Upload
lekhue
View
232
Download
2
Embed Size (px)
Citation preview
JTM Vol. XVI No. 3/2009
135
APLIKASI ANALISA SEISMIK MULTIATRIBUT UNTUK
PREDIKSI PENYEBARAN RESERVOIR BATUPASIR “E” DAN
POROSITASNYA PADA LAPANGAN “PDE”,
CEKUNGAN SUMATERA TENGAH
Putri Diah Ekowati1, Sigit Sukmono1
Sari Lapangan PDE merupakan lapangan yang berada dalam tahap pengembangan. Seiring dengan itu diperlukan
metoda-metoda yang semakin mempertinggi nilai ekonomis lapangan ini. Formasi Duri (sand E) pada lapangan
ini merupakan porous sand, yang nilai AI-nya overlap antara porous sand dengan shale. Data Seismik 3D yang
telah diakuisisi tahun 1994 dapat diolah untuk mendapatkan model bawah permukaan yang lebih baik. Dengan
melakukan analisis multiatribut, properti densitas, gamma-ray, dan porositas dapat membedakan porous sand,
tight sand, dan shale. Analisa neural network juga dilakukan untuk meningkatkan hasil pseudo volum. Volum
pseudo gamma-ray dan pseudo porositas kemudian dapat digunakan untuk interpretasi akhir pada penelitian.
Untuk validasi hasil penelitian, blind well test dilakukan pada beberapa sumur yang tidak diikutsertakan dalam
training. Hasil yang baik didapatkan dari analisa multiatribut dan neural network untuk memetakan persebaran
litologi dan porositas. Nilai densitas < 2.2 gr/cc, nilai Gamma-ray < 100 API, dan nilai porositas > 27.5% dapat
diinterpretasikan sebagai porous sand. Area potensi pengembangan berada pada bagian Selatan lapangan PDE.
Kata kunci : blind well test, analisis multiatribut
Abstract Field “PDE” is a field that is in a development stage. Therefore, improved methods are needed to make this field
has more economic value. Duri Formation (E Sand) in this field are porous sand reservoir, which have
overlapping AI (Acoustic Impedance) values between porous sand and shale. 3D Seismic Data which has been
acquired in 1994 can be processed to get more accurate subsurface model. With running multi-attribute analysis,
density, gamma-ray, and porosity parameters can separate porous sand, tight sand and shale. Neural network
analysis is also done to improve pseudo-volume result. Both of pseudo-gamma ray and pseudo-porosity volume
then can be use for the final interpretation. In aim to validate the result, blind well test was done in a few well
which not included in training process. Good results are acquired from multi-attribute and neural network
analysis for mapping the distribution of lithology and porosity. Values of density < 2.2 gr/cc, values of Gamma-ray
< 100 API, and values of porosity > 27.5% is interpreted as porous sand. Potential development area located at
South part of PDE field.
Keywords: blind well test, analisis multiatribut
1) Program Studi Teknik Geofisika Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Email : [email protected]
I. PENDAHULUAN
Tujuan dari penelitian ini adalah untuk
mengetahui penyebaran litologi dan densitas
dari Formasi Duri pada Lapangan “PDE”
dengan menggunakan metode seismik
multiatribut. Daerah penelitian dibatasi pada
batupasir “E” Formasi Duri. Pembahasan
terfokus pada prediksi penyebaran litologi dan
porositas. Data log yang digunakan adalah log
gamma ray, sonic, densitas, dan porositas.
Sedangkan data seismik yang digunakan
adalah Post-Stack Seismic 3D yang telah
melalui tahap processing yang dianggap benar.
Metode seismik inversi yang dilakukan tidak
untuk diinterpretasi lebih lanjut melainkan
hanya menjadi eksternal atribut pada analisa
multi-atribut.
Penelitian dilakukan pada daerah operasi PT
Chevron Pacific Indonesia yaitu Lapangan
“PDE” yang berada pada arah bagian Timur
Laut kota Pekanbaru (± 135 km). Untuk
pengolahan data, digunakan perangkat lunak
Seiswork untuk proses picking horizon serta
Hampson-Russel untuk database sumur, cross-
plot, ekstrasi wavelet, well-seismic tie proses
seismik inversi, serta pembuatan volum
pseudo-log dalam proses analisa multiatribut.
