Browsing by Author "MUHAMMAD I'TIKAFI KHOIRUL HAQ"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Estimasi Permeabilitas Batuan Berpori Menggunakan Deep Learning
    (2023-09-12) MUHAMMAD I'TIKAFI KHOIRUL HAQ; Irwan Ary Dharmawan; Tidak ada Data Dosen
    Permeabilitas merupakan parameter penting dalam analisis sifat fisis reservoir. Dalam analisis reservoir, data yang digunakan adalah batuan digital. Perhitungan nilai permeabilitas dari batuan digital umumnya dilakukan melalui simulasi menggunakan komputasi numerik. Karena permeabilitas batuan berpori adalah parameter kompleks, waktu yang dibutuhkan untuk menghitungnya bisa berjam-jam untuk satu sampel batuan dan tergantung pada ukuran sampel yang dihitung. Dalam simulasi numerik, sering kali dilakukan simplifikasi dari persamaan yang digunakan untuk menyederhanakan perhitungan dan mengurangi waktu serta beban komputasi. Seiring perkembangan sains dan teknologi, khususnya di bidang kecerdasan buatan, dikembangkan pula metode deep learning sebagai alternatif untuk mengestimasi nilai permeabilitas batuan berpori dari sampel batuan digital. Algoritma CNN menjadi bagian dari deep learning dengan kemampuan pengenalan gambar memungkinkan identifikasi hubungan matriks-pori dari sampel batuan digital dengan nilai permeabilitasnya. Penelitian ini bertujuan untuk mengestimasi permeabilitas batuan berpori dengan algoritma CNN yang dikombinasikan dengan transfer learning. Hasil penelitian ini menunjukan arsitektur DenseNet201 menjadi yang paling cocok untuk mengestimasi permeabilitas batuan berpori. Penelitian ini juga menunjukan keteraturan pola matriks-pori batuan dapat mempengaruhi kinerja model CNN. Nilai-nilai permeabilitas yang didapatkan dari estimasi CNN dihubungkan terhadap parameter porositas dan ukuran bulir serta didapatkan faktor koreksi sebesar 17.7499.
  • No Thumbnail Available
    Item
    Studi metode Machine Learning untuk Estimasi Parameter Fisis Batuan Berpori Tiga Dimensi
    (2022-07-23) MUHAMMAD I'TIKAFI KHOIRUL HAQ; Irwan Ary Dharmawan; Tidak ada Data Dosen
    Studi Parameter fisis batuan berpori memiliki peranan penting dalam analisis sifat fisis reservoir. Pengukuran sifat fisis batuan berpori secara konvensional dilakukan melalui analisis laboratorium dan pengolahan citra batuan digital. Namun, pengukuran konvensional umumnya memerlukan waktu yang lama. Machine Learning telah dikembangkan sebagai metode alternatif untuk memprediksi nilai parameter fisis batuan berpori yang terdiri dari porositas, luas permukaan spesifik, rata-rata ukuran bulir, rata-rata bilangan koordinasi, dan rata-rata throat radius. Dataset batuan digital terdiri dari delapan jenis batuan yang berbeda dibagi lagi untuk membuat kumpulan data yang terdiri dari kumpulan data pelatihan dan validasi. Penentuan model terbaik pada penelitian ini dilakukan dengan menggunakan enam pre-trained model Convolutional Neural Network yang disedikan oleh Keras yaitu ResNet152, DenseNet201, Xception, InceptionV3, InceptionResNetV2, dan MobileNetV2. Hasil penelitian menunjukkan bahwa model Machine learning mampu memprediksi nilai sifat fisik batuan berpori. Performa model Convolutional Neural Network diukur menggunakan Mean Absolute Percentage Error (MAPE). Nilai MAPE dalam estimasi porositas adalah 10.10%, nilai MAPE dalam estimasi luas permukaan spesifik adalah 8.54%,MAPE dalam estimasi rata-rata ukuran bulir adalah 7.22%, MAPE dalam estimasi rata-rata bilangan koordinasi adalah 14.73%, dan MAPE dalam estimasi rata-rata throat radius adalah 7.02%.