kombinasi analisa avo (amplitude variation with …
TRANSCRIPT
i
TUGAS AKHIR - SF 141501 KOMBINASI ANALISA AVO(AMPLITUDE VARIATION WITH OFFSET) DAN SEISMIK MULTIATRIBUT PADA RESERVOIR KARBONAT (STUDI KASUS LAPANGAN “MS#”, MADURA). Muliadi NRP 1110 100 055 Dosen Pembimbing I Prof. Dr. rer. nat. Bagus Jaya Santosa, SU Pembimbing II Agung Indrianto Purnomo, S.T Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2015
iii
FINAL PROJECT - SF 141501 COMBINATION ANALYSIS OF AVO(AMPLITUDE VARIATION WITH OFFSET) AND SEISMIC MULTIATTRIBUTE FOR CARBONATE RESERVOIR (CASE STUDY OF MS# FIELD, MADURA) Muliadi NRP 1110100 055 Advisor Prof. Dr. rer. nat. Bagus Jaya Santosa, SU Co. Advisor Agung Indrianto Purnomo, S.T Department of Physics Faculty of Mathematics and Natural Science Sepuluh Nopember of Technology Institute Surabaya 2015
vii
KOMBINASI ANALISA AVO( AMPLITUDE VARIATIONWITH OFFSET) DAN SEISMIK MULTIATRIBUT
PADA RESERVOIR KARBONAT(STUDI KASUS LAPANGAN “MS#”, MADURA)
Nama : MuliadiNRP : 1110100055Jurusan : Fisika, FMIPA-ITSPembimbing I : Prof.Dr.Bagus Jaya Santosa, S.U.Pembimbing II : Agung Indrianto Purnomo, S.T
AbstrakTelah dilakukan Analisa kombinasi Multiatribut dan AVO
untuk karakterisasi reservoir karbonat dan pemetaanhidrokarbon gas pada lapangan “MS#”, Madura. Porositasmerupakan salah satu parameter batuan yang digunakan untukkarakterisasi reservoir karbonat. Pada metode multiatributterdapat dua metode yaitu metode regresi linier dan neuralnetwork (non linier). Metode AVO hanya dapat mengindikasikanbatas antara hidrokarbon non hidrokarbon. Metode AVO initidak dapat dgunakan untuk mendapatkan distribusi gas secarakeseluruhan. Sehingga pada penelitian ini di lakukan inversiLMR untuk membuat peta distribusi hidrokarbon gas.Berdasarkan analisa data dan pembahasan dapat disimpulkanpada metode multiatribut dengan pendekatan non linier memilikihasil yang lebih baik karena memiliki nilai korelasi pada validasilebih besar dari pada metode regresi linier dengan porositaspada zona target hasil predisksi adalah 45.7-56%. Untuk hasilanalisa AVO diperoleh kelas anomali adalah kelas III dengananomali atribut AVO Product (A*B) adalah positif. Serta padahasil LMR menunjukkan pada zona reservoir karbonatmenunjukkan keberadaan gas dengan nilai lamda-rho
viii
(inkompresibilitas) yang rendah dan mu-rho (rigiditas) yangtinggi.
Kata kunci : AVO, Multiatribut, Inkompresibilitas dan Rigiditas.
ix
COMBINATION ANALYSIS OF AVO (AMPLITUDEVARIATION WITH OFFSET)ANDMULTI-ATTRIBUTE
SEISMIC FOR CARBONATE RESERVOIR(CASE STUDY MS# FIELD, MADURA)
Name : MuliadiNRP : 1110100055Major : Fisika, FMIPA-ITSAdvisor : Prof.Dr.Bagus Jaya Santosa, S.U.Co. Advisor : Agung Indrianto Purnomo, S.T
AbstractCombination analysis of AVO and Multi-attribute
seismic have done incharacterization carbonates reservoir andmapping gas hydrocarbon in “MS#” Field, Madura. Porosityisone of theparameters ofthe rock usedto characterizationcarbonate reservoirs. In themulti-atributes seismic method, thereare two multi-attributesmethods are linearregression method andneural network (non-linear). Analisys AVO only describe theboundary properties betwen hydrocarbon and non hydrocarbon.For distribution of hydrocarbon is used AVO Inversion LMR.Based on the data analysis and discussion, the conclusion are nonlinear (PNN) method better than linier regression method tocharacterization of the carbonates reservoir with porosityprediction are 47.5-56% and the AVO analysis result describethat anomaly is class III and the AVO attribute Product (A*B) isposituve. The LMR result showed in carbonates include gashydrocarbon has low lamda rho valu (incompresibility) and highmu-rho (rigidity).
Key Words : AVO, Multi-attribut, Inompresibiliy and Rigidity.
xi
KATA PENGANTAR
Puji syukur Alhamdulillah penulis ucapkan kepadaALLAH SWT karena atas berkah, rahmat, dan petunjukNya atasiman, islam, dan ikhsan yang diberikan kepada penulis sehinggadapat menyelesaikan laporan Tugas Akhir (TA) ini denganoptimal dan tanpa suatu kendala apapun. Sholawat serta salamtetap tercurahkan kepada junjungan kita Nabi Muhammad SAWyang telah menuntun kami dari kebodohan menuju cahayakebenaran.
Tugas Akhir (TA) ini penulis susun untuk memenuhipersyaratan menyelesaikan pendidikan strata satu jurusan FisikaITS. Tugas Akhir dengan judul :
“Kombinasi Analisa AVO(Amplitude Variation with Offset)dan SeismikMultiatribut pada Reservoir Karbonat
(Studi Kasus Lapangan “MS#”, Madura) “
Penulis persembahkan kepada masyarakat Indonesia gunaberpartisipasi untuk mengembangkan ilmu pengetahuan dalambidang sains dan teknologi.
Penulis mengucapkan terima kasih yang sebesar-besarnyakepada pihak-pihak yang membantu penyusunan laporan TugasAkhir (TA) dan proses penelitiannya.
1. Ibunda Tercinta Suhawiyah yangtelah memberikan do’a dansemua hal terbaik bagi penulis sejak kecil sampai dewasa.
2. Kakak Haliyah dan adik Nurul Habibie serta keponakankuyang cantik, Melly, Nurin dan Mafa.
3. Bapak Prof. Dr. Bagus Jaya Santosa, S.U selaku dosenpembimbing yang telah memberi pengarahan selama prosespenelitian dan penyusunan laporan.
4. Bapak Dr.rer.nat. Triwikantoro, M.Sc, selaku dosen wali yangselalu membantu penulis dalam hal perkuliahan.
xii
5. Bapak Agung Indrianto Purnomo, S.T Si selaku pembimbingdi Kangean Energy. Ltd yang telah membimbing Penulisdengan iklas dan penuh semangat.
6. Mr. Kenichi Akama as Manager Gephysicist at KangeanEnergy thanks a lot for all important knowledge have givenand best opportunity to finished my Final Project.
7. All Exploration Member of Kangean Energy Indonesia.LTD,mas Fariz, Mbak Tika, Pak Ridwan, mbak Dimas, masDean, Mas Heri, mas Reza, mbak Dina, pak Dedi, BangArman.
8. Bapak Nirwan Said yang telah mengenalkan dan memberikankesempatan untuk belajar di Kangean Energy Indonesia.Ltd.
9. Bapak Dr. Yono Hadi Pramono ibu Dr. Melania SuweniMuntini selaku ketua dan sekretariat Jurusan Fisika ITS.
10.Seluruh dosen pengajar di jurusan Fisika atas ilmu dankesabarannya dalam mengajar.
11. Teman-teman vixaliser MAN Sumenep.12.Seluruh alumni geophysics, mas Harvi, mbak Elok, Mbak
Putri, Mas Bebek, mas Khodirin, mas Putra, dan banyak lagi.13. Teman-teman alumni dan pengurus FOSIF.14.Segenap teman-teman Fisika Cosmic 2010 yang telah
memberikan support terbaik bagi penulis. Terima kasihCosmic atas pelajaran berharga yang membuat kami menjadisebuah keluarga.
15. Teman seperjuangan Geophysics 2010 yang telah menjaditeman diskusi dan keluarga yang baik.
16.Teman-teman kos Keputih G. II No. 26, Kak Edo, Mas Andhi,Mas Khoirul, Bob, Arif, Fuad, Ardo, Mas Bimo, Mas Sani,Eko, Ardo, Pangki, Mas Andik, Fajar, Dan Banyak lagi, terimakasih atas kekeluargaannya.
17. Semua pihak yang tidak dapat penulis sebutkan satu persatu.
Penulis menyadari dalam penyusunan laporan ini masihterdapat kesalahan. Mohon kritik dan saran pembaca guna
xiii
menyempurnakan laporan ini. Akhir kata semoga laporan TugasAkhir ini bermanfaat bagi semua pihak. Amiin Ya RabbalAlamiin.
Surabaya, Desember 2013
Penulis
xxi
DAFTAR GAMBAR
Gambar 2.1.Lokasi Lapangan Penelitian (Lapangan “MS#”) ...... 5
Gambar 2.2.Paleogene Paleo-geography of East Java Basin.......6
Gambar 2.3.StratigraphyLapangan Penelitian ..............................8
Gambar 2.4. Petrografi FaciesPada Sumur M-3 ..........................9
Gambar 2.5. Perbandingan nilai porositas dari data core danporositas dari data log di lapanngan penelitian ...........................11
Gambar 2.6. Perbandingan nilai permeabilitas dari data core danpermeabilitas dari log di lapangan penelitian..............................12
Gambar 2.7. Diagram survei seismik laut ...................................13
Gambar 2.8. Skema penalaran gelombang ..................................14
Gambar 2.9.Bentuk umum pemodelan ke depan.........................16
Gambar 2.10.Bentuk umum pemodelan kebelakang (inversemodelling) pada metode inversi ..................................................17
Gambar 2.11.Flowchart metode inversi model based .................18
Gambar 2.12.Trace kompleks dalam bentuk...............................19
Gambar 2.13.Cross-plot data target dan atribut seismik .............23
Gambar 2.14.Contoh penggunaan tiga sampel atribut untukmemprediksi log target................................................................25
xxii
Gambar 2.15.Struktur umum neuralnetwok .............................26
Gambar 2.16.Prediksi kurva yang diperoleh dari PNN............26
Gambar 2.17.Ilustrasi cross-validation ....................................29
Gambar 2.18.Plot validasi total error dan training error...........30
Gambar 2.19.Skema deformasi batuan terhadap gelombang Pdan gelombang S ......................................................................31
Gambar 2.20.Kurva Sw dandensitas berdasarkan persamaanWyllie .......................................................................................32
Gambar 2.21.Hubungan antara offset dengan sudut datang (θ)yang terekam dalam titik reflektor yang sama .........................33
Gambar 2.22.Aplikasi persamaan Shuey (1985), interceptadalah perpotongan garis dengan koefisien refleksi dankemiringan adalah gradien .......................................................36
Gambar 2.23.Kelas-kelas AVO dan Cross-plot .......................36
Gambar 2.24.Ilustrasi material yang memiliki harga regiditasdan kompresibilitas yang berbeda ............................................38
Gambar 2.25. Inkompresibilitas dan rigiditas beberapa tipebatuan .......................................................................................38
Gambar 3.1.Seismik Post-stack 3D..........................................40
Gambar 3.2.SeismikPre-stack 2Dgather..................................40
Gambar 3.3.Contoh data log pada sumur M-3 .........................41
xxiii
Gambar 3.4.Korelasi antar sumur................................................42
Gambar 3.5. DBase map daerah Penelitian .................................42
Gambar 3.6.Grafik checkshot pada Sumur M-1..........................43
Gambar 3.7.Alur pengolahan data untuk multiatribut.................45
Gambar 3.8.Alur Pengolahan data Pada Analisa AVO dan LMR......................................................................................................46
Gambar 3.9.Crossplotantara P-wave dan S-waveSumur M-3 ...47
Gambar 3.10.Crossplotantara mu-rho dan lamda – rho ..............48
Gambar 3.11.Crossplot log porositas dan akustik impedansi ....48
Gambar 3.12.Wavelet yang digunakan untuk membuat seismiksintetik .........................................................................................50
Gambar 3.13.Proses well-seimic-tie pada sumur M-1.................50
Gambar 3.14.Model awal (initial model) ....................................51
Gambar 3.15.Analisa inversi pada sumur M-1............................52
Gambar 3.16.Arbitrary line Hasil seismik inversi model based..53
Gambar 3.17. Analisa multiatribut log target (merah), seismicreal(hitam), eksternal atribut (biru).............................................54
Gambar 3.18.Atttibut yang digunakan dalam proses multiatrbut.......................................................................................................54
Gambar 3.19.Operator length test...............................................55
xxiv
Gambar 3.20.Arbitrary line porositas pada metode regresi linier..56
Gambar 3.21.Arbitrary line porositas pada metode PNN..............56
Gambar 3.22.Koreksi NMO ..........................................................57
Gambar 3.23. Analisa AVO pada seismik Sintetik Sumur M-3....58
Gambar 3.24.Anomali AVO Product (A*B) .................................59
Gambar 3.25.Peta mu-rho )( ...................................................60
Gambar 3.26. Peta lamda-rho )( ..............................................61
Gambar 4.1.Crossplot Vp terhadap Vs pada sumur M-3 ..............63
Gambar 4.2.Crossplot antara mu rho dan lamda rho.....................64
Gambar 4.3.Crossplot antara log porositas dan akustikimpedansi..................................................................................... ..65
Gambar 4.4.Arbitrary line hasil inversi akustik impedansi ...........67
Gambar 4.5.Korelasi sumur pada lapangan “MS#”.......................68
Gambar 4.6.Slicing hasil inversi akustik impedansi pada topkarbonat .........................................................................................69
Gambar 4.7.Time structure top karbonat ......................................69
Gambar 4.8.Crossplot antara atribut dan log target.......................70
Gambar 4.9.Kurva prediksi training error (hitam) dan Validationerror (merah) ................................................................................... 73
xxv
Gambar 4.10.Crossplotantara nilai poroositas log dengan prositasprediksi serta nilai korelasi dan error. ..............................................73
Gambar 4.11.Kurva proses multiatribut (a) hasil training data (b)hasil validation data .........................................................................74
Gambar 4.12.Arbitrary line peta porositas dengan menggunakanregresi linier......................................................................................76
Gambar 4.13.Peta Distribusi porositas pada top karbonat denganmetode regresi linier.........................................................................77
Gambar 4.14.Crossplot log porositas prediksi dengan logsebenarnya pada metode PNN..........................................................78
Gambar 4.15.Kurva log hasil validasi pada PNN.............................79
Gambar 4.16.Arbitrary line distribusi porositas pada metode PNN.........80
Gambar 4.17. Peta distribusi porositas pada top karbonat untukmetode PNN .....................................................................................81
Gambar 4.18.Perbandingan hasil transformasi SeismikMultiatribut (a) regresi linier (b) PNN .............................................82
Gambar 4.19.Penampang Porositas dari hasil transformasiseismik multiatribut dengan metode regresi linier. ..........................83
Gambar 4.20.Penampang porositas dari hasil transformasi seismikmultiatribut dengan metode PNN.....................................................83
Gambar 4.21.Near stack untuk sudut 00-150.....................................84
Gambar 4.22.Far stack untuk sudut 150- 300 ....................................84
xxvi
Gambar 4.23.Analisa AVO pada data seismik gather 2D............... 85
Gambar 4.24.Analisa AVO pada data seismik sintetik sumur M-3..... 86
Gambar 4.25. Product (A*B) anomali AVO ................................... 87
Gambar 4.26.Penampang (lamda-rho) ....................................... 88
Gambar 4.27.Penampang (mu-rho)............................................ 88
Gambar 4.28.Crossplot LMR .......................................................... 89
xv
DAFTAR ISI
HALAMAN JUDUL.................................................................... i
COVER PAGE .......................................................................... iii
LEMBAR PENGESAHAN.........................................................v
ABSTRAK................................................................................. vii
ABSTRACT ............................................................................... ix
KATA PENGANTAR ............................................................... xi
DAFTAR ISI..............................................................................xv
DAFTAR TABEL.................................................................... xix
DAFTAR GAMBAR............................................................... xxi
DAFTAR LAMPIRAN ........................................................ xxvii
BAB I PENDAHULUAN ............................................................11.1 Latar Belakang ...................................................................11.2 Perumusan Masalah............................................................31.3 Batasan Masalah.................................................................31.4 Tujuan Penelitian ...............................................................31.5 Manfaat Penelitian .............................................................41.6 Sistematika Penulisan.........................................................4
BAB II TINJAUAN PUSTAKA.................................................52.1 Lapangan Penelitian ...........................................................52.2Geologi Regional ................................................................52.3 Stratigrafi............................................................................7
xvi
2.4 Petroleum Sistem............................................................... 92.4.1 Reservoir................................................................. 92.4.2 Batuan Sumber...................................................... 102.4.3 Mekanisme Perangkap.......................................... 10
2.5 Perhitungan Porositas dan Permeabilitas Batuan ............ 112.5.1 Perhitungan Porositas Batuan ............................... 112.5.2 Perhitungan Permeabilitas Batuan ........................ 10
2.6Karakterisasi Reservoir .................................................... 122.7 Seismik Refleksi dan Impedansi Akustik........................ 132.8Metode Seismik Inversi.................................................... 162.9 Atribut Seismik................................................................ 192.10Metode Seismik Multiatribut.......................................... 222.11Probabilistik Neural Network......................................... 252.12 Validasi.......................................................................... 282.13 Sifat Fisika Batuan ........................................................ 30
2.13.1Kecepatan Gelombang P (Vp) dan S (Vs) .......... .302.13.2Densitas .............................................................. .32
2.14Amplitude Variation with Offset (AVO)......................... 332.15 Inversi LMR (Lamda mu Rho) ...................................... 37
BAB III METODOLOGI......................................................... 393.1 Metode Penelitian............................................................ 393.2 Data Penelitian ................................................................ 39
3.2.1 Data Seismik......................................................... 393.2.2 Data Sumur ........................................................... 413.2.3 Data Checkshot ..................................................... 433.2.4 Data Marker.......................................................... 443.2.5 Data Horizon......................................................... 44
3.3 Alur Pengolahan Data ..................................................... 443.4Perangkat Lunak............................................................... 463.5 Pengolahan Data.............................................................. 47
3.5.1Analisa Cross plot.................................................. 473.5.2Ekstraksi Wavelet dan Well-Seismik Tie .............. 493.5.3Pembuatan Initial Model........................................ 503.5.4 Proses Seismik Inversi .......................................... 51
xvii
3.5.5Seismik Multiatribut ...............................................533.5.6Analisa AVO .........................................................573.5.7Volume Atribut AVO Product (A*B) ....................583.5.8Inversi Lamda Mu Rho (LMR) .............................59
BAB IV ANALISIS DATA DAN PEMBAHASAN ................634.1Analisa Data Sumur (Cross plot) ......................................63
4.1.1 Cross plot antara kecepatan P dan Kecepatan S ....634.1.2 Cross plot antara Lamda Rho dan Mu Rho ...........64
4.2 Hasil Inversi AkustikImpedansi .......................................664.3 Pemetaan Porositas dengan Menggunakan Metode
Transformasi Mutliatribut .................................................704.3.1 Hasil Metode Regresi Linier..................................704.3.2 Peta Porositas Pada Metode Regresi Linear ..........754.3.3 Hasil Metode Probabilistik Neural Network .........774.3.4 Peta Porositas pada Metode Probabilistik Neural
Network................................................................794.3.5 Perbandingan Metode Transformasi Multiatribut
antara Metode Regresi Linear dan PNN ..............804.3 Hasil Analisa AVO ..........................................................824.4 Analisa Atribut AVO Product (A*B)...............................834.5 Interpretasi Inversi Lamba Mu Rho .................................86
V KESIMPULAN ......................................................................915.1 Kesimpulan ......................................................................915.2 Saran.................................................................................91
DAFTAR PUSTAKA ................................................................93LAMPIRAN ...............................................................................95
BIOGRAFI PENULIS ............................................................103
xviii
“ Halaman sengaja dikosongkan”
xvii
DAFTAR TABEL
Tabel 3.1 Data log pada tiap sumur.............................................41
Tabel 4.1 Hasil pemilihan atribut pada proses multiatribut.........71
xx
“Halaman ini sengaja dikosongkan”
xxv
DAFTAR LAMPIRAN
LAMPIRAN A Gambar crossplot sensitivitas Sumur ......95
LAMPIRAN B Data Seismik............................................98
LAMPIRAN C Hasil perhingan sigma dan bobot ..........100
xxviii
“Halaman ini sengaja dikosongkan “
1
BAB IPENDAHULUAN
1.1 Latar Belakang
Penggunaan Metode Amplitude Variation with Offset(AVO)dalam karakterisasi dan prediksi hidrokarbon sebuah reservoirtelah banyak dilakukan dalam eksplorasi hidrokaron, terutama gasyang berasosiasi dalam pori-pori batu pasir. Metode AVOmenganalisa perubahan amplitudo seismik terhadap perubahanoffset. Koefisien refleksi menyebabkan terjadinya perubahanamplitude yang dipengaruhi oleh kecepatan gelombang P (Vp),kecepatan gelombang S (Vs), dan densitas (p) pada batas bataslapisan.
