ESTIMASI SEBARAN FLUIDA DAN LITOLOGI MENGGUNAKAN KOMBINASI INVERSI AVO DAN MULTI ATRIBUT

Transkripsi

1 ESTIMASI SEBARAN FLUIDA DAN LITOLOGI MENGGUNAKAN KOMBINASI INVERSI AVO DAN MULTI ATRIBUT TUGAS AKHIR Disusun untuk mmenuhi syarat kurikuler Program Sarjana Geofisika Oleh: Alan S. R. Inabuy NIM: PROGRAM STUDI GEOFISIKA FAKULTAS TEKNIK PERTAMBANGAN DAN PERMINYAKAN INSTITUT TEKNOLOGI BANDUNG 2008

2 ESTIMASI SEBARAN FLUIDA DAN LITOLOGI MENGGUNAKAN KOMBINASI INVERSI AVO DAN MULTI ATRIBUT Oleh: Alan S. R. Inabuy NIM: Program Studi Geofisika Fakultas Teknik Pertambangan dan Perminyakan Institut Teknologi Bandung Bandung, Juni 2008 Menyetujui Dosen Pembimbing, Sonny Winardhie, Ph.D NIP: i

3 ,,Untuk yang terkasih, B,,! ii

4 KATA PENGANTAR Puji syukur saya panjatkan kepada Tuhan Yang Maha Esa, yang telah memberikan rahmat dan anugerah-nya sehingga penulis dapat menyelesaikan studi dan juga penulisan tugas akhir ini. Tugas akhir dengan judul Estimasi Sebaran Fluida dan Litologi Menggunakan Kombinasi Inversi AVO dan Multi Atribut disusun untuk memenuhi syarat kurikuler program sarjana pada Program Studi Geofisika, Fakultas Teknik Pertambangan dan Perminyakan, Institut Teknologi Bandung. Pada kesempatan ini penulis juga ingin berterima kasih pada semua pihak yang telah mendukung dan membantu penulis hingga tugas akhir ini dapat diselesaikan. Penulis mengucapkan terima kasih kepada: 1. Kedua orang tua, untuk segala dukungan doa, moral, dan materiil selama ini 2. Bapak Dr. Gunawan Ibrahim selaku dosen wali atas perhatiannya selama ini 3. Bapak Sonny Winardhie, Ph.D, selaku dosen pembimbing untuk semua pengetahuan diskusi dan arahan yang telah diberikan 4. Bapak Wahyu Triyoso, Ph.D, Bapak Afnimar Ph.D, Bapak Dr. Awali Priyono, Bapak Prof. Sri Widiyantoro Ph.D, Bapak Dr. Hendra Grandis, Bapak Tedi Yudistira M.Si, Bapak Dr. Nanang T Puspito, Bapak Untoro, M.Si, Bapak Drs. Muhammad Ahmad, terima kasih untuk segala pengetahuan yang telah diberikan 5. Segenap jajaran Tata Usaha Program Studi Geofisika, Meteorologi dan Oseanografi, atas bantuannya dalam urusan administratif 6. Rekan rekan lainnya yang tidak dapat disebut satu persatu, atas segala bentuk dukungan yang telah diberikan. Penulis menyadari masih banyak kekurangan yang terdapat dalam penyusunan tugas akhir ini, untuk itu penulis mengharapkan saran dan kritikan yang bersifat membangun dari segenap pembaca. Dengan segala kerendahan hati, penulis berharap semoga karya kecil ini dapat bermanfaat dalam memberikan informasi bagi setiap mereka yang membacanya. Bandung, Juni 2008 Alan S. R. Inabuy iii

5 DAFTAR ISI HALAMAN PENGESAHAN... i HALAMAN PERUNTUKAN... ii KATA PENGANTAR... iii DAFTAR ISI... iv ABSTRAK... vi ABSTRACT... vii I. PENDAHULUAN Latar Belakang Tujuan Batasan Masalah Sistematika Pembahasan...2 II. TEORI DASAR Phase Matching Prinsip Amplitude Versus Offset (AVO) Persamaan Zoeppritz Lambda-Mu-Rho Inversi Seismik Inversi Simultan Atribut Seismik Multi Atribut Seismik Regresi Linier Umum Step - Wise Regression...8 III. DATA DAN PENGOLAHAN DATA Data Pengolahan Data Sumur Uji Sensitivitas Crossplot Densitas Gamma Ray Crossplot Densitas Lambda Rho Crossplot Densitas Mu Rho Crossplot Densitas Lambda/Mu Crossplot Lambda/Mu Gamma Ray Crossplot Impedansi P Impedansi S...10 iv

6 Crossplot Gamma Ray Impedansi P Pengolahan Data Seismik Preconditioning Data Seismik Filter F K Phase Matching Well to Seismic Tie AVO Modeling Pengolahan AVO Data Riil Ekstraksi Wavelet Model Awal Parameter Inversi Inversi Simultan Multi Atribut Seismik...15 IV. ANALISA Analisa Diskriminasi Litologi Analisa AVO Analisa Inversi Simultan Analisa Multi - Atribut...17 IV. KESIMPULAN Kesimpulan...18 DAFTAR PUSTAKA...18 LAMPIRAN v

7 ABSTRAK ESTIMASI SEBARAN FLUIDA DAN LITOLOGI MENGGUNAKAN KOMBINASI INVERSI AVO DAN MULTI - ATRIBUT Oleh : Alan S. R. Inabuy NIM : Pembimbing : Sonny Winardhie, Ph.D Identifikasi fluida dan diskriminasi litologi dari data seismik dapat dilakukan dengan berbagai metode, diantaranya dengan metode Amplitude Versus Offset (AVO), inversi, dan multi atribut. Penggunaan metode motede tersebut pada kenyataanya tidak selalu memberikan hasil yang baik, karena data seismik sendiri memiliki karakter yang berbeda satu dengan lainnya. Untuk mendapatkan hasil optimal, dibutuhkankan analisa awal sebelum melakukan pengolahan data seismik. Analisa ini diharapkan dapat membantu menentukan arahan pengolahan data, dan langkah langkah apa saja yang perlu dilakukan. Analisa awal pada studi kasus dalam tugas akhir ini diperoleh dari proses uji sensitivitas, dan pemodelan data sintetik. Dari uji sensitivitas diperoleh kesimpulan bahwa terdapat dua karakter berbeda pada formasi sand-shale di Lapangan Supernova*, yaitu sand dengan impedansi rendah dan sand dengan impedansi tinggi. Sedangkan dari hasil uji sensitivitas, diketahui bahwa parameter Lambda/Mu dapat digunakan untuk memisahkan litologi sand dan shale. Namun demikian, kontras Lambda/Mu antara sand dan shale tidak terlalu besar jika dibandingkan dengan nilai gamma ray, sehingga pengolahan data seismik diarahkan pada estimasi sebaran litologi menggunakan gamma ray dengan metode multi atribut. Hasil identifikasi fluida pada daerah penelitian menunjukkan pelamparan sand pada formasi S 3 yang berpotensi mengandung gas, sementara estimasi sebaran litologi dengan metode multi atribut dapat memberikan hasil yang baik, terutama sand dengan impedansi rendah yang terdistribusi pada daerah 800 hingga 1000 ms. Kata Kunci : Multi atribut, AVO modeling, phase matching, inversi simultan *) Bukan nama sebenarnya vi

