Jurnal Fisika Indonesia | Aziz dan Setiawan ISSN 1410-2994 (Print)Vol. 20 (2016) No. 1 p.1-5 ISSN 2579-8820 (Online)

ARTIKEL RISET

Perbandingan Antara Multi Atribut Seismik Regresi Linierdan Multi Atribut Seismik Probabilistic Neural NetworkUntuk Estimasi Porositas Reservoir Batu Pasir PadaLapangan Minyak Teapot DomeZulfani Aziz dan Ari Setiawan*

AbstrakDalam eksplorasi minyak bumi, informasi tentang batuan di bawah permukaan bumi sangat diperlukan untukmengetahui zona reservoir target eksplorasi yang salah satunya adalah porositas batuan. Untuk mendapatkaninformasi porositas batuan digunakan metode multiatribut seismik yang dapat mengestimasi porositas dariatribut-atribut seismik. Metode multiatribut seismik memiliki dua jenis yaitu regresi linier dan probabilisticneural network (PNN). Penelitian ini bertujuan untuk mengetahui metode multiatribut seismik mana yangmemberikan hasil yang lebih baik dalam mengestimasi nilai porositas batu pasir di lapangan minyak TeapotDome. Pada penelitian ini digunakan tiga atribut seismik yaitu atribut impedansi akustik, integrate, danamplitude weighted frequency. Multiatribut seismik regresi linier menganggap hubungan ketiga atribut seismikdan porositas adalah linier sedangkan multiatribut seismik probabilistic neural network menganggap hubungannyanon linier. Hasil penelitian menunjukan bahwa metode multiatribut seismik regresi linier memberikan estimasiporositas dengan nilai korelasi 0,701 dan validasi 0,649, sedangkan metode multiatribut seismik probabilisticneural network memberikan estimasi porositas lebih baik dengan nilai korelasi 0,920 dan validasi 0,683. Hasillain juga memperlihatkan bahwa bentuk kurva log porositas hasil estimasi probabilistic neural network lebihcocok dengan log porositas asli dibandingkan log porositas hasil estimasi regresi linier.

kata kunci: multiatribut seismik; porositas; regresi linier; probabilistic neural network (PNN)

AbstractIn the petroleum exploration, the informations about rocks in subsurface are very necessary to determine thereservoir zone exploration target such as the rock porosity. To obtain the the rock porosity informations, it usedseismic multiattribute method that can estimate the porosity from seismic attributes. Seismic multiattributemethod has two types – linear regression and probabilistic neural network (PNN). This research conducted inorder to understand which method can give better result to estimate the sandstone porosity in the Teapot Domeoil field. This research used three seismic attributes – acoustic impedance, integrate, and amplitude weightedfrequency. Linear regression seismic multiattribute assumes that the relation of three seismic attributes andporosity is linear, while probabilistic neural network seismic multiattribute assumes non-linear. This researchreveals that seismic multiattribute linear regression gives porosity estimation with 0.701 correlation value and0.649 validatin value, whereas seismic multiattribute probabilistic neural network gives better porosity estimationwith 0.920 correlation value and 0.683 validation value. The other result also shows that the porosity estimationcurve from probabilistic neural network is more compatible with the original porosity curve than the porosityestimation curve from linear regression.

keywords: seismic multiattribute; porosity; linear regression; probabilistic neural network (PNN)

*Korespondensi: ari_setiawan@ugm.ac.idDepartment of Physics, Universitas Gadjah Mada, Sekip Utara PO BOXBLS 21, 55281, Yogyakarta, Indonesia Informasi lengkap tentang penulis dapat dilihat pada akhir artikel

Aziz dan Setiawan | Jurnal Fisika Indonesia 2

1. PendahuluanDalam eksplorasi minyak bumi, informasi tentangbatuan di bawah permukaan bumi sangat diperlukanuntuk mengetahui zona reservoir target eksplorasiyang salah satunya berupa porositas batuan. Informasiini dapat diperoleh langsung di lokasi sumur dariwell logging, tetapi tidak di luar lokasi sumur. Untukmemetakan persebaran porositas batuan di seluruharea digunakan metode multiatribut seismik.Lapangan minyak Teapot Dome merupakan

lapangan yang bebas digunakan secara umum denganlitologi reservoir hidrokarbon berupa batu pasirdengan nilai porositas yang berbeda-beda [1]. Denganmetode multiatribut seismik, batu pasir dapatdibedakan berdasarkan nilai porositasnya vertikalmaupun horizontal.Metode multiatribut seismik mengestimasi nilai