Metode AVO umumnya digunakan pada reservoir batu pasir.Hal ini dikarenakan batu pasir memiliki sensitivitas rasio Vp/Vsyang bagus terhadap perubahan fluida dibandingkan dengan batukarbonat. Sementara, batu gamping memiliki sifat fisik yangberbeda dengan dengan batu pasir. Batu pasir umumnya memilikiporositas dan bentuk matriks yang homogen sedangkan batugamping memiliki bentuk matriks dan porositas yang bervariasiyang menyebabkan keberadaan fluida di dalam pori batuanmemiliki pengaruh yang sedikit bahkan tidak memiliki pengaruhterhadap prilaku gelombang P.Perilaku gelombang P padamedium batu gamping cenderung menjalar melalui matriks yangmemiliki sifat modulus elastik yang tinggi, sehinggamenyebabkan harga poisson ratio tidak cukup sensitif untukmengidentifikasi keberadaan fluida.
Metode AVO adalah metode yang digunakan untukmengidentifikasi keberadaan hidrokarbon hanya pada bataslapisan yang ada hidrokarbon dan non hidrokarbon. Dalam hal inimetode AVO tidak dapat digunakan untuk membuat distribusihidrokarbon. Untuk itu, pada penetlitian ini digunakan metodeAVO inversion Lamda-Mu-Rho. Dengan menggunakan metode
2
teknik inversi ini, diharapkan reservoir dapat dapat dikarakterisasidengan lebih baik. Kemudian, Goodway(1997) memperkenalkanmetode inversion yang didasarkan pada parameterinkompresibilitas ( ), rigiditas ( ) dan densitas ( ). Atau lebihdikenal dengan lamda-mu-rho (LMR).
Parameter tersebut diperoleh dari hasil inversi penampangreflektivitas yang dihasilkan dari inversi AVO. Parameter mu-rhodapat digunakan untuk mengidentifikasti litologi sedangkan untukparamter lamda-rho digunakan untuk parameter fluida atauhidrokarbon khususnya gas.
Pada penelitian ini, karakterisasi reservoir dilakukan denganmenganalisa porositas dari batuan. Porositas batuan merupakansalah satu parameter penting dalam karakterisasi reservoir. Dalampenelitian ini untuk karakterisasi dengan porositas digunakanmetode multi-attribute. Metode multi-attribute merupakan metodestatistik dengan pendekatan linier yang menggabungkan antarasifat internal seismik dengan data log (Harsono, 2001).Penggunaan metode prediksi porositas dengan fungsi linier antaraakustik impedansi dan porositas memberikan nilai error (outlier)yang cukup tinggi, terutama pada batuan karbonat. Sementarapada metode multi–attribute akan diberikan pembobotan untukmengurangi error dalam prediksi porositas batuan. Sehinggadapat memberikan hasil prediksi yang hampir sesuai dengan datalog. Dalam prediksi porositas dengan metode multi-atribut tidakhanya dengan mendekatan regresi linier, tetapi dalam penelitianini akan dilakukan pendekatan non linier predicted denganmenggunakan metode PNN. Hal ini bertujuan untukmengoptimalkan prediksi porositas secara non linier.
Pada penelitian ini, lapangan yang digunakan adalah lapangan“MS#”. Lapangan “MS#” memiliki tujuan target adalah reservoirkarbonat. Dimana reservoir karbonat pada lapangan ini memilikikarakteristik yang unik karena memiliki porositas yang yangtinggi sekitar 40%-55% berdasarkan log dan data core. Danmemiliki porositas sekitar 1mD sampai lebih dari 1 Darcy. Hal ini
3
dikarenakan reservoir pada lapangan ini mengandung faciesberupa globigerinid foram.
Penerapan metode AVO (amplitude Variation withoffset)pada karbonat memberikan banyak asumsi mengenai AVOdapat diterapkan atau tidak. Hal ini berkaitan dengan perbedaansifat fisik antara karbonat dan klastik atau batu pasir. Tetapi padapenelitian ini reservoir karbonat dengan globigerinid forammemiliki porositas dan permeabilitas yang hampir sama denganklastik. Dengan analisa AVO pada karbonat. Hal ini akanmenjawab tentang perlakuan metode AVO terhadap karbonat.Khususnya pada karbonat yang memiliki sifat sama sepertiklastik. Serta akan dikombinasikan dengan penggunaan metodemultiattribut dan PNN untuk persebaran porositasnya yangdigunakan untuk karakterisasi reservoir.
1.2 Perumusan Masalah
Perumusan masalah yang dapat diambil dari latarbelakang di atas adalah sebagai berikut:
1. Bagaimanakah menganalisa sensitivitas dari batuankarbonat klastik.
2. Apakah metode AVO dapat diterapkan dalam karbonatyang memiliki sifat fisik seperti klastik.
3. Bagaimana karakterisasi reservoir karbonat denganmenggunakan metode multi-attribut.
4. Bagaimana membuat persebaran hidrokarbonmenggunakan parameter LMR.
1.3 Batasan Masalah
Penelitian ini dibatasi dengan asumsi–asumsi sebagaiberikut:
1. Objek penelitian difokuskan pada lapangan MS#, sumurM-1, M-2,dan M-3.
4
2. Sumur – sumur diasumsikan berada dalam satu strukturyang sama.
3. Data seismik yang digunakan adalah seismik 3D post-stack dan seismik 2D pre-stack gather.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk:1. Untuk menganalisa sensitivitas pada batuan karbonat.2. Menerapkan metode AVO pada resrvoir karbonat.3. Prediksi distribusi porositas reservoir karbonat untuk
dengan menggunakan metode multiattribut dan PNN.4. Membuat disribusi hidrokarbon dengan menggunakan
metode AVO inversion serta LMR.
1.5 Manfaat Penelitian
Manfaat yang diperoleh dalam penelitian tugas akhir iniadalah memberikan informasi tentang zona prospek utukmengoptimalkan proses eksplorasi pada perusahaan migas.
1.6 Sistematika Penulisan
Penulisan Tugas Akhir (TA) ini terdiri dari abstrak yangberisi gambaran umum dari penelitian ini. Bab I pendahuluanyang memuat latar belakang, perumusan masalah, tujuanpenelitian, manfaat penelitian, serta sistematika penulisan. Bab IItinjauan pustaka berisi tentang dasar-dasar teori yang digunakansebgai acuan dari penelitian, Bab III metodologi penelitian, BabIV hasil penelitian dan pembahasannya dan Bab V kesimpulandan saran.
5
BAB IITINJAUAN PUSTAKA
2.1 Lapangan Penelitian
Lapangan penelitian (Lapangan “MS#”) terletak disebelah barat daya blok Kangean, Jawa Timur (gambar 2.1).Lapangan ini ditemukan pada tahun 1993 melalui pengeboransumur M-1 oleh Atlantic Richfield Bali North Inc. (ARBNI)dengan luas lebih kurang 7,500 acres. Pada sumur M-1 ditemukanbiogenic gas (>99% methane) dari Upper Pliocene PaciranLimestone. Sumur M-2 dibor dengan tujuan menguji keberadaangas di Paciran Limestone di bagian paling timur closure-nya.Sedangkan sumur M-3 dibor untuk membuktikan dan deliniasigas reserve yang ditemukan oleh sumur M -1.
Gambar 2.1. Lokasi lapangan penelitian (Lapangan “MS#”)
2.2 Geologi Regional
Seting struktur secara regional untuk wilayah BlokKangean dan sekitarnya telah banyak dijelaskan oleh beberapa
6
penulis. Ada 2 pola struktur yang berbeda dan dapat dikenali dicekungan ini, yakni pola struktur NE-SW dan pola struktur E-W.Pola NE-SW struktur lebih dikenal dengan pola Meratus, pola inidijumpai dibagian utara dari Cekungan Jawa Timur, sementarapola struktur yang berarah E-W ditemukan di bagian selatan dantimur dari cekungan (gambar 2, Paleogene Paleo-geography ofEast Java Basin)
Batas antara dua pola struktur utama inidikarekterisasikan dengan pembentukan patahan regional left –lateral strike slip. Sistem patahan utama telah terbentuk daribeberapa periode dimulai dari umur Tersier. Zona deformasipatahan ini memiliki panjang 675 km dengan lebar 15 hingga 40km mulai dari daerah Rembang di bagian barat hingga Sakalaoffshore di bagian timur. Di Blok Kangean, deformasiextensional dimulai saat umur Tersier Awal yang ditunjukkanoleh pembentukan rift sediment.
Setelah itu dilanjutkan dengan deformasi wrenching yangterbentuk setelah fase extensional, Wrenching ini berlangsungdari umur Middle hingga Late Tersier yang ditandai denganinverse rift sediment. Deformasi wrench inverted rift sediment inidikenal sebagai Central High. Sistem Wrenching ini berpengaruhsangat penting dalam pembentukan dan deformasi cekungansepanjang patahan regional.
Gambar 2.2.Paleogene Paleo-geography of East Java Basin
7
2.3 Stratigrafi
Evaluasi dari data seismic dan sumuran mengidentifikasibahwa Stratigrafi dari Blok Kangean terdiri dari setidak-tidaknyatujuh siklus sedimentasi, dapat dilihat di gambar 2.3 yang memuatstratigrafi regional di Blok Kangean.
Siklus sedimetasi yang tertua (lebih tua dari 40 MYBP)adalah Formasi Pre-Ngimbang yang berumur Paleocene hinggaMiddle Eocene dan secara langsung menutupi batuan dasarmetamorf yang berumur Pre-Tersier. Pre-Ngimbang adalahmerupakan sedimen hasil pengendapan di graben, umumnyadiendapkan didaerah cekungan. Endapan ini terdiri dari alterasicarbonaceous shale dan sandstone.
Siklus kedua adalah Formasi Ngimbang yang diendapkanpada umur Late Eocene (36.5 – 40 MYBP), terdiri dari endapanalluvial non marine dan fasies transgressive fluvio - deltaic.batuan carbonate laut dangkal terbentuk sangat baik di bagian atasformasi ini. Basal massive sandstone yang ada di lapanganPagerungan adalah contoh endapan valet yang berhubungandengan pengisian valley selama penurunan muka air laut secaraglobal pada umur sekitar 40 MYBP.Siklus ketiga adalah pembentukan Formasi Kujung yang berumurOligocene. Selama masa Oligocene (23.5 – 36.5 MYBO),batugamping terendapkan di berbagai wilayah di bagian utaracekungan Jawa timur termasuk di daerah Kangean Blok.
Siklus ke-empat adalah Early – Middle Miocene, FormasiLower Cepu (13 – 23.5 MYBP). Pada bagian atas dari siklus inidiendapkan Carbonate Lower Rancak yang tersebar meratahampir ke seluruh bagian. Formasi ini dilaporkan mengandunggas biogenik dangkal.
Siklus kelima adalah Upper Cepu Middle – Late Miocene(5.2 – 13 MYBP). Hampir sama dengan Lower Rancak, paparankarbonat Upper Rancak juga diendapkan dibagian atas dari siklusini. Upper dan Lower Rancak merupakan target sekunder dariarea ini.
8
Siklus ke-enam adalah pembentukan Formasi Munduyang berumur Pliocene (2-5.2 MYBP). Didominasi oleh claystonedan calcareous shale yang diendapkan dilingkungan laut danggalhingga laut terbuka. Tidak ada laporan mengenai hidrokarbonyang signifikan dari formasi ini.
Siklus yang termuda adalah sedimen Kuarter (lebih mudadari 2 MYBP). Formasi ini sebagian besar terdiri dari endapanlaut dangkal hingga laut terbuka dan disebut sebagai LidahFormasi. Tidak ada indikasi mengenai keberadaaan hidrokarbonsecara signifikan.
LITHO-STRATIGRAPHIC
UNITSOUTHERN
BASINCENTRAL
HIGHNORTHERNPLATFORMEPOCH
QUATERNARY
PLIO-CENE
PALEOPRE - TERTIARY
BASEMENT
L I D A H F M .MUNDU FM .PACIRAN MBR .( LST )
UP. RANCAKMBR ( LST )
LW. RANCAKMBR ( LST )
SHALE
CARBONATECLASTICS
LATE CRETACEOUSMELANGE
METASEDIMENT
Th
Tg
TfLate
TfMiddle
TfEarly
TeLate
TeEarly
Tcd
Tb
Ta
5
10
15
20
25
30
35
40
45
53.5
65
N 23N 22N 21N 20N 19N 18
N 17
N 16
N 15N 14N 13N 12N 11-N 9N 8N 7N 6
N 5
N 4
P 22( N . 3 )
( N . 2 )P 21
P 20
P 19
P 18
P 17P 16
P 15
P 14
P 13
P 12
P 11-P 6
P 5P 1
? 2
5.2
10.4
13
16
23.5
30
36.5
38.5
40
? 65
KANGEAN BLOCKGENERALIZED STRATIGRAPHY
MODIFIED FROM J.R. DAVIES ( MAY, 1989 )
BNCH 00013 - JR. Davis
Figure 2
Gambar 2.3.StratigraphyLapanganPenelitian
9
2.4 Petroleum Sistem
2.4.1 Reservoir
Reservoir di lapangan penelitian adalah batuan karbonatFormasi Paciran yang berumur Pliocene, batuan ini terdiri dariglobigerinid packstones & grainstones yang dibawahnya terdapatbatupasir quartz arenites.
Gambar 2.4. Petrografi facies pada sumur M-3
Dari gambar di atas terlihat bahwa reservoir karbonatpada lapangan ini memiliki 4 jenis facies. Yaitu foraminiferalgrainstone facies, foraminiferal packstone facies, foraminiferalwackstone facies dan transgressive calcareous shale facies.Semua facies terdiri atas globigerinid foraminiferal. Warna birupada gambar 2.4 menunjukkan pori-pori batuan. Dari gambar diatas terlihat bahwa pada reservoir karbonat memiliki porositasyang bagus.
Kedua-duanya merupakan reservoir yang sangat baik.Grainstone adalah interval yang paling bagus ditinjau dari
M-3 M-3
M-3 M-3
10
porositas dan permeabilitasnya. Facies ini memiliki perbedaancukup signifikan yang ditandai dengan crossover neutron densityyang besar serta slowness dari data sonic. Hal ini dapat terlihatjelas dari grafik cross-plot antara porositas dan permeabilitas.Facies grainstone ini memiliki permebilitas tinggi danketebalannya mencapai 60 feet.
2.4.2 Batuan Sumber
Ada dua batuan sumber yang berpotensi di KangeanBlock berdasarkan hasil evaluasi studi geokimia, yaitu:
Formasi Pre-Ngimbang dan Ngimbang, formasi-formasiini berpotensi sebagai hidrokarbon karena memilikimaterial organik yang sangat baik dan juga thermalmaturity yang matang.
Tipe kerogen utamanya adalah Tipe III dan sebagiancampuran antara kerogen tipe II dan tipe III
Level kematangan berkisar mulai dari belum matanghingga matang untuk gas window hingga over mature.
Lapisan-lapisan batuan yang lebih muda daripada Ngimbangshale, memiliki kualitas batuan sumber yang rendah hinggasedang dan umumnya berada dalam tahap belum matang untukmenghasilkan hidrokarbon.
Di sub-cekungan Sepanjang dan West Kangean, peak oildan pembentukan gas dimulai saat Early Oligocene. Di daerahsinklin yang dalam seperti di sub-cekungan Pagerungan,Ngimbang shale menghasilkan minyak, dan Pre-Ngimbang Shalemasih menghasilkan gas hingga sekarang. Berdasarkan hasilanalisa geokimia, gas yang berasal dari Formasi Paciran danRancak dibentuk oleh sumber biogenik.
2.4.3. Mekanisme Perangkap
Lapangan penelitian adalah closure yang dibatasi olehpatahan. Patahan berarah north-east menjadi batas closure
11
disebelah barat dan patahan berarah timur-barat adalah batasselatannya. Patahan north-east tersebut bertindak sebagai batasantara struktur sebelah barat dan sebelah timurnya.
2.5 Perhitungan Porositas dan Permeabilitas Batuan
2.5.1. Perhitungan Porositas Batuan
Porositas batuan dihitung dari data log densitas dan logneutron serta total 764 titik data core. Faktor bobot untuk datadensitas dan neutron ditentukan dengan cara membandingkandengan data core. Kandungan clay yang walaupun tidaksignifikan dapat mempengaruhi perhitungan porosity core,sehingga dilakukan metoda koreksi khusus untuk estimasiporositas effective. Demikian juga koreksi washout telahdilakukan untuk mendapatkan nilai estimasi yang lebih baik. Nilaiporositas data core berkisar dari 12.6% sampai 56.5% denganrata-rata 43.9%. Nilai porositas yang dihitung dari data log rata-rata 45.8% dari batuan karbonatnya. Gambar 2.5 menunjukkanperbandingan porositas data core dan porositas dari hasilperhitungan data log.
Gambar2.5. Perbandingan nilai porositas dari data core danporositas dari log di lapangan penelitian.
11
disebelah barat dan patahan berarah timur-barat adalah batasselatannya. Patahan north-east tersebut bertindak sebagai batasantara struktur sebelah barat dan sebelah timurnya.
