Injeksi CO2 Huff & Puff adalah salah satu metode Enhanced Oil Recovery (EOR) yang menggunakan gas CO2 sebagai fluida injeksinya. Injeksi dilakukan pada sebuah sumur produksi dengan sistem siklus, satu sistem siklus terdiri dari tahapan injeksi, tahapan perendaman (soaking), dan tahapan produksi. Meskipun aplikasi injeksi CO2 telah banyak menggunakan ssitem berkelanjutan tetapi tidak mengurangi minat terhadap injeksi CO2 Huff & Puff dikarenakan oleh hal-hal berikut:
Berikut akan dibahas mengenai penyusunan model prediktif injeksi CO2 huff & puff untuk memprediksi performa reservoir saat dilakukan metode EOR CO2 huff & puff injection. Model prediktif dibuat berdasarkan hasil simulasi reservoir dan aplikasi Artificial Neural Network (ANN). Profil produksi dibentuk berdasarkan model prediktif laju alir maksimum, waktu saat laju alir maksimum, periode produksi dan laju alir di akhir periode produksi.
Model prediktif injeksi CO2 huff & puff dibentuk menggunakan fungsi Multilayer Neural Network pada software CMG-CMOST berdasarkan data hasil simulasi reservoir. Tahapannya adalah pembuatan model sintetis, analisa sensitivitas, pembuatan proxy model untuk tiap titik hasil, dan pembuatan profil produksi.
Model sintetis reservoir yang dibangun merupakan single well model dengan menggunakan jenis grid radial dan menggunakan skala logaritmik. Model reservoir diasumsikan tertutup (bounded), homogen dan perforasi pada sumur injeksi dan produksi dipasang pada seluruh zona net sand. Properti batuan reservoir telah disesuaikan dengan screening criteria pada berbagai studi dan aplikasi lapangan yang telah dilakukan sebelumnya.
Gambar 1.1: Model Sintetis Reservoir untuk Pembuatan Model Prediktif CO2 huff & puff
Gambar 1.2: Phase envelope fluida reservoir yang digunakan untuk membangun model prediktif.
Kurva permeabilitas relatif dibangun menggunakan Persamaan Corey.
Untuk permeabilitas relatif minyak dan air ditentukan dengan persamaan berikut ini: \[k_{ro} = (k_{rocw}) \left[ \frac{1-S_{w}-S_{orw}}{1-S_{wc}-S_{orw}} \right]^{n_o}...(1)\] \[k_{rw} = (k_{rwiro}) \left[ \frac{S_{w}-S_{wc}}{1-S_{wc}-S_{orw}} \right]^{n_{ow}}...(2)\]
Gambar 1.3: Kurva Permeabilitas Relatif Minyak-Air
Gambar 1.4: Kurva Permeabilitas Relatif Liquid-Gas
Berikut asumsi yang digunakan dalam membuat tabel permeabilitas relatif liquid-gas: \[S_{wcon} = S_{Lcon}\] \[S_{Lrg} = S_{Lcon}+S_{org}\] \[S_{gc} = S_{gcrit}\] \[N_o = N_g\] \[N_{ow} = N_{og}\]
Tekanan alir produksi bawah sumur di-set dua pertiga dari tekanan reservoir, hal ini dilakukan sebagai best practice pada aplikasi dilapangan yang menggunakan inflow performance relationship dalam menentukan tekanan dasar sumur (Pwf). Parameter operasi adalah total gas CO2 yang diinjeksikan. Gas yang diinjeksikan adalah CO2 murni tanpa campuran. Injeksi dilakukan selama beberapa hari yang diikuti oleh waktu peremdaman (soaking time) dan selanjutnya sumur dibuka untuk diproduksikan (Put on Production). Sumur akan diproduksikan hingga mencapai limit ekomosisnya yaitu sekitar 2 STB/D.
Analisa sensitivitas dilakukan menggunakan fungsi CMOST pada software CMG, dengan menggunakan metode Response Surface Methodology. Metode ini digunakan untuk menentukan hubungan antara variabel input (parameter) dan respon (objective function). Seluruh parameter divariasikan dalam sejumlah eksperimen yang dibuat menggunakan Latin Hypercube Method dan respon dari seluruh eksperimen akan digunakan untuk membentuk sebuah proxy model.
Ada 21 parameter yang divariasikan, dengan range nilai masing-masing parameter yang berbeda. Tabel 1 menunjukkan parameter-parameter dan variasi nilainya:
| No | Parameter | Satuan | Min | Max | Keterangan |
|---|---|---|---|---|---|
| 1 | Luas area pattern (A) | acre | 5 | 10 | |
| 2 | Ketebalan net pay(h) | ft | 10 | 100 | |
| 3 | Porositas | % | 0.1 | 0.25 | |
| 4 | Permeabilitas Lateral | mD | 10 | 300 | |
| 5 | kv/kh Ratio | fraksi | 0.1 | 0.3 | |
| 6 | Densitas Fluida Reservoir | \(^\circ\)API | 15 | 45 | SG 0.7978 - 0.9599 |
| 7 | Temperatur Reservoir | \(^\circ\)F | 100 | 200 | |
| 8 | Slug Injeksi CO2 | SCF | 500000 | 15000000 | |
| 9 | Tekanan Reservoir | psia | 500 | 2000 | |
| 10 | Saturasi Air | fraksi | 0.4 | 0.74 | |
| 11 | Swcon | 0.125 | 0.4 | ||
| 12 | Krocw | 0.4 | 0.95 | ||
| 13 | Krwcw | 0.15 | 0.7 | ||
| 14 | Sorg | 0 | 0.2 | ||
| 15 | Nw | 1 | 3 | ||
| 16 | Now | 1 | 5 | ||
| 17 | BHP | Psia | 263 | 1950 | |
| 18 | Sgcon | 0 | 0.1 | ||
| 19 | Krgcl | 0.5 | 1 | ||
| 20 | Hari Injeksi | Hari | 1 | 5 | |
| 20 | Hari Soaking | Hari | 5 | 40 |
Gambar 1.5: Pembangunan Profil Produksi Fluida Reservoir Berdasarkan Proxy Model
Proxy model dibuat berdasarkan hubungan parameter dan respon pada fungsi CMOST pada software komersial CMG. Ada 2 jenis proxy model yang dapat dibentuk: Polynomial Regression dan Neural Network. Setelah membandingkan keakuratan kedua jenis model, jenis proxy model yang dominan digunakan adalah Neural Network, tipe Multilayer Neural Network.
Jumlah eksperimen simulasi yang digunakan untuk membangun proxy model adalah 7000 eksperimen, dengan jumlah perbandingan data training dan data testing sebesar 80%-20%.
Profil produksi akan dibentuk menggunakan proxy model variabel-variabel respon di atas untuk fluida minyak, air, gas, dan liquid seperti tertera pada Tabel 2. Di bawah ini akan dilampirkan seluruh proxy model pembentuk profil produksi dalam bentuk weighting dari neural network architecture.
| Type | Proxy | R2 Training | R2 Testing |
|---|---|---|---|
| Oil | Cummulative Oil/ Np | 0.99 | 0.97 |
| Oil | Max Oil Production | 0.98 | 0.89 |
| Field | Water Saturation (EndSim) | 0.99 | 0.99 |
| Field | Pressure (EndSim) | 0.99 | 0.99 |