BAB IV Perhitungan Cadangan

Transkripsi

1 BAB IV Perhitungan Cadangan Perhitungan cadangan minyak yang ada di dalam Reservoir X akan menggunakan parameter-parameter yang ada dalam model Reservoir X, misalnya porositas dan Sw. Dalam perhitungan cadangan dengan menggunakan model tersebut, akan dilihat sensitifitas parameter yang mengontrol OOIP. Mengenai klasifikasi cadangan minyak, PT. CPI menyebutkan bahwa cadangan minyak dalam Reservoir X sampai sekarang masih termasuk ke dalam kategori Contingency Resources, yaitu kategori P4-P6 Resources (Gambar IV.1 a). Contingent Resources (P4-P6) adalah perkiraan jumlah crude oil, natural gas, dan natural gas liquids yang mana data geoscience dan engineering menunjukkan (hidrokarbon tersebut) dapat diperoleh (recoverable) pada masa yang akan datang dari reservoir tersebut, tapi sekarang tidak komersial dalam kondisi ekonomi dan operasi yang ada (Chevron Corporate Reserves Manual, 2006). Dalam penelitian ini, penamaan klasifikasi contingency resources akan mengacu kepada Petroleum Resources Management System yang disusun oleh Komite Oil and Gas Reserves dalam Society of Petroleum Engineers (SPE) tahun 2007, yang juga di-review dan secara bersama disponsori oleh the World Petroleum Council (WPC), the American Association of Petroleum Geologist (AAPG), dan the Society of Petroleum Evaluation Engineers (SPEE). Contingency Resource yang disebutkan dalam klasifikasi reserves dan resource tersebut dinamakan sebagai Contingent Resources 1C, 2C, dan 3C (Gambar IV. I b). 1C adalah ekuivalen dengan P4, 2C sebagai P5, dan 3C sebagai P6 pada klasifikasi Chevron. 68

2 (a) (b) Gambar IV.1 (a) Klasifikasi 6P Reserves dan Resources Chevron (Chevron Corporate, 2006), dan (b) Klasifikasi menurut SPE (WPC, SPE, AAPG, SPEE, 2007). 69

3 Parameter yang dipakai dalam perhitungan OOIP adalah volume, porositas, serta saturasi minyak atau So, yang diperoleh dari 1-Sw. Volume yang dipakai adalah berdasarkan total volume sel pada model Reservoir X yang masuk dalam kategori region yang ditentukan. Untuk region pay, tergantung cut-off dari rock properties yang dipakai). Sedangkan porositas dan Sw diperoleh dari model. IV.1 Penentuan Paramater Penentuan parameter porositas (phie) dan Sw telah disebutkan pada bagian II.2.5. Khusus untuk Lapangan Duri dan dalam penelitian ini, ketebalan pay (net pay) adalah ketebalan dimana batuan tersebut mempunyai Sw<=0.8 dan Phie >= 0.24 (Gambar IV.2). Sedangkan untuk perhitungan cadangan minyak (OOIP), net pay ditentukan berdasarkan sel-sel yang mempunyai cut-off Sw dan Phie sebagai pay, sehingga sel tersebut masuk dalam pay region (Gambar IV.3). Pay Cut-off phie Cut-off Sw Gambar IV.2 Log sumur yang mempelihatkan penentuan pay dengan cut-off Sw <= 0.8 dan Phie >=

4 U Legenda: Pay Cells Area Non Pay Cells Area Gambar IV.3 Pay cells yang merupakan bagian dari pay region, mempunyai property Sw <= 0.8 dan Phie >= 0.24, di atas OWC. IV.2 Penentuan Batas Hidrokarbon Dalam penenelitian ini dan secara spesisifk yang diterapkan di Lapangan Duri, interpretasi batas hidrokarbon yang meliputi OWC, LKO, dan HKW (Gambar IV.4), ditentukan berdasarkan data log sumur yang meliputi log-log gamma ray, resistivitas, porositas, dan Sw. Johansen (2006) mendefinisikan OWC sebagai kedalaman batupasir berkualitas reservoir yang mengandung minyak yang mobile.. Air merupakan fluida yang mobile dalam batupasir berkualitas reservoir di bawah OWC. Sedangkan untuk suatu reservoir yang dibor dan dilakukan well logging, LKO adalah titik paling bawah pada perpotongan lubang sumur pada suatu unit lapisan yang mengandung mobile oil. HKW adalah titik paling tinggi di perpotongan lubang sumur pada reservoir yang mengandung movable water dan no movable oil. Contoh interpretasi dalam log sumur diperlihatkan pada gambar IV.5. 71

