Prediksi Elektrofasies Berdasarkan Data Log Sumur pada Formasi Huggin: Studi Kasus Menggunakan Algoritma Random Forrest dan Multi-Layer Perceptron

Abstract

Penelitian ini dilakukan pada Formasi Hugin, salah satu formasi penghasil hidrokarbon di North Sea. Penelitian ini bertujuan untuk membandingkan keakuratan algoritma machine learning dalam mengklasifikasikan elektrofasies. Adapun algoritma machine learning yang diuji yaitu Random Forest (RF) dan Multi-Layer Perceptron (MLP). Penelitian ini menggunakan 6 log sumur, dimana salah 1 sumur akan digunakan sebagai test data dan 5 sumur lainnya akan digunakan sebagai train data. Hyperparameter tuning dilakukan agar mendapatkan parameter yang tepat pada masing-masing algoritma. Data log sumur yang digunakan untuk mengidentifikasi elektrofasies adalah log gamma ray (GR), elektrofasies dapat diidentifikasi dengan melihat pola dari kurva log GR. Data log sumur untuk melatih algoritma machine learning untuk memprediksi elektrofasies menggunakan data log GR, deep resistivity, medium resistivity, densitas, neutron, dan photoelectric. Terdapat lima pola elektrofasies yang ditemukan pada 6 sumur setelah dilakukan analisis terhadap log GR. lima pola tersebut adalah cylindrical, funnel, bell, symmetrical, dan serrated. Berdasarkan penelitian yang dilakukan RF memiliki akurasi 100%, dan MLP memiliki akurasi 97%. Walaupun perbedaan akurasi tidak terlalu signifikan, namun algoritma RF dapat mengklasifikasikan elektrofasies dengan tepat. Metode ini dapat menjadi acuan dalam membantu pengklasifikasian elektrofasies yang efisien dalam hal waktu, terutama jika terdapat banyak data saat pengembangan lapangan hidrokarbon.