Penentuan Zone of Interest melalui Integrasi Prediksi Porositas-Permeabilitas Berbasis Machine Learning dan Model Saturasi Indonesia

Abstract

Metode deterministik memiliki keterbatasan dalam penentuan zone of interest (ZOI) pada reservoir karbonat yang bersifat heterogen. Alternatif penentuan ZOI adalah melalui integrasi prediksi porositas dan permeabilitas berbasis machine learning dan model saturasi Indonesia. Metode yang diaplikasikan adalah pemodelan machine learning dengan algoritma CatBoost untuk prediksi porositas dan permeabilitas dari data well log. Proses optimisasi model dilakukan melalui pre-processing data dan hyperparameter tuning, sedangkan perhitungan saturasi air selanjutnya dilaksanakan menggunakan persamaan model Indonesia. Hasil validasi model melalui blind testing pada sumur GTB-296 menunjukkan performa akurat, di mana nilai Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) untuk prediksi porositas diperoleh sebesar 0,0378 dan 0,0524. Nilai MAE dan RMSE untuk prediksi permeabilitas (log K) dicatatkan sebesar 0,4974 dan 0,8086. Hasil perhitungan deterministik menunjukkan nilai saturasi air rata-rata untuk Lapangan Z sebesar 0,401. Penentuan ZOI didasarkan pada nilai cutoff porositas > 0,1, permeabilitas > 10 mD, dan saturasi hidrokarbon > 0,5. Beberapa zone of interest berhasil diidentifikasi pada berbagai sumur. Contoh interval ZOI yang berhasil diidentifikasi adalah pada sumur LS-3 pada kedalaman 1547,5 ft hingga 1560,5 ft.