Bab 13 Chemical Injection Huff & Puff Predictive Model

13.1 Pendahuluan

Injeksi surfaktan huff and puff adalah metode EOR yang baru diaplikasikan yang memberikan efisiensi yang lebih besar daripada metode konvensional dengan menginjeksi surfaktan di sumur produksi, bukan di sumur injeksi. Berikut akan dibahas mengenai penyusunan model prediktif injeksi chemical huff and puff untuk memprediksi performa reservoir saat dilakukan metode EOR chemical huff and puff. 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, laju alir inisial, periode produksi dan laju alir di akhir periode produksi.

13.2 Mekanisme Injeksi Chemical Huff and Puff

Huff and Puff terdiri dari 3 siklus. Siklus terdiri dari injeksi surfaktan, penutupan sumur sementara sambil membiarkan surfaktan meresap dan meningkatkan ekstrasi minyak di sekitar sumur, dan produksi (di masa depan) yang secara inkremental lebih besar daripada metode konvensional. Sekuensi tersebut dilakukan sampai mencapai batasan ekonomi. Contoh dari urutan aktivitas huff and puff dapat dilihat di Gambar 1.

Ilustrasi Metode _Huff and Puff_

Gambar 1.1: Ilustrasi Metode Huff and Puff

Chemical yang diinjeksikan ke dalam suatu sumur adalah surfaktan. Surfaktan akan mengurangi nilai interfacial tension fluida yang ada direservoir dan juga mengubah wettability batuan. Setelah reservoir diinjeksikan surfaktan, seharusnya minyak dalam reservoir akan lebih mudah mengalir. Hasilnya adalah perubahan karakteristik aliran berubah ketika konsentrasi surfaktan dinaikkan sehingga kurva permeabilitas relatif mendekati garis lurus. Gambar 2 dan Gambar 3 menunjukan ilustrasi perubahan kurva permeabilitas relatif setelah injeksi surfaktan.

Kurva Permeabilitas Relatif Sebelum Diinjeksikan SUrfaktan

Gambar 1.2: Kurva Permeabilitas Relatif Sebelum Diinjeksikan SUrfaktan

Kurva Permeabilitas Relatif Sesudah Diinjeksikan SUrfaktan

Gambar 1.3: Kurva Permeabilitas Relatif Sesudah Diinjeksikan SUrfaktan

13.3 Pembuatan Model Prediktif

Model prediktif injeksi hidrokarbon 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 model radial dengan jenis grid logaritmik untuk dapat lebih bisa memodelkan efek injeksi. Ukuran grid homogen pada bagian lateral dan layer vertical. Model reservoir tertutup dengan 1 sumur injeksi dan 1 sumur produksi yang diletakkan bagian paling tengah. Perforasi injeksi dan produksi juga diletakkan di blok yang sama. Properti batuan reservoir pada model merupakan single value model (homogen), kondisi inisial reservoir disesuaikan dengan kedalaman reservoir dan telah disesuaikan dengan screening criteria pada berbagai studi dan aplikasi lapangan yang telah dilakukan sebelumnya. Fluida yang digunakan didapat dari STARS dengan rentang oAPI 15-45. Gambar 4 menunjukan model sintetik yang digunakan.
Model Sintetis Reservoir untuk Pembuatan Model Prediktif _Chemical Huff and Puff_

Gambar 1.4: Model Sintetis Reservoir untuk Pembuatan Model Prediktif Chemical Huff and Puff

Kurva permeabilitas relatif dibangun menggunakan Persamaan Corey. Contoh kurva permeabilitas relatif minyak-air ditunjukan pada Gambar 5.
Kurva Permeabilitas Relatif Minyak-Air

Gambar 1.5: Kurva Permeabilitas Relatif Minyak-Air

Untuk permeabilitas relatif minyak dan air ditentukan dengan persamaan berikut ini: \[k_{ro} = (k_{rocw}) \left[ \frac{1-S_{w}-S_{orw}}{1-S_{wc}-S_{orw}} \right]^{n_o}...(1)\] \[k_{rw} = (k_{rwiro}) \left[ \frac{S_{w}-S_{wc}}{1-S_{wc}-S_{orw}} \right]^{n_{ow}}...(2)\] Berikut asumsi yang digunakan dalam membuat tabel permeabilitas relatif minyak dan gas: \[S_{wc}=S_{wcrit}...(3)\] \[S_{orw}=S_{oirw}...(4)\] Untuk permeabilitas relatif liquid dan gas ditentukan dengan persamaan berikut ini: \[k_{rog} = (k_{rogcg})\left[ \frac{1-S_{g}-S_{Lc}}{1-S_{gc}-S_{Lc}} \right]^{n_{og}}...(5)\] \[k_{rg} = (k_{rgci}) \left[ \frac{S_{g}-S_{gc}}{1-S_{gc}-S_{Lc}} \right]^{n_g}...(6)\] Contoh kurva permeabilitas relatif likuid-gas ditunjukan pada Gambar 6.
Kurva Permeabilitas Relatif Liquid-Gas

Gambar 1.6: 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 agar perbedaan nilainya dengan tekanan reservoir berbeda sedikit untuk mensimulasikan penggunaan chemical huff and puff pada lapangan yang sudah lama diproduksikan. Parameter operasi lainnya adalah laju alir surfaktan yang diinjeksikan, jenis surfaktan yang digunakan, beserta lama waktu injeksi dan soaking. Pada awalnya sumur produksi ditutup dan hanya sumur injeksi saja yang dibuka dengan durasi sebesar waktu injeksinya. Setelah injeksi tersebut selesai, sumur injeksi juga dimatikan. Setelah waktu soaking tercapai, produksi akan dilanjutkan sampai laju alir fluida mencapai economic limit (dengan nilai standar sebesar 2 bbl/day) dimana kemudian sumur produksi akan dimatikan.

