JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Evaluasi Formasi Dari Estimasi Permeabilitas Pada Reservoar Karbonat Reef Built-Up Menggunakan Artificial Neural Network Berdasarkan Data Log Julian Saputro, Widya Utama, dan Ferry Faris Baskaraputra Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 PT Medco Energy E&P E-mail: widutama@yahoo.fr Abstrak Dalam penelitian ini digunakan tipe back propagation neural network untuk membuat sintetik log permeabilitas. Arsitektur neural network yang dibuat menggunakan 1 hidden layer dengan 3 neuron pada masing-masing layer. Fungsi pembangkit pada tiap neuron digunakan fungsi sigmoid (S). Pada proses propagasi balik, hasil prediksi dan observasi dari sumur target dibandingkan dengan menggunakan error-checking routine. Jika error yang didapat terlalu besar, pemberat dari neuron diatur berdasarkan besarnya error dan parameter yang disebut learning rate. Pemberat diatur pertamakali pada output layer kemudian tepat pada layer sebelumnya, kemudian pada lapisan neuron yang paling dekat sesudahnya, sampai dicapai input layer. Kemudian forward propagation dimulai kembali. Forward propagation dan backward propagation ini dilanjutkan sampai neural network mendapatkan respon input-output yang benar, atau sampai model melebihi nilai cut-off iterasi yang ditentukan oleh trainer. Sintetik log dibangun dari data-data yang ada pada sumur terdekat dari sumur target, kemudian dilakukan training ke dalam neural network yang telah dibuat. Setelah itu dilakukan testing pada sumur lain yang memiliki data yang lengkap, apabila menghasilkan error yang kecil, maka neural network tersebut di aplikasikan pada sumur target. Sintetik log permeabilitas selanjutnya akan digunakan untuk meningkatkan kualitas hasil evaluasi formasi pada lapangan MJ. Kata Kunci neural network, back propagation, permeabilitas, Evaluasi Formasi U I. PENDAHULUAN ntuk menentukan zona hidrokarbon tentunya terlebih dahulu kita harus menentukan parameterparameter penting yang ada pada zona reservoir. Parameter-parameter tersebut adalah porositas, permeabilitas, saturasi hidrokarbon,dan litofasies. Dari kesemua parameter tersebut permeabilitas merupakan salah satu parameter kunci untuk menentukan kenampakan subtitusi fluida, flow unit dan zona permeabel. Biasanya nilai permeabilitas ini dicari menggunakan log Nuclear Magnetic Resonance (NMR) dan menggunakan analisa data core. Dalam hal pengukurannya juga mengeluarkan biaya yang besar serta sangat sulit dalam hal akuisisi pengukuran well loging nya. Oleh karena itu sangat jarang sekali dalam well log mengukur permeabilitas dengan menggunakan log Nuclear Magnetic Resonance dan analisa data core. Sehingga yang terjadi adalah tidak lengkapnya parameter reservoar yang bisa menyebabkan kesalahan pada proses evaluasi formasi. Untuk mengatasi tidak lengkapnya data pada permeabilitas pada sumur eksplorasi, dilakukan pembuatan data sintetis dengan menggunakan neural network. Dibandingkan dengan metode regresi linear yang sering dipakai, metode neural network ini dinilai lebih efektif memecahkan persoalan-persoalan kompleks dalam petrofisika. Model neural network secara otomatis akan membangun suatu hubungan diantara predictors dan memperoleh solusi non-linear dari problem tersebut. Metode neural network ini sudah terbukti menghasilkan prediksi litofasies pada lapangan MJ yang dikerjakan oleh PT MEDCO ENERGY E&P. Karena semakin ketat persaingan untuk mengoptimalkan produksi guna untuk memenuhi permintaan pasar dan mengejar profit sebesar-besarnya. Banyak metode yang berkembang saat ini salah satunya aplikasi metode geostatistik dengan menggunakan neural network atau jaringan saraf tiruan yang di kombinasikan dengan metode well log. Metode neural network ini juga sudah banyak dikembangkan untuk mengestimasi parameter reservoir lainnya terutama permeabilitas. Pada dasarnya neural network adalah sistem pengolahan informasi yang diilhami oleh sistem syaraf biologi otak manusia. Komponen pengolah data saling behubungan dan bekerja bersama, seperti halnya neuron pada otak manusia, melalui suatu proses belajar. Istilah artificial neural network (ANN) kemudian