8 ABSTRACT ESTIMATION OF FLUIDS AND LITHOLOGIC DISTRIBUTION USING THE COMBINATION OF AVO INVERSION AND MULTI ATTRIBUTE By : Alan S. R. Inabuy Supervisor : Sonny Winardhi, Ph.D Some methods like the Amplitude Versus Offset (AVO), inversion, and multi attribute were used in purpose to discriminate lithology and identifies fluids from the seismic data. In fact, those methods are not always successfully used, because the seismic data itself also have differences from one another. In aim to have the optimal results, pre analysis are necessary needed. This kind of analysis could help us in making a decision about what kind of data processing we should do, what methods we use, furthermore how to get the best workflow. In this case, pre analysis were makes after doing some works like sensitivity analysis, and also the synthetic data modeling. From the sensitivity analysis, we conclude that Supernova* field have two different data characteristic, the first case is high impedance sand, and the other ones is low impedance sand. Besides that, the sensitivity analysis also tells us that the Lambda / Mu parameters could possibly used to discriminate sands from shale. But from the Lambda / Mu log data we could found out that the contrast are not significantly separates sands from shale, therefore the seismic data processing focused on estimating the lithologic distribution using multi attribute method with gamma ray as log target. The seismic data processing result shows that the sand at 930 ms (S 3 ) is potentially filled with gas. In the other hand, the estimation of lithologic distribution using multi attribute method could give fine results, especially the low impedance sand which distributed at 800 until 1000 ms more or less. Keywords : Multi attribute, AVO modeling, phase matching, Simultaneous Inversion *) Not a real name vii

9 I. PENDAHULUAN 1.1 Latar Belakang Data seismik memiliki karakter yang berbeda beda, oleh karena itu metode yang digunakan untuk karakterisasi reservoir suatu daerah tertentu tidak akan sama dengan daerah lainnya. Untuk memperoleh hasil yang optimal perlu dilakukan analisa awal menggunakan baik data sumur maupun data sintetik, sehingga pengolahan data seismik dan metoda yang dipilih akan lebih terarah. Dari data sumur misalnya, dapat diketahui parameter apa yang dapat digunakan untuk diskriminasi litologi, sedangkan data sintetik dapat memberikan informasi awal mengenai reliabilitas identifikasi keberadaan fluida. Sebuah kasus spesifik dari data seismik daerah penelitian lapangan Supernova, adalah adanya dua jenis karakter data yang berbeda. Perbedaan karakter yang terdapat pada data lapangan Supernova memerlukan pengolahan data yang lebih spesifik, agar tidak terjadi kesalahan dalam melakukan analisa akhir. Karakterisasi reservoir dari data seismik dapat dilakukan dengan mengidentifikasi keberadaan fluida dan juga mengestimasi sebaran litologi. Salah satu metode yang dapat digunakan untuk tujuan identifikasi fluida adalah metode Amplitude Versus Offset (AVO), sedangkan proses diskriminasi litologi dapat dilakukan dengan terlebih dahulu melihat parameter apa saja yang dapat memisahkan litologi di daerah penelitian. Kedua informasi ini kemudian dapat digunakan sebagai acuan dalam melakukan eksplorasi lanjut pada daerah penelitian. 1.2 Tujuan Tugas akhir ini merupakan sebuah studi kasus dengan menggunakan data Lapangan Supernova. Tujuan dari tugas akhir ini adalah melakukan identifikasi fluida dan estimasi sebaran litologi, khususnya litologi sand. 1.3 Batasan masalah Beberapa batasan masalah yang digunakan dalam tugas akhir ini adalah sebagai berikut: a. Data seismik yang digunakan adalah data seismik 2D, dalam bentuk partial angle gather (near, mid, dan far angle). b. Pengolahan data difokuskan pada daerah disekitar sumur yang, dan dibatasi oleh horizon 1 (~540 ms) dan horizon 2 (~1010 ms). c. Teknik inversi yang digunakan untuk mendapatkan nilai Impedansi P dan S adalah inversi simultan. 1

10 1.4 Sistematika Pembahasan Sistematika pembahasan dalam tugas akhir ini adalah: BAB I Pendahuluan Bab ini berisikan latar belakang, tujuan, batasan masalah, dan sistematika pembahasan. BAB II Teori Dasar Bab ini menjelaskan beberapa dasar teori yang digunakan dalam penyusunan tugas akhir. BAB III Data dan Pengolahan Data Bab ini berisi penjelaskan tentang data dan proses proses apa saja yang dikerjakan dalam Tugas Akhir. BAB IV Analisa Bab ini berisikan analisa terhadap hasil proses pengolahan data. Analisa terhadap hasil uji sensitivitas untuk diskriminasi litologi, analisa proses AVO, baik pada data sintetik maupun data riil, analisa hasil inversi, dan multi-atribut. BAB V Kesimpulan dan Saran Bab akhir ini berisikan kesimpulan dari proses identifikasi fluida dan estimasi litologi yang telah dilakukan menggunakan metode inversi AVO, dan multi-atribut. II. TEORI DASAR 2.1 Phase Matching Data seismik yang telah di urutkan berdasarkan angle / offset, akan memiliki perbedaan fasa. Perbedaan fasa ini umumnya ditimbulkan oleh adanya proses atenuasi ketika gelombang merambat pada medium bawah permukaan bumi. Data angle near akan memiliki beda fasa tertentu terhadap data pada angle mid dan data far. Pada data seismik perbedaan fasa ini dapat terlihat dengan bentuk refleksi yang cenderung melengkung seiring dengan bertambahnya offset (atau angle). Tujuan dari proses phase matching adalah menghilangkan beda fasa yang dimiliki oleh data seismik, sehingga data pada angle kecil dan angle besar, memiliki fasa yang kurang lebih sama. Proses koreksi fasa mengasumsikan data angle near sebagai acuan, sehingga perlu dilakukan rotasi pada data angle mid dan far mendekati data near. Proses koreksi fasa terdiri dari dua bagian yaitu time shifting dan rotasi fasa. Proses time shifting dimulai dengan melakukan cross korelasi antara data - data angle gather. Hasil cross korelasi akan menunjukkan hubungan antara data input dengan data yang dijadikan acuan dalam bentuk informasi time lag. Besar lag antara data input dengan data acuan diperoleh dengan melihat selisih dari amplitudo terbesar (peak) dari hasil cross korelasi antar data. Informasi ini kemudian digunakan untuk melakukan pergeseran dalam domain waktu, sehingga tidak ada lag antara data near, mid dan far. Proses 2

