ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK ...digilib.unila.ac.id/24380/3/SKRIPSI TANPA...

ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK

KARAKTERISASI RESERVOAR EARLY MIOCENE

LAPANGAN OFFSHORE AL-FITRA

(Skripsi)

Oleh

Wahyuda Alfin

1015051037

JURUSAN TEKNIK GEOFISIKA

FAKULTAS TEKNIK

UNIVERSITAS LAMPUNG

BANDAR LAMPUNG

2016

ABSTRACT

AVO ANALYSIS, INVERSION AND NEURAL NETWORK FOR

CHARACTERIZATION OF EARLY MIOCENE RESERVOIR

ON OFFSHORE AL-FITRA FIELD

By

WAHYUDA ALFIN

The existence of anomalous amplitude (brighspot) on the seismic section may be

an indication of hydrocarbon presence in a reservoir. However, many other

conditions can also give brightspot effect, such as a thin insert of coal, fractured

rock, a layer of salt, conglomerate, turbidite, or tuning effect of thin layers.

Therefore, it is necessary to analyse amplitude variation with offset (AVO) in

order to increase confidence in possibility of hydrocarbon presence, especially gas

in the reservoir of this field. In this research, AVO analysis is to identify the class

of AVO anomalies, application of inversion and Lambda-Mu-Rho transformation

so that the reservoir can be well delineated, and application of Neural Network is

to predict the distribution of porosity and water saturation in sandstone reservoir

at Belumai level. From this research, it is known that Belumai sandstone reservoir

on well AW-1, AW-2, AW-3, and AW-4 are classified as class IV anomaly,

which identified by impedance value is lower than the overlying rock, intercept

value is negative, gradient value is positive and plotted in quadrant II at intercept

and gradient crossplot. Based on the inversion results, sandstone reservoir zones

can be separated with carbonate and shale, characterized by a low AI value 7800-

9100 ((m/s)*(g/cc)), low value of SI 4400-5200 ((m/s)*(g/cc)), the value of Mu-

Rho is relatively low 16-22 ((GPa)*(g/cc)), as well as the value of Lambda-Rho is

also relatively low 22.5-25.5 ((GPa)*(g/cc)) that indicate a porous rock with gas

associated. While, PNN neural network prediction obtains correlation value of

porosity = 0.97 and water saturation = 0.98, reservoir in the Al-Fitra field has

porosity of 15-25% and water saturation 15-35%. And based on slice map results

on volume of AI, SI, LMR, porosity and water saturation, the distribution of

sandstone reservoir in southern part of Al-Fitra field is clearly delineated, which

has NW-SE orientation and also found two potential zones which are considered

as sandstone reservoir and need to be evaluated further.

Keywords: AVO, Seismic Inversion, Lambda-Mu-Rho (LMR), Neural Network.

ABSTRAK




Oleh

WAHYUDA ALFIN

Keberadaan anomali amplitudo (brighspot) pada penampang seismik bisa menjadi

salah satu indikator kehadiran hidrokarbon pada suatu reservoar. Namun, banyak

kondisi-kondisi lain yang dapat memberikan efek brightspot, seperti sisipan tipis

batubara, rekah-rekah, lapisan garam, konglomerat, turbidit, ataupun efek tuning

dari lapisan tipis. Karena itu, diperlukan analisis amplitudo terhadap offset (AVO)

agar meningkatkan kepercayaan terhadap kemungkinan kehadiran hidrokarbon

terutama gas di reservoar lapangan ini. Dalam penelitian ini dilakukan analisis

AVO untuk mengidentifikasi kelas anomali AVO, inversi dan transformasi

Lambda-Mu-Rho agar reservoar dapat terdeleniasi lebih jelas, serta penerapan

Neural Network untuk memprediksi distribusi nilai porositas dan saturasi air pada

zona reservoar batupasir Belumai. Dari penelitian ini, diketahui bahwa zona

reservoar batupasir Belumai pada sumur AW-1, AW-2, AW-3, dan AW-4

tergolong sebagai anomali batupasir kelas IV, dengan nilai impedansi yang lebih

rendah dibandingkan batuan penutupnya, intercept bernilai negatif, gradient

bernilai positif serta berada di kuadran II pada crossplot intercept & gradient.

Berdasarkan hasil inversi, zona reservoar batupasir dapat terpisahkan dengan

karbonat dan serpih, ditandai dengan nilai AI rendah 7800-9100 ((m/s)*(g/cc)),

nilai SI rendah 4400-5200 ((m/s)*(g/cc)), nilai Mu-Rho rendah 16-22

((GPa)*(g/cc)), serta nilai Lambda-Rho yang juga rendah 22.5-25.5

((GPa)*(g/cc)) menunjukkan batuan porous berasosiasi fluida gas. Sedangkan

berdasarkan hasil prediksi neural network PNN dengan nilai korelasi porosity =

0.97 dan water saturation = 0.98, reservoar di lapangan Al-Fitra memiliki nilai

porositas 15-25% dan nilai saturasi air 15-35%. Dan slice map pada volume AI,

SI, LMR, porosity dan water saturation, sebaran reservoar batupasir gas di bagian

selatan terpetakan dengan jelas yang berorientasi NW-SE serta ditemukan juga 2

zona potensi sebagai reservoar batupasir gas dan perlu dievaluasi lebih lanjut.

Kata Kunci: AVO, Inversi Seismik, Lambda-Mu-Rho (LMR), Neural Network.




Oleh

WAHYUDA ALFIN

Skripsi

Sebagai Salah Satu Syarat untuk Mencapai Gelar

SARJANA TEKNIK

Pada

Jurusan Teknik Geofisika

Fakultas Teknik Universitas Lampung

UNIVERSITAS LAMPUNG

BANDAR LAMPUNG

2016

RIWAYAT HIDUP

Wahyuda Alfin, lahir di Padang, Sumatera Barat pada 3

Oktober 1992, merupakan anak pertama dari 3 bersaudara

pasangan Bapak Alhafri dan Ibu Yeni Fitra. Penulis

menyelesaikan pendidikan di SDN 19 Sawahan, Padang pada

tahun 2004, SMPN 31 Padang pada tahun 2007, dan SMAN 5

Padang pada tahun 2010. Pada tahun 2010 penulis terdaftar

sebagai mahasiswa Universitas Lampung Jurusan Teknik Geofisika melalui jalur

SNMPTN. Selama menjadi mahasiswa, penulis pernah aktif berorganisasi di

FOSSI FT, HIMA TG Bhuwana, BEM U KBM Unila sebagai Staf Ahli

Kementrian Luar Negeri, AAPG SC Unila sebagai Wakil Ketua Divisi Short Talk,

SEG SC Unila sebagai Ketua Divisi Professional Project dan tercatat sebagai

anggota HMGI, AAPG dan SEG Student member. Penulis juga pernah mengabdi

sebagai asisten Mata Kuliah Perpetaan. Penulis pernah magang di PT. Elliot

Geosains Indonesia, dan pernah melaksanakan Kerja Praktek dan kembali

melakukan penelitian Tugas Akhir di PT. Pertamina EP Pusat dengan judul

“Analisis AVO, Inversi dan Neural Network untuk Karakterisasi Reservoar Early

Miocene Lapangan Offshore Al-Fitra” sehingga berhasil menyelesaikan

pendidikan Sarjana pada bulan Agustus 2016.

DENGAN SEGALA KERENDAHAN HATI,

KARYA KECIL INI KU PERSEMBAHKAN UNTUK

IBU DAN AYAH TERCINTA, ADIK-ADIK YANG KU

BANGGAKAN, SERTA UNTUK KEMAJUAN ILMU

PENGETAHUAN.

MOTTO

"Dalam konfrontasi antara aliran air dan batu, aliran air selalu

menang, bukan lewat kekuatan, tetapi lewat kegigihan"

[Jackson Brown, Jr.]

“ すぐやる segera kerjakan, かならずやる pastikan kau kerjakan

sesungguh-sungguhnya, できるまでやる kerjakan hingga tuntas,

lalu semesta akan berpihak padamu”

[Nagamori]

“Those who have little knowledge of science, they

become Atheist. But those who have indepth knowledge

of science, they become a believer in God”

[Francis Bacon]

“Ilmu itu lebih baik daripada harta. Ilmu menjaga engkau

dan engkau menjaga harta”

[Ali ibn Abi Thalib]

So which of the favors of your Lord would you deny?

Maka nikmat Tuhanmu yang manakah yang kamu dustakan?

[Q.S Ar-Rahman]

1

KATA PENGANTAR

Puji syukur penulis haturkan kepada Allah SWT, Tuhan Yang Maha Esa atas

segala rahmat dan hidayah-Nya sehingga skripsi yang berjudul “Analisis AVO,

Inversi dan Neural Network untuk Karakterisasi Reservoar Early Miocene

Lapangan Offshore Al-Fitra” ini dapat terselesaikan. Shalawat serta salam

senantiasa terlimpah kepada Nabi Muhammad SAW, beserta segenap keluarga,

sahabat dan pengikut setia beliau.

Skripsi ini merupakan syarat untuk menyelesaikan studi Strata-1 Teknik

Geofisika, Fakultas Teknik, Universitas Lampung. Selain itu, dengan adanya

penelitian ini penulis bisa memahami fenomena-fenomena nyata yang terjadi di

alam serta dapat mengaplikasikan teori yang sudah diperoleh selama kuliah pada

kegiatan eksplorasi yang sebenarnya.