2.5 Perhitungan Porositas dan Permeabilitas Batuan
2.5.1. Perhitungan Porositas Batuan
Porositas batuan dihitung dari data log densitas dan logneutron serta total 764 titik data core. Faktor bobot untuk datadensitas dan neutron ditentukan dengan cara membandingkandengan data core. Kandungan clay yang walaupun tidaksignifikan dapat mempengaruhi perhitungan porosity core,sehingga dilakukan metoda koreksi khusus untuk estimasiporositas effective. Demikian juga koreksi washout telahdilakukan untuk mendapatkan nilai estimasi yang lebih baik. Nilaiporositas data core berkisar dari 12.6% sampai 56.5% denganrata-rata 43.9%. Nilai porositas yang dihitung dari data log rata-rata 45.8% dari batuan karbonatnya. Gambar 2.5 menunjukkanperbandingan porositas data core dan porositas dari hasilperhitungan data log.
Gambar2.5. Perbandingan nilai porositas dari data core danporositas dari log di lapangan penelitian.
12
2.5.2 Perhitungan Permeabilitas Batuan
Perhitungan permeabilitas batuan dilakukan denganmenggunakan 764 titik data core. Kalibrasi dilakukanmenggunakan multiple crossproduct non-linear method yangdipresentasikan pada 1997 World Petroleum Congress di Beijing.Gambar 2.6. menunjukkan perbandingan nilai permebilitas daricore dan permebilitas dari hasil perhitungan data log di lapanganpenelitian.
Gambar 2.6. Perbandingan nilai permebilitas dari core danpermebilitas dari log di lapangan penelitian.
2.6 Karakterisasi Reservoir
Reservoir adalah bagian yang menjadi wadah tempatmenampungnya minyak dan gas Bumi, oleh karena itu Batuanreservoir memiliki porositas dan permeabilitas yang bagus.Karakterisasi merupakan hal yang sangat penting untukmenganalisa sebuah reservoir.
Karakterisasi reservoir adalah proses mendeskripsikankarakterisasi reservoir secara kualitatif atau kualitatif denganmenggunakan data yang mendukung. Sementara untukkarakterisasi reservoir seismik dapat didefinisikan sebagai proses
12
2.5.2 Perhitungan Permeabilitas Batuan
Perhitungan permeabilitas batuan dilakukan denganmenggunakan 764 titik data core. Kalibrasi dilakukanmenggunakan multiple crossproduct non-linear method yangdipresentasikan pada 1997 World Petroleum Congress di Beijing.Gambar 2.6. menunjukkan perbandingan nilai permebilitas daricore dan permebilitas dari hasil perhitungan data log di lapanganpenelitian.
Gambar 2.6. Perbandingan nilai permebilitas dari core danpermebilitas dari log di lapangan penelitian.
2.6 Karakterisasi Reservoir
Reservoir adalah bagian yang menjadi wadah tempatmenampungnya minyak dan gas Bumi, oleh karena itu Batuanreservoir memiliki porositas dan permeabilitas yang bagus.Karakterisasi merupakan hal yang sangat penting untukmenganalisa sebuah reservoir.
Karakterisasi reservoir adalah proses mendeskripsikankarakterisasi reservoir secara kualitatif atau kualitatif denganmenggunakan data yang mendukung. Sementara untukkarakterisasi reservoir seismik dapat didefinisikan sebagai proses
13
untuk menjelaskankarakteristik reservoir deangan data utamanyaadalah data seismik (Sukmono, 2001).
2.7 Seismik Refleksi dan Impedansi Akustik
Seimik refleksi merupakan salah satu metode geofisikauntuk mengetahui informasi di bawah permukaan bumi denganmenggunakan prinsip pantulan gelombang akustik yangdihasilkan dari sumber gelombang dan direkam oleh receiver(geophone atau hydrophone).
Penjalaran gelombang seismik mengikuti hukum Snelliusyang menyatakan bahwa sudut pantul dan sudut bias adalahfungsi dari sudut datang dan kecepatan gelombang. Apabilasebuah gelombang P datang mengenai permukaan bidang batasantara dua medium berbeda, makan akan menghasilkangelombang refleksi dan refraksi (Sukmono, 2001).
Gambar 2.7. Diagram survei seismik laut (www.wikipedia.org)
14
Penjalaran gelombang seismik mengikuti Hukum Snelliusyang menyatakan bahwa sudut pantul dan sudut bias adalahfungsi dari sudut d atang dan kecepatan gelombang. Apabilasebuah gelombang P datang mengenai permukaan bidang batasantara dua medium berbeda, maka akan menghasilkan gelombangrefleksi dan refraksi.
Lintasan gelombang tersebut mengikuti hukum snellius,antara lain sebagai berikut: ∅ ∅
................(2.1)
Gambar 2.8.Skema penalaran gelombang (Russel, 2001)
Data yang digunakan dari refleksi gelombang seimikadalah data waktu dan kecepatan gelombang. Salah satukarakteristik yang dapat diperoleh dari refleksi seismik dengandata kecepatan adalah impedansi akustik. Seperti yang terlihatpada gambar 2.8.
Impedansi Akustik (IA) = ........................(2.2)
Pada persamaan (2.2) adalah densitas dan V adalahkecepatan gelombang seismik.
14
Penjalaran gelombang seismik mengikuti Hukum Snelliusyang menyatakan bahwa sudut pantul dan sudut bias adalahfungsi dari sudut d atang dan kecepatan gelombang. Apabilasebuah gelombang P datang mengenai permukaan bidang batasantara dua medium berbeda, maka akan menghasilkan gelombangrefleksi dan refraksi.
Lintasan gelombang tersebut mengikuti hukum snellius,antara lain sebagai berikut: ∅ ∅
................(2.1)
Gambar 2.8.Skema penalaran gelombang (Russel, 2001)
Data yang digunakan dari refleksi gelombang seimikadalah data waktu dan kecepatan gelombang. Salah satukarakteristik yang dapat diperoleh dari refleksi seismik dengandata kecepatan adalah impedansi akustik. Seperti yang terlihatpada gambar 2.8.
Impedansi Akustik (IA) = ........................(2.2)
Pada persamaan (2.2) adalah densitas dan V adalahkecepatan gelombang seismik.
15
Kedua parameter di atas sangat mempengaruhi nilaiimpedansi akustik. Sedangkan fluida di dalam pori-pori memilikiefek yang sangat kuat terhadap kecepatan dari pada terhadapdensitas. IA dapat juga dianalogikan sebagai suatu parameterkekerasan batuan. Misalnya limestone memiliki IA yang tinggi,sementara batu pasir memiliki IA yang rendah.
Kecepatan memiliki peranan yang lebih dominandibanding dengan densitas karena porositas atau material pengisipori batuan (air, minyak dan gas) lebih mempengaruhi hargakecepatan daripada densitas. Kecepatan sendiri dipengaruhi olehbulk dan shear modulus serta densitas batuan sendiri. (Sukmono,2001)
= ( )...................(2.3)
Keterangan:Vp = Kecepatan gelombang P
= Shear modulusk =Bulk modulus= Densitas (g/cc)Hasil dari impedansi akustik berupa koefisien refleksi.
Koefisien refleksi dapat menjadi cerminan bidang batas mediayang memiliki perbedaan harga impedansi akustik. Untukkoefisien pada sudut datang ol derajat, dapat dihitung denganmenggunakan rumus berikut := = ................(2.4)
Secara normal nilai KR antar lapisan akan berhargapositif karena nilai kecepatan semakin kebawah semakin besar.(Sukmono, 2001)
16
2.8Metode Seismik Inversi
Metode seismik inversi adalah teknik untuk memprediksimodel geologi bawah permukaan dengan menggunakan dataseismik sebagai input dan data sumur sebagai kontrol (Sukmono,2002). Metode seismik inversi adalah bentuk pemodelan kebelakang (inverse modelling) seperti pada gambar 2.9, di manainputnya adalah data seismik yang dikonvolusi dengan waveletsehingga menghasilkan penampang Impedansi Akustik.
Ada 2 jenis metode seismik inversi berdasarkan prosesstack data seismik yaitu inversi pre-stack dan post-stack. Padapenelitian ini membahas inversi post-stack, yang terdiri daribeberapa algoritma seperti inversi rekursif (bandlimited), inversiberbasis model (model-based), dan inversi spare spike. Padapenelitian ini untuk pemodelan inversi akustik impedansimenggunakan inversi model based.
Gambar 2.9. bentuk umum pemodelan kedepan(Russel, 1996)
Prinsip metode inversi Model Based adalah membuatmodel geologi terlebih dahulu dan membandingkan dengan data
17
seismikreal hasil pengukuran lapangan. Hasil perbandingantersebut digunakan secara iteratif untuk memperbarui modelsupaya lebih menyesuaikan dengan data seismik. Error antaradata seismik dengan model yang dibuat dihitung terlebih dahuludengan menyamakan frekuensi kedua data tersebut. Metode inidikembangkan untuk mengatasi masalah yang tidak dapatdipecahkan menggunakan rekursif. Berikut ini adalah modelinverse modelling secara umum.
Kunci utama dalam pengembangan metode inversi modelbased adalah pencarian model yang akan menghasilkan data yangpaling mendekati data asli, dan bagaimana memperbaharui modeltersebut jika datanya belum sesuai dengan data asli. Keuntungamenggunakan motode inversi model based adalah metode initidak menginversi langsung dari data seismikmelainkanmenginversi model geologinya. Kerugiannya adalahmetode ini sangat tergantung pada pemilihan wavelet.
Gambar 2.10.Bentuk umum pemodelan kebelakang (inversemodelling) pada metode inversi (Russel, 1996)
Kunci utama dalam pengembangan metode inversi modelbased adalah pencarian model yang akan menghasilkan data yangpaling mendekati data asli, dan bagaimana memperbaharui modeltersebut jika datanya belum sesuai dengan data asli. Keuntunga
18
menggunakan motode inversi model based adalah metode initidak menginversi langsung dari data seismik melainkanmenginversi model geologinya. Kerugiannya adalah metode inisangat tergantung pada pemilihan wavelet.
Model based inversion dimulai dengan persamaan untukmodel konvolusional :
S = W*R + Noise...................... (2.5)
dimana S merupakan diasumsikan sebagai seismic tracedan W adalah wavelet yang diketahui. Diasumsikan Noise adalahrandom dan tidak korelasi dengan signal.
Gambar 2.11 Flowchart metode inversi model based(Russel, 1997)
SeismicTrace
ExtractWavelet
ModelTrace
EstimateImpedance
ComputeErrors
AcceptableErrors
Solution = Estimation
Display
ReviseImpedance
No
Yes
19
2.9. Atribut Seismik
Atribut seismik dapat dibagi kedalam dua kategori yaituHorizon-basedattributes di mana atribut dihitung sebagai rata-rataantara dua horizon dan sample-based attributes di mana atributmerupakan transformasi dari trace input untuk menghasilkantrace outputlainnya dengan jumlah yang sama. Atribut dalamperangkat lunak EMERGE harus dalam bentuksample basedattributes.
Atribut – atribut seismik dikelompokkan kedalam 5kategori, yaitu:1. Atribut Sesaat (Instantaaneous Attributes)/atribut kompleks
Atribut ini dihitung dari trace kompleks C(t), yang terdiridari trace seismik s(t), dan transformasi Hilbert h(t), yangmerupakan pergeseran fasa sebesar 900 dari trace seismik.
Gambar 2.12.Trace kompleks dalam bentuk polar (Russell,1997)
Penulisan trace kompleks dalam bentuk polar, seperti yangterlihat pada gambar 2.12, memberikan dua atribut dasar, yaitukuat refleksi (A(t)) dan fasa sesaat (Φ(t)).
C(t) = S(t) + ih(t)..............................(2.6)
20
Seismik traceRiil dapat dihitung dengan:
S(t) = A(t) cos θ(t) .....................................(2.7)
Imajiner seismik trace dapat dihitung dengan:
h(t) = A(t)sin θ(t)....................................(2.8)pada trace kompleks diperoleh dengan menggabungkan
trace riil dengan trace imajiner sehingga diperoleh:
C(t) = S(t) + ih(t)
= A(t) cos θ(t) +A(t)sin θ(t)
= A(t)eiθ(t)....................................(2.9)
Frekuensi sesaat merupakan turunan waktu dari fasasesaat. Persamaan frekuensi sesaat dapat ditulis sebagai:= ( )
= instantaneous frequency....................(2.10)
Atribut – atribut lainnya merupakan kombinasi dari tigaatribut dasar tersebut, seperti yang terlihat di bawah ini : Cos ( ) = Cosineinstantaneousphase A(t)Cos = amplitude weighted cos phase A(t) ( ) = amplitude weighted phase A(t) ( ) = amplitude weighted frequencySedangkan atribut polaritas semu merupakan kuat refleksi
dikalikan tanda pada sampel seismik pada nilai puncak.Perhitungan ini menghasilkan tanda positif saat koefisien refleksipositif dan tanda negatif saat koefisien negatif.
2. Atribut Jendela Frekuensi ( Window Frequency Attributes)
Pada atribut yang kedua ini didasarkan pada windowedfrequency analysis atau analisa frekuensi menggunakan window.Pada proses ini, Fouriertransform dari setiap trace seismik
21
diambil 64 sampel (default). Dari window ini, baik amplitudefrekuensi rata-rata maupun amplitude frekuensi dominandigunakan kemudian nilainya ditempatkan pada tengah-tengahwindow. Window baru lau dipilih dari 32 sampel kemudian dariatribut frekuensi yang baru lalu dihitung dan demikian seterusnya.
3. Atribut Filter SliceSet atribut ketiga terdiri dari narrow band filter slice dari
trace seismik. Enam slice yang digunakan adalah sebagai berikut :•5/10 – 15/20 Hz•15/20 – 25/30 Hz•25/30 – 35/40 Hz•35/40 – 45/50 Hz•45/50 – 55/60 Hz•55/60 – 65/70 Hz
4. Derivative AttributesSet atribut yang ke empat adalah atribut didasarkan pada
turunan pertama atau kedua dari trace seismik ataupun seismicenvelope (amplitude sesaat). Turunan dihitung melalui caraberkut. 1 = −Δ2 = = .....................(2.11)
Dimana Si = sampel trace seismik atau amplitude envelope ke-I,dIi=turunan pertama dari I, d2i = turunan kedua dari I dandt=interval sampling.
5. Integrated AttributesJenis atribut kelima ini di dasarkan pada integrasi trace
seismik atau kuat refleksi. Nilai integrasi dihitung dengan caraberikut ini :
22
Ii = Si + I i – 1 ............................(2.12)
dimana Si adalah sampel ke i dari trace seismik ataukurva refleksi, dan I i – 1 adalah nilai integrasi.
Persamaan di atas merupakan penjumlahan berjalan(running sum). Pada akhir dari penjumlahan berjalan integrasidari seismik difilter dengan menggunakan 50 titik, sehinggadihasilkan trace seismik dengan frekuensi rendah. Integrasi darikuat refleksi di normalisasi dengan membagi hasil integrasinyadengan perbedaan antara sampel minimum dan maksimum darikeseluruhan data.
2.10 Metode Seismik Multiatribut
Analisa multiatribut seismik adalah salah satu metodegeostatistik yang menggunakan lebih dari satu atribut seismikuntuk memprediksi sifat fisik bumi (Russel,1997). Metodegeostatistik ini dibagi menjadi sub-kategori utama yaitu:
1. Perluasan co-kriging untuk melibatkan lebih dari satuatribut sekunder untuk memperdiksi parameter utama.
2. Metode yang Menggunakan matriks kovarian untukmemprediksi atau teknik optimasi non-linier untukmengkombinasikan atribut input yang telah diberi bobotsecara linier.
3. Metode yang menggunakan Artificial Neural Network(AANs) atau teknik optimasi non – linier untukmengkombinasika atribut – atribut menjadi perkiraandari parameter lain yang diinginkan.
Pada metode kedua, algoritma akan mencari sebuahfungsi yang mengkonversikan m atribut yang berbeda ke dalamgeologi properties yang diinginkan, dalam hal ini persamaandapat dituliskan sebagai berikut:
P (x,y,z) = F[A1(x,y,z),....,Am(x,y,z)].........(2.13)
23
dimana:P = Properti log, sebagai fungsi dari koordinat x,y,zF = Fungsi yang menyatakan hubungan antara atribut
seismik dan properti logAi = atribut, dimana i = 1,2,...mProsedur sederhana dalam menentukan hubungan antara
data log target dan atribut seismik adalah melalukan cross-plot diantata kedua data tersebut seperti pada gambar berikut ini.
Gambar 2.13.Cross-plot data target dan atribut seismik(Hampson,et al., 2001)
Berdasarkan gambar 2.12 dapat ditarik sebuah garis linier denganfungsi.
y = a + b*x.........(2.14)
Dari fungsi garis tersebut dapat dimiminimalkan totalprediksi error denga persamaan:= ∑ ( − − ∗ ) ................(2.15)
Untuk sebuah kasus sederhana, hubungan antara logproperti dan atribut seismik dapat ditunjukkan oleh persamaanjumlah pembobotan linier berikut ini :
24
= + + ........+ ..................(2.16)
Dimana wi adalah nilai bobot m+1, di mana i = 0,...m.Nilai bobot ditentukan dengan membuat mamtriks dari persamaandi atas. Sebelumnya matriks atribut dinormalisasi kemudiandilakukan invers dan selanjutnya hasil dari matriks inversdikalikan dengan matriks target log. Jumlah serta tipe dari atributditentukan dengan menggunakan cross – plot antara atribut danparameter yang diukur, serta koefisien korelasi terkait.
Pengembangan analisis linier konvesional terhadapmultiple atribut dilakukan secara langsung. Berikut ini adalahcontoh analisa multi-atribut dengan menggunakan 3 atribut . padasetiap sampel waktu, log target di modelkan oleh persamaanlinier: = + + + ...........(2.17)
Pembobotan (weights) pada persamaan ini dihasilkandengan meminimalisasi mean-squared predicted error, sebagaiperluasan dari persamaan (2.17):= 1 ( − − − − ) …… (2.18)
Solusi untuk empat pembobotan menghasilkan persamaannormal standar:
=
∑∑∑∑ ∑∑∑∑ ∑∑∑∑ ∑∑∑
∑∑∑∑ (2.19)
25
Seperti pada kasus atribut tunggal, mean-square error(2.18) dihitung menggunakan pembobotan yang diperoleh daripengukuran dengan kecocokan terbaik, seperti melakukankorelasi yang dinormalisasi pada persamaan (2.14).
Gambar 2.14. Contoh penggunaan tiga sampel atribut untukmemprediksi log target (Hampson, et. all, 2001).
2.11 Probabilistik Neural Network
Regresi multiattribut berjalan dengan baik pada relasilinier fungsional yang baik di antara log yang diprediksi danatribut seismik. Pada kasus hubungan yang non-linier dapatdiaplikasikan metode neural network sebagai algoritma prediksi.Secara umum, Artificial Neural Netwok (ANN) adalahsekumpulan komponen program komputer yang di desain untukmemodelkan kerja sistem otak. Neural network meniru cara kerjaotak dalam dua aspek, yaitu pengetahuan atau data didapatkandari proses training dan kekuatan koneksi inter-neuron diketahuisebagai bobot sinaptik yang digunakan untuk menyimpanpengetahuan tersebut.
26
Gambar 2.15. Struktur umum neural netwok (Hampson, et al.,2001)
Ide dasar dari PNN adalah menggunakan satu data ataulebih yang disebut variabel independen untuk variabel dependentunggal.