II. GEOLOGI REGIONAL
Lapangan “PDE” terletak di Cekungan
Sumatera Tengah (Gambar 1). Cekungan
Sumatera Tengah terbentuk di awal Tersier
(Eosen-Oligosen) dan merupakan seri dari
struktur half graben terpisah oleh blok horst.
Cekungan ini berbentuk asimetris berarah barat
laut-tenggara. Bagian yang terdalam terletak
pada bagian barat daya dan melandai ke arah
timur laut. Eubank dan Makki (1981) dan
Heidrik dan Aulia (1993) membagi unit
stratigrafi regional cekungan Sumatera Tengah
dari Kala Paleogen Sampai Pliosen dan
Kuarter menjadi lima, yaitu Kelompok
Pematang, Kelompok Sihapas, Formasi Telisa,
Putri Diah Ekowati, Sigit Sukmono
136
Formasi Petani, dan Formasi Minas/Aluvial
(Gambar 2).
Kelompok Pematang merupakan lapisan
sedimen tertua berumur Paleogen (24-65 juta
tahun yang lalu). Sedimen syn-rift Kelompok
Pematang diendapkan pada graben yang
berarah Utara-Selatan dan terdiri dari sedimen
kipas alluvial, fluvial, dan lakustrin. Kelompok
Pematang menjadi tiga formasi berdasarkan
ciri-ciri litologi, yaitu Lower Red-Bed
Formation, Brown Shale Formation, dan
Upper Red-Bed Formation.
Di atas Kelompok Pematang, secara tidak
selaras diendapkan Kelompok Sihapas yang
merupakan suatu seri sedimen pada saat
aktivitas tektonik mulai berkurang yang terjadi
selama Oligosen Akhir sampai Miosen
Tengah. Kelompok Sihapas ini terdiri dari
Formasi Menggala, Formasi Bangko, Formasi
Bekasap, Formasi Duri. Formasi Menggala
memiliki ketebalan rata-rata 1800 ft dan
didominasi oleh batupasir konglomeratan
diselingi batupasir halus-sedang yang
diendapkan sebagai sedimen non-marine
fluvial dan braided stream. Formasi Bangko
diendapkan selaras di atas Formasi Menggala.
Formasi Bangko memiliki ketebalan rata-rata
300 ft dan terdiri dari perselingan antara serpih
karbonatan dengan batupasir halus-sedang
yang diendapakan pada lingkungan estuarin.
Formasi Bekasap memiliki ketebalan rata-rata
1300 ft dan terdiri atas perselingan antara
batupasir massif halus-kasar dengan lapisan
serpih tipis yang diendapakan di lingkungan
intertidal, estuarin dan neritik dalam-tengah.
Formasi Duri memiliki ketebalan rata-rata 900
ft dan terdiri dari batupasir halus-sedang
disisipi lapisan serpih yang diendapkan di
lingkungan neritik luar.
Formasi Telisa, yang berumur Miosen Awal
sampai Miosen Tengah, memiliki ketebalan
rata-rata 1600 ft dan terdiri dari litologi
penyusun serpih, batu lanau karbonatan, serta
batu gamping yang diendapkan selaras di atas
Formasi Bangko dan menjari dengan Formasi
Bekasap dan Duri.
Formasi Brown Shale pada Kelompok
Pematang berperan sebagai batuan induk pada
Cekungan Sumatera Tengah. Formasi
Menggala, Bekasap, dan Duri merupakan
reservoir utama, dan Formasi Bangko dan
Telisa merupakan batuan seal utama.
Lapangan “PDE” merupakan hasil dari
perkembangan wrench faulting sepanjang sesar
Sebanga dengan trend Utara-Selatan. Batas
Timur lapangan “PDE” terletak sepanjang
batas trend Utara-Selatan dari sesar Sebanga.