5 Sumur B Sumur A Sumur C Minyak OWC LKO Air HKW Gambar IV.4 Kartun yang memperlihatkan hubungan antara OWC, LKO, dan HKW dalam tiga sumur yang menembus kedalam satuan reservoir yang sama. LKO OWC HKW Gambar IV.5 Log sumur yang memperlihatkan contoh penentuan batas hidroharbon: OWC, LKO, dan HKW (Johansen, 2006). 72

6 Di daerah penelitian, LKO diinterpretasikan rata-rata pada kedalaman -382 feet, OWC pada kedalaman -396 feet, HKW pada kedalaman -443 feet di bawah permukaan rata-rata air laut (sub-sea). LKO ditentukan berdasarkan kedalaman LKO paling dalam yang ditemukan pada sumur. Tipe LKO ini ditemukan pada sumur B. Tipe OWC ditemukan pada sumur C, sedangkan HKW ditemukan pada sumur A (Gambar IV.6). Cara penentuan OWC di Duri adalah khas. Secara tradisional, penentuan OWC berdasarkan gamma ray dan vsh untuk menentukan litologi, sedangkan untuk menentukan pay atau wet adalah dengan resistivitas. Data porositas, permeabilitas, dan Sw hasil evaluasi formasi, membantu dalam proses interpretasi. Cut-off pay dan non pay interval ditentukan berdasarkan studi evaluasi formasi Duri yang diterangkan pada Bab II. Sumur A Sumur B Sumur C Sumur D Sumur E Legenda: LKO OWC B A U HKW Top dan Bottom Reservoir X C D E Gambar IV.6 Tipe LKO, OWC, dan HKW di daerah penelitian. 73

7 IV.3 Deskripsi mengenai Metode Perhitungan Pada prinsipnya, perhitungan volumetrik menggunakan rumusan: OOIP = A (Luas) x h (Ketebalan Net Pay) x Ф (Porositas) x (1-Sw) x 7758 Bbl Untuk mendapatkan STB (Stock Tank Barrel), digunakan nilai Boi atau FVF (Formation Volume Factor) yang konstan, yatu untuk Duri. Hasil diskusi dengan Reservoir Engineer, data Boi reservoir ini dianggap sama dengan reservoir di bawahnya, yaitu Reservoir Rindu, dan perbedaanya tidak berarti. Oleh karena itu akan diasumsikan sama. Proses perhitungan volumetrik pada proses ini adalah dengan menggunakan modul yang sudah tersedia dalam aplikasi perangkat lunak GOCAD. Hanya dengan memasukkan nilai porositas dan Sw bersama dengan masing-masing cutoff dan probabilistic range serta region yang digunakan, Kita akan mendapatkan OOIP dari suatu reservoir pada region tertentu Karena perhitungan OOIP menggunakan beberapa case dari masing-masing parameter dan jumlahnya banyak serta membutuhkan waktu yang lama, maka perhitungan dilakukan dengan menggunakan program script. Hubungannya dengan 1C, 2C, dan 3C case OOIP, berikut adalah deskripsi untuk penentuan 1C, 2C, dan 3C case dari OWC, sifat batuan, dan cut-off yang dipakai untuk perhitungan OOIP probabilistik. Metode untuk melakukan analisis sensitifitas terhadap parameter yang berkontribusi terhadap OOIP, dilakukan pendekatan dengan menggunakan metode DoE. 74