Gambar 2.16. Prediksi kurva yang diperoleh dari PNN (Hampson,et al., 2001)
Probabilistik Neural Network merupakan interpolasimatematika yang menggunakan arsitek Neural dalam aplikasinya.PNN memiliki formulasi matematis sehingga menjadi jauh lebihbaik dibandinng MLFN (Multi Layer Feed Forward). Data yangdipakai oleh PNN sama dengan data percobaan oleh MLFN. Dataini terdiri dari:
{A11, A21, A31, L1}
27
{A12, A22, A32, L2}{A13, A23, A33, L3}
.
.{A1n, A2n, A3n, Ln},
dimana A adalah atribut seismik, n merupakan contoh datatraining dengan 3 atribut. Nilai Li adalah nilai target terukur darimasing – masing contoh .
Dengan menggunakan data percobaan, metode PNNmengasumsikan bahwa nilai log terukur yang baru dapat ditulissebagai kombinasi linier dari nilai log pada data percobaan.Contoh data baru dengan nilai atributnya adalah:
x = {A1j, A2j, A3} (2.21)
maka nilai log yang baru akan menjadi := ∑ ( , )∑ ( , ) ..............(2.22)
, = ∑ ...................(2.23)
Nilai dari kuantitas D(x,xi) adalah jarak antara nilai inputdan nilai training masing-masing jarak xi. Jarak tersebut diukurdalam multidimensional yang direntang oleh atribut danditentukan oleh kuantitas , yang mungkin berbeda pada masing-masing atribut. Persamaan (2.22) dan (2.23) menunjukkanpenerapan PNN. Training network terdiri dari pembentukan setyang optimal dari parameter smooting, . Kriteria dalammenentukan parameter ini yaitu bahwa network yang dihasilkanharus memiliki kesalahan validasi terendah. Berikut ini adalahcara menentukan validasi untuk target sampel mth :
(2.20)
28
= ∑ ( , )∑ ( , ) ..............(2.24)
Dari sampel tersebut dapat dihitung kesalahan prediksiuntuk sampel tersebut. Dengan mengulangi proses pada setiapsampel training, dapat ditentukan kesalahan prediksi total padadata training sebagai:, , = ∑ ( − ) ................(2.25)
Perhatikan bahwa kesalahan prediksi tergantung padapilihan parameter . Kuantitas ini diminimalkan denganmenggunakan nonlinier konjugasi algoritma gradien.Networkyang dihasilkan akan memiliki kesalahan validasi yangdiminimalkan.
2.12Validasi
Transformasi multiatribut dan PNN dengan jumlah M+1mempunyai training error yang lebih kecil atau sama dengantransformasi M atribut. Dengan ditambahkannya beberapa atributterjadi penurunan secara asimptotis dari training error. Ketikapenambahan atribut selalu meningkatkan kecocokan dari datatraining, penambahan tersebut tidak berguna saat diterapkan padadata yang baru yang tidak termasuk data training. Hal ini disebutdengan “over training”. Dengan menggunakan sejumlah atributyang besar dapat dianalogikan dengan pencocokan crossplotdengan orde polinomial yang besar.
Beberapa dari teknik ini diterapkan pada metode regresilinier, dan tidak diterapkan pada prediksi non-linier menggunakanneural network. Sementara itu cross validasi dapat diterapkanpada berbagai validasi.
Cross validasi membagi seluruh data training kedalamdua bagian, yaitu data training dan data validasi. Data trainingdigunakan untuk menghasilkan transformasi, sedangkan data
29
validasi merupakan data yang digunakan untuk mengukur hasilakhir prediksi error. Dengan asumsi bahwa over trainingpadadata training akan mengakibatkan kecocokan yang buruk padadata validasi seperti ditunjukkan oleh gambar 2.17.
Gambar 2.17. Ilustrasi cross-validation (Hampson, et all., 2001)
Data training terdiri dari data sampel training dari semuasumur, kecuali beberapa sumur yang disembunyikan. Datavalidasi dari sampel terdiri dari data sumur yang disembunyikan.Total error validasi merupakan rata-rata rms error individual.= ∑ ........................(2.26)
Ev = Validasi error totalEvi = Validasi error pada sumur iN = Jumlah sumur
Berdasarkan gambar 2.18 terlihat plot yang telahditambahkan validasi total error (kurva paling atas). Seperti yangdiharapkan, validasi error untuk sejumlah atribut selalu lebihbesar dari training error (kurva paling bawah). Hal inidisebabkan oleh penghilangan sebuah sumur dari data set trainingselalu menurunkan hasil kemampuan prediksi. Perlu diperhatikanbahwa setelah atribut kedua, atribut lainnya menyumbang
30
peningkatan yang kecil pada validasi error, dan padakenyataannya, secara bertahap menyebabkan peningkatan padaprediksi error.
Gambar 2.18. Plot validasi total error dan trainingerror(Hampson, et al., 2001)
2.13 Sifat Fisika Batuan
2.13.1 Kecepatan gelombang P (Vp) dan S(Vs)
pada analisa keceptan gelombang seismik tidak sama halnya dengan densitas, kecepatan gelombang mengikut sertakandeformasi batuan sebagai fungsi dari waktu. Seperti terlihat padagambar (2.17). Ketika sebuah kubus batuan mengalami kompresi(compressed), gelombang P mampu mengubah volume danbentuk batuan, sementara gelombang S hanya mengubah bentuksaja.
Gambar 2.19. Skema deformasi batuan terhadap gelombang Pdangelombang S (Goodway, 1997)
30
peningkatan yang kecil pada validasi error, dan padakenyataannya, secara bertahap menyebabkan peningkatan padaprediksi error.
Gambar 2.18. Plot validasi total error dan trainingerror(Hampson, et al., 2001)
2.13 Sifat Fisika Batuan
2.13.1 Kecepatan gelombang P (Vp) dan S(Vs)
pada analisa keceptan gelombang seismik tidak sama halnya dengan densitas, kecepatan gelombang mengikut sertakandeformasi batuan sebagai fungsi dari waktu. Seperti terlihat padagambar (2.17). Ketika sebuah kubus batuan mengalami kompresi(compressed), gelombang P mampu mengubah volume danbentuk batuan, sementara gelombang S hanya mengubah bentuksaja.
Gambar 2.19. Skema deformasi batuan terhadap gelombang Pdangelombang S (Goodway, 1997)
31
Berdasarkan gambar (2.17) maka kecepatan gelombangseismik dibagi menjadi dua jenis, yaitu kecepatan gelombang Pyaitu arah pergerakan partikelnya sejajar dengan arah perambatangelombang. Kemudian kecepatan gelombang Shear yaitu arahpergerakan partikelnya tegak lurus dengan perambatangelombangnya.
Perbandingan Vp dan Vs dipresentasikan denganmenggunakan Poisson’s ratio (σ).
......... (2.27)
Berdasarkan perbandingan Vp dan Vs dapat digunakansebagai indikator litologi (Tatham). Apabila diasumsikanisotropik, lempung selalu memiliki rasio Vp/Vs yang tinggidaripada reservoir pasir. Sementara untuk karbonat menunjukkanbahwa Vp/Vs dapat digunakan untuk mendiskriminasi batugamping dari dolomit. Vp/Vs atau rasio imoedansi juga telahberhasil digunakan untuk deteksi secara langsung hidrokarbon.Terutama dengan teknik AVO karena Vs tidak sensitif terhadapperubahan fluida sementara Vp lebih sensitif terhadap perubahansaturasi dan jenis fluida yang berbeda sehinggan menghasilkanperubahan Vp/Vs.
Bentuk sederhana dari persamaan kecepatan daripersamaan kecepatan P-wave dan S-wave diturunkan untukbatuan non-porous dan isotropic. Persaman kecepatanmenggunakan koefisien lamda ( λ – Lamé coefficient), modulusBulk (K), dan modulus Shear (μ) dituliskan sebagai berikut.
(2.28) (2.29)
222
2
S
P
V
V:dimana
3
4K
2VP
sV
32
2.13.2 Densitas
Densitas merupakan perbandingan antara massa denganvolume. Densitas merupakan salah satu parameteryang digunakandalam persamaan kecepatan gelombang P, dan Gelombang S, danakustik impedansi, dimana semuanya mempengaruhi respongelombang seismik bawah permukaan.Efek dari densitas dapatdimodelkan dalam persamaan wyllie:
(2.30)dimana :
ρb = densitas bulkbatuanρm = densitas matriksρf = densitas fluidaφ = porositas batuanSw = water saturationρw = density air (mendekati 1 g/cm3)ρhc = density hidrokarbon.
Gambar 2.20. kurva dan densitas berdasarkan persamaan Wyllie
)S(ρSρ)(ρρ whcwwmsat 11
33
2.14 Amplitude Variation With Offset (AVO)
AVO awalnya merupakan sebuah teknik untukmemvalidasi anomali amplitudo pada data seismik yangberasosiasi dengan keberadaan gas pada reservoir (Ostander,1982). Anomali amplitudo muncul akibat dari penurunankoefisien refleksi gelombang seismik secara drastis pada lapisanyang mengandung gas bila dibandingkan dengan koefisienrefleksi pada lapisan-lapisan sekitarnya. Fenomena ini disebutsebagai bright spot. Tetapi dalam prakteknya tidak semua brightspot menunjukkan kehadiran gas, misalnya sisipan batu bara,lapisan–lapisan yang sangat berpori ataupun rekah-rekah, lapisangaram, konglomerat, turbidit, tuning effect dari lapisan-lapisantipis dapat juga menunnjukkan fenomena seperti bright spot padadata seismik (Suprajitno, 1990). Oleh karena itu AVOdikembangkan untuk mengurangi ambiguitas tersebut.
Gambar 2.21. Hubungan antara offset dengan sudut datang (θ)yang terekam dalam titik reflektor yang sama (Chiburis et al,
1993)
34
Prinsip dasar dari AVO adalah anomali yang disebabkankarena bertambahnya amplitudo sinyal refleksi terhadap jaraksumber gelombang seismik menuju Penerima rekaman (receiver),apabila gelombang seismik dipantulkan oleh lapisan batuan berisigas. Jarak sumber ke penerima atau offset berhubungan dengansudut datang sinar seismik terhadap pantulan. Semakin besaroffset maka semakin besar pula sudut datangnya (Russel,2001).
Fenomena AVO muncul akibat adanya partisi energi padabidang reflektor. Sebagian besar energi dipantulkan danditransmisikan. Pada saat gelombang seismik menuju bataslapisan sudut datang tidak sama dengan nol maka akan terjadikonversi gelombang P menjadi gelombang S.
Persamaan AVO pertama kali diperkenalkan olehZoeppritz (1919) yang menggambarkan koefisien refleksi dantransmisi sebagai fungsi dari sudut datang pada media elastik.Knott dan Zoeppritz melakukan analisa koefisien refleksiberdasarkan hal tersebut dan persamaannya dalam bentuk matriksberikut ini.
1
1
1
1
211
222
11
221
1
11
211
21222
121
2212
11
11
2211
2211
2cos
2sin
cos
sin
2sin2cos2sin2cos
2cos2sin2cos2sin
sincossincos
cossincossin
D
C
B
A (2.31)
dimana:
A = Amplitudo gelombang P refleksi
1 = sudut datang gelombang PB = Amplitudo gelombang S refleksi
2 = sudut bias gelombang PC = Amplitudo gelombang P transmisi
1 = sudut pantul gelombang S
35
D = Amplitudo gelombang S transmisi
2 = sudut bias gelombang S kecepatan gelombang P densitas
kecepatan gelombang S
Kemudian Aki, Richards dan Fasier mendekati persamaanZoeppritz menjadi tiga. Bentuk yang pertama mengikutkandensitas, bentuk kedua mengikutkan Vp dan bentuk ketigamengikutkan Vs.
cbaR )( (2.32)
dimana,
Berdasarkan persamaan itu pula, Shuey (1985) menyusunsebuah persamaan beikut := + + ...........(2.33)
Dimana,
= ∆ + ∆, = ∆ − 4 ∆ ∆
- 2∆
Dan C =∆
36
Dengan A merupakan reflektivitas normal incident dan Badalah gradien antara koefisien refleksi terhadap sudut datang.
Gambar 2.22. Aplikasi persamaan Shuey (1985), intercept adalahperpotongan garis dengan koefisien refleksi dankemiringan adalah gradien (Burianyk, 2000)
Dari crossplot intercept dan gradien diperoleh kelas gassand, Rutherford dan Wiliams (1989) membagi anomali AVOberdasarkan kandungan minyak dan gas ke dalam 3 kelas.
Gambar 2.23 Kelas-kelas AVO dan Cross-plot(Castagna, 2001)
37
Kelas I merupakan kontras impedansi tinggi pada sand,kelas II, (Near-zone impedace contrast sands); dan kelas III,contras impedansi rendah pada sand. Kemudian pada tahun 1998Castagna et al. Memperkenalkan Sandstone kelas IV setelahmelakukan cross plotberdasarkan Klasifikasi Rutherfoed danWilliam.
2.15 Inversi LMR (Lamda Mu Rho)
Pada tahun 1991 Goodway et al. Memperlihatkan bahwaparameter lame λρ dan µρ memiliki hubungan denganimpedansi gelombang P (Ip) dan impedansi gelombang S(Is) yang dapat dinyatakan dengan persamaan berikut ini :
22
22
22
2:
)2()(:
)(:
SP
PP
SS
ZZso
VZand
VZtherefore
Gray dan Andersen (2001) menyatakan bahwa rigitas (µ)atau modulus geser didefinisikan sebagai resistensi batuanterhadap sebuah strain yang mengakibatkan perubahan bentuktanpa merubah volume total dari batuan tersebut. Sedangkanmodulus lame ( ) berkaitan erat terhadap inkompresibilitas yanglebih banak mengenai kandungan fluida batuan.
Berikut ini adalah konsep untuk Rigiditas dan inkompresibilitas :
Rigiditas dideskripsikan sebagai seberapa besar suatumaterial berubah bentuk terhadap tekanan. Regiditas lebihsensitif terhadap matriks batuan. Semakin rapat matriksnyamaka akan semakin mudah pula suatu material batuan untukmengalami slide over satu sama lainnya.
Inkompresibilitas merupakan kebalikan dari kompresinilitas.Inkompresibilitas didefinisikan sebagai besarnya perubahan
(2.34)
(2.35)
38
volume bila dikenai stress. Semakin mudah dikompresimaka semakin kecil harga inkompresibilitasnya begitupulasebaliknya. Perubahan ini lebih disebabkan oleh adanyaperubahan pori-pori dari pada perubahan ukuran butirnya.
Dua parameter tersebut dapat dijelaskan oleh gambar 2.20 dibawah ini.
Gambar 2.24. Ilustrasi material yang memiliki harga regiditas dankompresibilitas yang berbeda (Russel, 2001)
Kartu dan lempung (kiri) memiliki rigiditas yang rendahkarena mudah untuk slide over satu sama lain. Batu bata dan batugamping memiliki rigiditas yang tinggi karena sulit untuk slideover satu sama lainnya. Keduanya juga memiliki hargainkompresibilitas yang tinggi. Sebaliknya, spon dan batu pasirpantai (kanan) memiliki inkompresibilitas yang rendah. Fluidayang mengisi pori-pori mempengaruhi harga kompresibilitas. Jikagas yang mengisi pori-pori maka batuan tersebut akan lebihmudah terkompresi dari pada yang terisi minya ataupun air.
Gambar 2.25. Inkompresibilitas dan rigiditas beberapa tipe batuan(Royle, 1999)
39
BAB IIIMETODOLOGI
3.1 Metode Penelitian
Dalam penelitian ini digunakan metode multi-attribut danProbabilistik Neural Network (PNN) untuk prediksi porositas.Metode analisa AVO dan Inversi Lamda-mu-rho (LMR)digunakan untuk analisa hidrokarbon dan karakterisasi reservoirkarbonat di lapangan MS#. Pada penelitian ini langkah pertamauntuk prediksi reservoir adalah melakukan inversi akustikimpedansi pada data seismik integrasi dengan data sumur. Hasildari inversi akustik impedansi akan menjadi attribute eksternalseimik yang selanjutnya dikombinasikan dengan atribut internaluntuk prediksi porositas. Hasil dari multi-attribut akan dioptimasimenggunakan PNN untuk mendapatkan hasil pendekatan secaranon linier. Untuk metode analisa AVO dan lamda-mu-rho (LMR)dilakukan dengan analisa perubahan amplitudo terhadap offsetpada data seismik kemudian di validasi dengan data sumur.Kemudian setelah analisa AVO dilanjutkan dengan membuatattribut volume product (A*B) untuk analisa keberadaaanhidrokarban. kemudian dilanjutkan pada tahap inversi LMR untukmelihat distribusi hidrokarbon dan reservoir. Untuk lebih jelasnyadijelaskan dalam alur metode penelitian.
3.2 Data Penelitian
3.2.1 Data Seismik
Data yang digunakan pada penelitian ini adalah dataseismik. Ada 2 jenis data seismik yang digunakan yaitu Post-Stack 3D dan Pre-stack 2D gather dalam skala waktu. Untuk dataseismik Post-stack 3D merupakan data yang sudah melalui tahapprocessing yang benar dan memiliki preserved amplitude yang
40
baik pada seluruh line, sehingga aplikasi atribut dari interpretasidapat dilakukan di dalam kawasan waktu. Data Seismik Post-stack 3D dengan format SEG-Y mencakup inline 254-569 danxline 4246-6804. Sementara untuk data seismik pre-stack 2Dgather data telah mengalami beberapa tahapan processing.Sehingga masih perlu satu tahapan untuk diproses pada analisaAVO. Data seismik ini memotong pada sumur M-3.
Gambar 3.1.Seismik Post-Stack 3D
Gambar 3.2.SeismikPre-Stack 2D gather
M-1 M-3 M-2
41
3.2.2 Data Sumur
Data sumur yang digunakan dalam penelitian ini adalahsebanyak 3 sumur yaitu sumur M-1, Sumur M-2, dan sumur M-3.Ketiga sumur ini dilengkapi dengan data log Sonic (P-wave),density, caliper, Gamma Ray, Resistivity, Shear Wave, PorosityEfektif (PHIE) yang sudah dikoreksi. Data checkshot hanyaterdapat pada sumur M-1 yang nantinya akan digunakan padasemua sumur untuk koreksi checkshot.
Tabel 3.1. Data log pada tiap sumurLog M-1 M-2 M-3
Caliper √ √ √Density √ √ √P-wave √ √ √S-wave √ √ √
Gamma Ray √ √ √PHIE √ √ √
Resistivity √ √ √Checkshot √ - -
Gambar 3.3.Contoh data log pada sumur M-3
42
Gambar 3.3adalah contoh data log pada sumur M-3. Datatersebut memberikandi bawah permukaan mulai dari litologisampai dengan hidrokarbon indikator.
Untuk melihat hubungan antara ketiga sumur bor yangada pada lapangan ini dilakukan korelasi antar sumur atau wellcorrelationseperti ditunjukkan pada gambar 3.4. Korelasi antarsumur ini untuk melihat persebaran litologi dan formasi darilapangan. Serta dapat pula digunakan untuk melihat stratigrafidan proses pengendapan dari batuan.
Gambar 3.4.Korelasi antar sumur
Untuk melihat garis korelasi pada dari lokasi sumur dapatdilihat pada base map seimik post-stack3D pada gambar 3.5. padagambar tersebut terlihat sumur M-1 berada di atas kemudianditarik garis ke sumur M-3 dan dillanjutkan ke sumur M-2.