Batuan dasar dari lapangan “PDE” adalah
kuarsit. Lapangan ini memiliki panjang 7,5 km
dan lebar kurang lebih 2,5 km dan terdiri atas
dua structural closures. Closure yang lebih
kecil terletak pada bagian Barat Laut di
lapangan ini dan closure utama pada bagian
Tenggara di lapangan ini. Beberapa sesar
minor normal teridentifikasi dengan orientasi
Timur – Timur Laut ke Selatan – Barat Daya.
Litologi formasi adalah batupasir dengan
perselingan batulempung tipis. Gores
batugamping muncul pada interval batupasir
A, B, C, D, dan E pada Formasi Duri.
Kandungan lempung tinggi pada reservoir
batupasir E mengurangi kualitas reservoir.
Arah pengendapan di lapangan “PDE” secara
umum berarah Timur Laut – Barat Daya, yang
konsisten dengan trend pengendapan di
cekungan Sumatera Tengah. Maka,
kemampuan untuk memisahkan batulempung
dengan batupasir pada Formasi Duri “E”
sangat penting untuk pengembangan eksplorasi
hidrokarbon.
III. ANALISA CROSSPLOT PROPERTI
LOG
Untuk menentukan parameter yang sensitif
terhadap perubahan litologi maupun porositas
pada sumur, dilakukanlah teknik crossplot
antara 2 properti log dalam sistem kartesian
sumbu koordinat x dan y. Dengan mengetahui
korelasi antara dua parameter atau lebih maka
dapat dikelompokkan zona-zona yang
memiliki kesamaan karakter litologi/porositas
ditandai dengan kisaran nilai parameter
tertentu.
Crossplot dilakukan berdasarkan data 8 sumur
yang memiliki data sonic pada interval antara
top E sampai base E Formasi Duri di Lapangan
PDE. Crossplot yang dilakukan yaitu AI vs.
gamma-ray, densitas vs. gamma-ray, porositas
vs. gamma-ray, AI vs densitas, AI vs porositas,
dan densitas vs. porositas. Sand dan shale pada
interval ini memiliki nilai AI dan gamma-ray
yang overlap. Namun, pada crossplot antara
densitas vs. gamma-ray dan crossplot antara
densitas vs. porositas, sand dapat dibedakan
dengan shale (Gambar 3). Maka, pada kasus
ini seismik inversi tidak dapat digunakan untuk
memetakan sand. Analisa multiatribut dapat
digunakan untuk menghasilkan volum pseudo
gamma-ray dan pseudoporosity yang dapat
digunakan untuk memetakan litologi dan
porositas.
Aplikasi Analisa Seismik Multiatribut untuk Prediksi Penyebaran Reservoir Batupasir “E” dan
Porositasnya pada Lapangan “PDE”, Cekungan Sumatera Tengah
137
IV. ANALISA INVERSI
Inversi seismik adalah suatu proses untuk
menghitung model impedansi bawah
permukaan yang sesuai dengan penampang
seismik. Dua tipe data yang diperlukan untuk
input dalam proses inversi adalah data seismik
dan data model inisial yang dibuat pada tahap
pembuatan model. Analisis inversi yang
dilakukan pada kasus ini menggunakan prinsip
model based yang mempunyai prinsip
membuat model geologi dan
membandingkannya dengan data rill seismik.
Metode ini digunakan karena menghasilkan
error terkecil antara hasil inversi dengan nilai
AI sebenarnya dibandingkan dengan metode
inversi yang lain.
Berdasarkan hasil analisa crossplot, hasil
inversi pada kasus tidak dapat digunakan untuk
memetakan sand. Namun, hasil inversi ini
dapat digunakan sebagai eksternal atribut
untuk pembuatan volum pseudo densitas
karena adanya hubungan empiris AI dengan
densitas. Hasil inversi cukup baik dan layak
digunakan sebagai eksternal atribut pada
proses selanjutnya (Gambar 4).
V. ANALISA MULTIATRIBUT
Analisis seismik multiatribut adalah salah satu
metode statistik menggunakan lebih dari satu
atribut untuk memprediksi beberapa properti
fisik dari bumi. Pada analisa ini dicari
hubungan antara log dengan data seismik pada
lokasi sumur dan menggunakan hubungan
tersebut untuk memprediksi atau mengestimasi
volum dari properti log pada semua lokasi
pada volum seismik.
