Studi metode Machine Learning untuk Estimasi Parameter Fisis Batuan Berpori Tiga Dimensi
No Thumbnail Available
Date
2022-07-23
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
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%.
Description
Keywords
batuan digital, parameter fisis, Machine Learning