sistem dinamis. IEEE
Trans. Ind. Elektron. 58:5438–5450.
Zendehboudi, S., Shafiei, A., Bahadori, A., James, LA, Elkamel, A., dan Lohi, A. (2014). Pengendapan dan pengendapan aspalten di reservoir
minyak – aspek teknis, alat prediksi jaringan saraf eksperimental dan hibrida. kimia. bahasa Inggris
Res. Des. 92:857–875.
Zhang, D., Liu, S., Yan, W., Puerto, M., Hirasaki, GJ, dan Miller, CA (2006). Atribut yang menguntungkan dari banjir polimer alkali-surfaktan.
Simposium SPE/DOE tentang Peningkatan Pemulihan Minyak, Tulsa, Oklahoma, 22-26 April.