Statistik dalam karakteristik reservoar
digunakan untuk mengestimasi dan
mensimulasikan hubungan spasial variabel
pada nilai yang diinginkan pada lokasi yang
tidak mempunyai data sampel terukur. Hal ini
didasarkan pada kenyataan yang sering terjadi
di alam bahwa pengukuran suatu variabel di
suatu area yang berdekatan adalah sama.
Kesamaan antara dua pengukuran tersebut
akan menurun seiring dengan bertambahnya
jarak pengukuran.
Schultz et al. (1994) mengidentifikasi tiga sub-
kategori utama pada teknik analisa multi-
atribut geostatistik, yaitu:
1. Perluasan dari co-kriging untuk melibatkan
lebih dari satu atribut sekunder untuk
memprediksi parameter utama.
2. Metode yang menggunakan matriks
kovariansi untuk memprediksi suatu
parameter dari atribut input yang telah
diberi bobot secara linear.
3. Metode yang menggunakan Artificial
Neural Networks (AANs) atau teknik
optimisasi non-linear untuk
mengkombinasikan atribut-atribut menjadi
perkiraan dari parameter yang diinginkan.
Analisa multi-atribut pada penelitian ini
menggunakan kategori yang kedua. Prosesnya
sendiri melibatkan pembuatan dari volum
pseudolog yang nantinya akan digunakan
untuk memetakan penyebaran batu pasir dan
batu lempung.
Dalam kasus yang paling umum, kita mencari
sebuah fungsi yang akan mengkonversi m
atribut yang berbeda ke dalam properti yang
diinginkan, ini dapat ditulis sebagai :
P(x,y,z) = F[A1(x,y,z),…, Am(x,y,z)]
dimana :
P = properti log, sebagai fungsi dari
koordinat x,y,z
F = fungsi yang menyatakan hubungan
antara atribut seismik dan properti
log
Ai = atribut m, di mana i = 1,...,m.
Untuk kasus yang paling sederhana, hubungan
antara log properti dan atribut seismik dapat
ditunjukkan oleh persamaan jumlah
pembobotan linier.
P = w0 + w1A1 + ... + wmAm
dimana :
wi = nilai bobot dari m+1, dimana 1 = 0,...,m
Algoritma multiatribut menghitung data
training dari data log original. Proses training
ini menghasilkan nilai korelasi dan nilai
training error antara log prediksi dan log
original. Validasi dilakukan dengan memeriksa
validation error dari setiap kombinasi atribut
dengan mengeluarkan satu sumur pada proses
training. Tabel multiatribut menunjukan jenis
atribut beserta nilai training dan validation
error. Jumlah atribut optimal ditunjukan
dengan nilai validation error terkecil. Pada
kasus ini, sebanyak 10 atribut digunakan untuk
pembuatan volum pseudo densitas, 11 atribut
untuk pembuatan volum pseudo gamma-ray,
dan 8 atribut untuk pembuatan volum pseudo
porositas (Gambar 5).
Pseudo volum yang dibuat pertama kali adalah
volum pseudo densitas dengan hasil inversi
sebagai eksternal atribut. Volum pseudo
densitas hasil multiatribut kemudian
dibandingkan dengan hasil neural network.
Volum pseudo densitas yang paling baik akan
digunakan sebagai eksternal atribut untuk
analisa multiatribut selanjutnya dalam
pembuatan volum pseudo gamma-ray dan
porositas (Gambar 6).
Putri Diah Ekowati, Sigit Sukmono
138
VI. NEURAL NETWORK
Regresi multiatribut dapat berjalan dengan
baik apabila ada relasi linear fungsional yang
baik di antara log yang di prediksi dan atribut
seismik. Pada kasus hubungan yang non-linear
kita dapat mengaplikasikan transformasi
tersebut dengan metoda neural network
sebagai algoritma prediksi. Dalam pengertian
umum Artificial Neural Network (ANN)
adalah sekumpulan komponen elektronik atau
program komputer yang di desain untuk
memodelkan kerja sistem otak. Neural network
meniru cara kerja otak dalam dua aspek, yaitu
pengetahuan atau data didapatkan dari proses
training dan kekuatan koneksi inter-neuron
diketahui sebagai bobot sinaptik yang
digunakan untuk menyimpan pengetahuan
tersebut.