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 2 diperkenalkan. Pola kerjanya adalah mengenali objek yang belum pernah diketahui sebelumnya, mengklasifikasi objek dalam kelas dengan men-training data. Pada penelitian ini tipe neural network yang digunakan adalah back propagation. Metode ini menurunkan gradien untuk meminimumkan penjumlahan error kuadrat output jaringan. Permeabilitas log ini akan diprediksi dengan menggunakan data input dari setiap data core yang ada pada sumur training yaitu sumur MDJ#1, MDJ#2, dan MDJ#3. Selanjutnya permeabilitas yang dihasilkan dari proses training di aplikasikan pada ketiga sumur yang dijadikan sebagai sumur tes yaitu sumur JS#1, JS#2, dn JS#3. Sehingga bisa dijadikan acuan dalam proses interpretasi dengan evaluasi formasi. A. Geologi Daerah Penelitian Daerah Cekungan Sumatra Selatan, dapat dianggap sebagai cekungan besar yang terdiri dari beberapa terban dan bagianbagian yang dalam (graben-graben). Cekungan ini memiliki sejarah pembentukkan yang sama dengan Cekungan Sumatra Tengah. Batas antara kedua cekungan tersebut merupakan kawasan yang membujur dari Timurlaut - Baratdaya melalui bagian utara pegunungan Tiga puluh. Stratigrafi regional termasuk dalam Cekungan Sumatra Selatan yang diendapkan dalam cekungan sedimentasi back deep basins. Cekungan Sumatra Selatan ini sangat dipengaruhi oleh relief batuan dasarnya, yang selama pengendapan tahap pertama penurunan dasar cekungan lebih cepat daripada sedimentasi atau fase transgresi, sehingga terbentuk urutan fasies nonmarine, transisi, laut dangkal dan akhirnya laut dalam. Formasi baturaja mempunyai ketebalan 23-600 fit, dengan porositas rata-ratanya 20 %, saturasi air nya 42.5 %, dan ketebalan reservoir minyaknya 46-95 fit. B. Data Log Data log membantu menentukan karakteristik fisik dari batuan, seperti; litologi, porositas dan permeabilitas. Data log digunakan untuk mengidentifikasi zona produktif, menentukan kedalaman dan ketebalan zona tersebut, untuk membedakan antara minyak, gas atau air dalam sebuah reservoar, dan untuk mengestimasi cadangan hidrokarbon. C. Identifikasi Zona Reservoar Keberadaan reservoar ditandai dengan nilai GR yang rendah. Nilai GR yang rendah menandakan terdapat lapisan permeabel. Kurva SP digunakan untuk identifikasi lapisanlapisan permeabel, yang merupakan reservoar. Pada lapisan serpih, dimana tidak ada aliran listrik, potensialnya konstan berupa garis lurus yang disebut garis dasar serpih (shale baseline). Pada lapisan permeabel kurva SP menyimpang dari garis dasar serpih dan mencapai garis konstan pada lapisan permeabel yang cukup tebal, yaitu garis pasir. Prinsip kerja dari Log Sonik adalah mengukur cepat rambat gelombang yang menjalar pada suatu material. Karena kerapatannya, maka cepat rambat gelombang pada material padat akan lebih cepat daripada cepat rambat gelombang pada material berongga. Demikian juga jika suatu reservoar berisi gas, maka cepat rambat gelombang akan mengalami suatu perlambatan. Oleh karenanya Sonik digunakan untuk Identifikasi Reservoar. Pengukuran log neutron porosity pada evaluasi formasi ditujukan untuk mengukur indeks hidrogen yang terdapat pada formasi batuan. Indeks hidrogen didefinsikan sebagai rasio dari konsentrasi atom hidrogen setiap sentimeter kubik batuan terhadap kandungan air murni pada suhu 75 o F. Log density digunakan untuk mengukur densitas batuan disepanjang lubang bor. Densitas yang diukur adalah densitas keseluruhan dari matriks batuan dan fluida yang terdapat pada pori. Prinsip kerja alatnya adalah dengan emisi sumber radioaktif. Semakin padat batuan semakin sulit sinar radioaktif tersebut teremisi dan semakin sedikit emisi radioaktif yang terhitung oleh penerima. Resistivitas dari formasi adalah salah satu parameter utama yang diperlukan untuk menentukan saturasi hidrokarbon. Arus listrik dapat mengalir di dalam formasi batuan disebabkan konduktivitas dari air yang dikandungnya. Batuan kering dan hidrokarbon merupakan insulator yang baik kecuali beberapa jenis mineral seperti graphite dan sulfida besi. Resistivitas formasi diukur dengan