PROPOSAL

PROGRAM RISET ITB 2020

JUDUL
"Machine Learning-Driven CO2 Injection
Monitoring: A Case Study from the Ubadari Field
Project in West Papua"

Ketua Tim Peneliti:

Arsy Nuur Rahmatullah

KK : Seismologi Eksplorasi dan Rekayasa

Fakultas/Sekolah/Pusat : Fakultas Teknik Pertambangan dan

Perminyakan

INSTITUT TEKNOLOGI BANDUNG

September 2023
 DAFTAR ISI

IDENTITAS PROPOSAL ..............................................................................................................3

1 RINGKASAN PROPOSAL ...................................................................................................4
2 PENDAHULUAN .................................................................................................................4
2.1 Latar belakang masalah ..............................................................................................4
2.2 Tujuan riset .................................................................................................................4
3 METODOLOGI ....................................................................................................................5
4 DAFTAR PUSTAKA ............................................................................................................5
5 INDIKATOR KEBERHASILAN (TARGET CAPAIAN) .........................................................5
6 JADWAL PELAKSANAAN ..................................................................................................6
7 PETA JALAN (ROAD MAP) RISET ......................................................................................7
8 USULAN BIAYA RISET ......................................................................................................7
8.1 Belanja pegawai...........................................................................................................7
8.2 Belanja barang ............................................................................................................7
8.3 Belanja jasa .................................................................................................................7

2
 IDENTITAS PROPOSAL
1. Judul : Machine Learning-Driven CO2 Injection
Monitoring: A Case Study from the Ubadari Field Project in West Papua
2. Pengaju Riset
a. Nama Lengkap : Arsy Nuur Rahmatullah
b. NIM : 12320092
c. Fakultas/Sekolah/Pusat : Fakultas Teknik Pertambangan dan Perminyakan
d. Kelompok Keahlian : Seismologi Eksplorasi dan Rekayasa
e. Alamat /Telp/Fax/E-mail : Arsyrahmatullah@gmail.com

3. Biaya yang diusulkan : Rp. 42.750.000

4. Topik Penelitian : Pemanfaatan Machine Learning dalam monitoring

CCUS
5. Target output (keluaran) Riset :
a) Pengembangan dan kalibrasi model Machine Learning (ML) yang canggih untuk
analisis data seismik time-lapse dengan tingkat akurasi tinggi.
b) Pemetaan distribusi dan pergerakan plume CO2 dalam reservor bawah tanah di
Lapangan Ubadari, Papua Barat, seiring berjalannya waktu.
c) Visualisasi interaktif dari pemetaan plume CO2 yang dapat diakses dan digunakan
oleh pihak-pihak terkait.

Proposal ini belum pernah didanai oleh atau diusulkan ke sumber lain.

Mengetahui, Bandung, 28 September 2023

Ketua Kelompok Keahlian Pengaju Riset

Dr.Siapa. Arsy Nuur Rahmatullah

NIP. 12345678910 NIM. 12320092

3
1 RINGKASAN PROPOSAL
Penelitian ini bertujuan untuk mengembangkan metode pemantauan injeksi CO2 yang inovatif
menggunakan teknologi Machine Learning (ML) dalam konteks proyek lapangan Ubadari, Papua
Barat. Penelitian ini akan memanfaatkan data seismik refleksi time-lapse yang telah dikumpulkan
selama beberapa tahun untuk memahami perilaku dan distribusi CO2 yang diinjeksikan ke dalam
reservoir bawah tanah.

Metode ML akan diterapkan untuk menganalisis data seismik time-lapse dengan memperhatikan
perubahan dalam sinyal seismik seiring waktu. Model ML akan digunakan untuk mengidentifikasi
dan memetakan plume CO2, mengukur perubahan properti reservor, serta memprediksi perilaku
masa depan injeksi CO2.

Penelitian ini akan memberikan wawasan mendalam tentang efektivitas injeksi CO2 di Ubadari
Field, termasuk evaluasi potensi peningkatan kapasitas penyimpanan CO2. Hasil penelitian akan
berkontribusi pada pengembangan strategi pemantauan yang lebih cerdas untuk proyek CCUS di
lapangan serupa di masa depan, sambil memberikan informasi penting tentang keberlanjutan dan
keberhasilan proyek CCUS di Papua Barat.
2 PENDAHULUAN

2.1 Latar belakang masalah

Penangkapan dan Penyimpanan Karbon (Carbon Capture and Storage, CCS) merupakan
pendekatan kunci untuk mengurangi emisi karbon dioksida (CO2) ke atmosfer dan mengatasi
perubahan iklim global. Salah satu tahap penting dalam proyek CCS adalah pemantauan dan
pemahaman perilaku CO2 yang diinjeksikan ke dalam reservoir bawah tanah. Pemantauan ini
krusial untuk memastikan keberlanjutan, keamanan, dan efektivitas penyimpanan CO2 dalam
jangka panjang.