Penulis menyadari bahwa skripsi ini masih terdapat banyak kekurangan. Oleh

karena itu, diperlukan saran dan kritik yang membangun untuk perbaikan ke

depannya. Semoga skripsi ini dapat bermanfaat bagi kita semua.

Bandar Lampung, Oktober 2016

Wahyuda Alfin

[email protected]

xi

SANWACANA

Alhamdulillahi rabbil `alamin, rasa syukur yang mendalam penulis panjatkan

kepada Allah SWT atas rahmat dan karunianya sehingga skripsi ini dapat

terselesaikan denagan baik. Penyusunan skripsi ini tidak terlepas dari dukungan,

bimbingan dan bantuan berbagai pihak. Ucapan sebesar-besarnya penulis tujukan

kepada :

1. Bapak Alhafri dan Ibu Yeni Fitra, orangtua tercinta yang tiada henti

memberikan kasih sayang, dukungan, doa, dan segala yang penulis

butuhkan. Pengorbanan yang begitu besar yang takkan mampu terbalaskan.

Semoga Alloh SWT selalu melimpahkan keberkahan pada Keluarga kita.

2. My younger Brothers, Yafis Mulianda dan Luthfi Hanif, kalian adalah

salah satu motivasi Abang untuk berjuang sampai saat ini.

3. Bapak Prof. Suharno, M.S., M.Sc., Ph.D., selaku Dekan Fakultas Teknik

Universitas Lampung dan pengajar di jurusan Teknik Geofisika. Terima

kasih atas ilmu, motivasi, dan bimbingannya.

4. Bapak Dr. Ahmad Zaenudin, S.Si., M.T., selaku Ketua Jurusan Teknik

Geofisika dan dosen Pembimbing Akademik. Terima kasih atas motivasi,

bimbingan, ilmu dan sarannya.

5. Bapak Bagus Sapto Mulyatno, S.Si., M.T., selaku Dosen Pembimbing I.

Terimakasih atas telah menyempatkan waktu untuk berbagi cerita,

xii

berdiskusi, dan selalu memberikan motivasi, bimbingan, ilmu dan sarannya

sehingga skripsi ini dapat terselesaikan.

6. Bapak Rustadi, S.Si., M.T., selaku Dosen Pembimbing II. Terimakasih

atas waktu, ilmu dan arahannya.

7. Bapak Dr. Muh. Sarkowi, M.Si., selaku Dosen Penguji pada Tugas Akhir

ini, terimakasih waktu, saran dan ilmunya.

8. Bapak Syamsurijal Rasimeng, M.Si., yang selalu mengarahkan,

mengajarkan penulis menjadi asisten praktikum dan kegiatan lapangan,

terimakasih atas motivasi, waktu, bimbingan dan ilmunya Pak.

9. Seluruh Dosen Teknik Geofisika Universitas Lampung, Bapak Prof. Drs.

Suharno, M.S., M.Sc., Ph.D., Bapak Bagus Sapto Mulyatno, M.T.,

Bapak Dr. Muh. Sarkowi, M.Si., Bapak Dr. Ahmad Zaenudin, M.T.,

Bapak Syamsurijal R., M.Si., Bapak Alimuddin, M.Si., Bapak Rustadi,

M.T., Bapak Karyanto, M.T., Bapak Dr. Nandi H., M.Si., dan Bapak

Dr. Ordas Dewanto, M.Si., Terima kasih atas semua ilmu bermanfaat

yang telah diberikan.

10. Staf Jurusan Teknik Geofisika, Mbak Dewi, Pak Marsuno “Babeh”, Mas

Pujono dan staf Dekanat Fakultas Teknik Universitas Lampung, Mbak

Stefi, Pak Udin yang telah banyak membantu dalam proses administrasi.

11. Mas Taufiqurrahman yang telah memberikan kesempatan kepada penulis

untuk melaksanakan Tugas Akhir di PT. Pertamina EP. Terima kasih atas

bantuannya Mas.

12. Mas Ari F. Kabisat, selaku pembimbing dari PT. Pertamina EP, atas

kesabaran dalam membimbing dan mengajarkan ilmunya kepada penulis,

xiii

terima kasih atas waktu dan juga nasehatnya Mas Ari. Semoga Allah SWT

selalu memberikan kesehatan dan keberkahan.

13. Para Geoscientist dan warga lantai 16, Mas Julian Saputro, Mas Alanta

Elyan, Mas Aldis Ramadhan, Mas “Boim” Alexis B. Samudra, Mas

Mufid, terima kasih atas masukan dan ilmunya. Mas Dwi, Mas Muadz,

Mas Rio, Mas Romel yang selalu ngajakin main futsal, kapan-kapan main

lagi Mas..!! Dan seluruh karyawan Divisi Eksplorasi PT. Pertamina EP,

terima kasih atas bantuannya selama pelaksanaan penelitian tugas akhir ini.

14. Dai Bianda (Geologi Unpad’11), teman seperjuangan TA atas dukungannya

selama di kantor, terima kasih atas kritik dan sarannya Bro.!! Sangat

membangun.

15. Keluarga TG Mania’ 10, keluarga yang telah berjuang bersama di

Universitas Lampung. Rian Hidayat (pak Komti terhebat yang pernah

ada), Taufiq, geng Minang Sari Elviani jo Fenty Ria Maretta, Widatul

Faizah MD, M. Farhan Ravsanzany, Beriyan Adeam, Mega Khusnul,

Anis Kurnia Dewi, Annisa Mutiara B, Anita Octavia G, Halilintar

Duta Mega, Heksa Agus Wiyono, Dito Hadisurya, Ines Kusuma

Ningrum, Eki Zuhelmi, M. Satria Maulana, Filya Rizky Lestari, M.

Amri Satria, Anne Marie, Siti Fatimah, M.P. Bagus Wicaksono, Bima

Fajar Ertanto, Fernando Siallagan, Ade Setiawan, Murdani, Hanna

Ade Pertiwi, Pangestu Eko Lariyanto, Roy Bryanson Sihombing.

Terima kasih atas kebersamaannya, diskusi dan sharing ilmu, momen

konyol, aneh, sedih dan bahagia selama ini. Pahit manis cerita sejak hari

pertama berjumpa akan selalu terkenang. Sukses untuk kita semua.

xiv

16. Kakak tingkat dan senior TG khususnya Kak Sinku Sanjaya yang tiada

bosan memberikan saran, masukan, dan kritik yang membangun diri

menjadi lebih baik, Kak Edo Bagol, Kak Nando, Kak Gun, Alm. Uda

Agung (semoga diterima di sisi Alloh SWT), Kak Zuhron, Kak Alfian,

Kak Irfan, terima kasih atas sharing ilmunya Kak.

17. Rekan-rekan mahasiswa, adik-adik tingkatku jurusan Teknik Geofisika:

Wilyan, Ucup, Ketho, Nanda, Sari Putri Zam, Fitri Rusmala,

Raynaldo, Edo, Subari ‘Heiho’, Irwansyah, Esha, Hilman, Kevin, Azis,

Niar, Ipeh, Elen, Ririn, Winda, Widya, Sya’bana, Nafis, Agung, Reza,

geng ’14: Malik, Jefri, Diana, Cinthia, Isti, dkk serta geng ’15. Rajin-

rajin belajar.!!

18. Geng Wisma Aveari: Bro Novri, Anggi, Agung; Geng Kost-an Al-Fayat:

Andri Sansan, Dito wakwaw, dan Nur “Bro Macan”.

Serta semua pihak satu persatu yang telah memberikan dukungan sehingga

skripsi ini dapat selesai. Semoga Allah membalas semua kebaikan yang telah

diberikan.

Penulis menyadari bahwa skripsi ini masih terdapat kekurangan dan kesalahan.

Karena itu, penulis berharap adanya kritik, saran dan masukan yang membangun,

sehingga dapat bermanfaat bagi kemajuan ilmu pengetahuan dan teknologi.

Bandar Lampung, Oktober 2016

Penulis,

Wahyuda Alfin

xv

DAFTAR ISI

halaman

ABSTRACT ....................................................................................................... i

ABSTRAK ........................................................................................................ ii

COVER DALAM ............................................................................................. iii

HALAMAN PERSETUJUAN ........................................................................ iv

HALAMAN PENGESAHAN .......................................................................... v

HALAMAN PERNYATAAN .......................................................................... vi

RIWAYAT HIDUP .......................................................................................... vii

HALAMAN PERSEMBAHAN ...................................................................... viii

HALAMAN MOTTO ...................................................................................... ix

KATA PENGANTAR ...................................................................................... x

SANWACANA ................................................................................................. xi

DAFTAR ISI ..................................................................................................... xv

DAFTAR GAMBAR ........................................................................................xviii

DAFTAR TABEL ............................................................................................ xxii

