• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文OA文献 >Pemodelan Produksi Minyak dan Gas Bumi pada Platform “MK” di PT “X” Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
【2h】

Pemodelan Produksi Minyak dan Gas Bumi pada Platform “MK” di PT “X” Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network

机译：使用ARIMA，神经网络和ARIMA-神经网络方法在PT“ X”的“ MK”平台上进行油气生产建模

页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Minyak dan gas bumi dapat diambil secara langsung melalui sumur-sumur yang dibuat, namun sumur-sumur tersebut tidak akan menghasilkan jumlah minyak dan gas bumi yang konstan setiap hari. Ketika kandungan minyak dan gas mulai turun maka yang harus dilakukan adalah memberikan treatment terhadap sumur tersebut, sehingga minyak dan gas yang masih terkandung di dasar bumi bisa naik dengan jumlah yang lebih banyak. Tujuan dilakukannya penelitian ini adalah untuk membantu Perusahaan dalam menganalisis jumlah produksi minyak dan gas bumi selama periode 14 hari selanjutnya, sehingga dapat diketahui apakah selama periode 14 hari selanjutnya diperlukan treatment terhadap sumur. Data yang digunakan adalah jumlah produksi minyak dan gas bumi pada platform “MK” pada tahun 2015. Pemodelan jumlah produksi minyak dan gas bumi dilakukan menggunakan tiga metode, yaitu ARIMA, neural network, dan Hibrida ARIMA-neural network. Hasil yang diperoleh berdasarkan analisis ketiga metode tersebut adalah pada jumlah produksi minyak bumi model terbaik diperoleh dari metode hibrida ARIMA-neural network, dengan hasil ramalan yang cenderung sama selama 14 hari yaitu 1961 barel. Sedangkan jumlah produksi gas bumi model terbaik diperoleh dari metode neural network, dengan ramalan produksi untuk 14 hari selanjutnya cenderung meningkat.
机译：石油和天然气可以直接通过建造的油井取走，但它们不会每天产生恒定量的石油和天然气。当石油和天然气含量开始下降时，需要做的是对井进行处理，以使仍包含在地下的石油和天然气可以大量增加。这项研究的目的是帮助公司分析接下来14天内的油气产量，从而可以知道在接下来的14天内是否需要进行油井处理。所使用的数据是2015年在“ MK”平台上的油气产量。使用ARIMA，神经网络和ARIMA-神经网络Hybrids三种方法对油气产量进行建模。通过这三种方法的分析得出的结果是，通过ARIMA神经网络混合方法获得的石油产量最高，其预测结果在1961年的14天中趋于相同。虽然从神经网络方法可以获得最佳的天然气产量模型，但未来14天的预测产量趋于增加。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号