Ide dasar di balik Probabilistic Neural
Network (PNN) adalah menggunakan satu data
atau lebih yang disebut variabel independen
untuk memprediksi variabel dependen tunggal.
Variabel independen di representasikan
sebagai vektor x = [x1, x2,…, xp] dimana p
adalah jumlah variabel independen. Sedangkan
variabel dependen adalah y. Tujuan algoritma
ini adalah untuk memprediksi variable y’ yang
tidak diketahui. PNN mempunyai karakteristik
mengikuti data sedekat mungkin, namun lebih
stabil pada batasan jangkauan jumlah atribut
dibanding metoda neural network lainnya.
Masalah terbesar pada PNN adalah karena
menyertakan seluruh data traini dan
membandingkan seluruh output sample dengan
setiap training sample, aplikasi bisa sangat
lambat.
Neural network digunakan untuk
meningkatkan prediksi densitas, porositas,
maupun gamma-ray. Dari neural network ini
diharapkan akan didapatkan peningkatan
korelasi antara log prediksi dengan log original
pada ketiga pseudo volum, dilihat berdasarkan
nilai korelasi, error, maupun blind well test.
Ternyata neural network dapat meningkatakan
nilai korelasi namun juga memperkecil hasil
validasi, tapi selama penurunan nilai validasi
hanya sedikit dan masih dapat diterima dilihat
berdasarkan blind well test hasil ini dianggap
layak untuk digunakan (Gambar 7). Volum
pseudo densitas hasil PNN ternyata lebih baik
dari hasil multiatribut, sehingga digunakan
sebagai eksternal atribut untuk analisa
multiatribut pseudo gamma-ray dan porositas.
Analisa neural network untuk pseudo gamma-
ray ternyata memberikan nilai korelasi yang
terlalu kecil (< 0.5), sehingga volum pseudo
gamma-ray hasil multiatribut lebih layak untuk
digunakan. Volum pseudo porositas hasil PNN
ternyata lebih baik dari hasil multiatribut,
sehingga digunakan dapat digunakan untuk
interpretasi akhir (Gambar 8).
VII. BLIND WELL TEST
Untuk memvalidasi hasil pseudo volum,
dilakukan blind well test dengan melihat
kecocokan antara hasil pseudo volum dengan
properti sumur-sumur yang tidak
diikutsertakan dalam proses training. Blind
well test menunjukan volum pseudo gamma-
ray hasil multiatribut dan volum pseudo
densitas dan volum pseudo porositas hasil
neural network cukup sesuai dengan property
pada sumur-sumur yang digunakan untuk blind
well test tersebut (Gambar 9).
VIII. INTERPRETASI PETA
Peta yang dibuat adalah horizon slice dengan
window 10 ms di bawah top E. Horizon slice
volum pseudo-densitas menunjukkan bagian
Selatan memiliki nilai densitas yang lebih
rendah dibandingkan bagian Utara daerah
penelitian. Slice volum pseudo gamma-ray
menunjukkan bagian Selatan daerah penelitian
mempunyai nilai gamma-ray yang lebih rendah
dari bagian Utara. Slice volum psudo porositas
menunjukkan bagian Selatan daerah penelitian
mempunyai nilai porositas yang lebih tinggi
dari bagian Utara. Tanda posisi sumur hitam
menunjukan sumur dengan log sonic asli,
tanda posisi sumur biru menunjukan sumur
dengan predicted sonic, dan tanda posisi sumur
merah menunjukan sumur yang digunakan
untuk blind well test.
Kedua peta hasil akhir, yaitu peta nilai gamma-
ray dan peta porositas, menunjukan hasil yang
cukup seragam. Dari peta-peta di atas dapat
disimpulkan bagian Selatan dari daerah
penelitian memiliki batupasir dengan densitas
2.0 – 2.15 g/cc dan porositas 28 – 32 % yang
berkembang dengan baik. Pada bagian Utara
dari daerah penelitian memiliki batupasir
dengan densitas 2.15 – 2.3 g/cc dan porositas
24 – 28%. Berdasarkan analisa dari keenam
peta tersebut, daerah Selatan memiliki potensi
yang baik untuk pengembangan sumur
selanjutnya (Gambar 10).