BAB I PENDAHULUAN

1.1 Latar Belakang .................................................................................... 1

1.2 Tujuan Penelitian ................................................................................ 3

1.3 Batasan Masalah ................................................................................. 3

BAB II TINJAUAN PUSTAKA

2.1 Fisiografi Cekungan Sumatera Utara ................................................. 4

2.2 Kerangka Tektonik ............................................................................. 5

2.3 Stratigrafi Cekungan Sumatera Utara ................................................. 7

2.3.1 Batuan Dasar ............................................................................. 8

2.3.2 Formasi Tampur (Eosen Akhir) ................................................ 8

2.3.3 Formasi Bruksah (Oligosen Awal-Oligosen Akhir) ................. 8

2.3.4 Formasi Bampo (Oligosen Awal-Oligosen Akhir) ................... 9

2.3.5 Formasi Belumai (Miosen Awal) .............................................. 9

xvi

2.3.6 Formasi Baong (Miosen Tengah).............................................. 9

2.3.7 Formasi Keutapang (Miosen Akhir) ......................................... 9

2.3.8 Formasi Seureula (Pliosen Awal).............................................. 10

2.3.9 Formasi Juleu Rayeu (Pliosen Akhir) ....................................... 10

2.4 Petroleum System Cekungan Sumatera Utara .................................... 10

2.4.1 Batuan Induk (Source Rock) ..................................................... 10

2.4.2 Batuan Reservoar (Reservoir Rock) .......................................... 11

2.4.3 Batuan Tudung (Seal) ............................................................... 11

2.4.4 Migrasi (Migration) .................................................................. 12

2.4.5 Perangkap (Trap) ...................................................................... 12

BAB III TEORI DASAR

3.1 Metode Seismik Refleksi .................................................................... 15

3.1.1 Trace Seismik ........................................................................... 16

3.1.2 Resolusi ..................................................................................... 18

3.1.3 Wavelet ...................................................................................... 18

3.1.4 Seismogram Sintetik ................................................................. 18

3.2 Amplitude Variation with Offset (AVO) ............................................. 19

3.2.1 Persamaan AVO ........................................................................ 20

3.2.2 Klasifikasi Anomali AVO ......................................................... 23

3.3 Impedansi ........................................................................................... 26

3.3.1 Acoustic Impedance (AI)........................................................... 26

3.3.2 Shear Impedance (SI) ................................................................ 27

3.4 Parameter Lambda-Mu-Rho ............................................................... 28

3.5 Inversi Seismik ................................................................................... 29

3.6 Neural Network .................................................................................. 31

3.7 Tinjauan Umum Well-logging ............................................................ 33

3.7.1 Log Gamma-ray (GR) ............................................................... 33

3.7.2 Log Bulk Density (RHOB) ........................................................ 35

3.7.3 Log Sonic Interval Transite Time (Delta T) .............................. 35

3.7.4 Log Tahanan Jenis (Resistivity) ................................................ 36

3.7.5 Log Neutron Porosity (NPHI) ................................................... 37

BAB IV METODOLOGI PENELITIAN

4.1 Waktu dan Tempat Penelitian ............................................................ 40

4.2 Perangkat dan Data Penelitian ............................................................ 40

4.3 Tahapan Penelitian ............................................................................. 41

4.3.1 Pengolahan Data Tahap 1.......................................................... 41




4.4 Diagram Alir ....................................................................................... 49

BAB V HASIL DAN PEMBAHASAN

5.1 Pengolahan Data Sumur ..................................................................... 50

5.1.1 Transformasi Log ...................................................................... 50

5.1.2 Crossplot Log ............................................................................ 52

xvii

5.1.3 Fluid Replacement Scenario dan AVO Modelling ................... 58

5.2 Analisis AVO (Gradient Analysis) ..................................................... 60

5.2.1 Analisis AVO pada Data Sumur ............................................... 61

5.2.2 Analisis AVO pada Data Seismik ............................................. 65

5.3 Well-Seismic Tie ................................................................................. 71

5.4 Interpretasi Horizon ............................................................................ 76

5.5 Model Inisial (Initial Model) .............................................................. 78

5.6 Inversi Seismik ................................................................................... 79

5.7 Transformasi Lambda-Mu-Rho .......................................................... 89

5.8 Neural Network .................................................................................. 93

5.9 Analisis dan Interpretasi ..................................................................... 101

BAB VI KESIMPULAN DAN SARAN

6.1. Kesimpulan ......................................................................................... 114

6.2. Saran ................................................................................................... 115

DAFTAR PUSTAKA

xviii

DAFTAR GAMBAR

Gambar halaman

Gambar 2.1 Fisiografi cekungan Sumatera Utara ......................................... 4

Gambar 2.2 Sub-cekungan Sumatera Utara .................................................. 5

Gambar 2.3 Framework tektonik cekungan Sumatera Utara ........................ 6

Gambar 2.4 Stratigrafi cekungan Sumatera Utara ........................................ 7

Gambar 2.5 Penampang regional lapangan Al-Fitra ..................................... 14

Gambar 3.1 Prinsip kerja seismik refleksi .................................................... 16

Gambar 3.2 Konvolusi antara reflektivitas dengan wavelet

mengurangi resolusi .................................................................. 17

Gambar 3.3 Jenis-jenis wavelet 1) Zero Phase Wavelet, 2) Maximum

Phase Wavelet, 3) Minimum Phase Wavelet,

4) Mixed Phase Wavelet ............................................................ 18

Gambar 3.4 Seismogram sintetik yang diperoleh dari konvolusi RC dan

wavelet....................................................................................... 19

Gambar 3.5 Geometri AVO .......................................................................... 19

Gambar 3.6 Respon AVO pada lapisan batupasir gas .................................. 20

Gambar 3.7 Partisi energi gelombang seismik pada bidang reflektor .......... 21

Gambar 3.8 Klasifikasi berdasarkan kurva gradient AVO ........................... 25

Gambar 3.9 Crossplot AVO ......................................................................... 25

Gambar 3.10 Faktor pengaruh terhadap kecepatan gelombang seismik ......... 27

Gambar 3.11 Proses forward modelling dan inverse modelling ..................... 30

Gambar 4.1 Basemap penelitian ................................................................... 42

Gambar 4.2 Pre-stack Gather ....................................................................... 44

Gambar 4.3 Super Gather ............................................................................. 45

Gambar 4.4 Incident Angle Mute .................................................................. 45

Gambar 4.5 Muted Gather ............................................................................ 45

Gambar 4.6 Trims Static ............................................................................... 46

Gambar 4.7 Diagram alir penelitian .............................................................. 49

Gambar 5.1 Hasil transformasi log pada sumur AW-1 ................................. 50




Gambar 5.5 Hasil transformasi log pada sumur West-1 ............................... 52

Gambar 5.6 Hasil transformasi log pada sumur North-1 .............................. 52

Gambar 5.7 Crossplot antara P-impedance dan gamma ray pada sumur

AW-1 ......................................................................................... 54

xix

Gambar 5.8 Crossplot antara S-impedance dan gamma ray pada sumur

AW-1 ......................................................................................... 54

Gambar 5.9 Crossplot antara Lambda-Rho dan Mu-Rho pada sumur

AW-1 ......................................................................................... 54


AW-2 ......................................................................................... 55


AW-2 ......................................................................................... 55


AW-2 ......................................................................................... 55


AW-3 ......................................................................................... 56


AW-3 ......................................................................................... 56


AW-3 ......................................................................................... 56


AW-4 ......................................................................................... 57


AW-4 ......................................................................................... 57


AW-4 ......................................................................................... 57

Gambar 5.19 Data log Vp, Vs dan density hasil perubahan skenario fluida

pada sumur AW-1 ..................................................................... 58

Gambar 5.20 Hasil sintetik AVO pada sumur AW-1, a) sintetik brine;

b) sintetik oil; c) sintetik insitu.................................................. 59







Gambar 5.24 Hasil sintetik AVO pada sumur West-1, a) sintetik brine;


Gambar 5.25 Analisis AVO dan crossplot AVO pada data sumur AW-1 ...... 63




Gambar 5.29 Analisis AVO dan crossplot AVO pada data sumur West-1 .... 65

Gambar 5.30 Perbandingan kurva gradient dari data seismik yang

melewati sumur AW-1, AW-2 dan West-1 ............................... 67


melewati sumur AW-3, AW-4 dan West-1 ............................... 67

Gambar 5.32 Perbandingan atribut intercept, gradient dan product dari

data seismik yang melewati sumur AW-1 dan AW-2 ............... 68

Gambar 5.33 Pre-stack seismik yang melewati: a) zona potensi-1;

b) zona potensi-2; dan c) sumur AW-1 ..................................... 70

xx


melewati zona potensi-1, zona potensi-2 dan AW-1 ................ 70

Gambar 5.35 Wavelet statistical dari data seismik ......................................... 71

Gambar 5.36 Well-seismic tie dengan wavelet statistical pada sumur

AW-1 ......................................................................................... 72


AW-2 ......................................................................................... 73


AW-3 ......................................................................................... 73


AW-4 ......................................................................................... 74

Gambar 5.40 Well-seismic tie dengan wavelet ekstraksi dari sumur AW-1 ... 74




Gambar 5.44 Interpretasi horizon ................................................................... 77

Gambar 5.45 Peta struktur waktu horizon Belumai SS .................................. 77

Gambar 5.46 Model inisial AI (atas) dan SI (bawah) pada xline 3008 ........... 79

Gambar 5.47 Desain operator inversi AI ........................................................ 80

Gambar 5.48 Desain operator inversi SI ......................................................... 80

Gambar 5.49 Analisis inversi AI pada sumur AW-1 ...................................... 81




Gambar 5.53 Analisis inversi SI pada sumur AW-1 ....................................... 83




Gambar 5.57 Hasil inversi AI (atas) dan inversi SI (bawah) yang melewati

sumur AW-1 pada xline 3008 ................................................... 86







