NOVRIANTO PAMILWA CITAJAYA

Transkripsi

1 EVALUASI PENERAPAN METODA INVERSI IMPEDANSI AKUSTIK DAN MULTIATRIBUT NEURAL NETWORK UNTUK PEMODELAN DISTRIBUSI CHANNEL DAN POROSITAS STUDI KASUS : LAPANGAN BLACKFOOT ALBERTA CANADA TUGAS AKHIR Diajukan sebagai salah satu syarat untuk menempuh ujian strata satu Program Studi Teknik Geofisika Institut Teknologi Bandung Oleh : NOVRIANTO PAMILWA CITAJAYA Program Studi Teknik Geofisika Fakultas Teknik Pertambangan dan Perminyakan Institut Teknologi Bandung 2008

2 EVALUASI PENERAPAN METODA INVERSI IMPEDANSI AKUSTIK DAN MULTIATRIBUT NEURAL NETWORK UNTUK PEMODELAN DISTRIBUSI POROSITAS STUDI KASUS : LAPANGAN BLACKFOOT ALBERTA CANADA TUGAS AKHIR Diajukan sebagai salah satu syarat untuk menempuh ujian strata satu Program Studi Teknik Geofisika Institut Teknologi Bandung Oleh : NOVRIANTO PAMILWA Pembimbing I Pembimbing II Dr. Sigit Sukmono Dr. Mohammad Rachmat Sule NIP : NIP: Program Studi Teknik Geofisika Fakultas Teknik Pertambangan dan Perminyakan Institut Teknologi Bandung 2008

3 iii ABSTRAK Skripsi ini membahas evaluasi multiatribut dari data seismik atribut dan data log. Hasil yang telah di capai akan di bandingkan dengan hasil seismik inversi konvensional untuk memodelkan penyebaran channel dan distribusi porositas. Data yang digunakan adalah set data training daerah Blackfoot dari Hampson Russell Software Service. Metode multiatribut dalam penelitian ini dilakukan untuk memprediksi log porositas. Jumlah atribut yang digunakan di tentukan oleh proses step wise regression. Operator konvolusi digunakan untuk menyelesaikan masalah perbedaan frekuensi antara data seismik dan data log. Metode multiatribut yang linier transformasinya terdiri dari deret bobot yang diperoleh dari minimalisasi least square. Pada metoda non linier, Neural Network di gunakan dalam proses training dengan menggunakan atribut yang sudah ditentukan sebelumnya. Tiga tipe Neural Network yang dilakukan dalam studi ini adalah MLFN, PNN, dan RBF. PNN menjadi pilihan neural network utama karena mempunyai korelasi yang paling tinggi. Untuk mengetahui tingkat kepercayaan dari transformasi multi atribut dilakukan proses crossvalidasi. Dalam proses ini, setiap sumur secara sistematis tidak dipakai dalam proses training, dan transformasi diturunkan kembali dari well yang tersisa. Error validasi adalah rata-rata error dari semua well yang tidak digunakan. Error validasi mengukur error prediksi pada saat transformasi digunakan pada volume seismik. Metoda model based digunakan pada inversi seismik konvensional. Hasil yang diperoleh menunjukkan bahwa Metoda multiatribut Neural Network menghasilkan prediksi distribusi porositas pada top channel dan hasil seismik inversi AI dapat menggambarkan model distribusi channel.

4 Abstract This thesis will discuss about multiattribute evaluation from seismic attribute and log property. The result will be compared with conventional seismic inversion method to modeling channel delineation and porosity prediction. Blackfoot training data set from Hampson Russell Software Service used for this study. Multiatrribute method used to predict porosity logs. The objective is to derive a multiattribute transform, which is a linear or nonlinear transform between a subset of the attributes and the target log values then we compare the result with conventional seismic inversion. The selected subset is determined by a process of forward stepwise regression, which derives increasingly larger subsets of attributes. An extension of conventional crossplotting involves the use of a convolutional operator to resolve frequency differences between the target logs and the seismic data. In the linear mode, the transform consists of a series of weights derived by least squares minimization. In the nonlinear mode, a neural network is trained, using the selected attributes as inputs. Three types of neural networks have been evaluated: the multilayer feedforward network (MLFN), probabilistic neural network (PNN) and Radial basis function (RBF). Because of its higher correlation, the PNN appears to be the network of choice. To estimate the reliability of the derived multiattribute transform, crossvalidation is used. In this process, each well is systematically removed from the training set, and the transform is rederived from the remaining wells. The prediction error for the hidden well is then calculated. The validation error, which is the average error for all hidden wells, is used as a measure of the likely prediction error when the transform is applied to the seismic volume. Model based method applied for conventional seismic inversion. Multi-attribute Neural Network result give distribution of porosity prediction on top channel. Acoustic impedance result give the model of channel distribution.

