Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Indonesian Research Journal on Education
Finansa, Dody
Unknown Affiliation
Religion Arts Humanities Chemistry Education Energy Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Physics Social Sciences Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Monitoring dan Surveillance Sumur Water Injection terhadap Sumur Produksi di Lapangan “X” Area Utara Mahakam Rahul, Muhammad; Karim, Abdul Gafar; Sinaga, Jan Friadi; Bambang, R.; Alfa, Aprillino; Finansa, Dody
Indonesian Research Journal on Education Vol. 3 No. 3 (2023): irje 2023
Publisher : Fakultas Keguruan dan Ilmu Pendidikan, Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/irje.v3i3.2813

Abstract

Water Injeksi yaitu perolehan minyak dengan cara memasukan air ke dalam reservoir agar didapatkan tambahan perolehan minyak yang bergerak dari reservoir menuju ke sumur produksi, dan berhasil atau tidaknya injeksi air dilihat dari program Monitoring dan Surveillance yang baik, dengan melihat keadaan sumur injeksi, sumur produksi, Serta reaksi sumur produksi terhadap injeksi yang di lakukan oleh sumur injeksi dan mengetahui efektif atau tidak injeksi yang dilakukabn. Dalam Tugas Akhir ini, dilakukan tahapan Monitoring dan Surveillance sumur injeksi dengan sumur produksi. Pada sumur “NKL01” di lakukan injeksi air. Dengan menggunakan 4 metode kita dapat melihat efek injeksi yang di lakukan dari 1 sumur injeksi terhadap 6 sumur produksi dengan menggunakan data yang didapat sesui kondisi actual di lapangan. Dari Injeksi yang di lakukan pada sumur “NKL01” analisa menggunakan Metode Hall Plot dan Voidage Replacement Ratio (VRR) injeksi yang dilakukan sudah stabil tetapi belum efektif karena nilai VRR yang di dapat sebesar 0.49. Metode Chan Diagnostic air berlebihan yang masuk ke sumur produksi disebabkan karena kondisi Water Channeling. Dan metode Konektivitas hasil yang di dapat dari Sumur injeksi “NKL01” terhadap sumur Produksi “NKL02”, “NKL04”, “NKL05”, dan “NKL06” kondisi konetivitas bagus. Sedangkan untuk sumur produksi “NKL03” dan “NKL07” kondisi konektivitas buruk.
Penggunaan Simulasi Model Machine Learning untuk Memprediksi Laju Alir pada Produksi Sumur Minyak High Water Cut dan Critical Flow Soliadi, Indriana; Karim, Abdul Gafar; Mirza, Mirza; Laby, Dharma Arung; Ramadhana, Zulmi; Finansa, Dody; Darmiyati, Iin
Indonesian Research Journal on Education Vol. 3 No. 3 (2023): irje 2023
Publisher : Fakultas Keguruan dan Ilmu Pendidikan, Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/irje.v3i3.2593

Abstract

Sumur 1 lapangan Osprey merupakan sumur minyak dengan kondisi water cut yang mencapai lebih dari 60% yang menyebabkan pengukuran fluida menggunakan flow meter tidak akurat, sehingga untuk mengukur laju alir fluida dikembangkan machine learning model untuk memprediksi laju alir fluida pada sumur ini dengan menggunkana data set sebanyak 285 set untuk model development dan 280 set untuk model validasi. GOR berkisar antara 300 hingga 900 scf/stb, dan WC hingga 68%. Parameter yang digunakan adalah gas oil ratio (GOR), water cut (WC), flowing wellhead pressure (PU), choke size, downstream pressure (PD), dan oil flow rate (Qoil). Data diklasifikasikan menjadi critical flow dimana kumpulan data dengan kondisi aliran dengan rasio downstream pressure dan upstream pressure kurang dari 0.5. Dari hasi pengembangan dan validasi, model random forest regressor adalah model machine larning yang paling akurat dalam memprediksi laju alir pada kondisi high water cut dan critical flow reservoir dengan nilai MSE = 3.1, MAE = 1.26, RMSE = 1.76 dan R2 = 0.99 dan comparison model random forest regressor dengan empirical correlation Gillbert membuktikan bahwa model machine learning dapat lebih baik memprediksi laju alir jika dibandingkan dengan metrics empirical correlation Gillbert dengan nilai MSE = 59.31, MAE = 6.18, RMSE = 7.70 dan R2 = 0.83.
Co-Authors Alfa, Aprillino Bambang, R. Darmiyati, Iin Karim, Abdul Gafar Laby, Dharma Arung Mirza Mirza Rahul, Muhammad Ramadhana, Zulmi Sinaga, Jan Friadi Soliadi, Indriana