8 IV.3.1 Parameter 1C, 2C, dan 3C Case untuk OOIP Batas Hidrokarbon meliputi: P10_owc = LKO sebagai 1C Case P50_owc = OWC sebagai 2C Case P90_owc = HKW sebagai 3C Case Hasil interpretasi dari LKO, OWC, dan HKW pada sumur, selanjutnya dibuat surface untuk pembuatan region 1C, 2C, dan 3C case. Data ini diperlukan untuk membuat region di atas dan di bawah batas hidrokarbon, yang akan dipakai untuk perhitungan OOIP sebagai region volume. Model Property ( Modifikasi dari Johansen dkk., 2005) Phie P10 Phie= well phie = (1C Case model phie untuk OOIP) P50 Phie= well phie P90 Phie= well phie = (3C Case model phie untuk OOIP) Sw = (1-So) P90 Sw= well sw = (1C Case model sw untuk OOIP) P50 Sw = well sw P10 Sw= well sw = (3C Case model sw untuk OOIP) Cut-off zona pay (Johansen dkk., 2005) Phie P90= (3C Case cut-off porositas untuk OOIP) P50= 0.24 (2C Case) P10= (1C Case cut-off porositas untuk OOIP) Sw P10= 0.77 (1C Case cut-off sw untuk OOIP) P50= 0.80 (2C Case) P90= 0.87 (3C Case cut-off sw untuk OOIP) Penentuan case pada batas hidrokarbon, model property, dan cut-off, diringkas dalam bentuk tabel (Tabel IV.1). Penentuan setiap case pada kurva dan cut-off diperlihatkan pada gambar IV.7. 75

9 Tabel IV.1 Ringkasan parameter untuk DoE Parameter* 1C Case 2C Case 3C Case owc lko owc hkw phie model phie_model_1c phie_model_2c phie_model_3c sw model sw_model_1c sw_model_2c sw model 3C phie cut-off sw cut-off *Parameter yang berkontribusi terhadap OOIP 1C Net Pay 3C Net Pay Gambar IV.7 Penerapan 1C (low case), 2C (base case), dan 3C(high case) pada kurva dan cut-off, untuk menentukan Pay. 76

10 Masing masing model dan cut-off pada setiap case akan digunakan untuk penentuan OOIP dengan beberapa kombinasi, sehingga hasil OOIP akan berbedabeda tergantung kombinasinya. Kombinasi kelima parameter dengan case: 1C, 2C, dan 3C, bisa lebih dari 90 kombinasi (Tabel IV.2). Kombinasi lainnya adalah -1 dengan 0 and 1; 0 dengan -1 and 1; 1 dengan -1 and 0. Tabel IV.2 Skema model beberapa kemungkinan kombinasi antar parameter (dua parameter). 1C = -1; 2C = 0; 3C = 1 cut cut Combination owc phie sw phie sw -1 and and and and and and Mulyadi - Thesis ITB 2007 IV.3.2 Perhitungan OOIP dengan menggunakan Script Formula dasar untuk perhitungan OOIP adalah seperti yang disebutkan di bagian awal: OOIP = A (area) x h (thickness) x Phie x (1-Sw) FVF Untuk melakukan perhitungan OOIP dalam berbagai kombinasi 1C-2C-3C cases pada kelima parameter adalah dengan menggunakan script dalam program linux 77

11 yang di-run dalam aplikasi perangkat lunak GOCAD (Lampiran 6 dan 7). Kelima parameter tersebut adalah sebagai berikut: a. Region batas hidrokarbon (region lko,owc,hkw) b. Phie = SGS_simulation_phie c. Sw = Colcok_simulation_sw d. Phie cut-off e. Sw cut-off IV.3.3 Analisis Ketidakpastian dengan DoE Setelah menentukan parameter-parameter yang akan digunakan, maka dilakukan proses DoE dengan metode D-Optimal. Experiment tabel berikut adalah kombinasi case dari kelima parameter yang dilakukan oleh perangkat lunak DoE dalam GOCAD dengan jumlah run yang ditentukan Peneliti sebanyak 25, yang dianggap mewakili semua kombinasi (Tabel IV.3). Tabel IV.3 Tabel eksperimental dalam desain D-Optimal. 78