Gambar 3.5.Base map daerah Penelitian
42
Gambar 3.3adalah contoh data log pada sumur M-3. Datatersebut memberikandi bawah permukaan mulai dari litologisampai dengan hidrokarbon indikator.
Untuk melihat hubungan antara ketiga sumur bor yangada pada lapangan ini dilakukan korelasi antar sumur atau wellcorrelationseperti ditunjukkan pada gambar 3.4. Korelasi antarsumur ini untuk melihat persebaran litologi dan formasi darilapangan. Serta dapat pula digunakan untuk melihat stratigrafidan proses pengendapan dari batuan.
Gambar 3.4.Korelasi antar sumur
Untuk melihat garis korelasi pada dari lokasi sumur dapatdilihat pada base map seimik post-stack3D pada gambar 3.5. padagambar tersebut terlihat sumur M-1 berada di atas kemudianditarik garis ke sumur M-3 dan dillanjutkan ke sumur M-2.
Gambar 3.5.Base map daerah Penelitian
43
3.2.3 Data Checkshot
data checkshot merupakan data hasil survey pengukuranwaktu tempuh gelombang seismik dimana posisi sumbergelombang diletakkan di permukaan di dekat lubang borsementara perekamnya berada di dalam lubang bor. Perekamandilakukan pada beberapa titik kedalaman lubang bor baik sebelumatau setelah pemasangan casing. Interval kedalaman disesuaikandengan kebutuhan.
Hasil utama dari survey checkshot adalah kurvahubungan waktu tempuh dengan kedalaman yang sangat bergunauntuk konversi waktu terhadap kedalaman, mengkoreksicheckshot biasanya digunakan untuk keperluan pembuatanseismik sintetik, memperbaiki kecepatan seismik, dll.
Gambar 3.6. Grafik checkshot pada Sumur M-1
y = 0.0007x2 + 1.83x + 194.70R² = 0.99
0
1000
2000
3000
4000
5000
6000
0 500 1000 1500 2000
TVDS
S (ft
)
TWT (ms)
M-1 well Time-Depth CurveWELL-1Time-…
44
Pada penelitian ini, data checkhot hanya dimiliki olehsumur M-1. Jadi untuk koreksi checkshot pada sumur M-2, M-3menggunakan checkshot dari sumur M-1.
3.2.4 Data Marker
Data marker yang digunakan pada sumur ini merupakanhasil dari analisa geologi dari data cutting dan core. Sehingga datamarker ini merupakan acuan untuk melakukan picking Horizonpada penampang seismik setelah dikoreksi dengan checkhot.
Pada penelitian ini, ada 8 data marker yang digunakanantara lain LIDAH, Top_LST,TOPGRS1, BASEGRS1,TOPGRS2, BASEGRS2, GWC dan PACSS. Data markertersebut memiliki kedalaman yang berbeda-beda pada setiapsumur.
3.2.5 Data Horizon
Data horizon merupakan data hasil interpretasi seismikyang menunjukkan struktur geologi. Data Horizon merupakantanda mengenai interpretasi geologi dari penampang seimik yangkompleks. Dengan adanya horizon akan mempermudah dalammenggambarkan struktur geologi dari seimik yang hanya berupapeak dan trough. Tidak hanya itu horizon juga menjadipembatasan dalam menginterpolasi model atribut seimik yangkita inginkan.
Sebelum picking Horizon, terlebih dahulu dilakukanwell-seimic tie untuk mengikat data sumur terhadap seismik.Sehingga dalam menginterpretasi sesmik data telah sesuai dengandata sumur sehingga tidak terjadi miss interpretasi.
3.3 Alur Pengolahan Data
Alur kerja dalam pengolahan data untuk mendapatkanpeta porositas pada penelitian ini adalah sebagai berikut.
45
Gambar 3.7. Alur pengolahan data untuk Multi-attribut
45
Gambar 3.7. Alur pengolahan data untuk Multi-attribut
46
Sementara untuk analisa AVO dan inversi lamda-mu-rhoberikut ini adalah alur pengolahan datanya.
Gambar 3.8. Alur Pengolahan data Pada Analisa AVO dan LMR
3.4 Perangkat Lunak
berikut ini adalah beberapa perangkat yang digunakanuntuk memproses data dan interpretasi.
1. Hampson Russelpada software ini ada beberapa modul yang
digunakan yaitu modul well Explorer untuk memasukkandata sumur berupa data log, checkshot, deviated geometry,posisi sumur, dan data marker. Kemudian menggunakanmodul elog, modul strata modul emerge dan AVO. Beberapamodul tersebut digunakan untuk analisa dan interpretasiseimik dan AVO.
46
Sementara untuk analisa AVO dan inversi lamda-mu-rhoberikut ini adalah alur pengolahan datanya.
Gambar 3.8. Alur Pengolahan data Pada Analisa AVO dan LMR
3.4 Perangkat Lunak
berikut ini adalah beberapa perangkat yang digunakanuntuk memproses data dan interpretasi.
1. Hampson Russelpada software ini ada beberapa modul yang
digunakan yaitu modul well Explorer untuk memasukkandata sumur berupa data log, checkshot, deviated geometry,posisi sumur, dan data marker. Kemudian menggunakanmodul elog, modul strata modul emerge dan AVO. Beberapamodul tersebut digunakan untuk analisa dan interpretasiseimik dan AVO.
47
2. PetrelSoftware petrel pada penelitian ini digunakan
untuk untuk membuat time structure.
3.5 Pengolahan Data
3.5.1 Analisa Cross Plot
Cross plot bertujuan untuk mengetahui parameter fisikadari reservoir serta untuk mengetahui sensitvity log terhadapkeberadaan hidrokarbon.
Gambar 3.9Crossplotantara P-wavedan S-waveSumur M-3
Gambar 3.9di atas merupakan cross-plot dari sumur M-3 yang menunjukkan bahwa hidrokarbon gas berada padareservoir karbonat. Hal ini ditunjukkan oleh nilai kecepatangelombang P pada zona gas yang menurun sedangkan gelobang Smeningkat. Sementara untuk sand stone dan shale memiliki nilaiS-wave yang rendah dari pada batuan karbonat. Untuk zona
47
2. PetrelSoftware petrel pada penelitian ini digunakan
untuk untuk membuat time structure.
3.5 Pengolahan Data
3.5.1 Analisa Cross Plot
Cross plot bertujuan untuk mengetahui parameter fisikadari reservoir serta untuk mengetahui sensitvity log terhadapkeberadaan hidrokarbon.
Gambar 3.9Crossplotantara P-wavedan S-waveSumur M-3
Gambar 3.9di atas merupakan cross-plot dari sumur M-3 yang menunjukkan bahwa hidrokarbon gas berada padareservoir karbonat. Hal ini ditunjukkan oleh nilai kecepatangelombang P pada zona gas yang menurun sedangkan gelobang Smeningkat. Sementara untuk sand stone dan shale memiliki nilaiS-wave yang rendah dari pada batuan karbonat. Untuk zona
48
warna merah merupakan zona fluida yang berada di batas antaralaisan karbonat dengan shale.
Dari gambar 3.9 terlihat nilai dari kecepatan gelombangP antara zona shale dan zona gas masih overlap. Sehinggadilakukan crossplot antara mu-rho dengan lamda-rho yang lebihsensitif dalam membedakan litologi dan hidrokarbon padareservoir. Setelah dilakukan crossplot mu-rho dengan lamda-rhoterlihat zona gas dapat dibedakan dengan jelas pada gambar 3.10.
Gambar 3.10Crossplotantara mu-rho dan lamda – rho
Gambar 3.11 Crossplotlog porositas dan akustik impedansi
48
warna merah merupakan zona fluida yang berada di batas antaralaisan karbonat dengan shale.
Dari gambar 3.9 terlihat nilai dari kecepatan gelombangP antara zona shale dan zona gas masih overlap. Sehinggadilakukan crossplot antara mu-rho dengan lamda-rho yang lebihsensitif dalam membedakan litologi dan hidrokarbon padareservoir. Setelah dilakukan crossplot mu-rho dengan lamda-rhoterlihat zona gas dapat dibedakan dengan jelas pada gambar 3.10.
Gambar 3.10Crossplotantara mu-rho dan lamda – rho
Gambar 3.11 Crossplotlog porositas dan akustik impedansi
49
Selain membuat crossplot antara p-wave dan S-wave sertacrossplot antara lamda rho dan mu rho, dilakukan pula crossplotantara akustik impedansi dan porositas seperti terlihat padagambar 3.11. Pada penelitian ini akan dibua penampangimpedansi dan porositas sehingga perlu diketahui tentanghubungan antara akustik impedansi dan porositas dalammembedakan litologi batuan dan pengaruh hidrokarbon didalamnya.
3.5.2 Ekstraksi Wavelet dan Well-Seismic Tie
Pada penelitian ini ekstraksi wavelet yang digunakanadalah dari data seismik (statistical). Pemilihan waveletdilakukan untuk melihat korelasi terbaik dari dari seismik sintetikpada well terhadap seismik real. Wavelet yang digunakan adalahekstraksi dari data seismik pada zona target yaitu pada 350 ms-2000 ms. Lebar jendela pada ekstraksi wavelet tidak boleh lebihkecil dari pada lebar wavelet agar sintetik seismik sintetik yangdidapatkan cukup menggambarkan yang sebenarnya.
Terlihat dari gambar di atas frekuensi domina padawavelet adalah 50 Hz, sementara fase yang digunakan adalah fase0 derajat dan polaritas normal. Dari gambar 3.12 terlihat bahwapanjang gelombang yang diekstrak adalah 200ms. Wavelet inikemudian akan dikonvolusikan dengan koefisien refleksi yangdiperoleh dari hasil perhitungan dan memanfaatkan data P-wavedan data densitas untuk membuat seismik sintetik. Sebelumproses well-seismic tie ini dilakukan, data sumur telebih dahulu.Sebelum proses well-seismic tie ini dilakukan, terlebih dahuludata sumur dikonversi dari domain kedalaman menjadi domainwaktu dengan data chekcshot. Pada proses well-seismic-tie inidilakukan strecthdan squeeze untuk mendapatkan nilai korelasiterbaik antara trace seismik aslidan traceseismik sintetik. Hal inidilakukan karena log sonic, kecepatan yang diukur hanyadisekitar sumur, sedangkan dalam pengukuran checkshotditerdapat di daerah lain yang tidak terukur pada data sonic. Namun
50
pergeseran yang disebabkan oleh kedua proses tersebut bukanmerupakan pergeseran besar.
Gambar 3.12Waveletyang digunakan untuk membuat seismiksintetik
Gambar 3.13 Proses well-seimic-tie pada sumur M-1
3.5.3 Pembuatan Initial Model
Setelah melakukan well-seismic-tie dilakukan pada ketigasumur, dibuat model awal impedansi akustik denganmemanfaatkan data akustik impedansi yang ada pada setiapsumur dan horizon yang terdapat pada seluruh volume seismik.Pada penelitian ini itial model dibuat merupakan gabungan dari
51
model tiap sumur. Masing–masing sumur digunakan untukmembuat mdoel dan selanjutnya diinversi dari ketiga model yangtelah dibuat, dirata-ratakan untuk membuat model akhir.
Gambar 3.14 merupakan model bumi yang nantinyadigunakan sebagai model dasar pada proses pemuatan modelseismik inversi.
Gambar 3.14 Model awal (initial model)
3.5.4 Proses Seismik Inversi
Setelah pembuatan initial model selesai, tahapselanjutnya adalah melakukan inversi pada seluruh data seismik.Sebelum melakukan inversi terlebih dahulu dilakukan analisainversi untuk melihat dan mengubah-ubah nilai parameter yangterdapat pada proses inversi. Hal ini bertujuan untuk mendaptkanhasil inversi terbaik untuk mempresentasikan nilai impedansiakustik seluruh volume seismik.
Pada proses analisa inversi, dilakukan perubahanparameter hal ini akan mempengaruhi terhadap nilai error padahasil seismik inversi terhadap log asli. Data log merupakan data
52
yang paling dipercaya karena data log merupakan hasilpengukuran langsung dilapangan. Berdasarkan hal tersebutdigunakan metode inversi model based Hard constrain denganlower 20% dan upper 20%, pre-whitening 1% dan iterasisebanyak 10. Dengan korelasi seismik sintetik dan seismik realpada proses analisa inversi yaitu pada Sumur M-1 sebesar 0.937,sumur M-2 sebesar 0.963 dan sumur M-3 memiliki korelasisebesar 0.94.
Gambar 3.15 Analisa inversi pada sumur M-1
Setelah diperoleh nilai parameter yang tepat untukmelakukan inversi akustik impedansi, selanjutnya adalahmenerapkan parameter tersebut pada penampang seismik 3Dpost-stack. Sehingga diperoleh penampang akustik impedansipada gambar 3.16. selanjutnya diinterpretasi berdasarkan nilaiakustik impedansi. Dari hasil penampang tersebut kemudiandapat dilihat perseberan nilai akustik impedansi dari hasil inversi
53
pada seluruh sumur. Sehingga dapat dilihat persebaran reservoirkarbonat yang merupakan zona target.
Gambar 3.16Arbitrary line Hasil seismik inversi model based
3.5.5 Seismik Multiatribut
Setelah melakukan seismik inversi, selanjutnya dilakukanmetode multiatribut untuk memetakan nilai porositas efektif(PHIE) di seluruh volume seismik. Pada proses multiatributmemanfaatkan data trace seismik dan data hasil seimik inversiakustik impedansi yang telah dihasilkan dari proses inversi.Metode multiatribut akan dicari hubungan antara log targetdengan berbagai atribut yang diturunkan dari trace seismik yangberperan sebagai internail atribut dan volume impedansi akustikyang berperan sebagai eksternal atribut. Pada proses multiatributini semua sumur digunakan karena memiliki log porositas efektif(PHIE).
Tahapan berikutnya adalah pemilihan atribut, dimanapada pemilihan atribut ini menggunakan metode sep-wise
54
regression untuk mendapatkan attribut yang terbaik dengan nilaierror yang kecil.
Gambar 3.17 Analisa multiatribut log target (merah), seismicreal(hitam), eksternal atribut (biru).
Gambar 3.18 Atttibut yang digunakan dalam proses multiatrbut
Terlihat dari gambar 3.18 digunakan 6 atribut dengannilai training error dan validation error pada masing-masingatribut. Berdasarkan atribut di atas dapat dilihat korelasi darimasing –masing atribut terhadap data log sebenarnya. Gambar
55
dibawah ini merupakan salah satu crossplot dari atribut terhadaplog target.
Pada metode multiatribut dilakukan pemilihan operatorlength yang optimal dengan melakukan operator length test. Padates ini diuji nilai operator length dari satu sampai dengan 6atribut. Dapat dilihat operator length terbaik adalah 17. Sehinggadiperoleh gabungan kelima atribut memiliki nilai training erroryang kecil dan nilai validation error yang kecil pula.
Gambar 3.19 Operator length test
Dari gambar 3.19 di atas merupakan proses pemilihanoperator length. Dalam pemilihan operator length untuk errorvalidasi akan dipilih rata-rata error terkecil. Pada proses ini akandipilih pula operator length dengan atribut yang baik sehinggatidak terjadi overtrained.
Setelah diperoleh kombinasi atribut yang bagus dengannilai korelasi yang tinggi dan error pada training data danvalidation data maka akan diaplikasikan pada seluruh dataseismik untuk mendapatkan volume porositas.
Metode multiatribut merupakan metode denganpendekatan linier, untuk prediksi porositas selanjutnya digunakanpendekatan secara non linier dengan menggunakan metode
56
Probabilistic Neural Network (PNN). Pada metode ini, input yangdigunakan menggunakan attribut hasil dari metode seismikmultiatribut. Tujuan dari penggunaan metode neural network iniadalah untuk meningkatkan prediksi porositas dari metode regresilinier.
Gambar 3.20Arbitrary line data porositas pada metode RegresiLinier.
Setelah diproleh nilai korelasi terbaik dan error yangkecil pada proses PNN dengan pemilhan parameter-parameteryang tepat, selanjutnya akan diaplikasikan terhadap volumeseismik secara keseluruhan.
Gambar 3.21 Arbitrary line porositaspada proses ProbabilisticNeural Network (PNN).
57
3.5.6 Analisa AVO (Amplitude Variation Offset)
Pada anlisa AVO ini bertujuan untuk menganalisaperubahan amplitudo seismik terhadap kenaikan offset. Padapenelitian ini analisa AVO dilakukan pada data seismik gatherdan data sumur atau data seimik sintetik. Hasil dari analisa AVOpada data sumur manjadi data validasi untuk AVO pada seismik.
Sebelum proses analisa AVO, data seismik gather melaluitahap preconditioning data. Salah satu tahapan pre–conditioningdata adalah koreksi NMO. Koreksi NMO merupakan metodeprocesssing untuk menghilangkan efek jarak.
Gambar 3.22. Koreksi NMO
Setelah tahapan pre-conditioning data, data sudah siapuntuk dilakukan analisa AVO. Pada proses analisa AVO dikukandengan mengggunakan persamaan Zoepritz dengan menggunakanrentang subut dari 0-30 derajat. Hal ini sudah melingkupi datanear offset dan far offset. Pada tahapan ini dapat diketahui kelasdari AVO berdasarkan hasil grafik amplitudo terhadap offset sertacrossplotantara intercept (A) dan gradien (B).Proses analisa AVO
58
ini dilakukan pada data seimik real dan seismik sintetik darisumur. Pada penelitian ini data sumur yang digunakan adalahsumur M-3 karena hanya sumur ini yang berada pada line seismikgather.
Setelah diperoleh hasil analisa AVO pada seismik realdan kemudian divalidasi dengan hasil analisa AVO pada seismiksintetik dari sumur, tahapan selanjutnya adalah membuat volumeatrribut AVO pada seluruh penampang data seimik gather 2Dberdasarkan persamaan Shuey. Dengan analisa AVO dapatdiketahui kelas dari gas pada reservoir tersebut.
Gambar 3.23. Analisa AVO pada seismik Sintetik Sumur M-3
3.5.7Volume atribut AVO Product (A*B)
Perhitungan respon amplitudo sebagai fungsi dari sudutincident dari reflektor series berdasarkan AVO moding datasumur. Volume gradient dan intercept diekstrak dengan tujuanuntuk menghasilkan informasi fluida pori. Persamaan Shueymemberikan penjelasan mengenai reflektivitas memberikan sudutsebagai fungsi normal incident (A) dan gradient.
58
ini dilakukan pada data seimik real dan seismik sintetik darisumur. Pada penelitian ini data sumur yang digunakan adalahsumur M-3 karena hanya sumur ini yang berada pada line seismikgather.
Setelah diperoleh hasil analisa AVO pada seismik realdan kemudian divalidasi dengan hasil analisa AVO pada seismiksintetik dari sumur, tahapan selanjutnya adalah membuat volumeatrribut AVO pada seluruh penampang data seimik gather 2Dberdasarkan persamaan Shuey. Dengan analisa AVO dapatdiketahui kelas dari gas pada reservoir tersebut.
Gambar 3.23. Analisa AVO pada seismik Sintetik Sumur M-3
3.5.7Volume atribut AVO Product (A*B)
Perhitungan respon amplitudo sebagai fungsi dari sudutincident dari reflektor series berdasarkan AVO moding datasumur. Volume gradient dan intercept diekstrak dengan tujuanuntuk menghasilkan informasi fluida pori. Persamaan Shueymemberikan penjelasan mengenai reflektivitas memberikan sudutsebagai fungsi normal incident (A) dan gradient.