IX. KESIMPULAN
Penelitian ini memberika kesimpulan bahwa
mtode neural network memberikan hasil yang
lebih baik untuk pembuatan volum pseudo
densitas dan pseudo porositas karena
pemakaian operasi non-linear, sedangkan
metode multiatribut memberikan hasil yang
lebih baik untuk pembuatan volum pseudo
gamma-ray. Metode seismik multiatribut
terbukti meresolusikan batupasir “E” lebih
Aplikasi Analisa Seismik Multiatribut untuk Prediksi Penyebaran Reservoir Batupasir “E” dan
Porositasnya pada Lapangan “PDE”, Cekungan Sumatera Tengah
139
baik daripada seismik konvensional, serta
dapat memetakan distrbusi dan porositas.
Reservoir pada area Selatan penelitian ini
terdiri dari batupasir dengan densitas rata-rata
2.0 – 2.15 g/cc dan porositas rata-rata 28 –
32%. Area Utara terdiri dari batupasir dengan
densitas rata-rata 2.15 – 2.3 g/cc dan porositas
rata-rata 24 – 28%. Bagian Selatan dari daerah
penelitian memiliki batupasir yang lebih baik
dengan densitas rendah dan porositas yang
tinggi.
Untuk pengembangan lebih lanjut, sebagai
saran, diperlukan lebih banyak data check-shot
dan sonic log untuk menghasilkan well-seismic
tie yang lebih baik. Proses picking horizon
juga merupakan hal yang sangat penting
karena kesalahan picking dapat mengakibatkan
kesalahan interpretasi. Integrasi dengan
metode lain seperti AVO (Amplitude Variation
with Offset), inversi EI, maupun LMR juga
diperlukan untuk karakterisasi reservoir lebih
jauh.
Berdasarkan hasil penelitian ini, dapat
direkomendasikan potensi pengembangan
lapangan “PDE” berdasarkan distribusi dan
porositas batupasir “E” berada di bagian
Selatan dari area penelitian.
DAFTAR PUSTAKA
1. Eubank, R.T. and Makki, A. C., 1981
Structural Geology of the Central Sumatra
Basin. Proceeding IPA, 10th Annual
Convention, p. 285 – 317.
2. Heidrick, T.L. and Aulia, K. A., 1993.
Structural and Tectonic Model of the
Coastal Plains Block, Central Sumatra
Basin Indonesia. Proceeding IPA 22nd
Annual Convention, p. 285 – 317.
3. Heidrick, T.L. and Aulia, K., 1996.
Regional Structural Geology : Chapter II.
Petroleum Geology of the Central Sumatra
Basin, BKKA - Pertamina, Jakarta,
Indonesia, p. 130-156.
4. Priyono, A, 2006. Diktat Kuliah Metoda
Seismik I. Program Studi Geofisika,
Institut Teknologi Bandung.
5. Russel, B.H., 1991. Introduction to
Seismic Inversion Methode. Society of
Exploration Geophysicist.
6. Schultz, P. S., Ronen, S., Hattori, M., and
Corbett, C., 1994. Seismic Guided
Estimation of Log Properties, The Leading
Edge, Vol. 13, p. 305-315.
7. Sukmono S., 2002. Interpretasi Seismik
Refleksi. Departemen Teknik Geofisika,
FIKTM, Institut Teknologi Bandung.
8. Sukmono, S., 2002. Seismic Inversion &
AVO Analysis for Reservoir
Characterization, Laboratorium Geofisika
Reservoar, Program Studi Teknik
Geofisika, Institut Teknologi Bandung.
9. Sukmono S., 2007. Seismic Attributes for
Reservoir Characterization. Department of
Geophysical Engineering, FIKTM, Institut
Teknologi Bandung.
10. Sulistyo, A, 1999. Integrated Reservoir
Characterization of the Kulin Field.
Proceeding IPA 27th Annual Convention.