5 i KATA PENGANTAR Segala Pujian, Hormat, serta Syukur penulis panjatkan kepada Tuhan Yesus Kristus karena atas anugerah-nya yang tidak ternilai penulis dapat sampai di suatu Kairos untuk dapat menyelesaikan tugas akhir di Program Studi Teknik Geofisika, Institut Teknologi Bandung. Pada saat penulisan tugas akhir ini, banyak pihak yang ikut membantu dan terlibat di dalamnya. Pada kesempatan ini, penulis ingin mengucapkan terima kasih, kepada : 1. Mama dan Papa tercinta yang selalu memberi dukungan, doa serta semangat kepada penulis. 2. Bapak Dr. Sigit Sukmono, selaku dosen pembimbing dan dosen wali penulis, yang telah memberikan pengarahan dan saran-saran sehingga terselesaikannya penulisan tugas akhir ini. 3. Bapak Rachmat Sule, selaku dosen yang telah memberikan pengarahan, saran serta pengetahuan baru yang memperkaya penulis dalam masa kuliah dan penulisan tugas akhir. 4. Teman-Teman di PMK Openhouse dan PMK ITB untuk semua canda tawa dan perhatian di dalam masa-masa sulit dan pergumulan hidup, persekutuan kita dalam Tuhan tidak akan pernah sia-sia. 5. Mas Widy yang bersedia mendengarkan semua cerita dan menemani di malam-malam pengerjaan skripsi. 6. Teman-Teman KKRJB VIII yang memberikan warna tersendiri dalam masa akhir mahasiswaku, SEKALI SEMANGAT TETAP SEMANGAT!!

6 ii 7. Gardini, Nancy, Jane, Mana, Miyu dan teman-teman di kost Sulanjana yang memberikan support dan sumbangan kertas untuk pengerjaan skripsi. 8. Adek-adek KTBku Okto, Daniel, Pahala yang senantiasa menjadi murid yang selalu mengingatkanku untuk menjadi pribadi yang lebih baik. 9. Dosen-dosen pengajar, yang tidak dapat disebutkan namanya satu persatu, di departemen Teknik Geofisika Institut Teknologi Bandung. 10. Mbak Lilik dan Mbak Ning yang membantu saya dalam urusan administrasi di departemen Teknik Geofisika. 11. Teman-teman Lab Reservoir, Asisten, TERRA dan seluruh TG 04 yang telah banyak membantu penulis selama studi di Program Studi Teknik Geofisika. Semoga Tuhan senantiasa melimpahkan rahmat dan karunia-nya kepada kita semua. Dengan penuh kesadaran, selama penulisan tugas akhir ini, tentunya penulis tidak akan luput dari kesalahan dan kekurangan. Oleh karena itulah, penulis mengharapkan kritik dan saran untuk dijadikan bahan pertimbangan dan masukan dalam penyempurnaan tugas akhir ini. Semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang membutuhkan. Bandung, Mei 2008 Penulis

7 iv DAFTAR ISI Hal. KATA PENGANTAR... ABSTRAK... DAFTAR ISI... DAFTAR GAMBAR... DAFTAR TABEL... i iii iv vii xi BAB I. PENDAHULUAN Latar Belakang Batasan Masalah Maksud dan Tujuan Penelitian Metoda Penelitian Perangkat Lunak Sistematika Pembahasan... 3 BAB II. KONDISI GEOLOGI REGIONAL Geologi Blackfoot Petroleum System... 6 BAB III. TEORI DASAR Konsep Dasar Seismik Refleksi... 8

8 v 3.2 Metoda Seismik Inversi Inversi Band Limited Inversi Model Based Inversi sparse spike Metoda Multiatribut Regresi Linear Multiatribut Validasi Convolutional Multiatribute Neural Network MLFN PNN RBF BAB IV. DATA DAN PENGOLAHAN DATA Data Data Sesimik Data Sumur dan data checkshot Horizon Pengolahan Data Penentuan Geometri dan Survey Ekstraksi Wavelet dan Well to Seismic Tie... 32

9 vi Seismik Inversi Multiatribut Seismik Neural Network BAB V. ANALISA DATA Analisa Tuning dan Transformasi Porositas Analisa Multiatribut Validitas Multiatribut Aplikasi Log P -Wave Analisa Peta BAB VI. PENUTUP Kesimpulan Saran DAFTAR PUSTAKA... 65