11 selanjutnya adalah phase shifting, dimana data pada angle besar dikoreksi dengan referensi data angle kecil. Proses koreksi fasa akan membantu meningkatkan kualitas data input untuk proses selanjutnya. 2.2 Prinsip Amplitude Versus Offset (AVO) Prinsip dasar metode AVO adalah menganalisa perubahan amplitudo gelombang refleksi terhadap offset, dengan offset didefinisikan sebagai jarak antara posisi source dan receiver. Nilai offset akan berbanding lurus dengan perubahan sudut datang gelombang, sehingga metode AVO kadang disebut juga Amplitude Versus Angle (AVA). Perubahan amplitudo gelombang seismik selain dipengaruhi oleh offset juga dipengaruhi oleh parameter fisis lain, seperti Poisson Ratio (PR). Perubahan PR sendiri dipengaruhi oleh kandungan fluida yang terdapat dalam suatu medium. Kehadiran gas dalam suatu medium akan memberikan respon AVO yang berbeda beda. Rutherford dan Williams (1989) membagi AVO dalam beberapa kelas, berdasarkan litologi dan kandungan fluida dalam lapisan tersebut. Kelas pertama adalah batupasir dengan impedansi tinggi (high impedance sand) yang mengandung gas. Kelas kedua adalah batupasir yang memiliki kontras impedansi mendekati nol, sedangkan kelas ketiga adalah batupasir dengan impedansi rendah. Castagna (1998) kemudian menambahkan definisi untuk AVO anomali kelas 4, yaitu batupasir dengan impedansi rendah dengan anomali AVO yang menurun (decreasing AVO). Pembagian kelas kelas AVO secara lebih jelas dapat dilihat pada gambar berikut: Gambar 2.1 Pembagian kelas AVO-gas sand Analisa AVO dapat dilakukan dengan melihat variasi perubahan amplitudo terhadap offset pada data gather, seperti yang dijelaskan diatas. Anomali AVO dapat juga dilihat dengan menggunakan metode crossplot antara intercept dan gradient. Intercept secara umum dapat diartikan sebagai amplitudo dari refleksi dari gelombang P, sedangkan gradient adalah perubahan amplitudo terhadap jarak. Intercept mengandung informasi gelombang P, sedangkan gradient mengandung baik informasi gelombang P maupun S. Kedua 3

12 gelombang ini memliki karakteristik yang berbeda ketika merambat melalui fluida, sehingga parameter intercept dan gradient dapat digunakan untuk identifikasi fluida dalam lapisan. Crossplot antara Intercept dan gradient dapat dilihat pada gambar 2.2, dari gambar tersebut dapat kita lihat bahwa anomali dari setiap kelas kelas AVO akan dapat terdeteksi pada daerah daerah tertentu diluar garis linier wet trend. Selain melakukan crossplot data dalam bentuk intercept dan gradient, identifikasi anomali dengan metode AVO juga dapat dilakukan dengan melihat beberapa section yang dihasilkan dari proses AVO, seperti kontras poisson ratio (pseudo PR), dan reflektivitas gelombang S (pseudo S wave reflectivity). dua lapisan yang memiliki karakter fisis yang berbeda (Gambar 2.3). Persamaan ini meliputi amplitudo dari gelombang refleksi, maupun transmisi. Incident P-wave V P1, V S1, ρ 1 V P2, V S2, ρ 2 Reflected SV-wave Transmitted SV-wave Reflected P-wave Transmitted P-wave Gambar 2.3. Refleksi dan transmisi gelombang P Aki dan Richards (1980), kemudian menyederhanakan Persamaan Zoeppritz menjadi persamaan linier. Fatti et al memodifikasi persamaan liniearisasi ini dan mendapatkan hubungan koefisien refleksi P-P (R PP ) sebagai berikut, Rpp( θ ) = c1rp + c2rs+ c3rd (1) Gambar. 2.2 Crossplot Intercept dan Gradient 2.3 Persamaan Zoeppritz Persamaan Zoeppritz (1919) menjelaskan hubungan antara sudut datang (incident angle) dengan amplitudo gelombang pada batas bidang elastik dari dimana, Rp Rs = = V V P P V V S S ρ R D = ρ sedangkan koefisien dan 2 c1 = 1+ tan θ + + ρ ρ ρ ρ 2 2 c 2 = 8γ sin θ c 3 γ = 1 tan sin 2 = θ + γ θ 2 Vs Vp (2) (3) (4) 4

13 Kemudian dengan mendefinisikan reflektivitas (Rp, Rs, dan R D ) sebagai fungsi dari matriks derivative dan logaritma dari impedansi maka akan dapat dituliskan persamaan berikut, 1 1 S( θ) = cw 1 ( θ) DL + cw 2 ( θ) DL + cw 3 ( θ) DL 2 2 (5) ( ) ( ) P S D yang merupakan pengembangan dari persamaan dasar, S = W. R (6) Persamaan 5 dapat disederhanakan menjadi pesamaan berikut, ( ) ( ) S θ =Γ 1W θ DL +Γ2W θ D L + cw 3 θ D L (7) P S D dengan, W = wavelet L P = logaritma natural Impedansi P L S = logaritma natural Impedansi S L D = logaritma natural densitas θ = sudut datang dan, Γ Γ = 2 1 = c c 1 + kc2 + 2 mc Persamaan 7 merupakan persamaan dari trace seismik S pada sudut θ sebagai fungsi dari logaritma Impedansi P, Impedansi S, dan kontras densitas. Persamaan ini juga menunjukkan bahwa kita dapat mendefinisikan beberapa wavelet yang berbeda untuk sudut datang tertentu. 3 Persamaan diatas menunjukkan adanya hubungan linier antara Impedansi P, Impedansi S, dan densitas. Dengan demikian untuk setiap trace pada angle tertentu (data near, mid, far), kita dapat melakukan ekstraksi untuk memperoleh nilai Impedansi P, S, dan densitas. 2.4 Lambda-Mu-Rho Parameter Lame, Lambda-Mu-Rho adalah parameter yang dapat digunakan untuk mengkarakterisasi reservoir. Ketiga parameter ini dan kombinasinya dapat diperoleh dari nilai Impedansi gelombang P, Impedansi Gelombang S, dan densitas. Kombinasi parameter yang umumnya digunakan untuk karakterisasi reservoir adalah, Lambda-Rho(λρ), Mu-Rho (µρ), dan Lambda/Mu (λ/µ), dimana: λρ = Zp µρ = 2 Zs λ λρ = µ µρ 2Zs Inversi Seismik (8) (9) (10) Inversi Seismik didefinisikan sebagai suatu teknik untuk membangun model bawah permukaan dengan menggunakan data seismik sebagai input dan data sumur sebagai kontrol. Data seismik sebagai input dimodelkan dalam bentuk impedansi akustik (AI), yang kemudian dapat digunakan untuk 5