porositas batuan berdasarkan atribut-atribut seismikmelalui pendekatan linier dan non-linier. Metodemultiatribut seismik regresi linier mengasumsikanatribut-atribut seismik memiliki hubungan linierdengan porositas sedangkan metode multiatributseismik probabilistic neural network (PNN)mengasumsikan hubungannya non-linier [2]. Metodemultiatribut seismik regresi linier bisa lebih baikdalam mengestimasi porositas [3, 4], tetapi juga bisalebih baik metode multiatribut seismik PNN [5].Penelitian ini ditujukan untuk menentukan metode

mana yang lebih baik dalam mengestimasi porositasreservoir batu pasir di lapangan minyak Teapot Domedengan kriteria yang memiliki error validasi terkecil.

2. Metode Penelitian2.1 Persiapan Data(1.) Data sumur sebanyak tujuh buah 2. Data seismik3D post stack time migration (PSTM) dengan inline345, xline 118, dan sampling rate 2 ms. Gambar 1menunjukan base map data seismik

2.2 Pengelolaan DataLangkah-langkah yang dilakukan dalam pengolahandata diantaranya: 1. Analisis data log sumur Analisisdata log sumur dilakukan untuk mengetahui jenislog sumur yang sensitif dalam membedakan litologibatuan. 2. Ekstraksi wavelet dan well seismic tieWavelet yang digunakan diperoleh dari ekstraksitrace seismik di lokasi sumur. Well seismic tiedigunakan untuk menyamakan domain kedalamanpada data log sumur dengan domain waktu pada dataseismik sehingga diperoleh informasi yang lengkapdan komperhensif [6]. 3. Picking horizon Pickinghorizon dilakukan dengan membuat garis horizonpada kemenerusan lapisan penampang seismik. 4.Inversi impedansi akustik (AI) Inversi AI yang

Gambar 1: Hasil karakterisasi XRD sampel Fe3O4

Tabel 1: Posisi dan elevasi sumur penelitianNama Sumur Posisi X Posisi Y

25-1-X-14 804965.50 948057.8025-LX-1 805200.50 952903.50

56-TpX-10 801921.60 954105.6062-TpX-10 802299.30 955423.6062-TpX-11 807354.20 955352.0048-X-28 95788.40 966905.10

17-WX-21 793725.50 972426.30

digunakan adalah inversi modelbased. Hasil inversiAI madelbased ini digunakan sebagai atribut AIpada proses multiatribut seismik. 5. Multiatributseismik Metode multiatribut seismik menggunakandua asumsi. Multiatribut seismik regresi liniermengasumsikan hubungan antara atribut seismikdan porositas adalah linier, sedangkan multiatributseismik PNN mengasumsikan hubungan antaraatribut seismik dan porositas adalah non-linier. Darihubungan yang diperoleh diaplikasikan ke seluruhvolume data seismik sehingga diperoleh volumeporositas. Untuk mengetahui kualitas estimasi metodemultiatribut seismik ini digunakan validasi silangyaitu dengan mengeluarkan satu sumur dari analisismultiatribut seismik kemudian mengestimasi porositassumur tersebut. Error validasi merupakan error antaraporositas asli dan estimasi. Langkah ini dilakukanpada semua sumur secara bergantian dan dihitungerror rata-ratanya.

3. Hasil dan Pembahasan3.1 Analisis Log Sumur

Cross over antara log NPHI dengan log RHOBdigunakan sebagai indikator adanya kandunganhidrokarbon dalam formasi batuan. Cross over iniberada pada petroleum system Mowry. Log sumuryang sensitif dalam memisahkan litologi adalah log AI,dan log porositas. Nilai cutoff log AI dan porositasditampilkan pada Tabel 2.