cara mengirim arus langsung ke formasi, seperti alat lateralog, atau menginduksikan arus listrik kedalam formasi seperti alat induksi. Log ini merupakan log penunjang keterangan, log ini digunakan untuk mengetahui perubahan diameter dari lubang bor yang bervariasi akibat adanya berbagai jenis batuan yang ditembus mata bor. Pada lapisan shale atau clay yang permeabilitasnya hampir mendekati nol, tidak terjadi kerak lumpur sehingga terjadi keruntuhan dinding sumur bor (washed out) sehingga dinding sumur bor mengalami perbesaran diameter. D. Neural Network Pada industri minyak dan gas, pengenalan terhadap pemrosesan data menggunakan Neural Network berjalan lambat. Meskipun demikian, teknologi ini mulai diterima pada banyak area dalam geoscience, termasuk seismic processing, geological mapping, digitasi data geofisika. Dalam analisa data geofisika, sistem ini mulai diterima secara luas berkat kemampuan Neural Network yang dapat melakukan pengenalan terhadap suatu pola dengan baik. Neural Network dapat di training untuk memprediksi nilai dari suatu kurva tunggal, data volumetrik (seperti litologi formasi), dan datadata prosentase (seperti persentase tipe batuan grainstone, packstone, wackstone, dan mudstone dalam reservoar karbonat). E. Back Propagation Neural Network Metode back propagation merupakan metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks. Metode ini merupakan metode jaringan saraf tiruan yang populer. Istilah back propagation diambil dari cara kerja jaringan ini, yaitu bahwa gradien error unit-unit tersembunyi diturunkan dari penyiaran kembali error-error yang diasosiasikan dengan unit-unit output. Hal ini karena nilai target untuk unit-unit tersembunyi tidak diberikan.

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 3 F. Evaluasi Formasi Evaluasi Formasi dengan metode probabilistik adalah metode yang menggunakan suatu sistem perhitungan probabilitas untuk mengetahui volume mineral(vclay), volume fluida (Sxo dari air&hidrokarbon) dan kemudian mencari porositas(phit dan Phie) serta saturasi air(sw) dari batuan. Metode probabilistik ini berkebalikan dari metode perhitungan yang biasa dilakukan yaitu deterministik. II. URAIAN PENELITIAN A. Raw data Raw data yang digunakan berupa kurva log dari lapangan yang sudah di digitalkan dengan format data *.LAS. Tujuan dari pengkonversian dari kurva log menjadi data digital agar lebih mudah untuk menganalisa data tersebut dengan menggunakan software yang diinginkan, selanjutnya baru dikonversikan kembali ke dalam kurva log yang siap untuk dianalisa dan di interpretasi. Tidak semua data yang dimiliki oleh setiap sumur digunakan dalam penelitian ini. Berikut adalah data yang akan digunakan dalam perhitungan: A. Gamma Ray (GR) B. Neutron Porosity (NPHI) C. Density (RHOB) D. Induction Log Deep (ILD) E. Induction Log Mud (ILM) F. K_NOB (Permeabilitas) B. Persiapan data Data loading Data sumur yang sudah dipilih memiliki format data *.LAS (Log Ascii File), agar dapat dilakukan pengolahan data pada software Interactive Petrophysics, maka terlebih dahulu dilakukan converting data menjadi format data internal software (*.log data). Completing header information Sebelum dilakukan langkah selanjutnya, terlebih dahulu informasi yang ada pada header log dilengkapi sesuai yang ada pada field report. Hal ini sangat penting dilakukan karena beberapa informasi yang ada dalam header log digunakan dalam proses selanjutnya. C. Data QC (Quality Control) Edit out non formation Pada penelitian ini hanya akan dilakukan evaluasi pada formasi Baturaja. Oleh karena itu perlu dilakukan pemilihan data dari formasi Baturaja. Pemilihan data dilakukan dengan cara memilih data hanya pada interval kedalaman dari formasi Baturaja. Pemisahan ini dilakukan pada setiap sumur observasi. Zonasi Reservoar Hidrokarbon Zonasi ini bedasarkan dari kenampakan log GR, SP,NPHI, RHOB, Sonic, dan Caliper. Increament editing Pada dasarnya nilai step increament dari data log dan data core berbeda satu sama lainnya. Untuk data log bernilai 0.5 dan data core 0.1 hal ini bisa menyebabkan perbedaan pembacaan kurva logaritmik pada software