Lapangan Ubadari di Papua Barat adalah salah satu lokasi proyek CCS yang signifikan di
Indonesia, di mana injeksi CO2 telah dilakukan untuk mengurangi emisi dari sumber industri.
Dalam konteks ini, pemantauan injeksi CO2 menjadi esensial. Saat ini, pemantauan seismik
refleksi time-lapse adalah salah satu metode utama yang digunakan untuk memahami perubahan
dalam distribusi CO2 di dalam reservoir.

Namun, tantangan muncul dalam menginterpretasikan data seismik time-lapse dengan akurat dan
efisien. Variabilitas dalam sinyal seismik, kompleksitas formasi bawah tanah, dan kecepatan
perubahan yang beragam dari plume CO2 semuanya mempengaruhi kemampuan pemantauan.
Dalam konteks ini, penerapan teknologi Machine Learning (ML) menjanjikan untuk meningkatkan
kemampuan pemahaman dan pemantauan injeksi CO2.

Oleh karena itu, penelitian ini ditujukan untuk mengembangkan dan menerapkan metode ML yang
canggih untuk meningkatkan pemantauan CO2 di lapangan Ubadari, Papua Barat. Dengan
memanfaatkan kekuatan ML dalam menganalisis data besar dan kompleks, penelitian ini berupaya
menghadirkan solusi yang lebih cerdas dan efisien untuk memahami perilaku CO2 dan
meningkatkan keberhasilan proyek CCS di Indonesia dan wilayah sekitarnya.

2.2 Tujuan riset

1. Mengembangkan Model Machine-Learning yang Akurat. Membangun dan mengkalibrasi

model Machine-Learning yang canggih untuk analisis data seismik time-lapse dengan tingkat
akurasi tinggi. Model ini akan mampu mengidentifikasi perubahan dalam sinyal seismik yang
terkait dengan pergerakan CO2.

4
 2. Pemetaan Plume CO2. Menggunakan model Machine-Learning untuk memetakan secara
akurat distribusi dan pergerakan plume CO2 dalam reservor bawah tanah seiring waktu. Hal ini
akan memberikan pemahaman yang lebih baik tentang perilaku CO2.

3 METODOLOGI

4 DAFTAR PUSTAKA
Qiang, L., Wang, Y., Wang, Y., Chen, M., Zheng, Y., Wu, S., Chang, X., and Zeng, R. (2018):
Time-lapse VSP monitoring for CO2 injection: A case study in ordos, China, International Journal
of Greenhouse Gas Control, 75, 41–51. https://doi.org/10.1016/j.ijggc.2018.05.012

Mai, H., Audet, P., Perry, C., Mousavi, S. M., and Zhang, Q. (2023): Blockly earthquake
transformer: A deep learning platform for custom phase picking, Artificial Intelligence in
Geosciences, 4, 84–94. https://doi.org/10.1016/j.aiig.2023.05.003

5 INDIKATOR KEBERHASILAN (TARGET CAPAIAN)

No. Indikator Keberhasilan Deskripsi

• Pengembangan dan kalibrasi model
Machine Learning (ML) yang
canggih untuk analisis data seismik
time-lapse dengan tingkat akurasi
tinggi.
• Pemetaan distribusi dan pergerakan
1. Keluaran (output) Hasil Riset
plume CO2 dalam reservor bawah
tanah di Lapangan Ubadari, Papua
Barat, seiring berjalannya waktu.
• Visualisasi interaktif dari pemetaan
plume CO2 yang dapat diakses dan
digunakan oleh pihak-pihak terkait.
• Meningkatnya pemahaman tentang
2. Dampak (outcome) Hasil Riset perilaku CO2 dalam proyek CCS di
Lapangan Ubadari, berkontribusi