Gambar 5.61 Hasil transformasi Lambda-Rho (atas) dan Mu-Rho (bawah)

yang melewati sumur AW-1 pada xline 3008 ........................... 90







Gambar 5.65 Hasil korelasi multi-atribut untuk porositas .............................. 95

Gambar 5.66 Perbandingan hasil training multi-atribut dengan log

porositas .................................................................................... 96

Gambar 5.67 Perbandingan hasil training PNN dengan log porositas ............ 96

xxi

Gambar 5.68 Crossplot antara porositas prediksi dengan porositas dari

well ............................................................................................ 96

Gambar 5.69 Hasil korelasi multi-atribut untuk saturasi air ........................... 97

Gambar 5.70 Perbandingan hasil training multi-atribut dengan log

saturasi air ................................................................................. 97

Gambar 5.71 Perbandingan hasil training PNN dengan log saturasi air ........ 97

Gambar 5.72 Crossplot antara saturasi air prediksi dengan saturasi air

dari well ..................................................................................... 98

Gambar 5.73 Hasil PNN porositas yang melewati sumur AW-1 pada

xline 3008 .................................................................................. 98


xline 2932 .................................................................................. 99


xline 3011 .................................................................................. 99


xline 3099 .................................................................................. 99

Gambar 5.77 Hasil PNN saturasi air yang melewati sumur AW-1 pada

xline 3008 .................................................................................. 100


xline 2932 .................................................................................. 100


xline 3011 .................................................................................. 100


xline 3099 .................................................................................. 101

Gambar 5.81 Slice map volume Acoustic Impedance ..................................... 102

Gambar 5.82 Slice map volume Shear Impedance ......................................... 102

Gambar 5.83 Slice map volume Lambda-Rho ................................................ 103

Gambar 5.84 Slice map volume Mu-Rho........................................................ 103

Gambar 5.85 Slice map volume porositas ....................................................... 104

Gambar 5.86 Slice map volume saturasi air .................................................... 104

Gambar 5.87 Slice map atribut min. amplitudo overlay time structure .......... 107

Gambar 5.88 Slice map AI overlay time structure ......................................... 108

Gambar 5.89 Slice map SI overlay time structure .......................................... 109

Gambar 5.90 Slice map Lambda-Rho overlay time structure ......................... 110

Gambar 5.91 Slice map Mu-Rho overlay time structure ................................ 111

Gambar 5.92 Slice map porositas overlay time structure ............................... 112

Gambar 5.93 Slice map saturasi air overlay time structure ............................ 113

DAFTAR TABEL

Tabel halaman

Tabel 3.1 Klasifikasi anomali AVO ................................................................. 26

Tabel 4.1 Jadwal kegiatan penelitian ............................................................... 40

Tabel 4.2 Kelengkapan data log ....................................................................... 41

Tabel 4.3 Geometri data seismik lapangan “Al-Fitra” ..................................... 43

Tabel 5.1 Parameter model inisial Acoustic Impedance (AI) ........................... 78

Tabel 5.2 Parameter model inisial Shear Impedance (SI) ................................ 78

Tabel 5.3 Parameter inversi Acoustic Impedance (AI)..................................... 79

Tabel 5.4 Parameter inversi Shear Impedance (SI) .......................................... 80

1

a

a

a

a

BAB I. PENDAHULUAN

a

a

1.1 Latar Belakang

Cekungan Sumatera Utara telah dikenal sebagai salah satu penghasil hidrokarbon

di Indonesia. Banyak lapangan di ruang lingkup cekungan Sumatera Utara ini

yang terbukti menghasilkan hidrokarbon minyak dan gas. Salah satunya ialah

lapangan “Al-Fitra” yang berada dalam Wilayah Kerja PT. Pertamina EP di lepas

pantai Sumatera Utara. Struktur Al-Fitra ini dibor pertama kali melalui sumur

AW-1 dan terbukti dari data DST menghasilkan gas dan kondensat. Data log

sumur menunjukkan keterdapatan hidrokarbon gas yang potensial berasal dari

lapisan reservoar batupasir Belumai berumur Early Miocene.

Selama ini, metode geofisika yang selalu digunakan dalam eksplorasi

hidrokarbon adalah metode seismik refleksi karena dapat memberikan gambaran

struktur geologi dan perlapisan batuan bawah permukaan dengan cukup detail

dan akurat. Pada penampang seismik yang melewati struktur “Al-Fitra”

menunjukkan adanya anomali amplitudo (brightspot) yang berkorelasi dengan

adanya hidrokarbon gas. Namun pada kenyataannya di lapangan, tidak semua

brightspot disebabkan oleh keberadaan gas, banyak kondisi-kondisi lain di bawah

permukaan yang dapat memberikan efek brightspot, seperti sisipan tipis batubara,

batuan berpori atau rekah-rekah, lapisan garam, konglomerat, turbidit, ataupun

efek tuning dari lapisan tipis. Karena itu, diperlukan evaluasi khusus data Gather

2

seismik untuk menganalisis respon amplitudo terhadap offset (AVO) agar

meningkatkan kepercayaan terhadap kemungkinan kehadiran fluida hidrokarbon

terutama gas di reservoar lapangan ini.

Seiring dengan berkembangnya metode seismik refleksi, berkembang juga teknik

inversi seismik untuk memodelkan bawah permukaan. Inversi seismik merupakan

teknik pembuatan model bawah permukaan dengan menggunakan data seismik

sebagai input dan data sumur sebagai control. Untuk keperluan lebih lanjut, hasil

inversi yang berupa Acoustic Impedance (AI) dan Shear Impedance (SI) juga

dapat ditransformasikan menjadi produk Lambda-Rho (λρ) yang lebih sensitif

terhadap perubahan fluida dan Mu-Rho (μρ) yang lebih sensitif terhadap

perubahan litologi.

Selain itu, aplikasi Neural Network juga dapat mengekstrak informasi dari variasi

amplitudo seismik yang berhubungan dengan perubahan impedansi akustik,

sehingga dapat dihubungkan dengan sifat reservoar lainnya. Dengan

memanfaatkan hubungan data log dan beberapa set atribut seismik pada lokasi

sumur, maka dapat digunakan untuk memprediksi data log di setiap lokasi dalam

volume seismik sehingga menjadi volume properti log yang diinginkan, seperti

porositas dan saturasi air.

Keberadaan zona brighspot di lapangan Al-Fitra ini yang ditunjukkan peta atribut

amplitudo, mendorong penulis untuk menganalisis karakter dari reservoar dan

persebarannya. Penelitian dengan metode analisis AVO, seismik inversi dan

neural network ini, diharapkan dapat mengkarakterisasi reservoar dengan lebih

3

baik sehingga bisa menjadi pertimbangan dalam pengembangan lapangan

selanjutnya.

1.2 Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah untuk:

1. Mengidentifikasi kelas anomali AVO pada reservoar batupasir Belumai.

2. Mengetahui persebaran reservoar batupasir dan potensi hidrokarbon dengan

inversi.

3. Memprediksi distribusi porositas dan saturasi air berdasarkan Probabilistic

Neural Network (PNN).

1.3 Ruang Lingkup

Penulis membatasi ruang lingkup pada penelitian tugas akhir ini yaitu:

1. Daerah penelitian ini berada pada lapangan offshore Al-Fitra dengan

objektif lapisan reservoar batupasir Belumai.

2. Data yang digunakan berupa data seismik 3D post-stack dengan asumsi

telah melalui tahap processing sesuai prosedur dan data seismik 3D pre-

stack gather yang telah yang dikoreksi NMO. Serta difokuskan pada data

log 4 sumur dari 6 sumur yang berada pada lapangan Al-Fitra.

3. Metode yang digunakan adalah analisis AVO, inversi Acoustic Impedance

(AI), inversi Shear Impedance (SI) dan Lambda-Mu-Rho (LMR). Serta

dilanjutkan dengan Neural Network untuk pemetaan distribusi porositas dan

saturasi air.

33

a

a

a

a

BAB III. TEORI DASAR

a

a

3.1 Metode Seismik Refleksi

Seismik refleksi adalah salah satu metode dalam geofisika yang bertujuan untuk

mengetahui apa yang terdapat di dalam bumi dengan memanfaatkan pantulan

gelombang akustik yang dihasilkan dari sumber energi getar (dinamit, vibroseis,

air gun) dan direkam oleh receiver (geophone atau hydrophone). Data yang

dimanfaatkan dari gelombang pantul ini ialah travel time (waktu tempuh) dan

velocity (kecepatan rambat gelombang). Kecepatan gelombang yang dihasilkan

berasal dari energi tertentu yang kemudian menggerakkan partikel-partikel

gelombang dengan frekuensi tertentu.

Pada Gambar 3.1 mengilustrasikan prinsip kerja seismik refleksi. Sumber yang

diledakkan di permukaan akan menghasilkan gelombang akustik yang menjalar ke

segala arah. Gelombang yang menjalar ke dalam bumi akan melewati batuan-

batuan di dalamnya. Ketika mengenai batas perlapisan batuan, gelombang

terpantulkan lagi ke permukaan dan terekam oleh alat penerima (receiver).

Gelombang tersebut membawa semua informasi yang menggambarkan kondisi

bawah permukaan.

16

Gambar 3.1 Prinsip kerja seismik refleksi

Kemudian hasil rekaman tersebut diproses melalui beberapa tahapan processing

untuk mendapatkan hasil sesuai yang diinginkan. Tahapan yang biasa dilakukan

seperti stacking, deconvolution, migration, amplitude balancing, dll. Tiap-tiap

tahapan processing tersebut mempunyai tujuan berbeda dan juga hasil yang berbeda

tergantung tujuan kita.