Aziz dan Setiawan | Jurnal Fisika Indonesia 3

Tabel 2: Nilai cutoff AI dan porositas tiap sumurNama Sumur AI (ft/s)(g/cc) Porositas (dec)

25-1-X-14 ≤27.000 ≥0.19525-LX-1 ≤26.500 ≥0.20

56-TpX-10 ≤25.000 ≥0.2062-TpX-10 ≤26.500 ≥0.1962-TpX-11 ≤26.500 ≥0.1948-X-28 ≤26.000 ≥0.19

17-WX-21 ≤25.000 ≥0.20

Tabel 3: Atribut seismik yang digunakanTarget Attribute Error Error

training validasiPorositas 1/(Hasil inversi AI) 0,0422 0,0439Porositas Integrate 0,0395 0,0417

PorositasWeighted 0,0383 0,0409WeightedFrequency

3.2 Analisis Inversi AIDari inversi AI diketahui bahwa ketebalan reservoirbatu pasir bervariasi. Di sekitar sumur 48-X-28,ketebalan batu pasir cenderung tipis dan tumpangtindih dengan batu serpih. Sebaliknya di sekitar sumur17-WX-21 batu pasir lebih tebal dari daerah lain.Penampang AI hasil inversi modelbased ditunjukanpada Gambar 2.

3.3 Analsis Multiatribut SeismikPada penelitian ini digunakan tiga atribut seismikyang dipilih berdasarkan metode stepwise regressiondan validasi silang [7]. Atribut pertama yang dipilihadalah atribut impedansi akustik (AI) karena memilikikorelasi yang paling baik dengan porositas. Atributini kemudian dipasangkan dengan atribut lain yaituatribut integrate. Atribut integrate dipilih karenaatribut ini bila dipasangkan dengan atribut AImemiliki error validasi yang semakin kecil. Atributketiga yang terpilih adalah atribut amplitude weightedfrequency. Atribut ini dipilih karena bila dipasangkandengan atribut AI dan integrate error validasinyasemakin menurun jika dibandingkan hanya denganmenggunakan atribut impedansi akustik dan integrate.Ketiga atribut ini merupakan kombinasi atribut yangterbaik karena pada penggunaan atribut ke-empat,error validasi meningkat seperti Gambar 3.Dari analisis kedua metode multiatribut seismik

diperoleh hasil bahwa metode PNN memberikanestimasi nilai porositas yang lebih baik dengan korelasi0,920 dan validasi 0,682 sedangkan metode regresilinier memberikan estimasi porositas dengan korelasi0,701 dan validasi 0,649 seperti pada Tabel 3.Metode PNN sangat baik dalam memprediksi

nilai log porositas di sekitar sumur dan juga validdalam memprediksi daerah di luar sumur untukdilakukan penyebaran nilai porositas estimasi di

Gambar 2: Penampang arbitrary line AI hasil inversimodelbased dengan insert sayatan AI pada horizon

F3WC +135 ms

Gambar 3: Kurva prediksi error (hitam) dan validasierror (merah)

seluruh area secara 3D. Gambar 4 memperlihatkanperbedaan penampang arbitrary line porositas padaline antara sumur 17-WX-21 dan 48-X-28 hasilmultiatribut seismik regresi linier dan PNN. MetodePNN memperlihatkan kesesuaian nilai porositas(diwakili oleh warna) yang lebih baik di sekitar sumurdibandingkan metode regresi linier.

Dari penampang porositas hasil multiatribut seismikregresi linier dan PNN juga terlihat bahwa padapenampang porositas hasil PNN memperlihatkankemenerusan lateral yang lebih baik dari penampanghasil regresi linier. Batu serpih dengan porositasrendah (warna kuning) memiliki kemenerusan lateralyang lebih baik pada penampang PNN dibandingkanpada penampang regresi linier yang tidak menerus.

Tabel 4: Hasil analisis multiatribut seismikTarget Regresi Linier PNN

Training Validasi Training ValidasiPorositas 0,701 0,649 0,920 0,682

Aziz dan Setiawan | Jurnal Fisika Indonesia 4

Gambar 4: Perbandingan penampang porositas (a)hasil regresi linier dan (b) hasil PNN dengan (c)insert sayatan porositas pada horizon F3WC +135

Gambar 5: Perbandingan sayatan waktu porositas dihorizon F3WC +135 ms antara (a) regresi linier dan