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 42 parameter yang divariasikan, dengan range nilai masing-masing parameter yang berbeda. Tabel 1 menunjukkan parameter-parameter dan variasi nilainya:

Tabel 13.1: Range Nilai Parameter Input Untuk Studi Sensitivitas dan Pembuatan Proxy Model
No Parameter Satuan Min Max Keterangan
1 Area acre 3 15
2 Thickness ft 10 100
3 Permeability mD 50 250
4 Porosity fraksi 0.1 0.3
5 Densitas Minyak lb/ft3 50.03 60.27
6 API \(^\circ\)API 15 45
7 MFCHEM fraksi 0.001 0.05
8 MFWATER fraksi 0.999 0.95
9 ADMAXT gmole/ft3 0.02 0.04
10 Injection Rate ft3/day 300 1000
11 INJECTION Date 2 6
12 SOAKING Date 7 31
13 Injection Time Days 1 5
14 Soaking Time Days 5 25
15 PRES psi 600 1250
16 PRES Multiplier fraksi 1 1.25
17 PWF Psi 600 1000
18 a - 20 150
19 b - 105 400
20 IFT - - -
21 TEMP \(^\circ\)C 60 150
22 TIFT1 \(^\circ\)C 60 150
23 TIFT2 \(^\circ\)C 60.1 150.1
24 DTRAPW1 - -7 -4
25 DTRAPN1 - -7 -4
26 DTRAPW2 - -3 -1
27 DTRAPN2 - -3 -1
28 Swinit fraksi 0.4 0.85
29 Swcon fraksi 0.125 0.4
30 Sorw - 0.2 0.2
31 Krocw - 0.4 0.95
32 Krwcw - 0.15 0.7
33 Nw - 1 3
34 Now - 1 5
35 Sorg - 0 0.2
36 Sgcon - 0 0.1
37 Krgcl - 0.5 1
38 Krogcg - 0.5 1
39 Ng - 1 3
40 Ngl - 1 3
41 OilWaterTable - - -
42 LiquidGasTable - - -
Respon yang diukur adalah volume produksi dan laju alir fluida. Dari respon tersebut akan direkam nilai produksi kumulatif, laju alir maksimum (Qmax), waktu saat laju alir maksimum tercapai (~), dan periode produksi (tStop). Masing-masing respon ini akan dibentuk proxy model-nya untuk membangun profil produksi suatu fluida reservoir seperti yang ada pada Gambar 7.
Pembangunan Profil Produksi Fluida Reservoir Berdasarkan _Proxy Model_

Gambar 1.7: Pembangunan Profil Produksi Fluida Reservoir Berdasarkan Proxy Model

Tren dari laju alir inisial menuju laju alir maksimum diasumsikan berupa linear trend, dan tren dari laju alir maksimum menuju laju alir akhir produksi berupa exponential decline.

Proxy model dibuat berdasarkan hubungan parameter dan respon pada fungsi CMOST pada software komersial CMG. Ada 2 jenis proxy model yang dapat dibentuk: _Polynomial Regressio_n 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 2599 eksperimen, dengan jumlah data training 2344 data dan jumlah data verifikasi proxy model 255 data.

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.

Tabel 13.2: Jumlah Proxy Model yang Dibentuk untuk Profil Produksi Berbagai Fluida Reservoir
Respon Minyak Air Gas
Kumulatif Produksi NpOil NpWater NpGas
Laju Alir Maksimum Max_RateOil Max_RateWater Max_RateGas
Waktu Saat Laju Alir Maksimum Days_At_MaxRate_Oil Days_At_MaxRate_Water Days_At_MaxRate_Gas
Laju Alir Akhir RateOil_EndSom RateWater_EndSom RateGas_EndSom
Saturasi Air di Akhir Produksi Sw_EndSim Sw_EndSim Sw_EndSim
Tekanan di Akhir Produksi Pressure_EndSim Pressure_EndSim Pressure_EndSim
Waktu Produksi Terakhir EndCycle EndCycle EndCycle

Proxy model untuk produksi kumulatif minyak:

Multilayer Neural Network (15)

Layer 1:

-1.15 0.16 0.11 -2.29 0 0.02 0.47 0.31 -0.24 2.27 0.06 -0.04 -0.6 -1.33 0.03
-3.62 0.17 -0.13 -2.19 -4.49 -0.31 0.05 0.04 -0.43 2.29 -0.11 0.16 -0.16 -4.24 -4.48
0.06 -0.13 -0.06 -0.34 0.15 0.02 0.08 -0.19 0.02 0.03 -0.18 -0.4 -0.13 0 0.14
-2.01 -0.05 0.01 -1.62 0.1 0 0.08 0.25 -0.18 1.45 0 -0.42 -0.16 -1.87 0.15
-0.11 0.03 0.02 -0.07 -0.57 0.04 0.09 0.01 -0.05 0.03 0.1 0.31 -0.12 -0.17 -0.55
-0.58 -0.01 -0.06 0.08 -0.35 0.06 0.14 0.3 0.03 -0.2 -0.21 0.33 -0.19 -0.31 -0.34
0.55 -0.11 -0.03 -0.07 0.79 0.04 -0.05 -0.27 0.07 0.14 0.01 0.33 0.03 0.39 0.78
-0.59 -0.06 0.12 -0.32 0.87 -0.08 -0.1 -0.2 0.06 0.29 -0.13 0.27 0.15 -0.12 0.87
-0.8 -0.04 0.06 -0.24 0.33 -0.07 -0.16 -0.08 -0.02 -0.02 -0.03 0.09 0.23 -0.23 0.33
0.59 0.04 -0.1 0.11 -0.34 0.08 0.17 -0.15 0.09 -0.12 0.02 0.57 -0.24 0.33 -0.34
-1.15 0.23 -0.2 0.38 -0.72 -0.01 0.33 0.08 -0.16 -5.26 0.11 -0.58 -0.48 -0.33 -0.7
2.71 0.13 0.03 0.84 -0.13 -0.07 -0.1 -0.08 0.03 -0.46 0.17 -0.84 0.17 2.24 -0.15
1.03 0.13 -0.05 -0.13 -0.63 0.04 0.06 0.06 -0.01 0.08 0.21 -0.15 -0.06 0.95 -0.63
0.17 0 0.05 -0.02 -0.56 0.01 0 0.1 0 0.11 -0.01 0.77 0 0.33 -0.55
1.49 -0.07 0.01 -0.09 1.3 0.01 -0.06 0.12 -0.01 0.09 -0.08 -0.12 0.06 1.19 1.31
0.27 -0.12 0.07 -0.15 0.68 -0.03 0.06 -0.4 -0.01 0.09 -0.1 0.24 -0.06 0.56 0.66
0.74 0.07 0.09 -0.27 -0.21 -0.05 -0.16 0.16 -0.01 0.11 0.08 0.5 0.26 0.97 -0.21
7.71 -0.58 1.49 5.12 -1.23 -0.38 -1.48 -0.29 0.46 -4.48 -0.27 0.15 2.37 6.63 -1.33
-4.31 0.1 -0.24 -1.66 0.53 0.15 0.49 -0.19 0.08 1.02 -0.02 -0.69 -0.7 -4.27 0.56
-2.03 -0.01 0.01 -0.31 0.32 0 -0.02 0.15 -0.02 0.22 -0.08 0.82 0.04 -2.32 0.34
1.12 -0.09 0.13 0.21 0.07 0.02 -0.05 -0.28 0.16 -0.44 -0.06 0.78 0.08 0.85 0.06
-3.23 -0.02 -0.12 -0.74 0.27 0.06 0.22 -0.02 -0.05 0.65 -0.09 0.82 -0.34 -3.24 0.3
-0.97 0.09 0.42 0.04 0.25 0.03 -0.3 -0.1 0.54 -0.48 0.09 -0.18 0.55 -0.7 0.22
-0.87 -0.14 0.01 0.25 0.48 0.05 -0.02 -0.15 0.08 -0.32 -0.09 0.16 0.03 -0.55 0.47
-0.37 -0.13 -0.18 -0.66 1.12 -0.04 0.15 0.27 -0.1 0.51 -0.5 -1.08 -0.32 -1.03 1.12
-0.97 0.15 0.03 0.46 -0.18 0.06 0.11 0.08 0.06 -0.24 0.2 0.19 -0.12 -1.16 -0.2
-0.49 0.07 -0.05 -0.65 0.26 -0.02 0.03 -0.06 -0.06 0.6 0.11 -0.07 -0.05 -0.1 0.24
1.03 0 0.08 0.39 0.06 -0.03 -0.04 -0.17 0.01 -0.24 0.08 -0.41 0.09 0.62 0.05
0.92 0.13 -0.21 -1.11 0.64 -0.06 0.04 0.13 -0.19 1.05 0.11 -0.36 -0.15 0.87 0.64
-5.55 -0.07 0.12 -2.65 0.15 0.02 -0.16 -0.05 0.12 3.72 -0.03 -0.01 0.27 -5.57 0.13