Untuk inversi, kita menginginkan data seismik yang amplitudonya sedekat

mungkin dengan kondisi sebenarnya. Karena dengan inversi kita melakukan

pendekatan untuk mendapatkan model geologi yang sebenarnya. Apabila input

(data seismik) sudah tidak asli (preserve) maka hasil yang didapat tentu saja juga

tidak sesuai dengan keadaan sebenarnya.

3.1.1 Trace Seismik

Setiap trace seismik merupakan hasil konvolusi sederhana dari reflektivitas bumi

dengan fungsi sumber seismik ditambah dengan komponen noise (Russell, 2008).

Dalam bentuk persamaan dapat dituliskan sebagai berikut (tanda * menyatakan

konvolusi):

17

S(t) = w(t) * r(t) + n(t) (1)

dimana : S(t) = trace seismik

w(t) = wavelet seismik

r(t) = reflektivitas bumi, dan

n(t) = noise

Konvolusi dapat dinyatakan sebagai penggantian (replacing) setiap koefisien

refleksi dalam skala wavelet kemudian menjumlahkan hasilnya. Seperti diketahui

bahwa refleksi utama berasosiasi dengan perubahan harga impedansi. Selain itu

wavelet seismik umumnya lebih panjang daripada spasi antara kontras impedansi

yang menghasilkan koefisien refleksi. Dapat diperhatikan pada Gambar 3.2 bahwa

konvolusi dengan wavelet cenderung mereduksi koefisien refleksi sehingga

mengurangi resolusi untuk memisahkan reflektor yang berdekatan.

Gambar 3.2 Konvolusi antara reflektivitas dengan wavelet mengurangi resolusi

(Russell, 2008).

18

3.1.2 Resolusi

Resolusi didefinisikan sebagai jarak minimum antara dua obyek yang dapat

dipisahkan oleh gelombang seismik (Sukmono, 2002). Dalam seismik refleksi,

objek adalah batas antar lapisan. Keterbatasan yang dimiliki gelombang seismik ini

disebabkan range frekuensinya antara 10-60 Hz sehingga hal ini dapat berhubungan

langsung dengan resolusi yang dimiliki. Dalam interpretasi seismik, resolusi terbagi

menjadi dua arah yaitu resolusi vertikal dan resolusi horizontal.

3.1.3 Wavelet

Wavelet adalah sinyal transien yang mempunyai interval waktu dan amplitudo,

frekuensi, dan fasa tertentu. Ada empat jenis wavelet berdasarkan konsentrasi

energinya (ditunjukkan Gambar 3.3), yaitu zero phase, minimum phase, maximum

phase, dan mixed phase.

Gambar 3.3 Jenis-jenis wavelet 1) Zero Phase Wavelet, 2) Maximum Phase

Wavelet, 3) Minimum Phase Wavelet, 4) Mixed Phase Wavelet

3.1.4 Seismogram Sintetik

Seismogram sintetik adalah rekaman seismik buatan yang dibuat dari data log

kecepatan dan densitas. Data kecepatan dan densitas membentuk fungsi koefisien

(1) (2)

(3) (4)

19

refleksi yang selanjutnya dikonvolusikan dengan wavelet. Hal ini diilustrasikan

pada Gambar 3.4. Seismogram sintetik dibuat untuk mengkorelasikan antara

informasi sumur (litologi, umur, kedalaman, dan sifat-sifat fisis lainnya) terhadap

trace seismik guna memperoleh informasi yang lebih lengkap dan komprehensif.

Gambar 3.4 Seismogram sintetik yang diperoleh dari konvolusi RC dan wavelet

(Sukmono, 2002)

3.2 Amplitude Variation with Offset (AVO)

Amplitude Variation with Offset (AVO) merupakan konsep yang didasari pada

respon perubahan amplitudo refleksi pada jejak seismik seiring bertambahnya sudut

datang. Semakin besar jarak sumber ke penerima (offset) semakin besar pula sudut

datangnya. Hal tersebut diilustrasikan pada Gambar 3.5.

Gambar 3.5 Geometri AVO

θ1

θ2

20

Gambar 3.6 mengilustrasikan respon AVO dengan gelombang datang yang

menjalar pada lapisan serpih (shale) dan sebagai reflektornya lapisan batupasir

(sandstone) yang tersaturasi gas. Hasil rekaman amplitudo seismik atau nilai

refleksinya semakin membesar dengan bertambahnya offset.

Gambar 3.6 Respon AVO pada lapisan batupasir gas (Chiburis, 1993)

3.2.1 Persamaan AVO

AVO muncul akibat adanya partisi energi pada bidang reflektor. Sebagian energi

direfleksikan dan sebagian lainnya ditransmisikan. Selain itu, gelombang konversi

juga terbentuk ketika suatu gelombang mencapai batas lapisan. Koefisien refleksi

menjadi fungsi dari kecepatan gelombang P (Vp), gelombang S (Vs), densitas (ρ)

dari setiap lapisan, serta sudut datang (θ) gelombang seismik. Sehingga, terdapat

empat kurva yang dapat diturunkan yaitu amplitudo refleksi gelombang P,

21

amplitudo transmisi gelombang P, amplitudo refleksi gelombang S dan amplitudo

transmisi gelombang S seperti yang ditunjukkan pada Gambar 3.7.

Gambar 3.7 Partisi energi gelombang seismik pada bidang reflektor

Persamaan dasar AVO pertama kali diperkenalkan oleh Zoeppritz (1919) yang

menggambarkan koefisien refleksi dan transmisi sebagai fungsi dari sudut datang

pada media elastik (densitas, gelombang P dan gelombang S). Knott dan Zoeppritz

melakukan analisa koefisien refleksi berdasarkan hal tersebut dan persamaannya

dapat dituliskan dalam bentuk persamaan matriks, seperti terlihat pada persamaan

(2).

1

1

1

1

1

1

1

1

2

11

222

11

221

1

11

22

11

21222

121

2

2121

1

11

2211

2211

2cos

2sin

cos

sin

)(

)(

)(

)(

2sin2cos2sin2cos

2cos2sin2cos2sin

sincossincos

cossincossin

Ts

Tp

Rs

Rp

Vs

Vs

Vp

Vp

Vp

Vs

Vs

VsVp

VsVp

VsVp

Vs

Vp (2)

22

Rp = Refleksi gelombang P

Rs = Refleksi gelombang S

Tp = Transmisi gelombang P

Ts = Transmisi gelombang S

1 = sudut pantul gelombang S

2 = sudut bias gelombang S

1 = sudut datang gelombang P

2 = sudut bias gelombang P

Vp kecepatan gelombang P

Vs kecepatan gelombang S

densitas

Persamaan Zoeppritz mempunyai solusi yang kompleks tidak memperlihatkan

pemahaman yang mudah antara amplitudo dengan offset dan sifat batuannya,

sehingga untuk pemodelan dan analisa AVO biasanya digunakan persamaan

linearisasi. Aki dan Richard (1980) memperkenalkan pendekatan praktis untuk

mengatasi persamaan Zoeppritz yang kompleks, sehingga koefisien refleksi pada

setiap sudut datang hanya dipengaruhi oleh densitas, kecepatan gelombang P, dan

kecepatan gelombang S.

𝑅𝑝 = 𝑎 ∆𝑉𝑝

𝑉𝑝+ 𝑏

∆𝜌

𝜌+ 𝑐

∆𝑉𝑠

𝑉𝑠 (3)

Dimana :

𝑎 = 1

2 𝑐𝑜𝑠2𝜃

𝑏 = 0.5 − [2 (𝑉𝑠

𝑉𝑝)

2

𝑠𝑖𝑛2𝜃]

𝑐 = −4 (𝑉𝑠

𝑉𝑝)

2

𝑠𝑖𝑛2𝜃

𝜃 = 𝜃1 + 𝜃2

2

𝜌 = 𝜌2 − 𝜌1

2, ∆𝜌 = 𝜌2 − 𝜌1

𝑉𝑝 = 𝑉𝑝2 − 𝑉𝑝1

2, ∆𝑉𝑝 = 𝑉𝑝2 − 𝑉𝑝1

𝑉𝑠 = 𝑉𝑠2 − 𝑉𝑠1

2, ∆𝑉𝑠 = 𝑉𝑠2 − 𝑉𝑠1

Dari persamaan diatas, Wiggins (1983) memodifikasi persamaan 3 tersebut menjadi

bentuk baru yang terdiri dari 3 (tiga) bagian seperti persamaan 4 berikut :

𝑅𝑝(𝜃) = 𝐴 + 𝐵𝑠𝑖𝑛2𝜃 + 𝐶𝑡𝑎𝑛2𝜃 𝑠𝑖𝑛2𝜃 (4)

23

𝐴 =1

2 [

∆𝑉𝑝

𝑉𝑝+

∆𝜌

𝜌] (5)

𝐵 =1

2

∆𝑉𝑝

𝑉𝑝− 4 [

𝑉𝑠

𝑉𝑝]

2 ∆𝑉𝑠

𝑉𝑠− 2 [

𝑉𝑠

𝑉𝑝]

2 ∆𝜌

𝜌 (6)

𝐶 =1

2

∆𝑉𝑝

𝑉𝑝 (7)

Persamaan (5) adalah untuk koefisien refleksi pada keadaan zero offset dan fungsi

tersebut bergantung dengan densitas dan kecepatan gelombang P. Persamaan (6)

adalah tingkat gradien yang dikalikan dengan sin2θ, dan merupakan efek besar pada

perubahan amplitudo sebagai fungsi offset. Persamaan ini bergantung pada

perubahan kecepatan gelombang P, kecepatan gelombang S, dan densitas.

