Transformasi Monitoring Sumur Geotermal di Era Digital: Peran Machine Learning

KEBUTUHAN listrik yang terus meningkat dan keterbatasan cadangan energi menuntut para perusahaan energi untuk mengembangkan energi baru terbarukan (EBT). Salah satu sumber energi yang sangat potensial adalah geotermal. 

Meskipun menjanjikan, energi tersebut memerlukan proses yang cukup kompleks karena membutuhkan dua jenis sumur, yaitu sumur injeksi dan sumur produksi. Kompleksitas sumur tidak mudah untuk diukur dan sering kali bersifat ambigu, sebab praktik, sudut pandang, dan pengalaman di antara kontraktor pengeboran sangat bervariasi (Marbun, 2024). 

Ketika semua sumur bekerja, para engineer harus memantau bagaimana keadaan sumur dan sekitarnya. Monitoring ini dilakukan guna mengetahui perubahan karakterisasi fluida, perubahan suhu dan tekanan, dan deformasi batuan. Namun, apabila monitoring tersebut dilakukan dengan metode konvensional, tentu terdapat tantangan-tantangan seperti besar dan banyaknya data, ketidakpastian dinamika bawah tanah, serta prediksi risiko secara real-time yang akurat.

Baca juga : Potensi Hydrogen Fuel: Kontribusi Geofisika dalam Optimalisasi Sumber Energi RI

Gambar 1. 1 Eksploitasi Sumur Panas Bumi Rantau Dedap. Sumber: (Oktaviani, 2018)

Untuk menjawab tantangan di atas, inovasi berupa teknologi machine learning relevan untuk digunakan. Machine learning merupakan sebuah mesin yang dibuat untuk dapat belajar dan melakukan pekerjaan tanpa arahan dari penggunanya. Cabang artificial intelligence (AI) ini mempelajari bagaimana memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit. (Wijoyo dkk., 2024). 

Baca juga : Indonesia Harus Bisa Beralih dari Energi Fosil ke EBT

Terdapat beberapa teknik dalam machine learning yang biasa digunakan. Teknik tersebut adalah dimensionality reduction, clustering, deep learning, dan classification/regression (Okoroafor dkk., 2022).

Gambar 1. 2 Klasifikasi machine learning berdasarkan Teknik. Modifikasi dari sumber: (Okoroafor dkk., 2022)

 

Dimensionality reduction adalah teknik untuk mengurangi dimensi data tanpa kehilangan informasi yang signifikan. Dimensi tersebut berupa jumlah variabel input (Jolliffe, I. T., 2002). 

Clustering merupakan metode unsupervised learning yang digunakan untuk mengelompokkan data tidak berlabel berdasarkan kesamaan atau jarak antardata. Teknik ini sangat berguna untuk menemukan pola dalam data yang tidak memiliki label (Bishop, C. M., 2006). 

Deep learning yaitu teknik yang berfokus pada algoritma pembelajaran dengan neural networks (Goodfellow dkk., 2016). Sedangkan, classification/regression termasuk ke dalam metode supervised learning yang digunakan untuk melatih model yang dapat memprediksi hasil berdasarkan data baru (James dkk., 2021).

Teknik-teknik tersebut dapat diaplikasikan untuk memantau keadaan sumur injeksi maupun produksi. Teknik dimensionality reduction dapat digunakan dalam dataset dengan jumlah yang sangat besar seperti suhu, tekanan, dan aliran fluida yang berubah-ubah setiap waktu. Dengan teknik ini, semua data akan dipetakan dan dimodelkan dengan baik. 

Clustering dapat dipakai dalam pengelompokkan data yang homogen seperti suhu. Pada praktiknya, sumur-sumur dengan aliran panas yang sama dapat dikelompokkan, sehingga memudahkan teknisi dalam mengelola dan merawat sumur yang memerlukan perlakuan serupa. Selain itu, teknik ini juga dapat menentukan anomali data di bawah sumur. 

Deep learning berperan dalam memprediksi data geotermal yang kompleks berdasarkan jejak historisnya. Sebagai contoh, teknik ini dapat memprediksi penurunan tekanan di dalam sumur selama 6 bulan ke depan berdasarkan data selama 2 tahun terakhir dan dengan algoritma tertentu. 

Tidak hanya tekanan, parameter magnitudo mikroseismik pun dapat ditentukan berdasarkan rekam jejaknya. Hal ini sangat bermanfaat untuk mengetahui keberlanjutan produksi sumur. 

Teknik classification/regression bermanfaat dalam mengelompokkan data geotermal serta menentukan hubungannya. Perbedaannya dengan clustering adalah teknik ini menggunakan data yang sudah berlabel dan untuk memprediksi suatu kejadian berbasis kategori.