11. Russel, B., Hampson, D., Schuelke, J., and
Qurein, J., 2001. Use of Multiattribute
Transform to Predict Log Properties from
Seismic Data. Society of Exploration
Geophysicist.
12. Yarmanto and Aulia, K., 1998. The
Seismic Exprssion of Wrench Tectonic
Central Sumatra Basin. IAGI, Jakarta.
Putri Diah Ekowati, Sigit Sukmono
140
Gambar 1. Lokasi Cekungan Sumatera Tengah (Heidrick and Aulia, 1993)
Gambar 2. Stratigrafi Cekungan Sumatera Tengah (Eubank and Makki, 1981;
Heidrick and Aulia, 1993)
Aplikasi Analisa Seismik Multiatribut u
(b) (c)
Gambar 3. Crossplot Properti Log (a) AI antara sand dengan shale overlap; (b) Densitas antara sand
dengan shale dapat dipisahkan; (c) Porositas antara sand dengan shale dapat dipisahkan
Gambar 4
i Analisa Seismik Multiatribut untuk Prediksi Penyebaran Reservoir Batupasir “E” dan
Porositasnya pada Lapangan “PDE”, Cekungan Sumatera Tengah
(a)
(b) (c)
. Crossplot Properti Log (a) AI antara sand dengan shale overlap; (b) Densitas antara sand
shale dapat dipisahkan; (c) Porositas antara sand dengan shale dapat dipisahkan
Gambar 4. Hasil Inversi Model Base
Batupasir “E” dan
ada Lapangan “PDE”, Cekungan Sumatera Tengah
141
. Crossplot Properti Log (a) AI antara sand dengan shale overlap; (b) Densitas antara sand
shale dapat dipisahkan; (c) Porositas antara sand dengan shale dapat dipisahkan
Putri Diah Ekowati
142
(a)
(b)
Gambar 5. Ilustrasi analisa multiatribut untuk menentukan kombinasi atribut terbaik untuk membuat (a)log
pseudo gamma-ray (b) log pseudo-porositas. Tabel analisis menunjukan jenis atribut serta training dan
validation error.
Aplikasi Analisa Seismik Multiatribut untuk Prediksi Penyebaran Reservoir Batupasir “E” dan Porositasnya
pada Lapangan “PDE”, Cekungan Sumatera Tengah
143
(a)
(b)
Gambar 6. Hasil korelasi analisis multiatribut antara log sebenarnya (hitam) dan hog prediksi (merah). Data
yang dianalisis hanya pada window yang tidak dilapisi warna. (a) Log pseudo gamma-ray; (b) Log pseudo
porositas
Putri Diah Ekowati
144
(a)
(b)
Gambar 7. Hasil korelasi analisis neural network antara log sebenarnya (hitam) dan log prediksi (merah). Data
yang dianalisis hanya pada window yang tidak dilapisi warna. (a) Log pseudo gamma-ray; (b) Log pseudo
porositas
Aplikasi Analisa Seismik Multiatribut untuk Prediksi Penyebaran Reservoir Batupasir “E” dan Porositasnya
pada Lapangan “PDE”, Cekungan Sumatera Tengah
145
(a)
(b)
Gambar 8. Penampang Barat Laut-Tenggara (a) Pseudo Gamma Ray Multiatribut;
(b) Pseudo Porositas PNN
Putri Diah Ekowati
146
(a)
(b)
Gambar 9. Blind Well Test Utara-Selatan (a) Pseudo Gamma Ray Multiatribut;
(b) Pseudo Porositas PNN
Aplikasi Analisa Seismik Multiatribut untuk Prediksi Penyebaran Reservoir Batupasir “E” dan Porositasnya
pada Lapangan “PDE”, Cekungan Sumatera Tengah
147
(a)
Area Potensi
Pengembangan
Putri Diah Ekowati
148
(b)
Gambar 10. Area potensi pengembangan berdasarkan (a) Peta pseudo gamma-ray (b) Peta pseudo porositas.
Tanda posisi sumur hitam menunjukan sumur dengan log sonic asli, tanda posisi sumur biru menunjukan sumur
dengan predicted sonic, dan tanda posisi sumur merah menunjukan sumur yang digunakan untuk blind well test.
Area Potensi
Pengembangan