Output Layer:

2.13 -3.47 -1.34 -0.26 -0.76 -5.57 3.95 1.08 2.55 -0.39 2.06 0.06 1.46 -2.91 0.76 -0.33

 

Proxy model untuk produksi kumulatif air:

Multilayer Neural Network (3,3)

Layer 1:

-4.7 2.03 3.96
-8.14 2.29 2.15
-1.67 -0.14 -1.49
-1.36 1.53 0.22
2.23 -0.15 -1.65
-0.79 0.09 2.16
4.27 0.07 -0.8
0.7 0.24 1.79
1.8 -0.06 -0.98
5.1 -0.06 -2.54
-7.03 1.37 0.36
0.32 -0.05 2.14
0.08 -0.4 -1.01
1.25 -0.04 -0.72
-2.36 0.65 3.28
0.57 -0.14 -0.49
3.25 -0.1 -0.75
13.61 2.59 16.52
-0.87 -1.37 -2.76
0.65 0.03 2.23
1.37 0.72 2.95
-1.85 -0.62 0.13
4.9 0.54 7.8
3.52 -0.35 -1.67
-2.47 0.38 -1.24
-4.25 -0.19 1.09
-1.15 -0.11 -2.4
-2.73 0.35 3.23
-4.91 0.97 -0.85
-3.82 2.56 2.51

Layer 2:

0.51 -9.67 -0.28
-11 -8.56 -2.15
6.2 -4.7 -2.78
4.79 2.33 5

Output Layer:

-0.19 0.07 -0.35 0.29

 

Proxy model untuk produksi kumulatif gas:

Multilayer Neural Network (3)

Layer 1:

-1.68 -1.87 1.75
-2.09 -2.65 2.09
-0.2 0.14 0.27
-1.49 -1.49 1.57
-0.33 -0.12 0.41
0.13 0.13 -0.13
0.12 -0.11 -0.21
-0.36 -0.52 0.45
-0.03 0.11 0.08
0.18 0.13 -0.23
-0.51 5.08 0.51
0.18 0.04 -0.29
0.02 -0.11 -0.06
0.01 -0.19 -0.02
0.49 0.23 -0.52
-0.36 -0.21 0.46
-0.14 -0.08 0.2
1.66 2.73 -1.13
-0.02 0 -0.1
0.14 0.42 -0.14
-0.11 0.17 0.24
-0.07 -0.0 7
0.27 0.73 -0.05
0.38 0.49 -0.39
-0.18 -0.45 0.02
0.05 0.09 -0.04
-0.25 -0.56 0.21
0.01 0.17 0.03
-0.72 -0.89 0.66
-2.47 -3.57 3.07

Output Layer:

-2.92 0.3 -6.93 4.51

 

Proxy model untuk laju alir maksimum minyak:

Multilayer Neural Network (5)

Layer 1:

-0.06 -2.5 0.09 0.08 -0.23
1.49 2.5 3.01 3.13 -3.02
1.34 8.45 1.56 1.53 -1.58
-0.36 0.06 0.26 0.26 -0.17
-0.03 -2.1 -0.02 -0.03 0.06
-0.14 -6.96 -0.34 -0.33 0.45
-0.11 -1.47 -0.07 -0.13 -0.05
0.22 0.5 0.26 0.28 -0.31
-0.04 -1.45 0.38 0.49 -0.21
-0.26 -0.92 -0.12 -0.15 0.15
1.74 16.83 1.41 1.71 -0.03
0.29 -3.9 0.02 -0.04 -0.08
-0.14 1.13 -0.36 -0.42 0.21
-0.13 2.86 0.03 0.02 0.02
0.43 -2.54 0.06 0.01 -0.19
-0.27 -4.44 -0.4 -0.41 0.46
0.07 -3.2 -0.24 -0.27 0.17
-1.89 -15.92 -3.38 -3.12 3.76
-0.36 5.41 1.65 1.6 -1.6
0.46 5.11 0.77 0.78 -0.76
-0.33 -0.87 0.04 0.01 -0.07
-0.03 0.36 0.09 0.17 0.18
-3.96 -2.53 -0.19 -0.01 0.53
0.15 -4.47 -0.2 -0.16 0.24
-0.2 -1.61 0.09 0.05 -0.03
0.18 3.48 -0.34 -0.36 0.36
0.31 -3.46 0.18 0.17 -0.21
-0.24 2.85 -0.02 0 0.13
-0.07 -5.95 -0.2 -0.25 0.21
4.41 12.75 3.04 3.65 -3.17