5
 pada keberhasilan dan keberlanjutan
proyek tersebut.
• Peningkatan efisiensi dan kecerdasan
dalam pemantauan injeksi CO2
dengan penerapan ML, mengurangi
risiko kegagalan dan meningkatkan
manfaat lingkungan dari proyek ini.
• Menjadi referensi penting bagi
proyek-proyek CCS serupa di
Indonesia dan di seluruh dunia yang
ingin mengimplementasikan
teknologi ML dalam pemantauan.
Presentasi pada seminar nasional dan • Hasil riset ini akan dipresentasikan
international conference dalam seminar nasional yang relevan
di Indonesia untuk berbagi temuan
dengan komunitas ilmiah dalam
3. negeri.
• Selain itu, hasil riset akan
dipresentasikan dalam konferensi
internasional yang fokus pada CCS,
Machine Learning, dan geosains.
Networking nasional dan internasional • Riset ini akan memperkuat hubungan
di tingkat nasional dengan institusi
dan pemangku kepentingan terkait
proyek-proyek CCS di Indonesia.
• Selain itu, penelitian ini akan
6. memungkinkan untuk berkolaborasi
dengan peneliti dan praktisi
internasional di bidang CCS, Machine
Learning, dan geosains,
meningkatkan jejaring penelitian di
tingkat global.

6 JADWAL PELAKSANAAN
Januari 2024 : Persiapan Awal dan Pengumpulan Data
1-7: Persiapan awal, pengumpulan dan pemeriksaan data seismik.
8-14: Persiapan infrastruktur komputasi dan lingkungan pengembangan ML.
15-21: Eksplorasi awal model ML, pemilihan parameter, dan penyiapan data.
Februari 2024 : Pengembangan Model ML
1-14: Pengembangan dan eksplorasi model ML yang sesuai.
15-28: Pemilihan parameter dan arsitektur model ML yang optimal.
Maret 2024 : Pelatihan dan Validasi Model
1-14: Pelatihan model ML menggunakan data seismik pelatihan yang telah diproses.
15-28: Validasi model ML menggunakan data independen dan pengamatan lapangan.
April 2024 : Pemetaan dan Evaluasi
1-14: Pemetaan distribusi dan pergerakan plume CO2 dalam reservoir seiring waktu menggunakan
model ML yang telah terlatih.
15-30: Evaluasi efektivitas injeksi CO2 dengan membandingkan hasil pemetaan dengan perkiraan
sebelumnya, serta analisis awal hasil.
Mei 2024 :Analisis Mendalam
1-14: Analisis mendalam atas hasil pemetaan CO2 dan efektivitas injeksi.
15-31: Penyusunan laporan penelitian yang komprehensif.
Juni 2024: Diseminasi Hasil dan Evaluasi Akhir

6
7 PETA JALAN (ROAD MAP) RISET
• Tahap 1 - Persiapan (Bulan 1-2): Pengumpulan data seismik, persiapan infrastruktur komputasi,
dan pemahaman awal tentang data dan reservoir.
• Tahap 2 - Pengembangan Model ML (Bulan 3-6): Pembangunan dan pengujian model ML
untuk analisis data seismik time-lapse.
• Tahap 3 - Pelatihan dan Validasi Model (Bulan 7-10): Melatih model ML menggunakan data
seismik pelatihan, dan validasi model menggunakan data independen.
• Tahap 4 - Pemetaan dan Evaluasi (Bulan 11-12): Pemetaan plume CO2, evaluasi efektivitas
injeksi, dan awal analisis hasil.
• Tahap 5 - Analisis dan Penyusunan Laporan (Bulan 13-14): Analisis mendalam atas hasil,
penyusunan laporan penelitian, dan persiapan presentasi untuk seminar dan konferensi.
8 USULAN BIAYA RISET

8.1 Belanja pegawai

Jumlah
Jumlah Honor per Jumlah Jumlah Biaya
No. Pelaksana Kegiatan Jam/Bula
Orang Jam Bulan/Tahun (Rp)
n
1. Peneliti Utama 1 100.000 20 6 12.000.000
2. Asisten Peneliti 1 75.000 15 6 6.750.000
3. Teknisi 1 50.000 10 6 3.000.000
Jumlah total biaya honor (Rp) 21.750.000

8.2 Belanja barang

Biaya Satuan Jumlah Biaya

No. Peralatan/Bahan Volume Satuan
(Rp) (Rp)
Lisensi Perangkat Lunak Machine
1. 1 1 5.000.000 5.000.000
Learning
Jumlah total biaya barang (Rp) 5.000.000

8.3 Belanja jasa

a. Honor pihak ketiga

Jumlah Honor per Jumlah Jumlah Jumlah Biaya
No. Pelaksana Kegiatan
Orang Jam Jam/Bulan Bulan/Tahun (Rp)
Konsultasi Ahli Machine
1. 1 200.000 10 3 6.000.000
Learning
Jumlah total biaya honor (Rp) 6.000.000

b. Perjalanan
No. Tujuan Volume Biaya Satuan (Rp) Jumlah Biaya (Rp)
1. Kantor pihak ke-3 2 5.000.000 10.000.000
Jumlah total biaya perjalanan (Rp) 10.000.000