oleh karena itu untuk menanggulanginya diperlukan proses editing ini. Dengan menyamakan nilai kedua data dan nilai yang dipakai adalah 0.1 dengan estimasi untuk lebih mendetailkan kurva yang ada pada data log dan data core. D. Matching On depth antara kurva log dan data core Setelah nilai step increament dari data log dan data core sama. Maka setelah itu kedua data harus disamakan datanya bedasarkan kedalaman. Dengan mengubah data core yang berpatokan dari kedalaman data log. Karena pada proses coring skala yang dipakai adalah skala laboratorium berbeda dengan skala yang dipakai dari data log yang berdasarkan dari alat loging. E. Quality Control Menentukan out layer Untuk menentukan data input terlebih dahulu diharuskan untuk melihat data dengan tujuan membuang data dari kurva log yang menunjukan trend yang berbeda setelah proses Matching sebelumnya. Dengan cara analisa langsung kurva log dengan menggunakan software interactive petrophysics. F. Neural Network Apabila data pada masing-masing sumur sudah lengkap (GR, ILD, ILM, Neutron, Density,Permeability) maka proses pengolahan data akan dilanjutkan pada multi well analysis. Tetapi apabila datanya belum lengkap (dalam kasus ini sumur JS#1, JS#2, dan JS#3 belum memiliki data permeabilitas), maka dicari dengan metode neural network. Dengan tahapan Training, Testing, dan Application. G. Multiwell Analysis Dalam penelitian ini multiwell analysis di analisa dari software interactive petrophysics. Untuk modal awal melihat hubungan permeabilitas antar sumur. H. Crossplot NPHI-RHOB dengan Permeabilitas sebagai Color Key nya Untuk mengetahui sebaran mineral dan fluida sementara digunakan crossplot ini. Crossplot ini juga dijadikan acuan dalam penentuan mineral pada proses evaluasi formasi. I. Evaluasi Formasi Setelah melihat hasil crossplot lalu dilakukan evaluasi formasi untuk melihat interpretasi secara keseluruhan meliputi litologi, mineral, reservoir flag dan pay flag. III. A. Training Neural Netwrok HASIL DAN PEMBAHASAN Pada proses training ini menghasilkan kurva log sintetik dari data yang di input. Dengan pengaruh data input yang bisa dilihat dari Gambar 3.1 terlihat jelas bahwa data yang berpengaruh banyak pada proses ini adalah Resistivity Deep dibagi dengan resistivity Medium (ILDM).

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 4 Gambar 3.1 Grafik hasil training neural network yang menunjukan pengaruh data input yang dipakai pada proses neural network. Dari hasil proses ini juga bisa dilihat sebuah kemiripan trend yang dihasilkan seperti pada Gambar 3.2. Pada kurva antara data training sumur input dengan kurva hasil training berupa prediksi sumur input sendiri, dan dengan melihat trend ini nantinya menjadi faktor pendukung untuk meyakinkan apakah data-data yang menjadi input-an dalam proses training ini sangat berpengaruh pada hasil testing nantinya. c Gambar 3.2 Grafik (a) sumur MDJ#1, (b) sumur MDJ#2, (c) sumur MDJ#3 : plot antara data sumur input sbenarnya (actual) dengan data sumur input prediksi hasil proses training neural network yang nantinya akan dipakai dalam proses testing data. B. Testing Neural Network a Setelah didapatkan hasil training yang bagus (error yang didapatkan kecil sebesar 0.2 selanjutnya neural network di uji pada sumur yang lain. Dalam penelitian ini proses testing menggunakan data dari sumur JS#1, JS#2, dan JS#3. Tujuan dari proses Neural Network Testing ini adalah untuk menguji kemampuan neural network yang dihasilkan dari proses training dalam memetakan data input menjadi data output yang kita kehendaki. Hasi dari training belum bisa kita jadikan acuan untuk menetapkan bahwa neural network yang kita buat sudah bagus. Karena pada dasarnya perlu arsitektur yang sesuai dengan output yang kita inginkan. C. Evaluasi Fromasi Sumur Testing Evaluasi formasi pada penelitian ini menggunakan metode probabilistik dual water karena mengingat formasi yang diteliti b adalah Baturaja (karbonat). Jadi selain batu pasir ada beberapa mineral lain yang harus di estimasi pada formasi karbonat seperti dolomite, anhydrite, dan calcite. Untuk mengetahui litologi sebenarnya yang