PDDA Machine Learning Competition 2020

Kabar gembira datang dari Dosen Teknik Geologi Universitas Pertamina, Epo P. Kusumah, M.Sc..

Bersama tim, Epo memenangkan lomba pembelajaran mesin (Machine Learning/ ML) dari induk Society of Petrophysicists and Well Log Analysts (SPWLA). Kompetisi dengan tajuk 1st Petrophysical Data-Driven Analytics Contest — Sonic Log Synthesis ini diadakan oleh Petrophysical Data-Driven Analytics (PDDA). PPDA sendiri adalah grup peminatan khusus di bawah SPWLA. PPDA mengadakan kontes ML pertama bagi semua peserta yang tertarik tentang aplikasi pembelajaran mesin di bidang petrofisik. Ternyata, kompetisi ini diikuti oleh peserta dari berbagai instansi dan kampus top dunia. Beberapa di antaranya Colorado School of Mines dan University of Texas at Austin.

Kompetisi ini dimulai pada 31 Maret 2020 untuk registrasi hingga batas pengumpulan kode (code submission) pada 7 Mei 2020. Info lengkap kompetisi dapat diakses di https://github.com/pddasig/Machine-Learning-Competition-2020. Epo dan tim berhasil menjuarai tempat ke-5 dan menyisihkan peserta lainnya serta berhak mendapatkan prize dari penyelenggara. Tim membuat sebuah alur kerja untuk memprediksi Sonic DTC dan DTS dari data log Triple Combo. Adapun daftar lengkap pemenang bisa dilihat di tabel ini.

Sumber: terlampir

Prestasi yang membanggakan untuk Epo dan tim. Ini karena pemenang Top 5 dihuni oleh researcher dari departemen geosains top dunia. Mereka adalah UT Austin yang bekerja bersama Associate Professor Michael Pyrcz (Peringkat 1), Colorado School of Mines (Peringkat 3), dan peneliti PhD dari Schlumberger (Peringkat 2).

Berbicara tentang lombanya. Terbatasnya aspek operasional atau bisa juga persoalan keuangan, kadang kala data sonic log — baik compressional travel time (DTC) maupun shear travel time (DTS) — tidak diambil dalam kegiatan akuisisi data log sumur migas. Sementara, data sonic cukup penting untuk decision making, terutama jika menyangkut geomekanika reservoir dan lubang bor. SPWLA melihat suatu celah dimana pendekatan analisis data dan machine learning bisa digunakan untuk mengisi kekosongan ini, yaitu meningkatkan karakterisasi bawah permukaan (subsurface).

Tujuan dari kontes analisis data adalah mengembangkan model data-driven dengan melakukan pemrosesan log konvensional “easy to acquire” dari Well #1 dan menggunakan model tersebut untuk menghasilkan log DTC dan DTS di Well #2. Model berbasis data yang kuat untuk sintesis sonic-log yang diinginkan akan menghasilkan kesalahan prediksi yang rendah, dihitung melalui Root Mean Squared Error (RMSE), membandingkan log DTC dan DTS asli dan hasil sintesis.

Peserta diberikan data log sumur quad combo dari suatu sumur (Sumur #1), yang kemudian digunakan untuk melakukan prediksi DTC dan DTS pada sumur lain (Sumur #2) yang hanya memiliki data triple combo.

Untuk review bersama. Dalam pemboran sumur migas, operator melakukan pengambilan data sumur (“logging”) yang menggunakan prinsip-prinsip fisika seperti radioaktivitas, resistivitas, serta akustik. Pengambilan data ini umumnya dikerjakan oleh service company seperti Schlumberger, Baker Hughes, atau Halliburton.

Tool string yang dimasukkan ke dalam sumur migas untuk akuisisi data (Sumber: ODP).

Data log-log sinar gamma-resistivitas-porositas umumnya ditampilkan dalam tiga kolom, log tersebut diberi nama triple combo log. Jika ditambahkan data sonic (DTC, atau DTC dan DTS), umumnya data ditampilkan dalam empat kolom dan disebut quad combo log.

Selamat untuk tim! 

 

Referensi:

https://medium.com/@aviandito/workflow-prediksi-sonic-dtc-dan-dts-dari-data-log-triple-combo-89bfcb4c53e6

https://github.com/pddasig/Machine-Learning-Competition-2020