59
Setelah analisa AVO selanjutnya adalah membuatvolume attribut AVO yaitu intercept (A), gradien (B) dan Product(A*B) pada seluruh penampang seismik 2D gather berdasarkanpersamaan Zoepritz dapat dilihat pada gambar 3.24.
Hasil volume atribut AVO product merupakan salah satuindikator hidrokarbon.
Gambar 3.24. Anomali AVO product (A*B)
Analisa AVO modeling dilakukan dengan menggunakanpersamaan Shuey, dimana menghasilkan near angle (0-15) danFar angle (15-30). Volume atribut AVO memberikan kemampuanuntuk menghasilkan daerah yang memiliki anomali dan spasialpeta atribut. Anomali AVO ini akan dibandingkan dengan hasilsintetik gathers.
3.5.8Inversi Lamda Mu Rho (LMR)
Parameter lamda mu rho (LMR) merupakan sebuahparameter yang menunjukkan fluida dan parameter batuan. Graydan Andersen (2001) menyatakan bahwa rigiditas atau modulusgeser merupakan parameter batuan yang menunjukkan kemapuanbatuan terhadap strain yang mengakibatkan perubahan volume
59
Setelah analisa AVO selanjutnya adalah membuatvolume attribut AVO yaitu intercept (A), gradien (B) dan Product(A*B) pada seluruh penampang seismik 2D gather berdasarkanpersamaan Zoepritz dapat dilihat pada gambar 3.24.
Hasil volume atribut AVO product merupakan salah satuindikator hidrokarbon.
Gambar 3.24. Anomali AVO product (A*B)
Analisa AVO modeling dilakukan dengan menggunakanpersamaan Shuey, dimana menghasilkan near angle (0-15) danFar angle (15-30). Volume atribut AVO memberikan kemampuanuntuk menghasilkan daerah yang memiliki anomali dan spasialpeta atribut. Anomali AVO ini akan dibandingkan dengan hasilsintetik gathers.
3.5.8Inversi Lamda Mu Rho (LMR)
Parameter lamda mu rho (LMR) merupakan sebuahparameter yang menunjukkan fluida dan parameter batuan. Graydan Andersen (2001) menyatakan bahwa rigiditas atau modulusgeser merupakan parameter batuan yang menunjukkan kemapuanbatuan terhadap strain yang mengakibatkan perubahan volume
60
total reservoir batuan. Rigiditas (µ) lebih sensitif terhadapmatriks batuan sementara lamda ( ) lebih sensitif terhadap fluida.
Pada proses melakukan inversi LMR, terlebih dahulumelakukan ekstraksi Reflektivitas P dan Reflektivitas S denganmenggunakan persamaan Shuey. Selanjutnya setelah diperolehnilai Reflektivitas P dan reflektivitas S. Dilakukan inversi yangsama pada proses pada tahapan pada data seismik 3D. untukmemperoleh nilai akustik impedansi P dan impedansi S untukmembuat peta LMR. Untuk menghitung mu-rho )(menggunakan persamaan (2.34) dan lamda-rho )(menggunakan persamaan (2.35). Setelah tahapan inversi selesaidengan memperoleh nilai akustik impedansi P dan nilai akustikimpedansi S. Kemudian diaplikasikan kepada data seismik 2Driil. Hasil penerapan tersebut ditunjukkan pada gambar 2.25 untukpeta mu-rho dan pada gambar 3.26 untuk peta lamda-rho.
Gambar 3.25. Peta mu-rho )(
60
total reservoir batuan. Rigiditas (µ) lebih sensitif terhadapmatriks batuan sementara lamda ( ) lebih sensitif terhadap fluida.
Pada proses melakukan inversi LMR, terlebih dahulumelakukan ekstraksi Reflektivitas P dan Reflektivitas S denganmenggunakan persamaan Shuey. Selanjutnya setelah diperolehnilai Reflektivitas P dan reflektivitas S. Dilakukan inversi yangsama pada proses pada tahapan pada data seismik 3D. untukmemperoleh nilai akustik impedansi P dan impedansi S untukmembuat peta LMR. Untuk menghitung mu-rho )(menggunakan persamaan (2.34) dan lamda-rho )(menggunakan persamaan (2.35). Setelah tahapan inversi selesaidengan memperoleh nilai akustik impedansi P dan nilai akustikimpedansi S. Kemudian diaplikasikan kepada data seismik 2Driil. Hasil penerapan tersebut ditunjukkan pada gambar 2.25 untukpeta mu-rho dan pada gambar 3.26 untuk peta lamda-rho.
Gambar 3.25. Peta mu-rho )(
61
Gambar 3.26. Peta lamda-rho )(
61
Gambar 3.26. Peta lamda-rho )(
62
“ Halaman sengaja dikosongkan”
63
BAB IVANALISA DATA DAN PEMBAHASAN
4.1 Analisa Data Sumur (Crossplot)
4.1.1 Crossplot antara kecepatan P dan Kecepatan S
Analisa data pada sumur difokuskan pada analisacrossplot. Analisa crossplot bertujuan untuk menentukanhubungan antar parameter yang terbaik serta untuk mengetahuisensitivitas sumur dalam membedakan litologi serta efekhidrokarbon pada rekaman sumur.
Gambar 4.1.Crossplot Vp terhadap Vs pada sumur M-3
Berdasarkan gambar 4.1 di atas dapat dilihat litologiterbedakan dengan cukup jelas. Warna hijau merupakan litologikarbonat, dengan nilai kecepatan P dan kecepatan gelombang Syang tinggi. Warna ungu merupakan jenis litologi sandstonedengan kecepatan gelombang P dan kecepatan gelombang S yangcukup tinggi. Sementara untuk warna hijau tua merupakan litologishale yang memiliki kecepatan gelombang P dan gelombang S
63
BAB IVANALISA DATA DAN PEMBAHASAN
4.1 Analisa Data Sumur (Crossplot)
4.1.1 Crossplot antara kecepatan P dan Kecepatan S
Analisa data pada sumur difokuskan pada analisacrossplot. Analisa crossplot bertujuan untuk menentukanhubungan antar parameter yang terbaik serta untuk mengetahuisensitivitas sumur dalam membedakan litologi serta efekhidrokarbon pada rekaman sumur.
Gambar 4.1.Crossplot Vp terhadap Vs pada sumur M-3
Berdasarkan gambar 4.1 di atas dapat dilihat litologiterbedakan dengan cukup jelas. Warna hijau merupakan litologikarbonat, dengan nilai kecepatan P dan kecepatan gelombang Syang tinggi. Warna ungu merupakan jenis litologi sandstonedengan kecepatan gelombang P dan kecepatan gelombang S yangcukup tinggi. Sementara untuk warna hijau tua merupakan litologishale yang memiliki kecepatan gelombang P dan gelombang S
64
yang rendah. Pada dasarnya kecepatan gelombang S lebih sensitifterhadap matriks batuan dari pada gelombang P dan tidak sensitifterhadap fluida. Karena gelombang S pada saat melewati fluidaakan bernilai sangat kecil bahkan mendekati nol. Kecepatangelombang P memiliki sensitivitas yang lebih baik untukmengenali sebuah fluida. Sehingga pada zona warna merah danwarna biru terlihat fluida memiliki kecepatan gelombang P yangrendah hal ini karena gelombang akan gas memiliki nilaiincompresibility yang rendah. Dan memiliki nilai gelombang Syang tinggi karena gas berada pada litologi karbonat.
4.1.2Crossplot antara Lamda-Rho dan Mu-Rho
Dari crossplot Vp dan Vs pada gambar 4.1 terlihat masihada nilai yang overlapping dalam memisahkan hidrokarbon yaitupada nilai kecepatan Vp antara zona hidrokarbon dan zona shale.Untuk memisahkan zona hidrokarbon dengan baik makadilakukan crossplot antara mu rho dan lambda rho yangditunjukkan Pada gambar 4.2.
Gambar 4.2.Crossplotantara mu rho dan lamda rho Pada Sumur M-3
64
yang rendah. Pada dasarnya kecepatan gelombang S lebih sensitifterhadap matriks batuan dari pada gelombang P dan tidak sensitifterhadap fluida. Karena gelombang S pada saat melewati fluidaakan bernilai sangat kecil bahkan mendekati nol. Kecepatangelombang P memiliki sensitivitas yang lebih baik untukmengenali sebuah fluida. Sehingga pada zona warna merah danwarna biru terlihat fluida memiliki kecepatan gelombang P yangrendah hal ini karena gelombang akan gas memiliki nilaiincompresibility yang rendah. Dan memiliki nilai gelombang Syang tinggi karena gas berada pada litologi karbonat.
4.1.2Crossplot antara Lamda-Rho dan Mu-Rho
Dari crossplot Vp dan Vs pada gambar 4.1 terlihat masihada nilai yang overlapping dalam memisahkan hidrokarbon yaitupada nilai kecepatan Vp antara zona hidrokarbon dan zona shale.Untuk memisahkan zona hidrokarbon dengan baik makadilakukan crossplot antara mu rho dan lambda rho yangditunjukkan Pada gambar 4.2.
Gambar 4.2.Crossplotantara mu rho dan lamda rho Pada Sumur M-3
65
Berdasarkan crossplot di atas terlihat sangat jelas zonagas tidak memiliki overlapping terhadap zona non hidrokarbon.Lamda rho merupakan besarnya perubahan volume bila dikenaigaya. Sehingga lamda rho lebih sensitif terhadap keberadaanfluida atau hidrokarbon di dalam batuan. Berdasarkan crossplottersebut zona gas memiliki nilai lamda-rho atau lowincompressibility yang kecil karena gas semakin mudah untukdikompresi. Nilai lamda rho pada zona gas berkisar antara 3-9Gpa*g/cc dan untuk zona non hidrokarbon memiliki nilai lamdarho yang tinggi sekitar 11-20 Gpa*g/cc. Sementara, Mu-rho atau Rigiditas merupakan besarnya perubahan bentukmaterial terhadap stress. Rigiditas sensitif terhadap matriksbatuan dan tidak dipengaruhi oleh kehadiran fluida. Dari gambar4.2 menunjukkan bahwa Shale memiliki nilai mu-rho ataurigiditas yang paling kecil sekitar 1.5 – 2.5 Gpa*g/cc kemudiansand memiliki mu-rho yang cukup tinggi sekitar 2.15 – 4.5Gpa*g/cc dan selanjutnya karbonat memiliki nilai rigiditas ataumu-rho yang paling tinggi dari batuan lainnya sekitar 4 – 5.5Gpa*g/cc.
Gambar 4.3.Crossplotantara porositas dan akustik impedansipada sumu M-3
65
Berdasarkan crossplot di atas terlihat sangat jelas zonagas tidak memiliki overlapping terhadap zona non hidrokarbon.Lamda rho merupakan besarnya perubahan volume bila dikenaigaya. Sehingga lamda rho lebih sensitif terhadap keberadaanfluida atau hidrokarbon di dalam batuan. Berdasarkan crossplottersebut zona gas memiliki nilai lamda-rho atau lowincompressibility yang kecil karena gas semakin mudah untukdikompresi. Nilai lamda rho pada zona gas berkisar antara 3-9Gpa*g/cc dan untuk zona non hidrokarbon memiliki nilai lamdarho yang tinggi sekitar 11-20 Gpa*g/cc. Sementara, Mu-rho atau Rigiditas merupakan besarnya perubahan bentukmaterial terhadap stress. Rigiditas sensitif terhadap matriksbatuan dan tidak dipengaruhi oleh kehadiran fluida. Dari gambar4.2 menunjukkan bahwa Shale memiliki nilai mu-rho ataurigiditas yang paling kecil sekitar 1.5 – 2.5 Gpa*g/cc kemudiansand memiliki mu-rho yang cukup tinggi sekitar 2.15 – 4.5Gpa*g/cc dan selanjutnya karbonat memiliki nilai rigiditas ataumu-rho yang paling tinggi dari batuan lainnya sekitar 4 – 5.5Gpa*g/cc.
Gambar 4.3.Crossplotantara porositas dan akustik impedansipada sumu M-3
66
Crossplot antara porositas dan akustik impedansi padagambar 4.3 di atas dapat menunjukkan bahwa crossplot tersebutdapat membedakan litologi batuan. terlihat pada gambar terdapattiga litologi batuan, yaitu Shale, sandstone¸ dan karbonat danterdapat empat zona. Zona dengan warna merah merupakanlitologi sandstone (batu pasir) dengan nilai akustik impedansimedium antara 14000-1600 (ft/s*g/cc) dan porositas sekitar 30 -50 %. Zona dengan warna kuning merupakan litologi karbonatdengan nilai akustik impedansi tinggi sekitar 14000-17000(ft/s*g/cc) dengan nilai porositas 40-55%. zona warna hijaumerupakan litologi shale dengan nailai akustik impedansi yangcukup rendah 13000-14500 (ft/s*g/cc) dengan porositas yangpaling keci 0-20%. Zona warna merah muda merupakan zonatarget yang merupakan litologi karbonat yang mengandunghidrokarbon gas. Pada zona ini memiliki nilai impedansi yangpaling rendah 10000-13000 (ft/s*g/cc) dengan range nilaiporositas paling besar antara 40-55%. Faktor keberadaanhidrokarbon menyebabkan akustik impedansi pada zona tersebutrendah.
4.2Hasil Inversi Akustik Impedansi
Model yang dibuat pada peneliatian ini adalah modelgabungan yang secara umum diharapkan dapat menggambarkanakustik impedansi akustik formasi target pada lapangan “MS#”.Model awal (initial model) yang dibuat pada penelitian ini adalahhasil inversi yang dibuat dengan memanfaatkan data sumur yangada.
Pada gambar 4.4 penampang inversi akustik impedansi,terlihat persebaran nilai akustik impedansi yang diartikanmerupakan adanya perbedaan litologi. Warna pada hasil inversimenunjukkan nilai inversi akustik impedansi dari nilai terendahberwarna hijau sampai nilai inversi tertingi dengan warna ungu.Garis putus-putus pada penampang akustik impedansi tersebut
67
merupakan batas antara zona gas dengan zona air atau gas watercontact (GWC).
Gambar 4.4.Arbitrary line inversi akustik impedansi
Berdasarkan nilai inversi tersebut terlihat Gambar 4.4pada artbitrary line dari semua sumurmemiliki nilai impedansiakustik yang rendah ditandai dengan warna hijau pada pada topLST sampai GWC. Hai ini menunjukkan bahwa berdasarkananalisa geologi pada data akustik impedansi dengan warna hijausekitar 10.000 -12.000 ft/s*g/cc tersebut menunjukan litologikarbonat dengan facies yaitu foraminiferal grainstone. Dimanapada litologi ini mengandung globigerinid foram dengan porositasyang tinggi sehingga memiliki nilai akustik impedansi yangrendah akibat dari keberadaan hidrokarbon (Sukmono,2001).Sedangkan di atas karbonat merupakan shale dengan nilaiimpedansi yang lebih tinggi disebabkan karena pada shalemerupakan zona yang impermeable. Sedangkan batu pasirmemiliki nilai akustik impedansi tinggi sekitar 15.143 – 16.367ft/s*g/cc karena tidak adanya adanya kandungan hidrokarbon
UP
67
merupakan batas antara zona gas dengan zona air atau gas watercontact (GWC).
Gambar 4.4.Arbitrary line inversi akustik impedansi
Berdasarkan nilai inversi tersebut terlihat Gambar 4.4pada artbitrary line dari semua sumurmemiliki nilai impedansiakustik yang rendah ditandai dengan warna hijau pada pada topLST sampai GWC. Hai ini menunjukkan bahwa berdasarkananalisa geologi pada data akustik impedansi dengan warna hijausekitar 10.000 -12.000 ft/s*g/cc tersebut menunjukan litologikarbonat dengan facies yaitu foraminiferal grainstone. Dimanapada litologi ini mengandung globigerinid foram dengan porositasyang tinggi sehingga memiliki nilai akustik impedansi yangrendah akibat dari keberadaan hidrokarbon (Sukmono,2001).Sedangkan di atas karbonat merupakan shale dengan nilaiimpedansi yang lebih tinggi disebabkan karena pada shalemerupakan zona yang impermeable. Sedangkan batu pasirmemiliki nilai akustik impedansi tinggi sekitar 15.143 – 16.367ft/s*g/cc karena tidak adanya adanya kandungan hidrokarbon
UP
68
sehingga respon dari kecepatan gelombang P lebih tinggi darizona hidrokarbon. Begitu pula untuk karbonat yang tidakmengandung hidrokarbon.
Berdasarkan hasil inversi akustik impedansi pada gambar4.4 terlihat warna hijau yang merupakan zona akustik impedansirendah, serta menunjukkan facies grainstone, paling tebal beradapada sumur M-3 kemudian cukup tebal berada pada sumur M-2dan yang paling tipis berada pada sumur M-1. Hal ini jugakorelasi dengan data sumur. Terlihat pada gambar 4.5sumur M-3memiliki grainstone yang paling tebal, dan yang paling tipisberada pada sumur M-1.
Gambar 4.5. Korelasi sumur pada lapangan “MS#”
69
Gambar 4.6.Slicing hasil inversi akustik impedansi padatopkarbonat
Untuk melihat persebaran akustik impedansi pada dataseismik maka dilakukan slicing Pada data hasil inversi. Padagambar 4.6merupakan slicing pada horizon top limestone(karbonat) terlihat nilai impedansi rendah pada warna hijau yangmerupakan nilai akustik impedansi rendah. Dimana pada garisputus-putus warna hitam merupakan zona yang memiliki datasumur. Jadi hal ini menunjukkan bahwa pada zona tersebutmerupakan zona reservoir target. Hal ini didukung pula oleh datatime structure yang menunjukkan bahwa pada zona tersebutmerupakan zona antiklin yang ditunjukkkan oleh gambar 4.7
Gambar 4.7Time structure Top Karbonat
69
Gambar 4.6.Slicing hasil inversi akustik impedansi padatopkarbonat
Untuk melihat persebaran akustik impedansi pada dataseismik maka dilakukan slicing Pada data hasil inversi. Padagambar 4.6merupakan slicing pada horizon top limestone(karbonat) terlihat nilai impedansi rendah pada warna hijau yangmerupakan nilai akustik impedansi rendah. Dimana pada garisputus-putus warna hitam merupakan zona yang memiliki datasumur. Jadi hal ini menunjukkan bahwa pada zona tersebutmerupakan zona reservoir target. Hal ini didukung pula oleh datatime structure yang menunjukkan bahwa pada zona tersebutmerupakan zona antiklin yang ditunjukkkan oleh gambar 4.7
Gambar 4.7Time structure Top Karbonat
70
4.3Pemetaan Porositas Dengan Menggunakan MetodeTransformasi Multiatribut
4.3.1 Hasil Metode Regresi Linier
Volume akustik impedansi yang telah diperoleh dariproses seismik inversi digunakan sebagai atribut eksternal padaseismik multiatribu. Analisis multiatribut pada EMERGEmembutuhkan atribut eksternal karena :
Atribut yang digunakan terlalu sulit untuk dikalkulasioleh program tersebut, sehingga dibutuhkan suatuprogram tersendiri misalnya modul emerge dan AVOpada HRS. Hal ini bertujuan un tuk melakukan proses-proses khusus seperti invesi dan AVO. Hasil dari prosestersebut nantinya dapat digunakan sebagai atributeksternal seismik pada modul EMERGE.