ada pada tiap sumur, porositas total, porositas efektif, permeabilitas, zona reservoir flag, dan zona pay flag. I. Evaluasi Formasi Sumur Test JS#1 Setelah melalui proses evaluasi formasi sumur JS#1 interval zona reservoarnya ada pada kedalaman 3835.5 4212.4 feet dengan fluida reservoarnya berupa minyak, campuran antara minyak serta air dan yang terakhir air. Volume minyaknya sebesar 28 %, volume campuran minyak dan air sebesar 16.5 %, dan volume air nya sebesar 0.86 %. Dengan porositas total sebesar 40 % dan porositas efektifnya sebesar 20 %. Permeabilitas pada zona ini sebesar 2837 md. Zona pay flag-nya ada pada interval kedalaman 3840 3901.5 feet. Litologi pada zona ini berupa limestone dan sandstone. II. Evaluasi Formasi Sumur JS#2 Karena pada sumur JS#2 tidak memiliki log sonic maka proses evaluasi hanya dilakukan dengan analisa tiga mineral saja namun pada daarnya metode yang dilakukan sama yaitu dual water. Dan evaluasi formasi sumur JS#2 menghasilkan interval zona reservoar yang berada pada kedalaman 3745.5 3952.2 feet dengan fluida reservoarnya berupa minyak dan air. Volume minyaknya sebesar 24 %, volume campuran minyak dan volume air nya sebesar 11.5 %. Dengan porositas total sebesar 32.5 % dan porositas efektifnya sebesar 31.1 %. Permeabilitas pada zona ini sebesar 597 md. Zona pay flag-nya ada pada interval kedalaman 3840 3920 feet. Litologi pada zona ini berupa limestone dan dolomite. III. Evaluasi Fromasi Sumur JS#3 Dari proses evaluasi formasi sumur JS#3 menghasilkan interval zona reservoar yang berada pada kedalaman 3549.6 3809 feet dengan fluida reservoarnya berupa minyak, campuran antara minyak serta air dan yang terakhir air. Volume minyaknya sebesar 20.9 %, volume campuran minyak dan air sebesar 2.13 %, dan volume air nya sebesar 16.2 %. Dengan porositas total sebesar 23.4 % dan porositas efektifnya sebesar 18.9 %. Permeabilitas pada zona ini sebesar 986 md. Zona pay flag-nya ada pada interval kedalaman 3637 3801.3 feet. Litologi pada zona ini berupa limestone dan sandstone yang terlaminasi. IV. KESIMPULAN/RINGKASAN 1. Dari hasil proses training neural network data input yang paling berpengaruh pada proses ini adalah nilai resistivitas deep ILD dibagi dengan resistivitas mediumnya ILM dengan pengaruh sebesar 37.559%. 2. Backpropagation neural network dengan 1 lapisan tersembunyi dan 3neuron pada setiap lapisnya merupakan arsitektur yang optimal dalam penelitian

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 5 ini dengan error yang dihasilkan sebesar 0.2 dengan nilai korelasi 0.9013. 3. Zona reservoir pada setiap sumur test ada pada interval kedalaman : a. Tabel 6.1 Interval kedalaman zona reservoar Sumur Interval Kedalaman (Feet) Test JS#1 3835.5 4212.4 JS#2 3745.5 3952.2 JS#3 3549.6 3809 4. Penambahan permeabilitas log dapat membantu menentukan zona permeabel dengan melihat trend pada crossplot anatara porositas dan densitas dimana permeabilitas log sebagai colour key nya dan juga menambah akurasi untuk evaluasi formasi. UCAPAN TERIMA KASIH Terimakasih saya ucapkan kepada PT. Medco Energy E&P, dan Laboratorium Geofisika Jurusan Fisika FMIPA ITS DAFTAR PUSTAKA [1] Bhatt, Alphana. 2002. Reservoir Properties From Well Logs Using Neural Network. Geophysics Program Study Norwegian University of Science Technology. Norwegia. [2] Chehrazi, A. 2011. A Systeamtic Method Fro Permeability Prediction, A Petro-Facies Approach. School of Geology University of Tehran. Iran. [3] Fausett, Laurene. 1994. Fundamentals of Neural Network. Prentice Hall International, Inc. USA. [4] Hale, Benjamin. 2002. Flow Unit Prediction With Limited Permeability Data Using Artificial Neural Network Analysis. College of engineering and Mineral Resources West Virginia University. West Virginia. [5] Harsono, A. 1997. Evaluasi Formasi dan Aplikasi Log. Schlumberger Oil Field Service. Jakarta. [6] Nugroho, Benny. 2005. Penerapan Neural Network Dalam Penentuan Density Porosity Pada Formasi Karbonat Untuk Peningkatan Kualitas Porosity Mapping. Jurusan Fisika FMIPA ITS. Surabaya. [7] Puspitaningrum, Diyah. 2006. Jaringan Saraf Tiruan. Penerbit Andi. Yogyakarta.