12 IV.4 Hasil Perhitungan IV.4.1 1C, 2C, dan 3C case OOIP dari Script Hasil perhitungan OOIP dengan menggunakan 1C, 2C, dan 3C case yang berbeda pada setiap parameter bisa dihasilkan lebih dari 90 kombinasi. Berikut adalah contoh hasil perhitungan OOIP untuk 1C Case region batas hidrokarbon (LKO) dengan 1C, 2C dan 3C Case dari beberapa kombinasi antar parameter lainnya: 2_pg_Layer_6_AOI_above_p10_owc_co_sw_hi= , Hasil perhitungan OOIP dari kombinasi parameter sebanyak 25 run dalam DoE untuk Lapisan A, B, dan C diringkas pada table IV.4 dan diperlihatkan dalam bentuk grafik (Gambar IV.8). Contoh salah satu hasil perhitungan di atas hasilnya adalah , dimasukkan pada tabel DoE adalah dalam Run 1 pada OOIP Lapisan A. Tabel IV.4 Hasil perhitungan OOIP Lapisan A, B, C berdasarkan kombinasi parameter. Parameter Lapisan A Lapisan B Lapisan C Run(n) owc phie_model sw_model phie_cutoff sw_cutoff OOIP (stbo) OOIP (stbo) OOIP (stbo) RUN1 Low Low Low Low High RUN2 Low Low Low High Low RUN3 Low Low High Low Low RUN4 Low Low High Middle Middle RUN5 Low Low High High High RUN6 Low Middle Low High High RUN7 Low Middle Middle Low Low RUN8 Low High Low Low Low RUN9 Low High Low Middle High RUN10 Low High Middle High High RUN11 Low High High Low High RUN12 Low High High High Low RUN13 Middle Low Middle Middle High RUN14 Middle Middle High Middle High RUN15 Middle High Low High Middle RUN16 Middle High Middle Low Middle RUN17 High Low Low Low Low RUN18 High Low Low High High RUN19 High Low High Low High RUN20 High Low High High Low RUN21 High Middle Middle Middle Middle RUN22 High High Low Low High RUN23 High High Low High Low RUN24 High High High Low Low RUN25 High High High High High

13 Gambar IV.8 Jumlah OOIP antara Lapisan A,B, dan C dari beberapa kombinasi parameter. Lapisan A mempunyai OOIP yang paling besar dari kombinasi parameter yang ada, sedangkan Lapisan C mempunyai OOIP yang paling kecil. 80

14 IV.4.2 Hasil DoE Berikut adalah gambar hasil tabel eksperimen dari metode D-Optimal Design, dengan memasukkan hasil OOIP dari setiap run dengan kombinasi parameter tertentu. Nilai OOIP diperoleh dari hasil perhitungan volumetrik hidrokarbon untuk Lapisan A atau Layer 6 (Gambar IV.9). Kelima parameter tersebut merupakan uncertainty sources, sedangkan OOIP merupakan response variable. Begitu juga langkah yang sama dilakukan untuk Lapisan B dan C. Gambar IV.9 Besaran OOIP (Lapisan A) yang merupakan input untuk setiap run dan kombinasi parameter. Satuan OOIP di atas adalah STBO (Stock Tank Barrel Oil). 81

15 IV Analisis Sensitifitas Setelah menentukan OOIP dari kombinasi paramater tersebut, maka dilakukan analisis sensitifitas dari setiap parameter terhadap OOIP, yang ditunjukkan dalam pareto chart. Proses ini bertujuan untuk menentukan significant contributors terhadap ketidakpastian. Dari chart tersebut, Kita dapat menentukan, parameter mana yang paling signifikan kontibusinya terhadap OOIP. Hasil analisis pada Lapisan A menunjukkan bahwa parameter model Sw adalah kontributor yang paling signifikan terhadap nilai OOIP (Gambar IV.10). Begitu juga dengan cara yang sama dilakukan untuk Lapisan B dan C (Gambar IV.11 sampai IV.12). Gambar IV.10 Hasil analisis sensitifitas Lapisan A. Model Sw merupakan kontributor paling besar terhadap OOIP. 82

16 Gambar IV.11 Hasil analisis sensitifitas Lapisan B. Region batas hidrokarbon adalah kontributor paling besar terhadap OOIP. Gambar IV.12 Hasil analisis sensitivitas Lapisan C. Region batas hidrokarbon adalah kontributor paling besar terhadap OOIP. 83