Memperbanyak option atribut sehingga memperkecilerror pada analisis seismik multiatribut.
Sebelum dilakukan proses multiatribut terlebih dahuludibuat crossplot antara log target dengan atribut eksternal seismikyaitu hasil inversi akustik impedansi terlihat pada gambar 4.8halini bertujuan untuk melihat korelasi antara log target denganatribut eksternal seismik untuk lanjut ke tahap seismikmultiatribut.
Gambar 4.8.Crossplot antara atribut dan log target
71
Berdasarkan gambar 4.8 terlihat bahwa antara log targetyaitu log porositas memiliki cross-correlation yang cukup baikyaitu sekitar 0.569 dengan error sekitar 0.024. hal inimenunjukkan bahwa atribut eksternal tersebut memenuhi untukdigunakan dalam proses multiatribut karena memiliki nilai di atascross-correlastion 0.5% (Rassel et. al., 2008).
Pada proses multiatribut, selalu diawali dengan penentuanbanyaknya atribut yang akan digunakan atau disebut dengananalisa multiatribut, setelah tahapan ini metode regresi liniermultiatribut diterapkan. Prinsip Metode regresi linear multiatributadalah menggunakan hubungan antara log target dengan atribut–atribut yang dianggap memiliki hubungan linierdan dioptimalkandengan pembobotan (w) yang dihitung dengan persamaan (2.19).Atribut yang digunakan pada proses ini adalah atribut yang adapada perangkat lunak Humpson Russel dan ditambahkan denganatribut eksternal dari inversi akustik impedansi.
Tabel 4.1. Hasil pemilihan atribut pada proses multiatribut
No. Target Final AttributTraining
ErrorValidation
Error
1 PorositasDerivativeInstantaneousAmplitude
0.117794 0.126025
2 Porositas Filter 5/10-15/20 0.082082 0.1073883 Porositas 1/(Inversion) 0.058985 0.093107
4 PorositasAmplitudeEnvelope
0.050134 0.088815
5 Porositas Filter 45/50-55/60 0.045686 0.0777056 Porositas Filter 55/60-65/70 0.044416 0.075406
Pada proses multiatribut, terdapat dua proses yaitutraining data dan validasi data. Pada proses training data,diperoleh prediksi data log dengan error yang semakin kecilsetiap penambahan atribut atau error prediksi semakin kecil.Apabila dilakukan penambahan atribut, dilakukan dengan tidak
72
dilakukannya seleksi terhadap atribut maka akan terjadiovertrained pada data. Semakin banyak atribut yg digunakanmaka persamaan polinomial akan semakin besar dan ini akanmenyebabkan interpolasi yang sangat buruk. Untuk itulah perludilakukannya cross-validasi yaitu dengan membagi data menjadidata validasi dan data training. untuk memilih atribut yang tepatdengan harus dengan error training yang kecil serta error validasiyang kecil pula.
Proses validasi dari analisa multiatribut bertujuan untukmencari atribut-atribut yang memiliki korelasi terbaik dengan logtarget. Dimana prinsip dari validasi adalah membuat log prediksidengan pola dari atribut yang sudah ditraining, kemudian logprediksi yang dihasilkan saat proses training data dihilangkan satuper satu berdasarkan pola yang sudah ada, dibuat log dengan polaprediksi dengan pola dan parameter hasil dari data training. Dariproses validasi ini, dapat diketahui kualitas dari hasil trainingdengan menggunakan motede regresi linier dengan melihat errordari validasi yang paling kecil. Penambahan attibut internalseismik akan meningkatkan nilai korelasi data training dengannilai error prediksi yang semakin kecil tetapi tidak menurunkannilai validasi error. oleh karena itu, proses validasi data juga dapatmenentukan dalam pemilihan banyaknya atrribut yang digunakanpada proses multiatbut.
Pada penelitian ini digunakan 6 atribut terbaik termasukatribut eksternal seperti yang terdapat pada tabel 4.1. Dan 5diantaranya Derivative Instantaneous Amplitude, Filter 5/10-15/20,1/(Inversion), Amplitude Envelope, Filter 45/50-55/60danFilter 55/60-65/70.Atribut 1/(inversion) merupakan atributeksternal yang memiliki korelasi dengan porositas. Menurutsukmono (2001) menyatakan bahwa semakin besar akustikimpedansi maka porositas akan semakin kecil. Begitu pulasebaliknya.
Pada penelitian ini dilakukan pemilihan Operatorlengthuntuk memperbesar hasil korelasi antara seismik dan logtarget akibat perbedaan frekuensi dan resolusi antara data seismik
73
dan data log yang cukup besar.Setelah proses Operator length testdiperoleh nilai operator length sebesar 17. Pemilihan operatorlength tidak sangat penting, semakin besar operator legth tidakmenjamin mendapatkan korelasi yang terbaik.
Setelah pemilihan parameter yang sesuai maka diperolehhasil proses training data dan validasi data seperti yangditunjukkan pada gambar 4.9.
Gambar 4.9. Kurva prediksi training error (hitam) dan Validationerror (merah)
Pada gambar 4.9. menunjukkan bahwa dari ke enamjumlah atribut terlihat adanya penurunan error prediksi padatraining error dan penurunan error pada validasi data. Hal inimenunjukkan bahwa ke enam atribut tersebut tidak terjadiovertrained pada pengolahan data.
Untuk melihat korelasi antara porositas log sebenarnyadan porositas prediksi pada semua sumur dapat dilihat padagambar 4.10.
74
Gambar 4.10.Crossplotantara porositas sebenarnya denganprositas prediksi.
(a)
(b)Gambar 4.11.Kurva proses multiatribut (a) hasil training data (b)
hasil validation data
75
Pada gambar 4.11 terlihat log hasil prediksi porositaspada proses multiatribut dengan metode regresi linier. Padagambar 4.11 (a) merupakan hasil prediksi log porositas padaproses training data. Warna merah menujukkan log porostasprediksi dan warna hitam merupakan log porositas sebenarnya.Sedangkan pada gambar 4.11(b) merupakan hasil dari prosesvalidasi. Terlihat dari kurva tersebut antara log porositas prediksimemiliki korelasi yang baik baik pada proses training danvalidasi. Berdasarkan hasil training data diperoleh korelasisebesar 95.64 % dengan error prediksi 0.04%. Sedangkanberdasarkan validasi data diperoleh korelasi 87.19% dengan errorsebesar 0.07%.
Setelah diperoleh pemilihan atribut terbaik dengan nilaikorelasi yang tinggi antara log target dengan log prediksikemudian dilanjutkan dengan menerapkan hasil proses seismikmultiatribut terhadap penampang seismik 3D stack yangditunjukkan gambar 4.12. warna pada gambar tersebutmenunjukkan besarnya porositas dari hasil transformasi.
4.3.2 Peta Porositas Pada Metode Regresi Linear
Pemetaan porositas pada penampang seismik inidigambarkan dengan arbitrary line dari sumur M-1 sampai sumurM-3. Hal ini bertujuan untuk melihat distribusi porositas padamasing – masing sumur.
Pada gambar 4.12 merupakan penampang porositas yangbesarnya diindikasikan dengan degradasi warna dari hijau hinggawarna ungu. Warna hijau yang merupakan porositas palingrendah dan warna ungu yang merupakan porositas paling tinggi.Formasi target Lapangan penelitian ini memiliki range porositasyang tinggi yaitu 40% - 60% berdasarkan data core. Hal inidikarenakan litologi batuan pada formasi target mengandungglobigerinid foram yang menyebabkan karbonat memiliki sifatseperti klastik. Batuan pada formasi target memiliki dua jenisporositas yaitu porositas intergranular dan intragranular.
76
Gambar 4.12.Arbitrary line petaporositas dengan menggunakanregresi linier.
Pada gambar 4.12 merupakan penampang porositas yangbesarnya diindikasikan dengan degradasi warna dari hijau hinggawarna ungu. Warna hijau yang merupakan porositas palingrendah dan warna ungu yang merupakan porositas paling tinggi.Formasi target Lapangan penelitian ini memiliki range porositasyang tinggi rata-rata yaitu 45.8% - 56.5% berdasarkan data core.Hal ini dikarenakan litologi batuan pada formasi targetmengandung globigerinid foram yang menyebabkan karbonatmemiliki sifat seperti klastik. Batuan pada formasi targetmemiliki dua jenis porositas yaitu porositas intergranular danintragranular.
Dari gambar 4.12 terlihat pada zona Horizon HSTsampai Horizon Limestone memiliki nilai porositas yang baikdimana hal ini ditunjukan oleh degradasi warna biru tua sampaiungu yang diperkirakan memiliki range porositas yaitu 53%-60%. Persebaran tersebut terlihat dari sumur M-1 sampai SumurM-3.
Untuk melihat distribusi porositas pada penampangseismik secara keseluruhan dapat digambarkan denganmenggunakan data slicing dari Volume seismik . Slicingdata inidiambil pada top karbonat.
UP
77
Gambar 4.13.Peta Distribusi porositas pada top karbonat denganmetode regresi linier
Hasil slicing pada top karbonat di atas menunjukkanbahwa zona dengan nilai porositas tinggi berada di dalamlingkaran garis putus-putus memiliki degradasi warna dari birusampai ungu. Hal ini juga dibantu oleh keberadaan 3 sumur padazona tersebut.Pada Zona yang memiliki degradasi warna dari biruke ungu menunjukkan porositas yang tinggi. Sedangkan padahasil akustik impedansi pada zona tersebut merupakan zonaimpedansi yang tinggi.
4.3.3 Hasil Metode Probabilistik Neural Network
Pada metode probabilistas neural network (PNN),digunakan atribut hasil dari analisa multiatribut regresi linieruntuk membuat pseudo log porositas, yaitu dengan 6 atributefektif dan lebar operator length 17. Pada metode PNNdigunakan dua pengujian jaringan yang berbeda untukmenganalisa kualitas hasil dari metode PNN.
UP
77
Gambar 4.13.Peta Distribusi porositas pada top karbonat denganmetode regresi linier
Hasil slicing pada top karbonat di atas menunjukkanbahwa zona dengan nilai porositas tinggi berada di dalamlingkaran garis putus-putus memiliki degradasi warna dari birusampai ungu. Hal ini juga dibantu oleh keberadaan 3 sumur padazona tersebut.Pada Zona yang memiliki degradasi warna dari biruke ungu menunjukkan porositas yang tinggi. Sedangkan padahasil akustik impedansi pada zona tersebut merupakan zonaimpedansi yang tinggi.
4.3.3 Hasil Metode Probabilistik Neural Network
Pada metode probabilistas neural network (PNN),digunakan atribut hasil dari analisa multiatribut regresi linieruntuk membuat pseudo log porositas, yaitu dengan 6 atributefektif dan lebar operator length 17. Pada metode PNNdigunakan dua pengujian jaringan yang berbeda untukmenganalisa kualitas hasil dari metode PNN.
UP
78
Pada penelitian ini, metode PNN yang digunakan adalahjaringan yang mengikuti tren/pola dari hasil transformasi metoderegresi linier. Karena memiliki nilai korelasi yang lebih baik daripada jaringan yang tidak memiliki nilai trend/pola dari hasiltansformasi metode regresi linier.Sehingga diperoleh hasilcrossplot antara log porositas sebenarnya dengan porositasprediksi yang ditunjukkan oleh gambar 4.14 dapat dilihat bahwakorelasi yang dihasilkan adalah sebesar 95.65 % dengan rata-ratanilai error adalah 0.0494%. dan nilai parameter global sigmasebesar 1.765.
Gambar 4.14Crossplotlog porositas prediksi dengan logsebenarnya pada metode PNN
Hasil trasnsformasi dari proses Probabilistik NeuralNetwork ditampilkan dalam bentuk log, sehingga dapat denganmudah untuk membandingkan antara hasil log yangditransformasi dengan log sebenarnya. Hasil tersebut ditunjukkanoleh gambar 4.15. kurva warna merah merupakan log model hasilprediksi sementara kurva warna hitam merupakan kurvasebenarnya.
79
Gambar 4.15.Kurva hasil validasi pada PNN
Hasil transformasi neural network dalam bentuk validasidiperoleh dengan menyembunyikan sumur-sumurdanmenggunakan network terlatih untuk memprediksi nilainya.Kurva prediksi ada yang sudah sesuai dengan kurva sebenarnyatapi ada beberapa nilai yang tidak sesuai dengan nilai kurvasebenarnya hal ini disebabkan karena rendahnya frekuensiprediski, juga perhitungan korelasinya sensitif untuk suatuketepatan perhitungan konversi kedalaman ke waktu (depth totime). Pada proses validasi data di peroleh korelasi 90.43 %dengan error 0.07 %.
Pengolahan data menggunakan metode neural networkmembutuhkan waktu yang lama dibandingkan dengan metoderegresi linier. Oleh karenanya dalam menerapkan hasil PNN keseismik hanya pada horizon formasi target.
4.3.4 Peta Porositas Pada Metode Probabilitas NeuralNetwork
Setelah diperoleh parameter pada metode PNN dengankorelasi yang baik, hasil transformasi neural networkdiaplikasikan ke dalam data 3D seismik dapat dilihat pada gambar
80
4.16 yang menunjukkan bahwa perbedaan warna untuk tiaplapisan berbeda, warna menunjukkan perbedaan koefisien refleksiuntuk masing lapisan akibat dari perbedaan porositas pada tiaplapisan. Pada penelitian ini penulis hanya fokus pada formasitarget yaitu formasi cepu untuk lapisan karbonat pada lapangan“MS#”.
Gambar 4.16. Arbitrary line distribusi porositas pada metodePNN
Gambar 4.16 merupakan arbitrary line pada peta porositasdari korelasi data sumur. Hal ini bertujuan untuk melihatpersebaran porositas pada tiap-tiap data sumur. Terlihat darigambar tersebut porositas pada zona target memiliki degradasiwarna biru sampai ungu ini menunjukkan porositas besar yaitusekitar 47.5-56%. Sementara untuk diatas horizon karbonatadalah zona shale yang memiliki degradasi warna hijau yangmenunjukkan porositas kecil sekitar 0-20%.
Dada slicing dalam analisa porositas adalah pada topkarbonat gambar tersebut ditunjukkan oleh gambar 4.16 terlihatsemua sumur berada pada degradasi warna biru sampai warnaungu yang memiliki porositas tinggi sekitar 47.5-56% yangditandai dengan garis elips putus-putus. .
UP
81
Gambar 4.17.Slicingporositas top karbonat pada metode PNN
4.3.5 Perbandingan Metode Transformasi Multiatributantara Metode Regresi Linier dan PNN
Hasil transformasi multiatribut dari keenam atribut yangdipilih oleh software Humpson Russel, digunakan untuk prediksilog porositas. Duan metode yang digunakan hasil trasnformasidengan nilai kesalahan yang kecil adalah metode regresi linierdan PNN.
Untuk melihat perbandingan dari kedua metode tersebutditunjukkan pada gambar 4.18. pada gambar tersebut, hasiltransformasi metode PNN sangat baik mengenali pola dari logporositas sebenarnya jika dibandingkan dari hasil transformasiregresi linier. Dari validasi untuk memprediksi log porositas hasilPNN memiliki korelasi yang lebih tinggi yaitu 90.43 % sementarahasil dari metode regresi linier memberikan nilai korelasi yaitu87.19%.
UP
81
Gambar 4.17.Slicingporositas top karbonat pada metode PNN
4.3.5 Perbandingan Metode Transformasi Multiatributantara Metode Regresi Linier dan PNN
Hasil transformasi multiatribut dari keenam atribut yangdipilih oleh software Humpson Russel, digunakan untuk prediksilog porositas. Duan metode yang digunakan hasil trasnformasidengan nilai kesalahan yang kecil adalah metode regresi linierdan PNN.
Untuk melihat perbandingan dari kedua metode tersebutditunjukkan pada gambar 4.18. pada gambar tersebut, hasiltransformasi metode PNN sangat baik mengenali pola dari logporositas sebenarnya jika dibandingkan dari hasil transformasiregresi linier. Dari validasi untuk memprediksi log porositas hasilPNN memiliki korelasi yang lebih tinggi yaitu 90.43 % sementarahasil dari metode regresi linier memberikan nilai korelasi yaitu87.19%.
UP
82
(a) (b)Gambar 4.18. Perbandingan hasil transformasi Seismik
Multiatribut (a) regresi linier (b) PNN
Berikut ini adalah perbedaan hasil transformasiMultiatributantara regresi linier dan metode Probabilistik NeuralNetwork (PNN) yang telah diaplikasikan ke dalam seismik 3D.Dari gambar 4.19 dan 4.20 telihat bahwa metode PNN memilikiresolusi yang lebih baik dari pada metode regresi linier.
Dapat dilihat dari data sumur memiliki nilai porositasdengan korelasi yang lebih baik terhadap penampang hasilprediksi porositas pada seismik dari pada metode regresi linier.Nilai range porositas pada hasil PNN lebih mendekati range rata-rata data core dari pada hasil metode regresi linier pada zonatarget yaitu reservoir karbonat. Hasil range porositas pada zonatarget yaitu hasil metode regresi linier memiliki range 55-60%dan hasil PNN 47.5-56% sementara data core memiliki range rata45.6-56.5%.
83
Gambar 4.19. Penampang Porositas dari hasil transformasiseismik multiatribut dengan metode regresi linier.
Gambar 4.20. Penampang Porositas dari hasil transformasiseismik multiatribut dengan metode PNN
4.3 Hasil Analisa AVO
Sebelum dilakukan analisa AVO, data seismik gather 2Dsudah melaui tahapan pre-conditioning data yaitu dilakukanNMO. Pada analisa AVO ini digunakan data gather PSTM 2Dyang memotong pada sumur M-3. Analisa AVO diawali dengananalisa fisis pada perubahan sudut dari near offset(0-15 derajat)terhadap far offset (15-30 derajat) pada preconditioning data yaitutahap stacking. Seperti yang terlihat pada gambar 4.21 dan 4.22.
UP
UP
84
Berdasarkan hasil stacking pada near offset dan far Offsetpada gambar 4.21 dan 4.22 terlihat adanya kenaikan amplitudodari near stack ke far stack. Ini menunjukkan bahwa adanyavariasi dari amplitudo terhadap perubahan sudut atau offset. Padapenampang seismik perubahan amplitudo terlihat jelas pada batasantara zona fluida dan zona non fluid. Dimana pada batas tersebutmerupakan amplitudo trough yang menunjukkan perubahanakustik impedansi tinggi kemudian rendah.
Gambar 4.21. Near stack untuk sudut 00-150
Gambar 4.22. Far stack untuk sudut150- 300
85
Selanjutnya dilakukan analisa AVO pada zona targetuntuk mendapatkan intercept dan gradient dengan menggunakanpersamaan Shuey.
Gambar 4.23. Analisa AVO pada data Seismik gather 2D
Dari gambar 4.23Picking Amplitudo dilakukan pada zonabatas gas yaitu pada amplitudo trough. Dari gambar tersebutterlihat adanya penurunan amplitudo yang sangat besar padaamplitudo troungh untuk sudut 30 derajat. Hal ini menunjukkanbahwa zona gas pada target merupakan kelas III berdasarkancrossplotintercept dan gradient dengan korelasi 99.46%. Dimanaintercept dan gradien bernilai negatif. Kelas III menunjukkanbahwa pada zona tersebut lapisan atas memiliki impedansi yanglebih tinggi dari pada lapisan dibahwanya. Dalam hal ini untukkasus lapangan penelitian, shale memiliki impedansi yang lebihtinggi dari pada karbonat.