Output Layer:

6.1 -1.33 6.53 -14.89 1.67 5.47

 

Proxy model untuk laju alir maksimum air:

Multilayer Neural Network (3,1)

Layer 1:

0.23 -0.89 0.5
-0.25 -0.99 -0.15
0.24 0.14 0.77
-0.02 -0.39 -0.01
0.13 0.47 0.29
-0.17 -0.41 -0.33
0.1 -0.59 0.23
-0.26 0.38 -0.53
0.18 -0.57 0.46
-0.3 -0.19 -0.67
0.19 -0.35 0.84
0.06 0.18 0.24
0.08 -0.21 0.14
-0.02 0.39 -0.07
-0.08 -0.04 0.05
0.07 0.23 0.11
0.14 -0.21 0.27
0.14 8.31 0.42
0.07 -3.39 0.14
-0.14 -0.18 -0.29
0.08 -0.68 0.45
-0.07 -3.6 -0.18
0.29 -0.08 0.64
-0.2 -0.5 -0.43
0.26 0 0.55
-0.07 -0.09 -0.14
0.21 -0.23 0.47
0.05 1.05 0.06
0.39 0.23 0.85
-0.14 -1.35 0.04

Layer 2:

9.66
-0.56
-4.79
-1.23

Output Layer:

-0.78 -0.57

 

Proxy model untuk laju alir maksimum gas:

Multilayer Neural Network (20)

Layer 1:
Bagian Pertama
-0.1 0.08 0.03 0.16 0.29 -0.15 0.18 -0.16 -0.2 -0.1
-1.21 -0.52 -0.17 0.24 -0.6 -0.29 0.24 0.2 1.34 -1.29
-0.23 -0.3 -0.14 0.02 1.37 1.53 0.16 -0.1 1.75 -0.19
-0.01 0.07 0.05 0.02 -0.16 0.36 0.17 0.12 0 -0.01
0.09 0.1 -0.04 0.22 -0.24 -0.67 0.03 -0.08 -0.01 0.09
-0.02 -0.13 -0.14 -0.04 -0.65 -1.38 0.14 0.3 -0.06 0
-0.18 0 0.08 0.12 -0.45 -0.87 -0.08 -0.24 -0.3 -0.18
-0.08 0.08 -0.14 0.06 -0.13 0 0.25 0.04 -0.15 -0.08
0.08 0.04 0.26 -0.19 0.25 -0.97 -0.07 0.11 -0.07 0.08
0.03 0.02 0.17 0.08 -0.18 -0.48 0.12 0.15 -0.03 0.04
1.61 -0.48 -0.13 0.11 1.44 -0.38 0.2 0.17 1.92 1.76
-0.17 -0.19 -0.22 0 -0.65 -0.7 0.02 -0.14 0.63 -0.16
-0.08 0.02 0.16 -0.33 -0.02 -0.25 -0.06 -0.04 0.08 -0.1
-0.01 0.07 -0.16 -0.07 0.74 0.21 0.06 -0.12 -0.24 -0.02
-0.06 0.11 -0.09 0.12 0.18 0.35 0.06 -0.29 0.06 -0.07
0.04 0.11 0.41 -0.3 -0.68 0.16 0.01 -0.18 -0.45 0.04
0 0.03 0.19 0.21 -0.69 -1.76 0.18 -0.11 -0.05 -0.01
0.06 0.18 -0.17 -0.08 -0.87 -0.59 -0.2 -0.56 -5.06 -0.1
0.11 -0.24 -0.11 0.03 0.26 1.16 0.29 0.42 0.94 0.16
0.33 -0.32 -0.07 0.07 0.86 -0.01 -0.25 -0.35 0.95 0.39
0.09 0.02 -0.16 -0.18 -0.03 -0.92 -0.21 -0.31 -0.05 0.1
0.1 0.12 -0.04 0.04 -0.74 0.54 0.04 -0.09 -0.34 0.07
0.11 0.25 -0.09 0.17 0.15 0.95 -0.49 0.03 -3.2 0.03
0.22 0.07 0.06 -0.17 1.56 -0.42 -0.05 -0.31 0.02 0.21
-0.14 -0.1 0.13 -0.04 -0.14 0.96 -0.03 0.09 0.36 -0.14
-0.26 0.16 0.13 0.05 0 -0.61 0.2 0.02 -0.25 -0.27
-0.15 0.04 -0.11 0.11 -0.23 -0.11 0.13 -0.25 0.14 -0.18
0.09 0 -0.21 -0.12 -0.31 0.78 -0.02 -0.12 -0.1 0.07
-0.07 -0.1 -0.13 0.04 -0.38 1.8 -0.12 -0.05 0.08 -0.07
-0.03 0.13 0.01 -0.05 -0.25 0.07 -0.04 -0.06 3.36 -0.07
Bagian Kedua
-0.65 -0.01 1.43 0.83 0.96 -0.36 -0.04 1.13 -0.46 0.19
2.4 0.1 1.36 1.45 1.52 1.46 0.07 1.98 0.92 -0.81
1.18 0.13 2.79 1.77 3.71 1.53 0.43 2.65 0.15 2.36
0.32 0 0.64 0.47 0.1 -0.04 -0.08 0.31 0.58 0.3
-0.3 -0.11 1.51 0.6 1 -0.1 -0.13 0.39 0.32 0.33
-0.04 -0.01 -2 0.35 2.25 -0.09 -0.09 0.63 0.71 -0.44
-0.35 -0.01 1.29 0.39 1.08 -0.37 -0.18 0.81 0.99 -0.36
-0.51 -0.03 -2.42 -0.12 0.32 -0.17 -0.01 0.06 0.12 0.17
-0.45 0.08 1.5 0.03 0.53 -0.09 0.01 0.21 0.1 - 0.14
0.39 0.02 1.25 0.08 -0.93 -0.02 -0.05 -0.36 -0.33 -0.43
3.01 0.01 6.78 2.28 3.25 1.92 -0.08 2.95 0.63 -0.51
-0.42 0.07 1.74 0.99 0.86 0.53 0.27 1.13 -1.04 -0.13
-0.61 0.1 2.89 0.41 0.66 -0.19 -0.15 0.64 0.55 0.38
-0.72 -0.03 2.62 -0.23 -0.28 -0.19 -0.08 0.09 0.26 0.16
0.37 -0.05 -1.66 0.06 -0.26 0.02 -0.06 -0.25 0.1 0.01
-1.25 0.17 1.85 -0.22 0.6 -0.57 -0.13 0.47 0.87 0.27
0.17 0.03 -0.4 -0.23 -2.05 0.03 0.01 -1.28 0.31 -0.44
-3.67 -0.16 -5.47 -3.85 -8.2 -3.96 -0.85 -6.86 -1.66 1.37
0.89 0.09 5.85 0.27 5.8 0.96 0.37 4.26 0.06 -0.7
2.27 0.09 0.95 0.28 0.52 1.07 0.55 0.75 0.05 0.74
-0.93 0 -0.67 -0.35 -1.22 -0.08 0.05 -0.43 0.21 -0.03
0.41 -0.04 1.52 -0.38 0.19 -0.11 -0.04 -0.3 -0.85 0.12
-1.69 -0.33 -1.49 -5.97 -0.9 -2.37 -0.53 -0.53 -0.14 0.73
0.24 0.07 -0.55 0 0.13 0.03 0.1 -0.07 -0.18 0.28
0.47 0.06 -1.15 -0.31 -0.33 0.36 0 0.03 0.5 0.15
-0.23 0 1.65 0.14 0.87 -0.26 -0.13 0.58 0.15 0.2
-0.78 -0.01 0.26 0.45 0.85 0.03 -0.04 0.85 0.36 -0.24
-0.2 0 0.08 -0.35 0.5 -0.04 0 0.5 -0.87 -0.19
-0.52 -0.05 -1.6 0.06 -0.92 -0.02 -0.15 -0.25 0.7 0.06
4.16 -0.05 7.48 4.55 6.48 2.85 -0.27 5.36 -0.42 0.16
Output Layer:
Bagian Pertama
-0.75 -0.69 0.64 -0.77 -0.02 0.01 0.52 -0.34 -1.62 0.62
Bagian Kedua
-1.27 -2.53 -1.64 1.54 -1.78 1.64 0.29 2.37 -0.02 -0.02 0.99