Kemudian, clustering digunakan untuk data yang belum terdapat label dan hanya untuk segmentasi saja. Contoh aplikasi classification/regression adalah pembuatan model klasifikasi untuk menilai apakah kondisi sumur injeksi/produksi masih aman atau tidak. Contoh selanjutnya yaitu untuk mengestimasi lokasi mikroseismik berdasarkan data sinyal.

Berkembangnya machine learning di zaman sekarang dapat mempermudah pekerjaan monitoring sumur geotermal. Masalah-masalah seperti data yang kompleks, kondisi bawah sumur yang sangat dinamis, serta keterbatasan mengolah data secara real-time dapat diatasi dengan kombinasi dari berbagai teknik dalam machine learning. 

Beberapa contoh perusahaan yang telah memanfaatkan machine learning yaitu Ormat Technologies Inc., Contact Energy Limited, dan Ngāti Tūwharetoa Geothermal Assets Limited (NTGA) (Taverna dkk., 2022). 

Implementasi transformasi digital dalam sektor geotermal sejalan dengan arah pembangunan energi nasional yang menekankan transisi ke energi bersih. Namun, adopsi teknologi ini tidak bisa dilakukan secara parsial. Diperlukan kolaborasi aktif antara pemerintah, industri, dan institusi pendidikan tinggi. 

Pemerintah harus menyediakan regulasi dan insentif yang mendorong inovasi digital di sektor energi. Industri harus terbuka terhadap perubahan, dan tidak ragu untuk mengadopsi teknologi baru demi efisiensi dan keberlanjutan. Di sisi lain, kampus mesti aktif menyiapkan sumber daya manusia yang tidak hanya menguasai ilmu kebumian, tetapi juga mahir dalam pengolahan data dan teknologi informasi.

Indonesia sebagai negara dengan potensi geotermal terbesar kedua di dunia, memiliki peluang besar menjadi pemimpin dalam penerapan teknologi cerdas di sektor energi terbarukan. Machine learning bukanlah pesaing manusia, melainkan mitra kerja yang mampu mengubah tumpukan data menjadi wawasan yang berguna. Dengan memanfaatkan teknologi ini secara maksimal, monitoring sumur geotermal tidak lagi menjadi beban, melainkan menjadi pintu gerbang menuju sistem energi yang efisien dan berkelanjutan.

Sudah saatnya para pelaku industri geotermal di Indonesia berani mengambil langkah inovatif. Adopsi machine learning bukan lagi pilihan, melainkan keharusan di era digital. Penelitian dan pilot project perlu digencarkan untuk menyesuaikan algoritma dengan kondisi geologi Indonesia. 

Pemerintah perlu mendorong integrasi teknologi cerdas ini dalam proyek-proyek energi nasional. Dan yang paling penting, generasi muda sebagai pewaris negeri wajib dibekali dengan literasi teknologi sekaligus kesadaran lingkungan, karena masa depan energi bersih tidak akan terwujud tanpa sinergi ilmu, inovasi, dan aksi nyata.

 

Referensi:

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning. Springer.

Jolliffe, I. T. (2002). Principal component analysis. Springer-Verlag.

Marbun, B. T. H. (2024). Integritas sumur migas dan geothermal di Indonesia. ITB Press.

Okoroafor, E. R., Smith, C. M., Ochie, K. I., Nwosu, C. J., Gudmundsdottir, H., & Aljubran, M. J. (2022). Machine learning in subsurface geothermal energy: Two decades in review. Geothermics, 102, 102401. https://doi.org/10.1016/j.geothermics.2022.102401 

Oktaviani, K. (2018, Agustus 5). Eksploitasi sumur panas bumi Rantau Dedap dimulai, akan hasilkan listrik 220 MW. Kementerian Energi dan Sumber Daya Mineral Republik Indonesia. https://www.esdm.go.id/id/media-center/news-archives/eksploitasi-sumur-panas-bumi-rantau-dedap-dimulai-akan-hasilkan-listrik-220-mw 

Taverna, N., Buster, G., Huggins, J., Rossol, M., Siratovich, P., Weers, J., Blair, A., Siega, C., Mannington, W., Urgel, A., Cen, J., Quinao, J., Watt, R., & Akerley, J. (2022). Data Curation for Machine Learning Applied to Geothermal Power Plant Operational Data for GOOML: Geothermal Operational Optimization with Machine Learning: Preprint. National Renewable Energy Laboratory. https://www.nrel.gov/docs/fy22osti/81649.pdf 

Wijoyo, A., Saputra, A. Y., Ristanti, S., Sya’Ban, S. R., Amalia, M., & Febriansyah, R. (2024). Pembelajaran machine learning. OKTAL: Jurnal Ilmu Komputer dan Science, 3(2), 375–380. https://journal.mediapublikasi.id/index.php/oktal/article/view/375