14 karakterisasi reservoir seperti melihat perubahan litologi, porositas, hidrokarbon, pemetaan litologi dan karakter fisik reservoir lainnya. Impedansi akustik sendiri dipengaruhi oleh beberapa faktor seperti densitas, porositas, kandungan fluida, serta dikontrol oleh cepat rambat gelombang pada medium. Impedansi akustik akan memberikan gambaran yang lebih baik tentang informasi bawah permukaan dibandingkan dengan data seismik, karena AI tidak hanya menunjukkan batas lapisan, tapi juga isi dari sebuah lapisan Inversi Simultan Inversi Simultan adalah proses inversi seismik untuk mendapatkan atribut Impedansi P, Impedansi S dan Densitas secara bersamaan (simultan), dari data input. Pada prakteknya, input data dapat berupa offset / angle gather atau beberapa angle stacked data. Input data berupa partial stack dapat digunakan untuk ekstraksi wavelet, sehingga didapatkan wavelet yang berbeda untuk setiap data gather dengan sudut datang tertentu. 2.6 Atribut seismik Atribut seismik didefinisikan sebagai ukuran ukuran geometri, kinematik, dinamik atau ciri statistik yang diturunkan dari data seismik (Q.Chen, S.Sidney, 1997). Atribut seismik bertujuan untuk menampilkan beberapa informasi yang tidak dapat dilihat langsung dari data seismik konvensional. Beberapa atribut seismik yang sering digunakan adalah, instantaneous attributes, filter attributes, derivative attributes, dan integrated attributes. Instantaneous attributes dihitung berdasarkan trace seismik kompleks. Trace seismik kompleks sendiri diasumsikan tersusun dari trace seismik konvensional dan transformasi Hilbert, seperti pada persamaan berikut (M.T. Taner, dkk, 1979) C (t) = s( t) + ih( t) = A( t) e iφ ( t) = A( t) cosφ( t) + ia( t) sin φ(t) (11) dimana : C(t) = trace seismik kompleks s(t) = trace seismik konvensional h(t) = transformasi Hilbert (90 0 dari s(t)) Dari persamaan diatas dapat dilihat bahwa trace seismik kompleks merupakan penjumlahan dari bagian riil (trace seismik konvensional), dan bagian imajiner (transformasi Hilbert). Bentuk akhir persamaan tersebut juga menunjukkan bahwa analisa trace kompleks dapat digunakan untuk menurunkan instantaneous attributes, yaitu instantaneous amplitude, A(t), dan instantaneous phase, φ (t). Sedangkan atribut instantaneous frequency, dapat 6

15 diperoleh dengan menghitung turunan terhadap waktu dari atribut instantaneous phase. Filter attributes, adalah atribut seismik yang diperoleh dengan menerapkan filter bandpass terhadap data seismik. Filter bandpass dibuat dengan nilai batas frekuensi yang bervariasi dari nilai frekuensi rendah (5-10 Hz) sampai frekuensi tinggi (65-70 Hz). Derivative attributes diperoleh dengan menghitung turunan pertama maupun kedua dari trace seismik atau amplitude envelope. Persamaan dibawah ini menunjukkan proses perhitungan yang dilakukan untuk memperoleh turunan pertama maupun turunan kedua, d1 i d2 si s = t i 1, (12) (13) t d1i d1i 1 si 2si 1 si 2 i = = 2 t dimana: s i = sampel ke-i dari seismik atau amplitude envelope d1 i = turunan pertama pada sampel ke-i d2 i = turunan kedua pada sampel ke-i t = sample rate Integrated attributes adalah atribut seismik yang diperoleh dengan proses integrasi. Perhitungan nilai atribut ini dapat dilakukan dengan persamaan berikut, I (14) i = si + I i 1 dimana: s i = sampel ke-i dari seismik atau amplitude envelope I i = nilai integrasi Multi Atribut Seismik Metode multi attribute adalah metode yang digunakan untuk memprediksi volume dari log properties, seperti porositas, densitas, saturasi air, dan gamma ray. Metode ini dimulai dengan mencari hubungan antara data log dengan data seismik (atribut seismik) pada posisi log. Hubungan ini yang kemudian digunakan untuk memprediksi volume dari properties log yang dicari Regresi Linier Umum Prediksi properties dari data sumur menggunakan metode multi - atribut seismik dengan regresi linier umum dapat digambarkan oleh persamaan berikut: L(t) = w 0 +w 1 A 1 (t)+w 2 A 2 (t)+...+w N A N (t) (15) dimana: L(t) = log properties atau target log A(t) = atribut seismik w 0 = konstanta w i = bobot, i = 1, 2,...N L(t) adalah nilai target log tiap sampel t, sehingga merupakan variabel yang nilainya diketahui. A(t) adalah atribut atribut seismik yang digunakan untuk memprediksikan nilai log properties, 7

16 sehingga juga merupakan variabel yang diketahui nilainya. Dari persamaan diatas dapat dilihat bahwa proses multi-atribut dengan regresi linier umum pada dasarnya adalah upaya untuk mencari nilai bobot tertentu, sehingga perkalian antara bobot tersebut dengan atribut seismik akan memberikan nilai terbaik atau terdekat dengan nilai target log. Penjelasan lebih detail mengenai regresi linier umum dapat dilihat pada lampiran Step Wise Regression Metode yang digunakan untuk pemilihan kombinasi atribut seismik terbaik memanfaatkan teknik step wise regression. Secara teknis metode step wise regression melakukan pencarian kombinasi atribut terbaik dengan langkah langkah sebagai berikut: 1. Metode ini akan mencari atribut terbaik secara komprehensif dari semua atribut yang mungkin. Atribut terbaik dipilih jika memiliki nilai error prediksi terkecil. 2. Langkah berikutnya adalah mencari pasangan (2 buah) atribut terbaik, dimana salah satu atribut yang dipilih adalah hasil dari proses pemilihan di langkah pertama (atribut 1). 3. Langkah ketiga adalah mencari 3 buah atribut terbaik, dimana 2 buah atribut lainnya diambil dari atribut yang diperoleh dari hasil 2 langkah sebelumnya (atribut 1 dan atribut 2). Proses ini dilakukan hingga jumlah atribut yang diinginkan terpenuhi. Pada setiap proses pencarian atribut, atribut terbaik yang dipilih adalah atribut dengan error prediksi terendah. Keuntungan dari proses ini adalah waktu komputasi yang lebih singkat dibandingkan dengan pemilihan kombinasi atribut secara komprehensif. Walau demikian atribut terbaik yang terpilih dengan menggunakan metode ini belum tentu merupakan kombinasi atribut yang lebih baik dibandingkan dengan metode pemilhan atribut secara komprehensif. III. DATA DAN PENGOLAHAN DATA 3.1 Data Data yang digunakan dalam tugas akhir ini adalah data daerah Supernova (bukan nama sebenarnya), yang terdiri dari: 1. Data seismik 2D, yang merupakan data dalam bentuk partial angle gather dengan pembagian sudut: a. Near Angle: b. Mid Angle: c. Far angle:

17 2. 1 data sumur, yang terdiri dari beberapa log seperti log sonic-p dan sonic-s, densitas, gamma ray, porositas, dan permeabilitas. Pengolahan data yang dilakukan pada tugas akhir ini terdiri atas beberapa bagian, yaitu pengolahan data sumur, pengolahan data menggunakan data sintetik, preconditioning data seismik, dan pengolahan data seismik riil. Secara umum pengolahan data ditunjukan oleh flowchart seperti yang digambarkan pada lampiran Pengolahan data Sumur Pengolahan data sumur meliputi proses uji sensitivitas, dan AVO modeling. Uji sensitivitas bertujuan untuk melihat parameter apa yang dapat digunakan untuk diskriminasi litologi daerah penelitian, sedangkan AVO modeling dilakukan pada data sumur untuk melihat hubungan linieritas antara data Gamma Ray dengan impedansi Uji Sensitivitas Daerah penelitian memiliki kombinasi litologi sand dan shale, diskriminasi kedua jenis litologi ini dilakukan dengan melihat hasil crossplot dari data data sumur. Crossplot dilakukan dengan color key Water Saturation, dimana daerah target (sand) diasumsikan akan memiliki nilai saturasi air yang rendah. Sedangkan shale akan diwakili oleh data dengan nilai saturasi air tinggi (warna hijau) Crossplot Densitas Gamma Ray Hasil crossplot antara Densitas dan Gamma Ray (Gambar 1a, pada lampiran), menunjukkan bahwa daerah target (sand) dapat dipisahkan oleh parameter Gamma ray, yaitu pada API. Sedangkan pada parameter densitas dapat kita lihat bahwa sand dan shale memiliki sebaran nilai densitas yang merata baik pada nilai densitas tinggi maupun rendah. Hal ini menunjukkan bahwa parameter Densitas tidak dapat digunakan untuk memisahkan sand dari shale Crossplot Densitas - Lambda-Rho Daerah sand dan shale pada crossplot Densitas dan Lambda-Rho tidak dapat terpisahkan, bahkan dari hasil crossplot (gambar 1b) dapat kita lihat bahwa daerah sand dan shale saling menumpuk. Hal ini menunjukkan parameter Lambda-Rho tidak dapat digunakan untuk memisahkan litologi Crossplot Densitas - Mu-Rho Dari hasil crossplot antara Densitas dan Mu-Rho (gambar 1c), dapat kita lihat bahwa shale (saturasi air tinggi) tersebar baik pada nilai Mu-Rho tinggi maupun rendah. Sedangkan nilai densitas antara sand dan shale juga masih bercampur. Dengan 9

18 demikian penggunaan parameter Mu Rho sendiri tidak dapat digunakan untuk memisahkan litologi sand dan shale. Walaupun demikian, penggunaan dua parameter ini secara bersamaan menunjukan bahwa daerah taget masih dapat dipisahkan dari shale (lingkaran biru pada gambar) Crossplot Densitas - Lambda/Mu Hasil crossplot antara densitas dengan beberapa parameter sebelumnya menunjukkan bahwa densitas tidak dapat digunakan untuk memisahkan litologi. Crossplot antara densitas dan Parameter Lambda/Mu ditunjukkan pada gambar 1d. Dari gambar tersebut terlihat bahwa litologi sand pada umumnya berada pada area nilai Lambda/Mu rendah, sedangkan shale pada nilai Lambda/Mu tinggi. Sementara itu litologi shale tersebar pada nilai densitas rendah maupun tinggi. Dapat disimpulkan bahwa parameter Lambda/Mu dapat digunakan untuk memisahkan litologi dengan cukup baik Crossplot Lambda/Mu - Gamma Ray Hasil crossplot antara data log Gamma Ray dan Lambda/Mu tampak pada gambar 1e. Dari gambar tersebut dapat kita lihat bahwa litologi sand yang memiliki nilai Gamma Ray rendah, cenderung memiliki nilai Lambda/Mu yang rendah, sedangkan litologi shale cenderung memiliki nilai Lambda/Mu tinggi. Hal ini menunjukkan bahwa nilai Lambda/Mu dapat memisahkan litologi sand dari litologi shale. Dari hasil crossplot Lambda/Mu dengan Gamma Ray, dapat dilakukan pengelompokan untuk memisahkan antara daerah target sand dengan shale seperti yang ditandai oleh zona merah pada gambar crossplot. Hasil pengelompokan ini dapat kita lihat dalam bentuk cross section, dimana daerah target ditandai oleh blok berwarna merah pada data log (gambar 3) Crossplot Impedansi P Impedansi S Hasil crossplot impedansi P dan impedansi S pada gambar 2a, menunjukkan bahwa daerah target sand hanya dapat dipisahkan dengan shale jika dilakukan zonasi dengan menggunakan kedua parameter secara bersama - sama. Sedangkan penggunaan parameter secara terpisah tidak dapat memisahkan litologi sand dan shale Crossplot Gamma Ray Impedansi P Crossplot antara log Gamma Ray dan log impedansi P seperti yang terlihat pada gambar 2b, menunjukkan adanya perbedaan trend pada data penelitian. Perbedaan ini menunjukan dua karakter 10

19 data yang berbeda yaitu litologi sand dengan impedansi tinggi pada bagian atas dan litologi sand dengan impedansi rendah pada bagian bawah, dengan batas antara bagian atas dan bawah ~ 4000 ft, atau sekitar 820 ms. 3.3 Pengolahan Data Sesimik Pengolahan data seismik terbagi dalam preconditioning data seismik, proses pengikatan data sumur terhadap data seismik, pengolahan data seismik sintetik, dan pengolahan data seismik riil termasuk proses AVO, inversi simultan, dan multi atribut seismik Preconditioning data seismik Data seismik yang merupakan data dalam bentuk partial angle gather, memiliki perbedaan fasa pada masing masing angle gather. Data pada gather near memiliki perbedaan fasa dengan data pada angle mid dan far Filter F-K Data seismik daerah Supernova, masih mengandung bising (noise). Noise yang ada pada data ini dapat dilihat dari beberapa refleksi yang berulang dan memiliki kesamaan bentuk dengan refleksi sebelumnya (multiple). Filter F-K diaplikasikan pada data dengan tujuan menghilangkan noise, sehingga tidak terjadi mis-interpretasi dalam proses proses selanjutnya. Filter dibuat dengan mendefinisikan rejection zones, atau daerah yang akan dibuang, pada data dalam domain Frekuensi (F) Bilangan Gelombang (K). Pendefinisian filter berbeda beda untuk masing masing data near, mid dan far angle. Gambar 4 membandingkan data pada angle near sebelum proses filter dengan data sesudah dikenai filter F-K Phase Matching Proses phase matching dilakukan pada data mid dan far angle, dengan acuan data pada angle near. Phase shifting bertujuan untuk melakukan pergeseran fasa pada data, sehingga data pada angle besar memiliki fasa yang kurang lebih sama dengan fasa data pada angle near. Proses ini dimulai dengan melakukan auto-correlation antara data input dengan data acuan (near angle). Hasil autocorrelation akan memberikan informasi lag time antar data, data input kemudian di geser dalam domain waktu sebesar nilai lag yang diperoleh. Setelah melakukan pergeseran dalam domain waktu, maka proses selanjutnya adalah rotasi fasa, sehingga data keluaran yang diperoleh memiliki lineasi yang cukup baik dengan data acuan. Contoh proses ini dapat dilihat pada gambar 5, dimana phase matching dilakukan pada satu trace dari data angle mid. 11