Persamaan (7) berupa kurva dan hanya bergantung pada perubahan kecepatan

gelombang P. Persamaan ini dikalikan oleh (𝑡𝑎𝑛2𝜃 𝑠𝑖𝑛2𝜃), namun berpengaruh

sangat kecil pada efek amplitudo sudut di bawah 30°.

3.2.2 Klasifikasi Anomali AVO

Rutherford dan Williams (1989) membagi kelas AVO dalam kasus shale-gas sand

ke dalam tiga kelas, yaitu kelas 1 yang berhubungan dengan nilai impendansi yang

tinggi dari batupasir gas, kelas 2 yang berhubungan dengan nilai impendansi

batupasir gas yang mendekati nol dan kelas 3 dengan nilai impedansi batupasir gas

yang rendah. Castagna (1997) mengembangkan kelas AVO dari Rutherford dan

Williams (1989), dengan menambahkan anomali kelas 4. Klasifikasi ini

diilustrasikan pada Gambar 3.8.

Anomali kelas 1 memiliki nilai impendansi akustik sandstone yang tinggi.

Sandstone kelas 1 relatif mempunyai nilai impedansi yang lebih tinggi

dibandingkan lapisan penutup atau lapisan di atasnya yang biasanya berupa shale.

24

Batas antara shale dan sandstone tersebut mempunyai nilai koefisien refleksi yang

tinggi dan positif. Sandstone pada kelas 1 merupakan sandstone yang secara

ekstrim telah terkompaksi. Kurva AVO kelas 1 memiliki intercept positif dan

gradient negatif. Nilai gradient kelas 1 biasanya lebih besar bila dibandingkan

dengan kelas 2 dan 3.

Anomali kelas 2 memiliki kontras akustik impedansi yang mendekati nol.

Sandstone kelas 2 hampir memiliki nilai impedansi akustik yang hampir sama

dengan batuan di atasnya. Sandstone tersebut terkompaksi dan terkonsolidasi.

Gradient dari sandstone kelas 2 memiliki nilai yang besar namun tidak sebesar

gradient pada kelas 1. Anomali AVO kelas 2 terdiri dari kelas 2 yang memiliki

intercept dan gradient negatif serta kelas 2p yang memiliki intercept positif dan

gradient negatif. Kelas 2p merupakan anomali dengan pembalikan polaritas.

Intercept pada kelas 2 ini memiliki nilai yang mendekati nol.

Anomali kelas 3 memiliki nilai akustik impedansi yang kecil dibandingkan dengan

batuan di atasnya. Sandstone-nya biasanya kurang terkompaksi dan tidak

terkonsolidasi. Anomali kelas 3 memiliki intercept dan gradient negatif. Nilai

intercept nya berada di bawah nilai intercept kelas 2. Biasanya nilai gradient nya

tidak lebih besar dari kelas 1 dan kelas 2.

Anomali kelas 4 memiliki nilai impedansi kecil dari batuan penutupnya. Anomali

kelas 4 memiliki intercept negatif dan gradient positif. Anomali kelas 4 ini terjadi

ketika batupasir yang porous dilapisi oleh lapisan yang berkecepatan tinggi seperti

karbonat, tight sand yang tersementasi, siltstone, atau shale yang keras.

25

Gambar 3.8 Klasifikasi berdasarkan kurva gradient AVO (Rutherford &

Williams, 1989 dengan modifikasi)

Gambar 3.9 Crossplot AVO (Castagna, 1997)

Berdasarkan kurva gradient AVO (Gambar 3.8) dan crossplot AVO (Gambar

3.9), klasifikasi anomali AVO dapat disajikan dalam Tabel 3.1 di bawah ini:

26

Tabel 3.1 Klasifikasi Anomali AVO (Castagna, 1997)

3.3 Impedansi

3.3.1 Acoustic Impedance (AI)

Salah satu sifat akustik yang khas pada batuan adalah Acoustic Impedance (AI)

yang dipengaruhi oleh tipe dari litologi, porositas, kandungan fluida, kedalaman,

dan tekanan. Oleh sebab itu AI dapat digunakan untuk identifikasi litologi,

porositas, hidrokarbon, dan yang lainnya.

Acoustic Impedance (AI) merupakan hasil perkalian kecepatan (V) dan densitas ()

AI = Vp . (8)

dimana: AI = impedansi akustik (m/s. g/cm3)

= densitas (g/cm3)

Vp = kecepatan (m/s)

Dikarenakan orde nilai kecepatan lebih besar dibandingkan dengan orde nilai

densitas, maka harga AI lebih dikontrol oleh kecepatan gelombang seismik pada

batuan. Ketika gelombang yang merambat ke dalam bumi menemui batas lapisan

(interface) yang memiliki perbedaan AI, sebagian energi gelombang tersebut akan

terpantulkan dan sebagian lagi akan ditransmisikan/diteruskan ke dalam bumi.

Gelombang yang terpantulkan tersebut akan ditangkap oleh receiver yang berada

di permukaan. Hubungan koefisien refleksi dapat dituliskan dalam persamaan :

27

ii

ii

iiii

iiii

AIAI

AIAI

VV

VVRCi

1

1

11

11

(9)

dimana :

Vi = Kecepatan lapisan ke-I ; AIi = Impedansi Akustik Lapisan ke-i

V i+1 = Kecepatan lapisan ke-i+1 ; AIi+1 = Impedansi Akustik Lapisan ke-i + 1

RCi = Koefisien Refleksi (KR) ke-i

Pada Gambar 3.10 dapat dilihat beberapa faktor yang dapat mempengaruhi nilai

kecepatan gelombang seismik.

Gambar 3.10 Faktor pengaruh terhadap kecepatan gelombang seismik

(Hiltermann, 1977 dalam Sukmono, 2002).

Karakterisasi berdasarkan AI memiliki keterbatasan dalam membedakan antara

efek litologi dan fluida. Nilai AI rendah yang disebabkan oleh kehadiran fluida

hidrokarbon sering overlapped dengan AI rendah dari efek litologi.

3.3.2 Shear Impedance (SI)

Secara umum impedansi Shear hampir sama dengan impedansi akustik,

perbedaannya pada kecepatan yang digunakan adalah kecepatan gelombang S (Vs).

28

Secara matematis dirumuskan sebagai:

SI = Vs . ρ (10)

dimana: SI = impedansi shear (m/s. g/cm3)

= densitas (g/cm3)

Vs = kecepatan (m/s)

Karena sifat dari gelombang S yang hanya mengukur rigiditas matriks batuan

sehingga keberadaan fluida tidak terdeteksi, gelombang ini hanya akan melewati

medium solid, sehingga apabila diolah lebih lanjut, SI dapat merepresentasikan

perubahan litologi.

3.4 Parameter Lambda-Mu-Rho

Menurut Goodway (1997), parameter Lambda-Rho (λρ) dan Mu-Rho (μρ)

merupakan parameter fisika yang dapat digunakan untuk mempertajam indikasi

reservoar minyak dan gas. Lambda-Rho adalah hasil perkalian antara modulus

Lame atau inkompresibilitas (λ) dan densitas (ρ), parameter yang cukup sensitif

dalam memperlihatkan keberadaan fluida migas. Sedangkan Mu-Rho adalah hasil

perkalian antara modulus geser atau rigiditas (μ) dan densitas (ρ), parameter yang

cukup sensitif untuk memperlihatkan perbedaan litologi

Nilai dari λρ, μρ, dan K dapat diperoleh dari hubungan antara kecepatan gelombang

P dan S dengan konstanta Lame (λ dan μ) yang dinyatakan sebagai berikut:

2Vp (11)

3

4

KVp (12)

29

Vs (13)

dimana :

Vp = kecepatan gelombang P,

Vs = kecepatan gelombang S,

= densitas,

λ = modulus inkompresibilitas,

μ = modulus rigiditas,

K = modulus bulk,

Subtitusi dari persamaan di atas, sehingga didapatkan:

2SI (14)

22 2SIAI (15)

22

34

sp VVK (16)

3.5 Inversi Seismik

Seismik inversi adalah proses pemodelan geofisika yang dilakukan untuk

memprediksi informasi sifat fisis bumi berdasarkan informasi rekaman seismik

yang diperoleh. Inversi merupakan kebalikan (inverse) dari upaya pengambilan

data seismik (forward modeling). Forward modeling adalah operasi konvolusi

antara wavelet sumber dengan kontras impedansi akustik bumi (koefisien refleksi).

Proses inversi merupakan proses 'pembagian' rekaman seismik terhadap wavelet

sumber yang diprediksi (Abdullah, 2010). Hal ini diilustrasikan pada Gambar 3.11.

30

Gambar 3.11 Proses forward modelling dan inverse modelling (Abdullah, 2010)

Secara garis besar inversi seismik dapat dikelompokkan menjadi inversi pre-stack

dan inversi post-stack. Inversi pre-stack dilakukan pada data seismik yang belum

di-stack (CDP gather). Inversi ini bertujuan untuk menurunkan parameter elastik

untuk penentuan karakter batuan. Sedangkan inversi post-stack merupakan teknik

untuk mendapatkan kembali nilai koefisien refleksi dari rekaman seismik yang

selanjutnya digunakan untuk menentukan nilai impedansi akustik lapisan batuan.

