APLIKASI ANALISA SEISMIK MULTIATRIBUT UNTUK … · stratigrafi regional cekungan Sumatera Tengah dari Kala Paleogen Sampai Pliosen dan Kuarter menjadi lima, yaitu Kelompok Pematang,

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).


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


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.


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


(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



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



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

Documents

APLIKASI ANALISA SEISMIK MULTIATRIBUT UNTUK … · stratigrafi regional cekungan Sumatera Tengah dari Kala Paleogen Sampai Pliosen dan Kuarter menjadi lima, yaitu Kelompok Pematang,