Penerapan model random forest untuk prediksi penyebaran porositas pada lapangan ‘x’

Kegiatan karakterisasi reservoir memiliki peran yang penting untuk dapat mengidentifikasi sifat-sifat batuan dan fluida, serta dapat mengestimasi besar cadangan hidrokarbon dibawah permukaan. Estimasi metode tradisional memiliki akurasi yang rendah, sangat memakan waktu, dan kesalahan yang lebih besar selama memprediksi porositas dan permeabilitas reservoir menggunakan data well logging serta pengukuran sample core yang cukup memakan biaya. Dalam penelitian ini, metode machine learning Random Forest diterapkan sebagai solusi yang cepat, hemat biaya untuk mengestimasi parameter reservoir dari data well logging. Enam model telah dikembangkan pada kondisi yang berbeda (jumlah fitur dan transformasi data) yang dibagi menjadi 85% training data dan 15% test data. Penentuan hyperparameters merupakan hal yang penting dikarenakan akan sangat berpengaruh ke performa pada setiap model. Hasil Exploratory Data Analysis menunjukkan bahwa fitur-fitur yang dapat digunakan sebagai input data untuk memprediksi nilai porositas core adalah fitur GR (-0.54), RHOB (-0.51), LLS (-0.44), LLD (-0.4), dan CXO (0.32). Sehingga dilanjutkan kedalam proses pelatihan model dan ditemukan bahwa model B dengan fitur tiga teratas (GR, RHOB, dan LLS) tanpa transformasi data mendapatkan hasil yang optimal dengan mendapatkan nilai R2 sebesar 0.8 dan RMSE sebesar 0.034 dengan menggunakan hyperparameter n_estimators=19 dan random_state=42. Penelitian dilanjutkan dengan melakukan pelatihan model ulang dengan menggunakan seluruh data well logging untuk dapat mengembangkan model prediksi porositas. Prediksi porositas core berhasil dilakukan hingga 1393 data pada baris kosong yang terdapat pada kolom porositas core.