20 Data gather yang telah mengalami kedua proses diatas kemudian digunakan sebagai input pada proses proses selanjutnya Well to Seismic Tie Data sumur berfungsi sebagai kontrol dalam proses inversi seismik. Proses well to seismic tie, adalah proses yang bertujuan untuk mengikatkan data sumur pada data seismik setelah dilakukan proses check-shot, sehingga data sumur dapat ditempatkan di posisi yang benar pada data seismik. Pada prakteknya, pengikatan data sumur ke data seismik, dilakukan dengan melihat kesamaan respon antara trace sintetik yang dikalkulasi dari data sumur, dengan data seismik dalam bentuk composite trace yang telah melalui proses checkshot correction. Checkshot correction merupakan proses untuk mendapatkan nilai konversi dari domain kedalaman ke domain waktu atau sebaliknya, sedangkan trace komposit didefinisikan sebagai rata rata dari sejumlah trace yang berdekatan disekitar sumur. Pada tugas akhir ini, data sesimik yang digunakan untuk proses pengikatan data sumur hanya data seismik pada angle near. Hal ini dilakukan karena data angle near dianggap sebagai data yang paling representatif. Sebelum melakukan proses stretch dan squeeze, terlebih dahulu dilakukan ekstraksi wavelet secara statistik, wavelet hasil ektraksi ini kemudian dikonvolusikan dengan nilai reflektivitas dari data sumur untuk membentuk trace sintetik. Dari hasil well to seismic tie, didapatkan korelasi optimum sebesar 0.73 atau sekitar 73 % (Gambar 6) AVO Modeling Proses ini bertujuan untuk melihat respon AVO, baik berupa reflektivitas P dan S maupun intercept (P) dan gradient (G) yang dihasilkan dari pemodelan trace berdasarkan data sumur. Pemodelan yang pertama adalah reflektivitas P dan S yang didapatkan dengan memanfaatkan persamaan Fatti (persamaan 1). Hasil pemodelan ini kemudian ditampilkan dalam bentuk integrated trace, dimana bentuk ini akan menggambarkan impedansi dari data reflektivitas P (gambar 7). Pemodelan data sintetik dibuat dengan memanfaatkan persamaan Aki Richards, yang merupakan fungsi dari kecepatan gelombang P, kecepatan gelombang S, dan densitas. Data sintetik ini kemudian diproses untuk menghasilkan respon Intercept dan Gradient. Respon Intercept dan gradient dari data sintetik seperti tampak pada gambar 8a, digunakan sebagai acuan untuk dibandingkan dengan respon AVO dari data riil. Secara teoritis, 12

21 data riil seharusnya memiliki respon AVO yang tidak jauh berbeda dari data sintetik yang telah dibuat sebelumnya, karena pembuatan data sintetik memanfaatkan data well yang memiliki frekuensi lebih tinggi daripada data seismik (data riil) Pengolahan AVO Data Riil Data yang digunakan untuk melakukan proses AVO adalah, data partial angle stack yang telah melalui proses Filter (F-K), dan phase correction. Pada tugas akhir ini proses AVO dilakukan dengan mengasumsikan data near stack sebagai intercept sedangkan data far stack dikurangi near stack diasumsikan sebagai pseudo gradient. Data near stack dapat diasumsikan sebagai intercept karena data near dianggap lebih representatif menggambarkan polaritas data seismik, sedangkan pseudo-gradient diperoleh dengan terlebih dahulu melakukan proses matematis dengan mengurangkan data far dengan data near. Respon Intercept dan gradient (P*G) dari data riil dapat dilihat pada gambar 8b. Pada awalnya intercept dan gradient dari data riil menunjukkan respon yang sedikit berbeda dengan respon dari data sintetik. Seperti yang telah dibahas pada sub bab sebelumnya, data sintetik memiliki frekuensi yang lebih tinggi karena dimodelkan berdasarkan data sumur, sehingga untuk mendapatkan respon yang lebih representatif maka pemodelan dilakukan dengan menggunakan input wavelet 30 Hz. Respon AVO yang dibentuk dari data riil yang berbentuk partial angle stack mengandung perbedaan fasa, sehingga intercept dan gradient dari data riil akan memberikan nilai yang kurang tepat. Untuk mendapatkan respon AVO yang tepat, maka dilakukan rotasi pada data riil sebesar 30 0 dengan acuan data sintetik, sehingga menyerupai respon P*G dari data sintetik Ekstraksi Wavelet Persamaan 3 pada bab teori dasar menunjukkan bahwa untuk trace seismik pada sudut tertentu, kita dapat mendefinisikan beberapa wavelet yang berbeda sesuai dengan range sudut datang dari data seismik. Dalam metode inversi simultan, data input yang digunakan adalah data partial angle yang telah distack. Wavelet yang akan digunakan dalam proses inversi diperoleh dengan melakukan ekstraksi dari setiap data partial stack tersebut, sehingga diperoleh 3 jenis wavelet seperti pada gambar

22 yang menggambarkan acoustic impedance, shear impedance dan densitas. Gambar 3.1 Wavelet (untuk Near, mid dan far) yang digunakan dalam proses inversi Model Awal Proses Inversi seismik dimulai dengan mendefinisikan model awal untuk impedansi P, impedansi S, dan densitas. Model awal dibentuk menggunakan data sumur, yaitu log V P, V S dan log densitas dengan bantuan horizon untuk informasi struktur geologi dari data seismik. Selain ketiga log diatas pembuatan model awal juga membutuhkan log impedansi P dan S yang dapat dibuat dengan mengalikan log sonic dengan densitas. Model awal yang dibuat pada umumnya adalah model dengan frekuensi rendah, model ini kemudian akan di modifikasi sesuai jumlah iterasi (parameter inversi) hingga diperoleh hasil akhir, yaitu model geologi Parameter Inversi Beberapa parameter inversi simultan yang harus didefinisikan terlebih dahulu antara lain, koefisien regresi yang menghubungkan impedansi P dengan impedansi S, koefisien regresi yang menghubungkan impedansi P dengan densitas, nilai perbandingan V S dan V P (γ), dan beberapa parameter lain seperti jumlah iterasi, nilai bobot, dan skala inversi. Pendefinisian parameter koefisien regresi dilakukan dengan melihat hasil crossplot antara nilai logaritma natural dari impedansi P, impedansi S dan densitas (gambar 9b). Dengan melihat trend kemiringan dari hasil crossplot impedansi P dan impedansi S, didapatkan nilai koefisien k = , dan kc = , sedangkan dari hasil crossplot impedansi P dengan densitas, didapatkan nilai koefisien m = dan mc = Nilai perbandingan V S dan V P atau γ pada umumnya memiliki nilai 0.5, tetapi untuk mendapat nilai yang lebih akurat dapat dilakukan dengan menghitung nilai rata rata dari perbandingan antara data log sonic S-wave dan log sonic P-wave Inversi Simultan Proses inversi simultan menggunakan data stack CDP sebagai 14