 

Proxy model untuk waktu laju alir maksimum minyak:

Multilayer Neural Network (5)

Layer 1:

2.26 2.79 0.35 6.71 -12.19
0.29 -3.59 -0.58 5.14 -2.4
-1.29 12.64 -0.24 -4.08 3.27
-1.07 1.62 -0.59 -5.58 -4.18
0.99 -1.36 0.57 7.55 6.67
-2.33 -2.57 -0.37 -10.73 -0.91
-1.19 4.46 -0.38 -9.08 -4.96
0.58 1.53 0.92 1.74 10.83
-2.02 2.67 -0.32 1.18 -5.64
1.75 3.37 3.68 0.79 3.33
-0.15 8.35 -2.9 1.78 -11.48
-2.37 -0.27 0.08 -2.24 2.94
0.21 5.23 0.77 0 -3.84
0.67 1.72 0.27 4.84 -10.89
-0.19 -8.54 -0.19 5.54 -7.6
-1.53 -3.22 -0.68 -0.29 -3.92
-0.04 3.49 -0.32 5.04 14.42
0.28 5.47 0.92 0.01 -2
-0.73 -1.82 -1.48 -4.59 4.8
0.46 4.64 -1.03 -0.73 -3.89
-0.27 6.23 -2 1.43 4.84
0.05 0.32 -0.71 0.9 3.43
0.79 0.32 0.31 2.51 -7.51
-2.67 -1.2 -1.23 -2.36 8.13
0.95 5 0.23 0.92 -2.73
-2.26 2.67 -0.96 -4.96 2.08
-2.53 6.38 0.08 -2.96 -12.5
-2.9 -2.32 -0.1 -11.87 5.8
1.62 9.82 2.36 7.47 -4.53
5.33 14.01 0.66 14.08 -19.36

Output Layer:

-0.57 1.1 0 2.16 -2.77

 

Proxy model untuk waktu saat laju alir maksimum air:

Multilayer Neural Network (2)

Layer 1:

-0.36 0.29
-2.47 0.86
-1.75 0.44
0.05 0.29
-0.25 0.27
0.09 -0.19
0.29 0.04
1.64 -0.39
1.75 -0.87
2.25 2.11
-1.98 -13.41
-0.12 0.46
-0.1 0.02
-0.14 0.09
-0.81 -0.67
0.22 -0.01
0.33 -0.18
2.61 -0.66
-1.62 0.33
-0.02 0.12
-1.06 0.3
-0.23 -0.11
0.46 -0.03
-0.04 0.11
-0.48 0.32
-0.1 -0.08
0.01 0.19
0.23 -0.02
0.4 0.31
1.5 4.9

Output Layer:

0.07 0.34 -0.22

 

Proxy model untuk waktu saat laju alir maksimum gas:

Multilayer Neural Network (7)

Layer 1:

18.93 -14.44 -14.26 -3.48 1.66 -4.33 -18.92
2.93 -15.7 -15.49 4.42 4.52 0.04 -2.99
-5.35 3.68 3.64 -6.96 7.88 -6.59 5.43
-1.74 -10.91 -10.79 -0.18 7.09 -6.35 1.81
-1.18 -6.43 -6.32 -1.56 -0.07 -3.86 1.26
0.75 -2.02 -1.98 -8.35 -0.06 6.18 -0.77
4.19 2.28 2.23 -6.93 -0.77 -4.33 -4.29
-11.37 -1.48 -1.4 -2.18 -5.66 10.59 11.41
-8.21 -0.09 -0.11 -1.04 1.08 6.8 8.21
-0.46 2.72 2.63 7.54 -0.58 1.26 0.52
32.66 -23.44 - 23.18 6.9 8.78 -5.95 -32.41
-17.72 20.12 19.85 2.54 -1.3 1.38 17.64
-1.72 -4.71 -4.61 -6 .71 -4.25 -3.06
-2.7 3.28 3.19 1.92 1.23 3.88 2.68
-2.94 -5.94 -5.84 6.62 -5.71 2.46 2.94
7.06 0.54 0.61 4.24 0.56 -5.14 -7.14
-6.54 10.44 10.3 -1.85 -4.89 2.21 6.47
10.27 28.12 28.03 -2.21 -1.68 6.15 -10.19
-8.4 -1.02 -1.03 -5.91 0.83 13.34 8.21
-14.45 1.78 1.71 -1.16 -2.67 -2.85 14.34
-13.03 8.27 8.16 1.36 0.48 5.4 13.01
12.1 -7.65 -7.55 2.51 -5.48 -1.32 -12.1
6.41 0.07 0.14 5.31 4.82 -18.61 -6.45
-8.27 1.57 1.57 -5.71 2.71 0.15 8.21
-6.83 -3.62 -3.49 2.75 4.52 0.66 6.85
5.25 1.97 1.98 -6.99 -5.96 -2.71 -5.31
6.7 -8.69 -8.52 0.68 5.5 1.86 -6.63
16.72 -0.31 -0.34 2.3 -2.21 6.23 -16.69
4.26 2.86 2.8 -4.72 -3.47 -2.74 -4.24
15.41 -11.7 -11.59 12.21 6.82 -14.6 -15.31

Output Layer:

-2.48 -2.07 2.08 1.81 0.02 -2.52 -2.48 -4.13

 

Proxy model untuk saturasi air terakhir:

Multilayer Neural Network (10)

Layer 1:

-0.16 0.28 -0.07 0.52 -0.11 0.1 -0.49 0.04 -0.03 -0.14
-0.02 -0.14 0.09 -0.47 -0.84 0.85 0.54 -0.03 -0.08 0.02
-0.2 -0.11 0.38 -0.75 -0.78 0.77 0.48 -0.27 -0.05 -0.06
-0.13 0.01 0.2 0.25 -0.36 0.37 0.28 -0.05 0.12 -0.06
-0.26 0.01 0.19 0.47 -0.33 0.34 0.3 -0.15 -0.22 -0.12
0.11 0.21 -0.29 -0.56 0.47 -0.46 -0.3 0.14 0.22 0
-0.11 -0.19 0.09 0.19 -0.23 0.22 -0.01 -0.04 -0.19 -0.01
-0.1 -0.13 -0.28 0.15 0.63 -0.63 -0.29 0.03 0.28 0
0.2 -0.09 0.02 -0.07 0.37 -0.34 0.16 0.07 0.41 0.12
0.04 0.22 -0.04 -0.52 0.03 -0.03 -0.06 0.06 0.31 -0.03
-0.2 -0.11 0.07 -0.05 0.17 -0.19 -0.21 -0.21 -0.14 -0.06
-0.05 0.04 0.34 -0.24 -0.41 0.43 0.28 0.08 -0.62 -0.04
-0.1 -0.25 -0.1 -0.35 -0.03 0.03 -0.03 0 -0.3 0.01
0 0.25 -0.45 -0.69 0.08 -0.05 -0.26 -0.25 0.09 -0.06
0.15 0.04 -0.1 0.21 0.13 -0.13 -0.13 0.14 0.55 0.07
-0.1 0.11 0 -0.18 -0.17 0.18 0.02 0.13 -0.08 -0.07
0.12 -0.06 -6.24 2.81 8.58 -8.43 -6.67 -0.46 0.02 0.01
-0.15 -0.28 1.17 -0.69 -0.34 0.28 1.41 0.66 -0.18 0.01
-0.08 0.17 -0.4 0.23 0.54 -0.55 -0.36 0.11 -0.41 -0.09
0.29 0.1 -0.75 0.31 0.8 -0.77 -0.34 -0.26 -0.66 0.08
-0.09 -0.24 0.65 -0.68 0.07 -0.09 0.62 0.18 -0.82 0
-0.1 0.11 -2.57 0.77 4.57 -4.49 -2.42 0.23 -0.09 -0.08
0.04 0.13 0.14 -0.54 0.12 -0.11 -0.04 0.31 0.2 -0.01
0.09 0.03 -0.34 -1.77 -1.12 1.12 0.3 -0.24 0.5 0.04
-0.13 0.05 0.03 0.12 0.37 -0.36 -0.02 0.18 -0.22 -0.07
-0.16 -0.06 0.71 -0.2 -0.91 0.9 0.57 -0.06 0.58 -0.04
0.01 -0.1 -0.02 0.69 0.44 -0.45 0.04 -0.11 0.54 0.04
0.02 0.05 -0.68 -2.07 -1.53 1.56 0.27 -0.44 -0.02 -0.01
-0.04 -0.02 0.32 -0.8 1.07 -1.1 -0.36 0.37 0.06 0
0.1 -0.14 0.24 1.08 -0.43 0.62 2.88 2.52 0.03 0.1

Output Layer:

4.41 -2.63 0.07 -0.03 0.73 0.74 -0.08 0.11 0.24 -10.15 -0.06

 

Proxy model untuk tekanan terakhir:

Multilayer Neural Network (10)

Layer 1:

-0.7 -0.11 0.14 0.17 0.23 -0.09 -0.24 2.76 -0.11 -0.05
-0.75 -0.13 1.01 0.15 -0.48 -0.06 0.51 -2.44 -0.13 -0.15
-0.73 -0.42 -0.46 -0.23 -0.53 0.03 0.55 0.17 -0.26 0.11
0.03 0.25 0.47 0.09 -0.01 0.01 0.02 2 0.14 -0.12
0.35 0.11 -0.14 0.13 -0.22 -0.01 0.24 2.37 0.08 -0.35
0.32 0.14 -0.05 0.1 0.1 -0.06 -0.11 -2.09 0.06 0.15
0.58 -0.77 0.63 -0.04 -0.1 -0.09 0.11 -0.86 -0.49 0.06
0.33 -0.04 -0.02 0.13 0.38 -0.08 -0.4 -0.42 -0.06 0
-0.13 -0.71 0.1 0.01 0.18 -0.13 -0.19 -0.39 -0.51 0.04
-0.22 -0.31 0.68 -0.15 0.04 0.02 -0.06 0.12 -0.2 0.18
0.23 -0.08 -0.43 0.25 -0.13 -0.21 0.33 4.07 -0.11 0.61
-0.24 0.11 -0.18 -0.2 0.26 0.05 -0.23 1.66 0.12 0.2
0.27 0.46 -0.18 -0.1 -0.02 0.11 0.02 2.1 0.34 0.17
0 -0.12 -0.14 0.08 -0.07 -0.05 0.07 1.13 -0.1 -0.13
-0.8 0.77 -0.23 0.09 -0.1 0.08 0.1 -1.21 0.52 0.13
0.26 -0.06 0.08 0.17 0.26 -0.08 -0.26 0.05 -0.05 -0.03
-0.63 -0.07 -0.35 -0.2 -0.07 0.09 0.07 0.64 -0.02 -0.01
-0.62 0.73 -0.28 -0.03 6.04 0.2 -6.32 -2.66 0.53 -0.43
-0.08 -0.73 0.67 -0.05 -0.54 -0.15 0.56 2.89 -0.53 0.66
0.64 0.28 0.24 0.37 0.16 -0.18 -0.16 -3.19 0.13 0.43
-0.39 -0.1 -0.01 0.26 0.65 -0.13 -0.68 -0.51 -0.09 0
0.49 -0.54 0.63 0.22 -0.18 -0.21 0.2 3.14 -0.41 0.21
-0.17 -0.3 0.13 0.14 2.81 -0.12 -2.94 0.55 -0.24 0.06
-0.16 -0.3 -0.47 -0.08 -0.12 -0.03 0.12 -0.12 -0.18 0.3
-0.48 0.67 -0.5 -0.02 -0.99 0.13 1.04 -0.44 0.48 -0.01
0.51 0.69 -0.13 -0.05 0.09 0.15 -0.09 1.63 0.5 -0.11
-0.36 -0.7 0.15 -0.02 -0.51 -0.07 0.53 -2.27 -0.47 -0.26
0.44 -0.12 -0.25 -0.29 0.21 0.13 -0.22 1.13 -0.02
-0.37 0.01 -0.37 0.07 -0.88 0 0.92 -6.98 0.03 -0.23
-0.19 -0.04 0.09 0.03 1.41 -0.04 -1.5 6.71 -0.03 -0.1

Output Layer:

-0.07 -0.98 0.11 -1.96 0.8 -4.69 0.76 1.02 2.54 -0.41 -1.18

 

Proxy model untuk waktu produksi berhenti:

Multilayer Neural Network (10,10)

Layer 1:

0.45 3.97 2.26 -1.69 1.02 -0.57 -0.76 1.46 -2.36 0.83
-0.39 -1.03 0.77 0.65 -1.59 -0.73 3.9 -0.58 0.42 -0.09
-0.98 -0.85 -1.36 2.25 0 1.27 0.29 2.81 -1.3 0.33
-0.48 0.02 1.86 -1.64 -0.93 -0.81 0.8 -2.19 0.82 0.52
0.32 -1.25 0.12 -1.06 -1.75 1.37 0.03 0.58 0.07 0.38
-1.15 -0.24 -0.28 -3.27 3.21 -0.04 1.27 -0.74 0.66 1.05
1.06 -0.98 -0.02 0.9 -1.06 -0.05 1.49 -1.54 0.95 -1.02
-1.18 -0.52 -0.5 0.95 2.02 -0.86 0.4 -0.43 0.83 0.24
-0.48 -1.19 -0.38 0.23 1.08 -0.58 1.22 -0.96 1.06 -0.17
-0.35 -1.08 0.79 1.37 -1.77 -0.39 -0.76 -2.38 1.09 -0.33
-1.32 -0.01 -1.21 7.48 -0.13 0.94 4.74 2.98 -1.62 10.44
1.06 -0.88 0.06 2.12 -1.63 0.68 -0.72 -0.41 0.05 -0.82
0.73 -0.86 0.72 0.99 -4.31 0.56 -2.41 -0.08 -0.07 -0.48
-0.66 -0.38 0.55 1.8 -1.26 -0.6 0.18 0.11 -0.33 -0.3
1.2 1.22 -0.11 1.88 1.46 0.62 -1.07 0.41 -0.71 -1.07
0.58 0.5 -0.13 -0.1 -0.73 0.01 0.28 0.96 -0.6 -0.37
-0.9 0.01 0.24 -0.05 2.08 -1.02 0.18 1.58 -0.94 0.02
5.94 -1.37 1 7.58 15.99 1.26 -19.29 1.2 -1.42 -4.46
-0.48 0.62 0.11 -1.54 -3.68 0.52 3.8 0.41 -0.8 0.83
-0.4 -0.85 -0.46 1.81 1.65 -0.51 0.75 -2.48 1.79 -0.66
2.37 -1.87 -0.09 3.29 -0.27 1.59 -1.33 -0.25 0.43 -1.53
0.98 0.76 0.92 -4.9 -3.67 1.2 -0.41 0.91 -0.93 0.89
1.32 0.91 0.26 -0.81 8.13 0.32 -8.41 -0.52 -0.01 -0.21
0.5 -1.3 0.11 0.07 1.63 1.12 0.2 -0.73 0.39 0.04
-1.09 1.19 -0.18 -6.81 -1.53 -0.96 0.43 -1.04 0.69 1.88
1.42 1.12 -0.7 1.95 -0.7 0.03 0.57 -0.1 -0.17 -1.27
-1.31 0.28 -0.24 -3.21 -4.56 -1.42 0.48 0.59 -0.36 1.17
-1.28 -1.77 0.66 0 1.67 -1.83 0.46 -0.97 0.6 -0.13
-0.32 1.01 1.33 1.78 5.99 -0.51 6.63 -0.55 0.11 -0.66
-1.07 0.15 0.04 -4.02 3.49 -3.16 -2.11 0.42 -0.45 -1.42