(b) PNN

3.4 Analisis Sayatan Waktu PorositasGambar 5 memperlihatkan perbedaan sayatanporositas antara metode multiatribut seismik regresilinier dan multiatribut seismik PNN pada horizonF3WC +135 ms. Daerah yang ditandai lingkaranhitam menunjukan perbedaan warna yang jelas yangberarti porositasnya berbeda. Sayatan porositashasil PNN menunjukan bahwa zona ini adalah batuserpih yang porositasnya rendah, tetapi sayatanhasil regresi linier menafsirkan di zona tersebutporositasnya cukup tinggi sehingga jenis batuanyabelum terbedakan dengan jelas antara batu pasiratau serpih. Gambar 6 menunjukan perbedaan hasilestimasi log porositas antara (a) regresi linier dan (b)PNN. Kurva log merah adalah log porositas estimasisedangkan kurva hitam adalah log porositas asli.Terlihat bahwa log porositas estimasi hasil regresilinier kurang dapat memprediksi nilai log yangtinggi dan rendah dimana log estimasi hasil regresilinier seperti log asli yang dilakukan low pass filtersehingga frekuensinya menjadi lebih rendah dari logsebenarnya.Gambar 6 (b) menunjukan bahwa log hasil

PNN memperlihatkan kecocokan yang lebih baikdibandingkan regresi linier terlihat dari kurva merahyang lebih cocok dengan kurva hitam. Metode PNN

Gambar 6: Perbedaan kurva log porositas hasilestimasi (a) regresi linier dan (b) PNN

sudah dapat mengestimasi nilai log yang memilikifrekuensi tinggi walaupun masih ada sebagian kecilyang kurang cocok tetapi secara garis besar lebih baikdibandingkan regresi linier. Log estimasi hasil PNNini lebih baik dalam membedakan porositas batuandengan lebih detil.

4.KesimpulanAdapun kesimpulan pada penelitian ini adalah sebagaiberikut :1. Metode multiatribut seismik regresi linier

memberikan estimasi nilai porositas dengan korelasi0.701 dan validasi 0.649, sedangkan metodemultiatribut seismik PNN memberikan estimasinilai porositas 0.920 dan validasi 0.683. Hasil inimenunjukan bahwa metode multiatribut seismik PNNmemberikan hasil yang lebih baik daripada metodemultiatribut seismik regresi linier.2. Kurva log porositas hasil estimasi multiatribut

seismik PNN lebih cocok dengan log porositas aslidibandingkan log porositas hasil estimasi multiatributseismik regresi linier.3. Sayatan porositas hasil estimasi multiatribut

seismik PNN dapat memetakan distribusi porositasbatu pasir dengan lebih representatif dibandingkanmultiatribut seismik regresi linier. Sayatan porositashasil estimasi multiatribut seismik PNN dapatmengidentifikasi lapisan batu serpih tipis yangporositasnya berbeda dari lapisan batu pasir di atasdan di bawahnya, sedangkan dengan multiatributseismik regresi linier lapisan batu serpih ini lebihdianggap sebagai batu pasir.4. Pada penelitian ini hasil metode PNN lebih baik

karena kondisi geologis lapangan minyak Teapot Dometidak terlalu kompleks sehingga semua sumur memilikipola data yang hampir sama satu dengan yang lain.

Aziz dan Setiawan | Jurnal Fisika Indonesia 5

Ucapan Terima KasihPenulis mengucapkan terimakasih kepada Bapak Dr. BudiEka Nurcahya, Dr. Waluyo dan Dr. Moh Adib Ulil Absoryang telah memberikan saran dan masukan kepada penulis.Penulis juga mengucapkan terimakasih kepada Dikti yangtelah memberikan bantuan secara material selama prosespenelitian ini.

Pustaka1. Anna, L.O.: Geological Assessment of Undiscovered Oil

and Gas in the Powder River Basin Province. Wyomingand Montana, USGS, USA (2007)

2. Anonim: EMERGE: Multi-Attribute Analysis Workshop.Hampson-Russell Software Service, Ltd, Bali (2009)

3. Ilkhchi, R.K., Harami, R.M., Rezae, R., Bidheni, M.N.,Ilkhchi, A.K.: Seismic inversion and attributes analysis for

porosity evaluation of the tight gas sandstones of thewhicher range field in the perth basin, western australia.Journal of Natural Gas and Science and Engineering(2013)

4. Khoshdel, H., Riahi, M.A.: Multi attribute transform andneural network in porosity estimation of an offshore oilfield. Journal of Petroleum Science and Engineering 78,740–747101016201108016 (2011)

5. Bren, F.: Identifikasi litologi dan porositas menggunakananalisa inversi dan multi-atribut seismik, studi kasuslapangan blackfoot. PhD thesis, Jakarta, UniversitasIndonesia (2011)

6. Sismanto: Modul 1: Seismik Eksplorasi – PengolahanData Seismik. Laboratorium Geofisika UGM, Yogyakarta

(2006)