23 input. Data stack CDP terbagi atas data near angle ( ), mid angle ( ), dan far angle ( ), ketiga data ini akan diinversikan secara bersamaan untuk menghasilkan impedansi P, impedansi S, dan densitas. Proses inversi dimulai dengan model awal yang kemudian diupdate hingga didapatkan hasil akhir (gambar 10 dan 11). Proses inversi tidak dilakukan pada seluruh data seismik, namun lebih di-fokuskan pada target formasi yang dibatasi oleh dua horizon. Proses inversi dilakukan dari horizon 1 hingga horizon 2 dengan tambahan 200 ms dari masing masing horizon. Hasil Inversi simultan kemudian digunakan sebagai input (atribut eksternal) untuk proses multi-attribut Multi Atribut Seismik Estimasi distribusi litologi dilakukan dengan menggunakan metode seismik multi atribut. Proses multi atribut terdiri dari dua tahapan utama yaitu, pencarian kombinasi atribut terbaik dan kemudian penerapan atribut tersebut pada data seismik. Pencarian kombinasi atribut terbaik menggunakan prinsip step wise regression seperti yang dijelaskan pada bab teori dasar. Kombinasi atribut yang dipilih adalah atribut yang memiliki korelasi yang kurang lebih liner dengan target yang akan diprediksi, yaitu log Gamma Ray. Hubungan ini digambarkan oleh pemilihan atribut dengan nilai prediksi error terkecil, dimana nilai prediksi error kecil merepresentasikan korelasi yang tinggi antara atribut seismik dengan target log. Pemilihan atribut dilakukan dengan melibatkan baik atribut internal maupun atribut eksternal. Pemilihan atribut melibatkan semua atribut internal yang tersedia pada program Emerge (Humpson Russel) kecuali beberapa atribut seperti, atribut time, x coordinate, y coordinate, dominant frequency, dan average frequency, sedangkan hasil inversi simultan berupa impedansi P (Z P ) dan impedansi S (Z S ) digunakan sebagai atribut eksternal. Daftar atribut atribut yang digunakan dalam proses multi atribut dapat dilihat pada gambar 12, perbandingan log gamma ray dengan nilai predicted gamma ray pada gambar 13, dan hasil multi atribut pada gambar 14. IV. ANALISA 4.1 Analisa Diskriminasi Litologi Hasil uji sensitivitas dengan melakukan crossplot pada data sumur menunjukkan bahwa parameter Lambda/Mu dapat memisahkan litologi sand dan shale dengan cukup baik. Dari hasil crossplot Lambda/Mu terhadap Gamma Ray dilakukan zonasi daerah target, dengan mengasumsikan sand dan 15

24 shale dipisahkan dengan nilai cut off gamma ray sebesar 75 API, dan nilai Lambda/Mu dibawah Hasil zonasi dapat dilihat dengan lebih jelas pada crosssection (Gambar 3). Penampang data sumur tersebut menunjukkan beberapa daerah target berupa litologi sand yang berpotensi sebagai reservoir. Walaupun hasil crossplot menunjukkan parameter Lambda/Mu dapat memisahkan litologi, data log dari parameter ini menunjukkan perubahan nilai yang kecil antara sand dan shale, sehingga akan tetap sulit untuk memisahkan litologi secara jelas. Jika dibandingkan dengan data log gamma ray maka akan terlihat bahwa untuk perubahan nilai gamma ray lebih signifikan (litologi sand - shale) dibandingkan perubahan nilai log parameter Lambda/ Mu. Hal ini menunjukkan bahwa parameter Lamba/Mu tidak cukup signifikan dalam memisahkan litologi. Sementara itu gamma ray dapat memisahkan litologi dengan cukup baik, sehingga langkah selanjutnya yang mungkin dilakukan adalah melihat distribusi litologi berdasarkan gamma ray dengan metode Multi-attribute. Dari Hasil crossplot gamma ray dan impedansi akustik, dapat dilihat bahwa data penelitian memiliki dua karakter litologi yang berbeda yang terpisahkan pada nilai kedalaman ~ 4000 ft. Perbedaan karakter litologi ini dapat dilihat dari adanya trend yang berbeda pada data diatas 4000 ft (bagian atas) dengan data dibawah 4000 ft (bagian bawah). Data bagian atas menunjukkan bahwa nilai gamma ray tinggi (shale) memiliki kisaran nilai impedansi yang rendah, sedangkan nilai gamma ray rendah (sand) memiliki kisaran nilai impedansi tinggi. Pada bagian bawah, data dengan nilai gamma ray tinggi (shale) memiliki nilai impedansi tinggi, sedangkan sebaliknya data dengan nilai gamma ray rendah (sand) memiliki nilai impedansi rendah. Hal ini berarti data penelitian memiliki 2 karakter litologi yang berbeda, dimana data bagian atas adalah data sand dengan nilai impedansi tinggi sedangkan data bagian bawah adalah sand dengan nilai impedansi rendah. 4.2 Analisa AVO Analisa AVO dilakukan baik pada data seismik sintetik maupun data seismik riil. Analisa dari hasil pemodelan AVO terdiri dari dua bagian, yaitu analisa hasil pemodelan dalam bentuk reflektivitas, dan hasil pemodelan dalam bentuk intercept dan gradient. Gambar 7 menunjukkan hasil pemodelan AVO dalam bentuk reflektivitas yang ditampilkan dalam bentuk integrated trace (menggambarkan impedansi). Seperti yang telah dibahas pada analisa diskriminasi litologi, dari gambar tersebut dapat dilihat bahwa data 16

25 penelitian memiliki dua karakter data yang berbeda, yaitu sand dengan impedansi tinggi pada data bagian atas dan sand dengan impedansi rendah pada data bagian bawah. Selain itu, hasil pemodelan ini juga menunjukkan hubungan yang linier antara nilai impedansi dengan nilai gamma ray, sehingga diperoleh kesimpulan sementara bahwa atribut impedansi dapat digunakan sebagai atribut eksternal untuk memprediksi log gamma ray. Pemodelan AVO menggunakan data sumur juga dilakukan untuk mendapatkan nilai intercept dan gradient. Target dari data penelitian adalah lapisan sand yang terisi gas, sehingga respon AVO yang diharapkan dari atribut intercept yang dikalikan dengan atribut gradient bernilai positif baik pada top maupun base dari lapisan target. Dari hasil pemodelan AVO dapat dilihat bahwa top dan base menunjukkan respon yang positif pada lapisan sand S 3 (~940 ms). Tidak berbeda jauh dengan data sintetik, proses AVO untuk data riil juga menunjukkan beberapa respon yang positif, khususnya pada top dari lapisan sand S Analisa Inversi Simultan Gambar 9a menunjukkan analisa terhadap data didaerah well, perbandingan antara kurva log dengan kurva hasil inversi menunjukkan korelasi yang cukup baik. Proses analisa hasil inversi pada daerah well ini dapat digunakan untuk melihat apakah parameter paramerter yang digunakan sudah cukup optimal untuk proses inversi. Dari hasil inversi dapat dilihat bahwa data seismik memiliki korelasi yang baik dengan data sumur. Hasil inversi impedansi P dengan data sumur memiliki korelasi yang baik, beberapa respon yang terlihat memiliki korelasi tinggi antara lain seperti pada daerah 725 ms dimana nilai impedansi antara well dengan hasil inversi ~7200 m/s.g/cc. Hal serupa juga tampak pada daerah 850 ms, 920 ms, dan 950 ms. Hasil inversi impedansi S dengan data sumur (Impedansi S) juga menunjukkan korelasi yang cukup tinggi. Hal ini dapat dilihat pada beberapa daerah, seperti 730 ms, 850 ms, dan beberapa daerah lainnya. Inversi simultan juga dilakukan terhadap data densitas, karena data gather memiliki angle yang cukup besar. Dari hasil inversi yang terlihat pada gambar 11, dapat dilihat bahwa korelasi antara densitas hasil inversi dengan nilai densitas pada data sumur, cukup tinggi hampir di setiap posisi kedalaman (domain waktu). Hasil inversi simultan kemudian digunakan sebagai atribut eksternal untuk prediksi log gamma ray. 4.4 Analisa Multi atribut Tujuan akhir dari tugas akhir ini adalah melihat sebaran litologi sand pada 17