Inversi seismik didefinisikan sebagai suatu teknik pembuatan model bawah

permukaan dengan menggunakan data seismik sebagai input dan data sumur

sebagai kontrol (Sukmono, 2000). Proses ini untuk menghitung model impedansi

bawah permukaan yang sesuai dengan penampang seismik. Karena hilangnya

komponen frekuensi rendah maupun tinggi pada proses seismik, informasi yang

dibutuhkan untuk pembuatan profil impedansi ini tidak bisa hanya didapatkan dari

31

penampang seismik saja. Sehingga, pada proses inversi digunakan model low

frequency (model awal) yang didapat dari data sumur untuk mengembalikan lagi

informasi yang hilang. Model ini menggambarkan model struktur kecepatan yang

akan digunakan untuk membatasi inversi.

Terdapat beberapa metode yang berkembang untuk mendapatkan nilai inversi

seismik, misalnya metode model based, sparse spike, dan rekursif. Selain itu,

terdapat metode inversi yang dikembangkan oleh Lancaster dan Whitcombe (2000)

dari BPA yang disebut Coloured Inversion (CI). Metode ini bukan metode yang

paling baik di kelasnya, tetapi metode ini cukup cepat dan lebih mudah digunakan.

Hasil inversi dengan metode CI ini juga masih lebih handal dibandingkan dengan

‘metode cepat’ lainnya seperti inversi rekursif. Bahkan hasil inversinya cukup mirip

dengan hasil inversi dengan metode sparse spike yang membutuhkan waktu lebih

lama dalam pengerjaannya. Penerapan metode ini dengan menggunakan operator

inversi yang didesain berdasarkan fakta bahwa trend dari spektrum log impedansi

akustik di suatu reservoar mempunyai bentuk konstan. Hal ini mengindikasikan

bahwa sebuah operator konvolusi dapat digunakan untuk melakukan proses inversi.

3.6 Neural Network

Penggunaan multiatribut pada dasarnya dilakukan dengan mencari hubungan statik

antara data log dan set dari atribut seismik pada lokasi sumur, lalu memanfaatkan

hubungan tersebut untuk membuat suatu volum properti log yang diinginkan.

Multiatribut merupakan suatu proses ekstraksi beberapa atribut dari data seismik

yang mempunyai korelasi yang baik terhadap data log yang pada akhirnya

digunakan untuk memprediksi data log pada setiap lokasi di volum seismik. Untuk

32

menentukan atribut seismik yang akan digunakan dalam proses tersebut, dilakukan

uji statistik antara kedua data tersebut (data log dan atribut seismik), sehingga dapat

diketahui hubungan antara keduanya. Regresi multiatribut dapat berjalan dengan

baik apabila ada relasi linear fungsional yang baik di antara log yang diprediksi dan

atribut seismik. Pada kasus hubungan yang non-linear kita dapat mengaplikasikan

transformasi tersebut dengan metoda neural network sebagai algoritma prediksi.

Dalam penelitian ini, neural network yang digunakan adalah Probabilistic Neural

Network (PNN). Transformasi multi-atribut menggunakan Probabilistic Neural

Network merupakan skema interpolasi secara matematis yang menggunakan

arsitektur neural network dalam penerapannya. Dalam pendekatan PNN, bobot

dikalkulasikan menggunakan konsep “jarak” dalam spasi atribut antara titik yang

diketahui nilainya dan titik yang tidak diketahui. Ide dasar di balik PNN adalah

menggunakan kumpulan dari satu atau lebih nilai terukur (variabel independen)

untuk memprediksi nilai variabel dependen tunggal.

Pemecahan masalah dengan cara membandingkan atribut baru dan atribut yang

telah diketahui. Nilai yang diestimasi merupakan kombinasi linear dari nilai

training yang diketahui:

Ø0 = W1* Ø1 + W2* Ø2 + W3* Ø3 (17)

dimana * adalah konvolusi , Ø = nilai porosity, dan W= bobot.

Bobot ini tergantung pada jarak antar titik yang dicari dengan titik training.

Output Ø0 ?

33

Dalam prakteknya, penggunaan PNN dapat dibagi menjadi empat langkah:

a) Analisis regresi stepwise multi linier dan validasi

b) Training neural network untuk menentukan hubungan non-linier antara

atribut seismik dan properti reservoar di lokasi sumur

c) Menerapkan neural network yang telah di-training pada data volume seismik

d) Validasi hasil dengan satu sumur dan memprediksi dari sumur lainnya.

3.7 Tinjauan Umum Well-logging

Data well-logging merupakan data yang diperoleh dari pengukuran langsung pada

lubang bor/sumur yang ditampilkan pada rekaman berupa log. Log adalah suatu

grafik kedalaman atau waktu dari satu set data yang menunjukan parameter yang

diukur secara berkesinambungan di dalam sebuah sumur. Kurva log memberikan

informasi geologi bawah permukaan dalam bentuk parameter tertentu di lubang bor

dengan resolusi yang cukup tinggi.

Karena tingkat akurasinya yang tinggi, maka data log dijadikan sebagai kontrol

terhadap data seismik untuk identifikasi litologi, sebaran fasies, dan evaluasi

formasi terutama dalam identifikasi hidrokarbon. Dalam penelitian ini, data log

utama yang digunakan adalah log Gamma Ray, log Bulk Density, log Sonik DT (P-

wave) dan log DTS (S-wave), log Neutron Porosity, log Resistivity.

3.7.1 Log Gamma-ray (GR)

Rekaman dalam log yang ditampilkan oleh alat (device) yang menangkap sinar

Gamma menunjukkan tingkat radioaktivitas beberapa unsur yang terkandung dalam

mineral batuan. Radioaktivitas yang dicatat pada log GR berasal dari 3 unsur

34

radioaktif yang yaitu Uranium-U, Thorium-Th dan Potasium-K. Unsur-unsur ini

secara terus menerus memancarkan GR dalam bentuk pulsa-pulsa energi radiasi.

Sinar Gamma ini mampu menembus batuan dan terdeteksi dalam bentuk pulsa

listrik. Parameter yang direkam adalah jumlah dari pulsa yang tercatat per satuan

waktu.

Log GR diskala dalam satuan API (GAPI). Satu GAPI adalah 1/200 dari respon

yang didapat dari caliber standar suatu formasi tiruan yang berisi Uranium,

Thorium, dan Potassium dengan kuantitas yang diketahui dengan tepat dan diawasi

oleh American Petroleum Institute (API) di Houston Texas. Umumnya log

disajikan dengan skala 0-100 atau 0-150 GAPI. Hasil analisis dari North American

Shale Composite (NASC) melaporkan bahwa standar referensi nilai dari Th 12.3

ppm, U 2.66 ppm, dan K 3.2% sebanding dengan pembacaan log 121.7 API.

Biasanya unsur U, Th, dan K merupakan kandungan alami dari mineral lempung

atau serpih. Umumnya batupasir, batugamping, dan dolomit memiliki konsentrasi

isotop radioaktif (U, Th, K) dengan jumlahnya relatif lebih sedikit daripada

lempung. Dengan demikian semakin besar respon radiasi yang dicatat pada log

menunjukkan makin banyak pula mineral lempung yang terdapat pada formasi.

Namun tidak selalu nilai Gamma ray tinggi akan berasosiasi dengan batuan

lempung/serpih.

Dari sifat tersebut fungsi utama Log GR dalam aplikasi stratigrafi dan geologi

minyak bumi adalah sebagai “log lempung” untuk membedakan antara lempung

dan formasi “bersih” dan juga untuk mengevaluasi proporsi lempung (V-shale)

dalam shaly formations.

35

3.7.2 Log Bulk Density (RHOB)

Alat yang digunakan untuk mencatat log densitas ini memiliki prinsip kerja yang

mirip dengan alat NPHI, hanya saja yang ditembakkan alat adalah sinar gamma

energi menengah yang kemudian akan bertumbukan dengan elektron-elektron yang

ada pada batuan. Tumbukan tersebut akan menyebabkan hilangnya energi

(atenuasi) sinar gamma yang kemudian akan dipantulkan dan diterima oleh detektor

yang akan diteruskan untuk direkam pada log. Dalam hubungan fisika, atenuasi

sinar gamma diterjemahkan sebagai fungsi dari jumlah elektron yang tedapat dalam

formasi. Jumlah ini dinyatakan dalam kerapatan elektron yang mewakili densitas

keseluruhan.

3.7.3 Log Sonic Interval Transite Time (Delta T)

Log Sonik adalah hasil rekaman alat yang bekerja di lubang bor berdasarkan

kecepatan rambat gelombang suara. Prinsip kerja alat ini cukup sederhana, yaitu

memancarkan gelombang elastik kedalam suatu formasi kemudian merekam waktu

kedatangan gelombang pantul. Waktu yang dibutuhkan gelombang suara untuk

sampai ke penerima disebut interval transit time. Karena jarak antara

sumber/receiver gelombang dengan batuan dianggap konstan maka besar selisih

waktu bergantung pada jenis batuan dan besarnya porositas batuan tersebut.

Gelombang merambat dalam medium sangat bergantung pada fungsi dari parameter

elastik seperti K (Bulk Modulus), μ (Shear Modulus), dan densitas (ρ).