Layer 2:

0.23 -0.92 2.13 -0.12 -0.69 2.83 1.32 0.01 -0.09 -0.1
-0.59 0.67 4.7 -0.26 0.3 1.16 4.68 5.09 0.54 -0.27
-0.99 1.06 -8.36 2.25 -1.89 1.26 -8.34 1.1 0.96 2.25
0.64 -1.39 3.55 0.54 5.25 2.48 2.73 -0.49 -0.59 0.42
1.74 -5.14 0.03 -1.38 1.33 3.71 0.03 0.34 -1.71 -1.37
3.2 0.29 -1.74 -0.28 1.35 1.85 1.4 -1.14 -3.84 -0.77
-3.29 3.95 2.69 2.12 -3.33 -0.54 2.64 4.38 3.33 2.19
-0.59 -1.97 3.22 0.55 -2.49 -3.34 3.13 2.41 0.5 0.53
-1.18 -1.8 3.45 0.98 2.44 0.22 3.31 1.44 1.06 0.95
0.72 -0.1 -0.62 0.58 -3.79 0.12 -0.65 2.26 -0.45 0.58
-2.72 9.69 -0.21 4.13 -1.46 -1.54 1.38 11.12 2.05 3.6

Output Layer:

2.27 -0.14 -0.1 1.17 -0.01 0.01 0.1 0.16 2.5 -1.19 -0.02

 

Proxy model untuk laju alir minyak saat produksi berhenti:

Multilayer Neural Network (10,10)

Layer 1:

-0.55 -0.73 1.3 0.17 0.17 -1.1 -0.37 1.45 -0.39 0.52
0.14 1.33 0.73 1.99 0.62 -0.31 1.26 -0.69 0.56 0.96
-1.12 -0.81 -1.72 0.12 0.63 -2.6 7 1.47 -0.02 -0.29 -0.97
-0.1 0. 2 -0.52 0.55 -0.18 0.51 0.36 0.23 0.5 0.35
0.48 -1.41 -0.13 0.16 0.46 1.83 0.58 1.8 -0.26 0.13
-0.03 1.54 0.89 -0.43 0.92 -1.35 -1.16 -0.35 -0.09 1.41
0.7 -0.13 0.41 -0.78 -1.12 1.52 0.78 -1.75 0.44 -1.6
0.67 -0.77 -0.73 1.49 0.47 -0.86 -0.28 0.81 1.9 -2.01
-0.69 0.2 -0.12 1.11 -0.35 -1.15 2.28 -1.51 1.98 -1.36
-0.8 0.91 2 -0.48 -0.49 0.57 -0.93 -1.35 -0.02 -0.79
1.64 1.85 -2.64 0.02 -0.07 -1.99 4.29 0.39 0 -0.24
-0.46 0.75 -0.69 -0.92 -1.53 0.97 -0.05 -0.72 -0.63 -1.15
0.81 0.62 2.29 -0.51 -0.28 0.04 -2.12 -0.12 -0.25 -0.62
-0.36 -1.33 1.38 -0.48 -0.17 -0.66 -0.45 0.51 0.3 0.39
-0.23 -0.5 1.97 -0.15 -1.62 0.79 1.27 -1.28 0.34 1.36
0.05 -0.33 -2.06 -0.26 0.02 0.12 1.06 1.39 1.24 -0.62
0.66 -0.72 -0.91 1.05 0.72 -2.7 -2.07 -0.33 -0.92 -1.75
0.92 -0.53 -0.77 2.97 -0.54 3.73 -0.93 -0.71 -2.21 -0.17
-0.48 0.03 0.35 -2.37 0.42 -4.81 -0.7 1.1 -0.74 -0.09
-0.93 0.96 2.02 0.57 0.5 -0.55 0.77 -0.42 1.69 -0.38
-0.28 -1.11 0.96 2.35 0.6 0.67 -0.18 2.94 1.1 -0.14
1.16 -1.43 1.62 0.11 0.15 -0.42 0.32 0.51 0.22 -0.48
0.51 0.4 0.99 0.88 1.14 -0.89 -1.32 -0.42 0.57 0.53
1.2 0.33 -0.14 -0.33 0.17 -1.89 -2.06 -0.1 5 0.64 -1.69
-0.33 -1.14 -0.17 -0.6 -1.03 0.08 0.57 0 -0.61 0.13
0.52 0.39 0.88 -0.33 -1.59 1.53 -1.56 1.79 0.51 -0.74
-0.05 -1.93 -0.88 1.04 0.33 -1.92 1.56 -0.42 0.15 -0.99
-0.1 -1.87 2.32 0.87 0.48 1.06 0.08 -0.23 0.5 0.58
0.28 1.09 -0.31 -0.16 0.27 4.25 1.08 -1.04 2.19 1.22
-0.79 0.04 -0.74 -1.3 1.15 -3.24 -0.56 1.34 -1.04 -1.49

Layer 2:

1.29 -0.82 -1.72 -0.21 -0.37 -0.01 -1.71 0.56 0.7 -0.3
-0.12 0.47 1.13 -0.21 -1.46 1.28 1.13 0.43 2.13 0.74
-0.2 -0.32 -1.27 0 -2.17 0.06 -1.26 1.05 3.7 0.02
0.36 -0.22 0.22 0.71 -0.63 1.1 0.22 -0.01 -4.15 0
-0.3 -0.79 -0.33 -0.78 -0.48 -0.14 -0.33 0.33 2.8 -0.4
2.06 0.3 1.35 -3.23 1.18 -0.01 1.49 -1.61 -3.42 0.95
-0.11 -0.06 3.33 0.33 -1.38 0.37 3.31 0.92 2.57 0.94
0.18 0.36 0.57 0.71 -1.66 0.03 0.56 0.85 3.77 0.49
-1.14 0.79 -0.23 0.4 2.12 -1.98 -0.23 -0.68 2.36 -0.03
0.79 0.32 -0.57 -0.06 2.15 0.08 -0.58 -0.89 -2.93 -0.26
-0.59 0.57 -0.12 0.71 -1.19 0.81 0.01 1.06 1.46 0.52

Output Layer:

0.01 0 0.24 0.02 -0.23 0 -0.24 -0.23 1.17 0 -0.97