26 daerah sumur. Untuk tujuan tersebut dilakukan proses multi atribut dengan target log gamma ray, dimana nilai gamma ray berasosiasi dengan litologi sand shale. Pencarian atribut-atribut terbaik dalam proses multi-atribut menggunakan metode step-wise regression. Dari proses pencarian atribut didapatkan sejumlah atribut seperti pada gambar 12, keenam atribut yang didapat kemudian digunakan untuk memprediksikan nilai log gamma ray pada area sekitar sumur. Hasil crossplot antara nilai log gamma ray dengan nilai prediksi gamma ray menunjukkan korelasi yang baik yaitu 73% (gambar 13). Hasil penerapan metode multi atribut untuk prediksi litologi dapat dilihat pada gambar 14. Pada gambar tersebut terlihat distribusi dari litologi shale lebih terkonsentrasi pada bagian atas dari data penelitian, sedangkan bagian bawah data lebih didominasi oleh litologi sand. Secara lebih spesifik dapat kita lihat juga sebaran daerah target (sand) yang berpotensi sebagai reservoir, pada kedalaman 830 ms, 900 ms, dan 940 ms. V. KESIMPULAN 5.1 Kesimpulan Dari beberapa eksperimen yang dilakukan pada tugas akhir ini, dapat ditarik beberapa kesimpulan, yaitu: 1. Koreksi fasa perlu dilakukan pada data mid dan far, sehingga data pada angle / offset besar memiliki kontinuasi fasa yang baik dengan data pada angle kecil. 2. Pada kasus ini, hubungan linier antara log gamma ray dengan impedansi yang cukup baik, menunjukkan bahwa impedansi dapat digunakan sebagai atribut eksternal untuk prediksi gamma ray. 3. Identifikasi fluida dengan metode Inversi AVO, menunjukkan litologi sand S 3 merupakan daerah target yang berpotensi sebagai reservoir. 4. Metode multi atribut dapat digunakan untuk mengestimasi sebaran litologi sand shale pada daerah penelitian Lapangan Supernova. 5. Sebaran litologi sand yang berpotensi sebagai reservoir terdapat pada bagian bawah data (sand dengan impedansi rendah). DAFTAR PUSTAKA 1. Chen, Q., Sidney, S., 1997, Seismic Attribute Technology for Reservoir Forecasting and Monitoring: The Leading Edge, 16,

27 2. Dalimunthe, I., 2005, Estimasi Sebaran Fluida dan Litologi dengan Menggunakan Hasil Analisa AVO dan Inversi LamdaMuRho (LMR) Pada U1 Sand dan U2 Sand Lapangan Juve, Program Studi Geofisika, Institut Teknologi Bandung. 3. Gulo, M., 2006, Estimasi Parameter Lambda Mu Rho Menggunakan Metode Inversi Simultan, Program Studi Geofisika, Institut Teknologi Bandung. 4. Hampson, D.P., Schuelke, J.S., Quirein, J.A., 2001, Use of Multiattribute Transform to Predict Log Properties from Seismic Data: Geophysics, 66, Putra, R.P., 2005, Estimasi Porositas Menggunakan Analisa Multiatribut dan Neural Network Pada Reservoar Karbonat Lapangan Mendeh, Program Studi Geofisika, Institut Teknologi Bandung. 6. Russell, B., 1999, An AVO Primer, AAPG Explorer 7. Russell, B., 2004, Guide To Strata Simultaneous Inversion, HRS manual, Taner, M.T., Scheulke, J.S., O Doherty, R., Baysal, E., 1994, Seismic Attributes revisited, Society of Exploration Geophysicist. 9. Yilmaz, O., 1987, Seismic Data Processing, Society of Exploration Geophysicists, USA 19

28 LAMPIRAN 20

29 LAMPIRAN 1 Regresi Linier Umum Regresi linier umum dalam metode multi atribut, dapat digambarkan oleh persamaan dibawah ini, L(t) = w 0 +w 1 A 1 (t)+w 2 A 2 (t)+...+w N A N (t), (1) Persamaan diatas berarti prediksi dari suatu log properties dengan sampel t, dapat dilakukan dengan menjumlahkan atribut atribut yang diberi nilai bobot tertentu. Untuk suatu kasus dimana terdapat N sampel data sumur, dengan 3 buah atribut, persamaan 1 dapat dituliskan menjadi: L 1 = w 0 + w 1 A 11 + w 2 A 21 + w 3 A 31 L 2 = w 0 + w 1 A 12 + w 2 A 22 + w 3 A 32 L 3 = w 0 + w 1 A 13 + w 2 A 23 + w 3 A 33 : : : : : L N = w 0 + w 1 A 1N + w 2 A 2N + w 3 A 3N, (2) dimana A in adalah atribut ke i pada sampel N. Persamaan 2 diatas dapat juga dituliskan dalam bentuk persamaan matriks, seperti dibawah ini, L L L L atau N = 1 A 1 A 1 A : 1 A : 1 N A A A A : A A A 2 N A : 3 N w w w w (3) L = AW, (4) dengan L adalah matriks dengan orde Nx1, yang nilainya telah diketahui, A adalah matriks Nx4 yang merupakan nilai dari atribut, dan W adalah matriks 4x1 yang merupakan bobot dari setiap atribut yang digunakan, dengan nilai yang belum diketahui. Untuk menyelesaikan persamaan 4, dengan matriks W merupakan matriks yang dicari nilainya, dapat digunakan persamaan berikut: W = [ A T A ] -1 A T L (5) atau dalam persamaan matriks dapat dituliskan sebagai berikut, w w w w = N A 1i A 2i A 3i A 1i A 2 1i A 1i A 2i A 1i A 3i A 2i A 1i A 2i A 2 2i A 2i A 3i A 3i A 1i A 3i A 2i A 3i A 2 3i ΣLi x ΣA1 ili (6) ΣA 2iLi ΣA3 ili 20

30 LAMPIRAN 2 Flowchart Pengolahan data. 21

31 LAMPIRAN GAMBAR 22

32 a b c d Gambar 1. Diskriminasi Litologi dengan metode crossplot. a. Densitas Gamma Ray, b. Densitas Lambda Rho, c. Densitas Mu Rho, d. Densitas Lambda / Mu, e. Lambda / Mu Gamma Ray. e 23

33 a b Gambar 2. Diskriminasi Litologi dengan metode crossplot. a. Impedansi P Impedansi S, b. Impedansi P - Gamma Ray, data dengan warna jingga adalah daerah bagian atas, sedangkan data berwarna hijau adalah bagian bawah. S 1 S 2 S 3 Gambar 3. Cross section pada data sumur yang menunjukan beberapa sand potensial S 1, S 2, dan S 3. 24