Hasil dari dari analisa AVO pada data gather kemudiandi validasi dengan analisa AVO pada data Seismik sintetik daridata sumur. Data sumur yang digunakan adalah sumur M-3 yangmemotong line seismik gather 2D. Analisa AVO pada data sumurdengan menggunakan parameter yang sama, menunjukkan hasil
85
Selanjutnya dilakukan analisa AVO pada zona targetuntuk mendapatkan intercept dan gradient dengan menggunakanpersamaan Shuey.
Gambar 4.23. Analisa AVO pada data Seismik gather 2D
Dari gambar 4.23Picking Amplitudo dilakukan pada zonabatas gas yaitu pada amplitudo trough. Dari gambar tersebutterlihat adanya penurunan amplitudo yang sangat besar padaamplitudo troungh untuk sudut 30 derajat. Hal ini menunjukkanbahwa zona gas pada target merupakan kelas III berdasarkancrossplotintercept dan gradient dengan korelasi 99.46%. Dimanaintercept dan gradien bernilai negatif. Kelas III menunjukkanbahwa pada zona tersebut lapisan atas memiliki impedansi yanglebih tinggi dari pada lapisan dibahwanya. Dalam hal ini untukkasus lapangan penelitian, shale memiliki impedansi yang lebihtinggi dari pada karbonat.
Hasil dari dari analisa AVO pada data gather kemudiandi validasi dengan analisa AVO pada data Seismik sintetik daridata sumur. Data sumur yang digunakan adalah sumur M-3 yangmemotong line seismik gather 2D. Analisa AVO pada data sumurdengan menggunakan parameter yang sama, menunjukkan hasil
86
yang tidak jauh berbeda dengan hasil Analisa AVO pada datagather, yaitu menunjukkan kelas III. Hal ini menunjukkan bahwaanalisa AVO pada seismik riil menunjukkan korelasi yang baikdengan data seismik sintetik.
Gambar 4.24.Analisa AVO pada data seismik sintetik sumur M-3
Dari analisa AVO tersebut kemudian dibuat atribut AVOvolume kedalam penampang seismik. Atribut AVO digunakansebagai indikator keberadaan gas dan menganalisanyaberdasarkan intercept (A) dan gradient (B) serta product (A*B).
4.4 Analisa Atribut AVO Product (A*B)
Berdasarkan gambar 4.25 terlihat anomali pada atributproduct AVO (A*B). Ada beberapa anomali AVO yang biasanyaterbentuk. Pada penelitian ini bentuk anomali yang dihasilkanadalah anomali dengan nilai atribut product AVO (A*B) bernilaipositif. Menurut klasifikasi Rutherford dan williams’ nilai positif
86
yang tidak jauh berbeda dengan hasil Analisa AVO pada datagather, yaitu menunjukkan kelas III. Hal ini menunjukkan bahwaanalisa AVO pada seismik riil menunjukkan korelasi yang baikdengan data seismik sintetik.
Gambar 4.24.Analisa AVO pada data seismik sintetik sumur M-3
Dari analisa AVO tersebut kemudian dibuat atribut AVOvolume kedalam penampang seismik. Atribut AVO digunakansebagai indikator keberadaan gas dan menganalisanyaberdasarkan intercept (A) dan gradient (B) serta product (A*B).
4.4 Analisa Atribut AVO Product (A*B)
Berdasarkan gambar 4.25 terlihat anomali pada atributproduct AVO (A*B). Ada beberapa anomali AVO yang biasanyaterbentuk. Pada penelitian ini bentuk anomali yang dihasilkanadalah anomali dengan nilai atribut product AVO (A*B) bernilaipositif. Menurut klasifikasi Rutherford dan williams’ nilai positif
87
pada anomali atribut AVO product (A*B) menunjukkan bahwakelas anomali merupakan kelas III.
Dari gambar 4.25 terlihat warna merah merupakananomali yang bernilai positif pada batas antara hidrokarbon dannon hidrokarbon. Sebagaimana dijelaskan sebelumnya bahwametode AVO tidak dapat menggambarkan keseluruhan volumegas. Metode AVO hanya sebagai indikator gas pada batasreservoir yang mengandung fluida gas dan bukan.
Gambar 4.25.Product (A*B) anomali AVO
4.5 Interpretasi Inversi Lamda-Mu Rho
Parameter lamda-rho( menunjukkan incompresibilitasbatuan yang kurang signifikan dan sensitif dalam determinasifluida gas. Parameter memberikan karakteristik yang lebihsensitif terhadap matriks batuan. Parameter lebih spesifikdibandingkan akustik impedansi dalam mendeliniasi reservoar.Hidrokarbon diindikasikan dengan nilai yang rendah. Ini
87
pada anomali atribut AVO product (A*B) menunjukkan bahwakelas anomali merupakan kelas III.
Dari gambar 4.25 terlihat warna merah merupakananomali yang bernilai positif pada batas antara hidrokarbon dannon hidrokarbon. Sebagaimana dijelaskan sebelumnya bahwametode AVO tidak dapat menggambarkan keseluruhan volumegas. Metode AVO hanya sebagai indikator gas pada batasreservoir yang mengandung fluida gas dan bukan.
Gambar 4.25.Product (A*B) anomali AVO
4.5 Interpretasi Inversi Lamda-Mu Rho
Parameter lamda-rho( menunjukkan incompresibilitasbatuan yang kurang signifikan dan sensitif dalam determinasifluida gas. Parameter memberikan karakteristik yang lebihsensitif terhadap matriks batuan. Parameter lebih spesifikdibandingkan akustik impedansi dalam mendeliniasi reservoar.Hidrokarbon diindikasikan dengan nilai yang rendah. Ini
88
berarti bahwa pada zona dengan nilai rendah menunjukkanbahwa pada zona tersebut merupakan zona porous. Dan untuknilai tinggi menunjukkan bahwa litologi memiliki rigiditasyang tinggi atau solid. Karena pada zona reservoir target padapenelitian ini adalah karbonat yang mana memiliki rigiditas yangtinggi.
Gambar 4.26. Penampang (lamda-rho)
Gambar 4.27. Penampang (mu-rho)
88
berarti bahwa pada zona dengan nilai rendah menunjukkanbahwa pada zona tersebut merupakan zona porous. Dan untuknilai tinggi menunjukkan bahwa litologi memiliki rigiditasyang tinggi atau solid. Karena pada zona reservoir target padapenelitian ini adalah karbonat yang mana memiliki rigiditas yangtinggi.
Gambar 4.26. Penampang (lamda-rho)
Gambar 4.27. Penampang (mu-rho)
89
Berdasarkan gambar 4.26 untuk penampang (lamda-rho) terlihat bahwa pada degradasi warna hijau sampai kuningmerupakan zona reservoir dengan nilai lamda-rho kecil dengannilai 2.3 – 6 GPa*g/cc . Hal ini menunjukkan bahwa pada zonatersebut juga merupakan zona hidrokarbon. Sebagaimanadiketahui bahwa parameter tidak hanya digunakan sebagaiindikator hidrokarbon tetapi juga litologi. Hanya saja parameter
lebih peka terhadap keberadaan hidrokarbon.
Gambar 4.28.Crossplot LMR
Pada gambar 4.27 menunjukkan penampang (mu-rho).Terlihat untuk zona target reservoir karbonat memiliki nilai(mu-rho) yang tinggi dengan degradasi warna biru muda sampaibiru tua dengan nilai antara 3.7 – 4.75 Gpa*g/cc. Sementaraterlihat pula zona untuk litologi batu pasir memiliki nilai (mu-rho) yang lebih rendah dari pada karbonat dengan degradasiwarna kuning muda ke kuning tua dengan nilai 1.83-2 Gpa*g/cc.Sementara untuk shale memiliki nilai (mu-rho) yang palingkecil dengan degradasi warna hijau tua sampai hijau muda dengannilai 0.53-1.4 Gpa*g/cc. Dari ketiga litologi tersebut memiliki
89
Berdasarkan gambar 4.26 untuk penampang (lamda-rho) terlihat bahwa pada degradasi warna hijau sampai kuningmerupakan zona reservoir dengan nilai lamda-rho kecil dengannilai 2.3 – 6 GPa*g/cc . Hal ini menunjukkan bahwa pada zonatersebut juga merupakan zona hidrokarbon. Sebagaimanadiketahui bahwa parameter tidak hanya digunakan sebagaiindikator hidrokarbon tetapi juga litologi. Hanya saja parameter
lebih peka terhadap keberadaan hidrokarbon.
Gambar 4.28.Crossplot LMR
Pada gambar 4.27 menunjukkan penampang (mu-rho).Terlihat untuk zona target reservoir karbonat memiliki nilai(mu-rho) yang tinggi dengan degradasi warna biru muda sampaibiru tua dengan nilai antara 3.7 – 4.75 Gpa*g/cc. Sementaraterlihat pula zona untuk litologi batu pasir memiliki nilai (mu-rho) yang lebih rendah dari pada karbonat dengan degradasiwarna kuning muda ke kuning tua dengan nilai 1.83-2 Gpa*g/cc.Sementara untuk shale memiliki nilai (mu-rho) yang palingkecil dengan degradasi warna hijau tua sampai hijau muda dengannilai 0.53-1.4 Gpa*g/cc. Dari ketiga litologi tersebut memiliki
90
nilai parameter (mu-rho) yang berbeda-beda hal inidisebabkan perbedaan sifat rigid dari masing-masing batuan.Karbonat memiliki nilai rigiditas yang paling tinggi sementarauntuk batu pasir memiliki rigiditas yang lebih rendah darikarbonat dan shale memiliki nilai rigiditas yang paling kecil.
Berdasarkan kedua parameter tersebut dibuat crossplotseismik hasil inversi lamda-mu rho untuk memetakan zonahidrokarbon gas yang lebih detail. Seperti yang ditunjukkan padagambar 4.28.
Berdasarkan crossplot di atas terlihat zona hidrokarbongas diindikasikan dengan warna merah yang mana memiliki nilailamda-rho yang kecil dan memiliki nilai mu-rho yang tinggi padalitologi karbonat.
91
BAB VKESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan analisa data dan pembahasandapat ditarikkesimpulan sebagai berikut:
Reservoir pada lapangan ini adalah karbonat denganfacies grainstone yang memiliki impedansi rendah.
Reservoir karbonat target memiliki porositas sekitar47.5-56% .
Metode PNN memiliki hasil yang lebih baik dari padametode regresi linier pada proses multiatribut.
Kelas AVO pada penelitian ini adalah kelas III dengankontras impedansi tinggi.
Karbonat reservoir memiliki lamda-rho rendah sebagaiindikasi adanya hidrokarbon gas.
Reservoir karbonat memiliki mu-rho yang tinggi.
5.2 Saran
Untuk penelitian selanjutnya agar dilakukan penambahansumur pada metode multiatribut sehingga interpolasi padabeberapa zona dapat diinterpretasikan lebih baik.
Dalam proses AVO pada penelitian ini masihmenggunakan data Seismik 2D yang hanya memotongpada satu sumur selanjutnya diperlukan data 3D seismikgather untuk membuat hasil AVO dan inversi LMR lebihmenyeluruh pada zona target.
92
“ Halaman sengaja dikosongkan “
88
DAFTAR PUSTAKA
Burianyk, M., 2000, Amplitude-vs-Offset and Seismic RockProperty Analysis: A Primer, CSEG Recorder, 4-14.
Basden W. A., Posamentier H. P., and Noble R. A., 1999,Structural History of the Terang and Sirasun Fields andthe Impact upon Timing of Charge and ReservoirPerformance, Kangean PSC, East Java Sea, Indonesia:Proceeding Indonesian Petroleum Association, 23rdAnnual Convention, p. 269-286.
Bransden P. J. E., and Matthews S. J., 1992, Structural andStratigraphic Evolution of the East Java, Indonesia:Proceeding Indonesian Petroleum Association, 21stAnnual Convention, p. 417-435.
Castagna, J.P., Swan, H.W., and Foster, D.J., 1998, ramework ForAVO Gradient and Intercept Interpretation, Geophysics,63, 948-956.
Chiburis, E., Leaney, S., Skidmore, C., Frank, C., and McHugo,S., 1993, Hydrocarbon Detection with AVO, OilfieldReview, Januari.
Goodway, B., Chen, T., and Downton, J., 1997, Improved AVOfluid detection and lithology discrimination using Lamepetrophysical parameters; "lr", "μr", & "l/μ fluidstack",from P and S inversions, 1997 CSEG meetingabstracts, 148-151; 1997 SEG meeting abstracts, 183-186; 1999 EAGE meeting abstracts, 6-51.
Gray, D., and Andersen, E., 2001, The aplication of AVO andinversion to the estimation of rock properties, CSEGRecorder.
Hadiyanto, N., Sartika, D.,E., Deliani,F., takano, O.,2010,Integrated 3-D Static Reservoir Modeling of UpperPliocene PaciranCarbonate in the Sirasun Gas Field,Kangean Block, East Java Basin, Proceedings IndonesianPetroleum Association.
89
Hampson, D.P., Schuelke, J.S., Quirein, J.A., 2001, UseofMultiattribute Transform to PredictLog Propertiesfrom Seismic Data: Geophysics, 66, 220-236.
Harsono, A., 1997, Evaluasi Formasi dan Aplikasi Log,Schlumberger Oilfield Service, Edisi ke-8, Jakarta.
Ostrander W.J., 1984, Plane wave reflektion coefficients for gassands at non-normal angles of incidence, Geophysics 49,1637-1648.
Purnomo, Agung., Hadiyanto, Nur., Arakawa, Yasushi.,2010,Pwave–Swave Sensitivity Analysis of GlobigerinidCarbonate in Sirasun Gas Field, InternationalGeosciences Conference and Exposition.
Putra, R.P., 2005, Estimasi Porositas MenggunakanAnalisaMultiatribut dan Neural Network Pada ReservoarKarbonat Lapangan Mendeh, Program Studi Geofisika,Institut Teknologi Bandung.
Royle, A., 1999, Glossary of AVO term, Geo-X Systems Ltd.Russell, B., 1996, Introduction to Seismic Inversion Methods,
S.N. Domenico Series Editor Course Notes SeriesVolume 2 An SEG Continuing Education shortcourse,USA.
Russel, B., Hedlin, Ken., 2001, Fluid Property DiscriminationwithAVO, A Biot Gassmann Perspective, SEG Recorder.
Shuey, R.T., 1985, A simplification of the Zoeppritz equations,Geophysics 50, 609-614.
Smith, George C., 2000, A Comparation of the fluid factor withand in AVO analysis, SEG Expanded Abstract.
Sukmono, S., 2001, Interpretasi Seismik Refleksi, DepartemenTeknik Geofisika, Institut Teknologi Bandung.
Sukmono, S., 2001, Seismic Inversion and AVO Analysis forReservoir Characterization, Departemen TeknikGeofisika, Institut Teknologi Bandung.
Zoeppritz, R., 1919. On the reflektion and propagation of seismicwaves, Erdbebenwellen VIIIB; Gottinger NachrichtenI,66-68.
95
LAMPIRAN A
Gambar Crossplot Sensitivitas Sumur
Gambar 1. Crossplot Vp terhadap Vs pada sumur M-1
Gambar 1. Crossplot Vp terhadap Vs pada sumur M-2
96
Gambar 3. Crossplot terhadap pada sumur M-1
Gambar 4. Crossplot terhadap pada sumur M-2
97
Gambar 5. Crossplot P-impedansi terhadap Porositas pada sumurM-1
Gambar 5. Crossplot P-impedansi terhadap Porositas pada sumurM-2
98
LAMPIRAN B
Data Seismik
Gambar 1. Data Seismik 2D stack
Gambar 1. Data Seismik 2D gradien (B)
99
Gambar 1. Data Seismik 2D intercept (A)
100
LAMPIRAN C
Bobot dan Sigma Pada Proses Seismik Multiatribut
Gambar 2. Hasil perhitungan Bobot pada metode regresi linier
Gambar 3. Hasil perhitungan Bobot pada metode regresi linier
101
Gambar 4. Hasil perhitungan Bobot pada metode regresi linier
Gambar 5. Hasil perhitungan Bobot pada metode regresi linier
102
Gambar 5. Hasil perhitungan Bobot pada metode regresi linier
Gambar 1. Hasil sigma pada proses PNN
103
BIODATA PENULIS
Penulis “Muliadi” merupakananak ke 2 dari 3 bersaudara yang lahirdi Sumenep pada 13 Juli 1991. Semasakecil penulis menempuh pendidikanformal antara lain di TK Asy-Syuhada’,SDN Angkatan 1, SMP Negeri 2Arjasa, Sumenep, dan MAN Sumenep.
sejak kecil, Penulis tumbuh danberkembang di daerah KepulauanKangean. Sejak TK (Taman Kanak-Kanak) hingga SMP penulis
menempuh pendidikan di Kepulauan Kangean yang merupakankepualaun terbesar di Kab. Sumenep. Perjalanan dari PelabuhanKalianget Kab. Sumenep ke Kep. Kangean biasanya ditempuhdalam waku kurang lebih 10 jam dengan Kapal Laut.
Sejak SMP Penulis memiliki kelebihan di bidangmatematika dan sains Sehingga penulis sering menjadi siswaberprestasi di sekolah dan juara olimpiade. Dengan Prestasinyatersebut, penulis memberanikan diri untuk menempuh pendidikanSMA di Kota Sumenep. Pada saat itu persepsi yang ada dimasyarakat Kangean adalah mereka yang sekolah ke kotamerupakan anak orang mampu. Tapi penulis tidak mempedulikanhal itu, dengan dukungan yang kuat dari ibu tercinta penulisberani untuk melanjutkan pendidikan SMA di Kota Sumenepwalaupun dengan keterbatasan ekonomi.
Pada Saat menempuh pendidikan menengah atas di MANSumenep, Penulis aktif di beberapa kegiatan ekstra sekolahseperti Teater, dan Olimpiade club. Dengan prestasi di sekolahkemudian Penulis dinobatkan sebagai siswa berprestasi di MANSumenep pada tahun 2010.
Setelah menempuh pendidikan menengah atas penuliskemudian melanjutkan studinya ke ITS (Institut Teknologi
104
Sepuluh Nopember) melalui jalur SNMPTN pada tahun 2010dengan Jurusan Fisika dan bidang Studi Geofisika. Selama kuliahpenulis aktif di lembaga dakwah jurusan (LDJ) FOSIF, mulai daridiamanahi sebagai staff sampai pada jabatan ketua Departemen.kemudian pada tahun ke empat penulis bergabung di LDK(JMMI) sebagai diamanahi sebagai koordinator LDJ wilayahMIPA.
Selain mengikituti organisasi bidang kerohanian, penulisjuga aktif di organisasi ilmiah bidang kebumian seperti AAPG,SEG dan SPE. Di organisasi ini, penulis mendapatkan banyakilmu tentang dunia eksplorasi dan eksploitasi minyak bumi.Sekian gambaran tentang penulis. Apabila ingin mengetahui infoterkait penulis dan Tugas Akhir dapat menghubungi penulis viaemail [email protected].