10 vii DAFTAR GAMBAR Hal Gambar 2.1 Blackfoot Area 5 Gambar 2.2 Kolom Stratigrafi Blackfoot 6 Gambar 2.3 Model Facies Blackfoot 7 Gambar 3.1 Penjalaran Gelombang Melalui Batas Dua medium 8 Gambar 3.2 Ilustrasi Seismogram Sintetik 9 Gambar 3.3 Metoda Inversi Model Based 11 Gambar 3.4 Ilustrasi Cross-plot dengan menggunakan (a) satu atribut 16 (b) dua atribut Gambar 3.5 Contoh kasus tiga atribut seismik 17 Gambar 3.6 Ilustrasi cross-validasi. 18 Gambar 3.7 Perbedaan frekuensi antara data seismik dan data log 19 Gambar 3.8 Penggunaan 5 titik operator konvolusi 20 Gambar 3.9 Ilustrasi MLFN 23 Gambar 3.10 Fungsi Akstivasi dan Ouput MLFN 24 Gambar 3.11 Ilustrasi Skematik tentang training vektor 27 Gambar 3.12 Grafik Skematik dari vektor si,sj,xk 27 Gambar 4.1 Data Seismik pada Xline Gambar 4.2 Data Log, Checkshot, Top Horizon Sumur Novry Gambar 4.3 Base Map Area Studi 31 Gambar 4.4 Wavelet Ricker 32

11 viii Gambar 4.5 Proses Well to Seismic Tie Pada Sumur Novry-3 33 Gambar 4.6 Alur Kerja dan Pengolahan data 34 Gambar 4.7 Inisial Model 35 Gambar 4.8 Analisis pre-inversi untuk model based 36 Gambar 4.9 Analisis pre-inversi untuk sparse-spike inversion 37 Gambar 4.10 Hasil Inversi metoda model based 38 Gambar 4.11 Error Inversi Model Based 38 Gambar 4.12 Penampang Hasil Inversi Sparse Spike 39 Gambar 4.13 Regresi Fungsi Porositas terhadap AI 39 Gambar 4.14 Log Target dan Seismik 40 Gambar 4.15 Kurva Prediksi Error dan Validasi Error untuk Multiatribut 41 Gambar 4.16 Aplikasi Multiatribut 42 Gambar 4.17 Korelasi silang antara predicted porosity dan actual porosity 42 Gambar 4.18 Hasil Training Probabilistic Neural Network 43 Gambar 4.19 Hasil Training Multi Layer Feed-Forward Neural Network 44 Gambar 4.20 Hasil Training Radial Basis Function Neural Network 44 Gambar 4.21 Hasil Validasi PNN 45 Gambar 4.22 Error Rata-rata untuk Seluruh Sumur 45

12 ix Gambar 4.23 Aplikasi PNN pada data seismik untuk mengetahui Sebaran 46 Porositas Gambar 4.24 Aplikasi MLFN pada data seismik untuk mengetahui Sebaran 46 Porositas Gambar 4.25 Aplikasi RBF pada data seismik untuk mengetahui Sebaran 47 Porositas Gambar 4.26 Aplikasi Multilinear Regression pada data seismik untuk 47 mengetahui sebaran porositas Gambar 5.1 Crossplot AI vs Porosity 49 Gambar 5.2 Porositas Dari Hasil Inversi Model Based 50 Gambar 5.3 Slice Top Channel Porositas- Inversi Model Based 50 Gambar 5.4 Aplikasi Multilattribute linear regression 52 Gambar 5.5 Aplikasi PNN 52 Gambar 5.6 Penampang Porositas PNN diluar kontrol well (Xline 60) 53 Gambar 5.7 Penampang Porositas PNN diluar kontrol well (Xline 35) 53 Gambar 5.8 Crossplot korelasi regresi multiatribut CC = Gambar 5.9 Crossplot korelasi multiatribut-pnn CC = Gambar 5.10 Aplikasi MLFN 55 Gambar 5.11 Aplikasi RBF 55 Gambar 5.12 Cross Validasi Neural Network 57 Gambar 5.13 Analisa Multi Atribut untuk Log Target P Wave 58 Gambar 5.14 Maximum Atrribute 58

13 x Gambar 5.15 Aplikasi PNN Korelasi Gambar 5.16 Validasi PNN 59 Gambar 5.17 Slice Apliikasi PNN pada Top Channel 60 Gambar 5.18 Slice Aplikasi Multilinear Regression pada Top Channel 61 Gambar 5.19 Penampang Aplikasi PNN untuk P Wave - inline Gambar 5.20 Penampang Aplikasi PNN untuk Porositas - inline Gambar 5.21 Penampang Inversi untuk Interpretasi channel 62

14 xi DAFTAR TABEL Tabel 4.1 Perbandingan Koefisien Korelasi Well to Seismic Tie 32 Tabel 4.2 Analisa Multiatribut Seismik 41