17 Dari ketiga gambar pareto chart di atas, dapat disimpulkan bahwa parameter model Sw adalah parameter sebagai kontributor yang paling signifikan terhadap nilai OOIP. Parameter OWC lebih kecil dibanding model Sw. Hal ini diinterpretasikan karena variasi region pay berdasarkan 3 case batas hidrokarbon (LKO, OWC, dan HKW) kurang memberikan pengaruh dibanding model Sw terhadap nilai OOIP. Sedangkan untuk model porositas serta cut-off porositas dan Sw, tidak memberikan pengaruh yang signifikan terhadap OOIP. Pada Lapisan B dan C, OWC merupakan parameter sebagai kontributor yang paling signifikan terhadap nilai OOIP. Ini diinterpretasikan bahwa variasi region pay berdasarkan 3 case batas hidrokarbon, memberikan kontribusi paling besar terhadap nilai OOIP. Model Sw memberikan kontribusi yang lebih kecil dibanding batas hidrokarbon. Sama seperti pada Lapisan A, parameter model porositas serta cut-off porositas dan Sw tidak memberikan pengaruh yang signifikan terhadap nilai OOIP pada Lapisan B dan C. IV.4.3 Perhitungan OOIP Probabilistik Perhitungan OOIP probabilistik dalam penenelitian ini adalah dengan menggunakan tool Monte Carlo, yang modulnya masih dalam aplikasi perangkat lunak GOCAD. Tujuan metode ini adalah untuk mendapatkan hasil perhitungan OOIP secara probabilistik dengan menggunakan hukum distribusi (Distribution Law) masing-masing parameter. Aturan distribusi parameter berdasarkan hasil dari DoE atau histogram dari parameter tersebut. Contoh histogram model porositas pada region pay (region yang mempunyai sel yang memenuhi syarat cut-off pay) Lapisan B diperlihatkan pada gambar IV

18 Gambar IV.13 Histogram porositas pada region pay Lapisan B. Parameter statistik diperlihatkan pada sebelah kiri histogram. Input parameter untuk perhitungan OOIP probabilistik meliputi kelima paramater: Region kontak hidrokarbon, Phie Model, Sw Model, Cut-off Phie dan Cut-off Sw (Gambar IV.14 sampai IV.18). Tipe distribusi dan besaran parameter statistik setiap parameter diringkas dalam tabel IV.4 sampai IV.6. Tipe distribusi OWC, cut-off Phie dan Sw, adalah triangle, dimana hanya 3 nilai sebagai input, yaitu nilai minimum, mode, dan maksimum. Sedangkan untuk parameter model Phie dan Sw, digunakan model Gaussian dengan memasukkan nilai mean (µ) dan standar deviasi (σ) yang diperoleh dari histogram model. 85

19 Gambar IV.14 Distribution Law untuk parameter batas hidrokarbon (OWC) Lapisan A Gambar IV.15 Distribution Law untuk parameter Model Phie dalam region pay pada Lapisan A 86

20 Gambar IV.16 Distribution Law untuk parameter Model Sw dalam region pay Lapisan A Gambar IV.17 Distribution Law untuk parameter Cut-off Phie Lapisan A 87

21 Gambar IV.18 Distribution Law untuk parameter Cut-off Sw Lapisan A Pada Lapisan semua lapisan (A, B, dan C), model Sw mempunyai nilai standar deviasi dan koefisien variasi (CV, dimensionless =σ/µ) lebih besar dibanding pada model Phie. Berdasarkan nilai koefisien variasi (sebagai pembanding), ini menunjukkan bahwa variasi nilai Sw lebih besar dibanding Phie. Tipe distribusi dan besaran parameter statistik tersebut dipakai sebagai distribution law untuk perhitungan OOIP probabilistik dengan Monte Carlo melalui iterasi kali, yang hasilnya bisa dilihat pada gambar IV.19 sampai IV.21. Hasil perhitungannya diringkas pada tabel IV.8. 88

22 Tabel IV.5 Tipe distribusi dan parameter statistik untuk setiap parameter pada region pay Lapisan A Paramater Tipe Distribusi Min Mode Max Mean (µ) owc Triangle Standar Deviasi (σ) Koefisien Variasi (CV) Jumlah Sampel Phie_model Gaussian 0,372 0,047 0, Sw_model Gaussian 0,536 0,184 0, Phie_cutoff Triangle 0,235 0,24 0,255 Sw_cutoff Triangle 0,77 0,8 0,87 Tabel IV.6 Tipe distribusi dan parameter statistik untuk setiap parameter pada region pay Lapisan B Paramater Tipe Distribusi Min Mode Max Mean (µ) owc Triangle Standar Deviasi (σ) Koefisien Variasi (CV) Jumlah Sampel Phie_model Gaussian 0,386 0,034 0, Sw_model Gaussian 0,595 0,159 0, Phie_cutoff Triangle 0,235 0,24 0,255 Sw_cutoff Triangle 0,77 0,8 0,87 Tabel IV.7 Tipe distribusi dan parameter statistik untuk setiap parameter pada region pay Lapisan C Paramater Tipe Distribusi Min Mode Max Mean (µ) owc Triangle Standar Deviasi (σ) Koefisien Variasi (CV) Jumlah Sampel Phie_model Gaussian 0,364 0,032 0, Sw_model Gaussian 0,687 0,089 0, Phie_cutoff Triangle 0,235 0,24 0,255 Sw_cutoff Triangle 0,77 0,8 0,87 89

