OPTIMISASI STUCK PIPE DENGAN MENGGUNAKAN ALGORITMA DUELIST

Stuck pipe adalah salah satu masalah pengeboran yang paling serius, kondisi stuck pipe dapat menelan biaya industri minyak hingga ratusan juta dolar per tahun. Salah satu cara untuk menghindari risiko stuck pipe adalah dengan memprediksi keadaan stuck pipe dengan parameter pengeboran yang tersedia. Dalam tugas akhir ini, Artificial Neural Network (ANN) digunakan untuk prediksi stuck pipe dan dioptimisasi menggunakan Duelist Algorithm (DA). Berdasarkan kondisi pengeboran dari Petronas Carigali Sdn Bhd (PSCB), variabel yang didapat terlebih dahulu dianalisa melalui metode PCA-PLS. Pada permodelan pertama terdapat 19 input sedangkan setalah melalui pembuangan variabel redundant pada PCA dan memilih variabel penting pada metode PLS dengan hanya menggunakan variabel yang memiliki nilai VIP diatas 0,5 terdapat 12 input hal ini dikarenakan semakin sedikit data yang digunakan maka semakin mudah untuk mengumpulkan data. Serta Semakin sedikit data semakin mudah untuk membuat model. Pada model kali ini, dilakukan dengan menggunakan 1 input layer yang terdapat 12 input node, 14 hidden layer dengan ditraining 1 hingga 30 hidden node, dan 1 output layer dalam 14 hidden layer dengan nilai RMSE 0. Pada akhir optimisasi diperoleh biaya terendah sebesar USD 17300/hour pada RPM 195, 69 dan laju aliran mud 722,28 GPM. Serta kondisi konstrain tetap terjaga pada kondisi tidak stuck. ========================================================= Stuck pipe is one of the most serious drilling problems, stuck pipe conditions can cost the oil industry up to hundreds of millions of dollars per year. One way to avoid the risk of being stuck in a pipe is to predict the state of a stuck pipe with the available drilling parameters. In this final project, Artificial Neural Network (ANN) is used for prediction of stuck pipes and is optimized using Duelist Algorithm (DA). Based on the drilling conditions of the PSCB, the variables obtained were first analyzed through the PCA-PLS method. In the first modeling there are 19 inputs while after removing the redundant variable on the PCA and selecting important variables in the PLS method using only variables that have VIP values above 0.5 there are 12 inputs this is because the less data used the easier it is to collect data . And the less data the easier it is to make a model. In this model, it is done by using 1 input layer which has 12 input nodes, 14 hidden layers trained by 1 to 30 hidden nodes, and 1 output layer in 14 hidden layers with a value of RMSE 0. At the end of the optimization the lowest cost is USD 17300 / hour at RPM 195, 69 and mud flow rate 722.28 GPM. And the condition of the construction is maintained in a condition that is not stuck