23 Gambar IV.19 Hasil perhitungan OOIP probabilistik pada region pay Lapisan A. Hasil perhitungan OOIP (STBO) untuk Lapisan A adalah sebagai berikut: P10 OOIP= P50 OOIP= P90 OOIP= Minimum= Maksimum= Range= Mean (µ)= Standar Deviasi (σ)= Koefisien Variasi= 0,044 90

24 Gambar IV.20 Hasil perhitungan OOIP probabilistik pada region pay Lapisan B. Hasil perhitungan OOIP (STBO) untuk Lapisan B adalah sebagai berikut: P10 OOIP= P50 OOIP= P90 OOIP= Minimum= Maksimum= Range= Mean (µ)= Standar Deviasi (σ)= Koefisien Variasi= 0,105 91

25 Gambar IV.21 Hasil perhitungan OOIP probabilistik pada region pay Lapisan C. Hasil perhitungan OOIP (STBO) untuk Lapisan C adalah sebagai berikut: P10 OOIP= P50 OOIP= P90 OOIP= Minimum= Maksimum= Range= Mean (µ)= Standar Deviasi (σ)= Koefisien Variasi= 0,258 92

26 Tabel IV.8 Ringkasan hasil perhitungan OOIP probabilistik dengan menggunakan Monte Carlo pada region pay Lapisan A,B, dan C. Lapisan OOIP (MSTBO) Koefisien Jumlah Variasi sel P10 P50 P90 Mean Standar region Deviasi pay A pay , B pay , , , , ,9 0, C pay 848, , , ,2 0, Dari hasil perhitungan OOIP di atas, maka dapat disimpulkan bahwa: 1. Lapisan A mempunyai OOIP yang paling besar, diikuti oleh Lapisan B, dan selanjutnya lapisan C. 2. Lapisan A mempunyai koefisien variasi yang paling kecil, yang mengindikasikan bahwa variasi nilai OOIP yang dihasilkan lebih seragam dibanding Lapisan B dan C. Lapisan C mempunyai koefisien variasi yang paling besar. Perhitungan OOIP di atas menggunakan model dengan parameter statistik untuk region pay, sehingga tidak mencerminkan keseluruhan data porositas dan Sw pada masing-masing lapisan. Jadi, ada beberapa data porositas dan Sw dalam model geologi Reservoir X yang tidak dimasukkan dalam menentukan parameter statistik (mean dan standar deviasi) pada region pay tersebut. Walaupun dari hasil analisis sensitifitas DoE, porositas model tidak menunjukkan pengaruh yang signifikan seperti OWC dan model Sw, pada penelitian ini akan dilakukan perhitungan OOIP probabilistik dengan menggunakan data porositas keseluruhan, untuk mengetahui seberapa besar pengaruh perubahan parameter statistik porositas dan implikasinya terhadap OOIP (Gambar IV.22 sampai IV.24). Begitu juga untuk data Sw, dilakukan perhitungan OOIP probabilistik dengan menggunakan parameter statistik seluruh data Sw pada setiap lapisan (Gambar IV.25 sampai IV.27). Semua lapisan menggunakan parameter yang sama untuk data region batas hidrokarbon dan cut-off porositas serta cut-off Sw pada setiap lapisan. 93

27 Gambar IV.22 Hasil OOIP dengan menggunakan porositas pada region keseluruhan (pay dan non-pay di atas 3C case OWC) pada Lapisan A. Gambar IV.23 Hasil OOIP dengan menggunakan porositas pada region keseluruhan (pay dan non-pay di atas 3C case OWC) pada Lapisan B. 94

28 Gambar IV.24 Hasil OOIP dengan menggunakan porositas pada region keseluruhan (pay dan non-pay di atas 3C case OWC) pada Lapisan C. Setelah membandingkan hasil antara OOIP yang menggunakan law distribution pada pay region (sw pay dan phie pay) terhadap OOIP yang menggunakan law distribution pada region yang menggunakan semua data porositas (sw pay dan phie all), terlihat tidak ada perubahan OOIP yang signifikan. (Tabel IV.9). Perubahan nilai OOIP dan parameter statistik adalah kurang dari 1%, sehingga perubahan model dengan menggunakan seluruh data porositas, tidak memberikan pengaruh dan perubahan OOIP yang berarti. Lain halnya dengan model Sw, dengan membandingkan hasil antara OOIP yang menggunakan distribution law pada pay region (sw pay dan phie pay) terhadap OOIP yang menggunakan distribution law pada region yang menggunakan semua data Sw, terlihat adanya perubahan OOIP yang signifikan, yaitu rata-rata sekitar 4 sampai 8% (Tabel IV.10). 95

29 Tabel IV.9 Pengaruh perubahan parameter statistik porositas model terhadap OOIP. Lapisan OOIP (MSTBO) Koefisien P10 P50 P90 Mean Standar Variasi Deviasi Jumlah sel region pay dan semua A pay , A phie_all , Delta % 0,2% 0,0% 0,1% 0,1% -0,9% 71% B pay , B phie_all , Delta % -0,2% -0,2% -0,1% -0,2% 0,9% 70% C pay , C phie_all , Delta 2-9,3 2,9-5 -1, % 0,2% -0,7% 0,2% -0,4% -0,4% 97% Gambar IV.25 Hasil OOIP dengan menggunakan Sw pada region keseluruhan (pay dan non-pay di atas 3C case OWC) pada Lapisan A. 96

30 Gambar IV.26 Hasil OOIP dengan menggunakan Sw pada region keseluruhan (pay dan non-pay di atas 3C case OWC) pada Lapisan B. Gambar IV.27 Hasil OOIP dengan menggunakan Sw pada region keseluruhan (pay dan non-pay di atas 3C case OWC) pada Lapisan C. 97

31 Tabel IV.10 Pengaruh perubahan parameter statistik Sw model terhadap OOIP. Lapisan OOIP (MSTBO) Koefisien Jumlah sel P10 P50 P90 Mean Standar Deviasi Variasi region pay dan semua A pay , A sw_all , Delta % 5% 5% 5% 5% 13% 71% B pay , B sw_all , Delta % 5% 4% 4% 4% 3% 70% C pay , C sw_all , Delta % 14% 8% 6% 8% -1% 97% IV.5 Analisis Hasil Perhitungan dalam kaitan dengan Karakterisasi Reservoir Hasil perhitungan OOIP, Lapisan A mempunyai jumlah hidrokarbon yang paling banyak, diikuti oleh Lapisan B dan C. Lapisan C mempunyai OOIP yang paling sedikit. Jumlah OOIP bisa dicerminkan dari peta ketebalan hidrokarbon (HPT). Berdasarkan perhitungan OOIP probabilistik, Lapisan A mempunyai jumlah OOIP rata-rata MSTBO, Lapisan B= MSTBO, dan Lapisan C= MSTBO. Dari proses analisis ketidakpastian (uncertainty analysis) yang diperlihatkan pareto chart, model Sw merupakan kontributor paling signifikan terhadap OOIP pada Lapisan A. Sedangkan pada Lapisan B dan C, region owc merupakan kontributor yang paling signifikan terhadap OOIP. Berdasakan data histogram properties model, model Sw mempunyai koefisien variasi lebih besar dibanding model porositas. Ini menunjukkan bahwa, data porositas pada Reservoir X mempunyai nilai yang lebih seragam dibanding Sw. 98

32 Dari perbandingan hasil perhitungan OOIP probabilistik yang menggunakan distribution law model porositas yang memenuhi syarat sebagai pay, terhadap model porositas keseluruhan, hasil OOIP antar kedua model tersebut mempunyai perbedaan yang sangat kecil, yaitu kurang 1%. Sedangkan perbandingan hasil perhitungan OOIP probabilistik yang menggunakan distribution law model Sw yang memenuhi syarat sebagai pay, terhadap model Sw keseluruhan, hasil OOIP antar kedua model tersebut mempunyai perbedaan yang cukup signifikan sampai 8 % (rata-rata OOIP). 99