Log sonik direkam sebagai kelambatan (slowness) biasanya dinyatakan dalam

satuan mikro detik. Ada dua jenis log sonic yang dibagi menurut gelombang yang

36

direkamnya, yaitu log DTC (Delta Time Compressional) sebagai log sonik-P dan

log DTS (Delta Time Shear) sebagai log sonik S.

3.7.4 Log Tahanan Jenis (Resistivity)

Tahanan jenis dari formasi adalah salah satu parameter yang cukup penting untuk

menentukan saturasi hidrokarbon. Arus listrik dapat mengalir di dalam formasi

batuan disebabkan konduktivitas dari air yang dikandungnya. Batuan kering dan

hidrokarbon merupakan isolator yang baik kecuali beberapa jenis mineral seperti

graphite dan sulfida besi. Resistivitas formasi diukur dengan cara mengirim arus ke

formasi seperti alat lateral log, atau menginduksikan arus listrik ke dalam formasi

seperti alat induksi.

Prinsip kerja alat laterolog yaitu arus listrik secara lateral dialirkan ke dalam

formasi. Dengan mengukur tegangan listrik yang diperlukan untuk menghasilkan

arus listrik utama yang besarnya konstan, maka resistivitas dapat dihitung dengan

menggunakan Hukum Ohm.

Spherical Focused Induction (SFI) memiliki cara kerja induksi elektromagnet yang

mengikuti hukum Faraday, yaitu bila sebuah kumparan dialiri arus listrik bolak-

balik akan menghasilkan medan magnet dan sebaliknya perubahan medan magnet

akan menimbulkan arus listrik pada kumparan. Arus listrik yang mengalir pada

kumparan alat induksi menghasilkan medan magnet di sekeliling sonde lalu medan

magnet ini akan menghasilkan arus eddy (eddy current) di dalam formasi di sekitar

alat.

37

Formasi konduktif di sekitar alat akan bereaksi seperti kumparan-kumparan kecil

yang sangat banyak sehingga mengalirkan arus Eddy terinduksi. Arus Eddy yang

terbentuk akan menghasilkan medan magnet yang dideteksi oleh kumparan

penerima. Kekuatan dari arus pada penerima adalah sebanding dengan kekuatan

dari medan magnet yang dihasilkan dan sebanding dengan arus Eddy dan juga

konduktivitas dari formasi. Maka alat ini disebut sebagai alat konduktivitas.

3.7.5 Log Neutron Porosity (NPHI)

Alat NPHI tidak mengukur volume pori secara langsung. Alat ini bekerja dengan

memancarkan partikel-partikel neutron energi tinggi dari suatu sumber kedalalam

formasi batuan. Partikel-partikel neutron ini akan bertumbukan dengan atom-atom

pada batuan sehingga mengakibatkan hilangnya energi dan kecepatan. Atom H

secara fisis memiliki massa atom yang serupa dengan neutron. Dengan demikian

tumbukan neutron dengan atom H akan bersifat efektif, artinya energi yang hilang

akibat penyerapan merupakan jumlah tertinggi dibanding tumbukan dengan atom

lain. Partikel yang telah kehilangan energi tersebut kemudian akan dipantulkan

kembali, diterima oleh detektor dan direkam ke dalam log.

Jumlah atom Hidrogen yang terkandung dalam batuan diasumsikan berbanding

lurus dengan banyaknya pori batuan. Biasanya pori-pori batuan ini terisi fluida

(baik gas, air, atau minyak). Ketiga jenis fluida tersebut secara relatif memilki

jumlah atom hidrogen tertentu, dari sini dapat ditentukan jenis fluida pengisi pori

batuan/formasi yang diukur.

Untuk mendapatkan nilai porositas yang sebenarnya, log NPHI harus dibantu

dengan log lainnya seperti log hasil analisis petrofisika dan log densitas. Porositas

38

diturunkan dari log densitas dan log porositas neutron. Porositas densitas dihitung

berdasarkan rumus:

maD

fl ma

(18)

dengan D = porositas densitas = log densitas

ma = densitas matrik fl = densitas fluida

Porositas sebenarnya dari suatu batuan dapat diperkirakan dengan kombinasi

porositas densitas dan neutron:

2

D N

(19)

Hubungan porositas dan saturasi air diberikan oleh persamaan Archie untuk formasi

bersih dalam bentuk:

m Wn

w

T

RS a

R (20)

dengan a = 0.62 m = -2.15

n = 2 Rw = 0.04

RT = tahanan jenis = porositas

Hubungan porositas terhadap densitas fluida dan porositas dinyatakan dalam

persamaan berikut:

(1 )B g fl (21)

dengan B = densitas batuan

g = densitas butiran dalam matrik batuan

= porositas

fl = densitas fluida

39

Hubungan saturasi dengan densitas fluida dapat dihitung dengan perhitungan

sederhana untuk campuran fluida sebagai berikut:

(1 )fl w w w hcS S (22)

dengan fl = densitas fluida

wS = saturasi air/brine

w = densitas air/brine

hc = densitas hidrokarbon

Dengan demikian log turunan lain seperti log saturasi air dapat diperoleh dengan

memanfaatkan persamaan diatas. Log ini bermanfaat untuk melihat kandungan air

dalam formasi sehingga dapat diketahui pula kandungan fluida lainnya.

40

a

a

a

a

BAB IV. METODOLOGI PENELITIAN

a

a

4.1 Waktu dan Tempat Penelitian

Penelitian yang berjudul ”ANALISIS AVO, INVERSI DAN NEURAL

NETWORK UNTUK KARAKTERISASI RESERVOAR EARLY MIOCENE

LAPANGAN OFFSHORE AL-FITRA” dilaksanakan di Fungsi Eksplorasi

Region Sumatera PT. Pertamina EP, Menara Standard Chartered Jakarta.

Penelitian ini dimulai pada tanggal 4 Mei 2015 hingga 7 Juli 2015. Kegiatan

penelitian dapat dilihat pada Tabel 4.1.

Tabel 4.1 Jadwal Kegiatan Penelitian

No Waktu Mei 2015 Juni 2015 Juli 2015

Kegiatan 1 2 3 4 1 2 3 4 1 2 3 4

1 Studi Literatur

2 Pengolahan Data

3 Analisa dan Pembahasan

4.2 Perangkat dan Data Penelitian

Dalam penelitian ini, digunakan 1 unit workstation dengan software penunjang

pengolahan data yaitu Hampson-Russel (HRS-9) dan Petrel 2014. Sedangkan data

yang digunakan dalam penelitian ini adalah sebagai berikut:

1. Data log sumur (AW-1, AW-2, AW-3, AW-4, West-1 dan North-1)

2. Data seismik 3D Pre-stack dan 3D Post-stack (Preserve)

3. Data Checkshot

41

4. Data Marker

4.3 Tahapan Penelitian

4.3.1 Pengolahan Data Tahap 1

1. Pemeriksaan Data Sumur

Pemeriksaan data log meliputi koordinat, elevasi Kelly Bushing (KB), lokasi

sumur terhadap data seismik, interval data log, dan kelengkapan data log.

Peninjauan data log bertujuan untuk mengontrol kualitas data log yang digunakan

dalam proses pengolahan selanjutnya. Data yang kurang baik dilakukan proses

editing untuk mendapatkan hasil data log yang lebih baik dan berkorelasi dengan

kondisi bawah permukaan sebenarnya.

Tabel 4.2 Kelengkapan Data Log

No Sumur

AW-1 AW-2 AW-3 AW-4 North-1 West-1 Log

1 Checkshot √ √ √ - √ -

2 P-wave √ √ √ √ √ -

3 S-wave - √ √ √ - -

4 Density √ √ √ √ √ √

5 Gamma Ray √ √ √ √ √ √

6 Neutron Porosity √ √ √ √ √ √

7 Resistivity √ √ √ √ √ √

8 Inline 1273 1274 1274 1274 1186 1155

bottom 1272 1271 1303

9 Xline 3008 2931 2931 2932 1359 3065

bottom 2932 3015 3106

10 Tipe Vertical Deviated Deviated Deviated Vertical Vertical

42

Gambar 4.1 Basemap Penelitian

2. Transformasi Log

Untuk data yang tidak tersedia pada log utama, dilakukan transformasi dari log

lain. Setelah data log utama tersedia, dilakukan transformasi log turunan yang

digunakan untuk tahapan selanjutnya. Log turunan yang digunakan dalam

penelitian ini, seperti log P-impedance, S-impedance, Lambda-Rho, Mu-Rho,

porositas efektif dan saturasi air.

3. Crossplot Log

Membuat crossplot log untuk mengetahui hubungan antara 2 parameter atau lebih

sehingga dapat dikelompokkan zona-zona yang memiliki kesamaan karakter

litologi, fluida dan lain-lain yang ditandai kisaran nilai parameter tertentu.

Analisis crossplot juga berguna untuk menguji sensitifitas parameter paling baik

N

43

dalam memisahkan litologi dan fluida reservoar di sumur tersebut. Ada 3 jenis

crossplot yang dilakukan yaitu: P-Impedance (sumbu X) dan Gamma Ray (sumbu

Y), S-Impedance (sumbu X) dan Gamma Ray (sumbu Y), serta crossplot Lambda-

Rho (sumbu X) dengan Mu-Rho (sumbu Y). Crossplot ini menggunakan color key

porosity.

4. Fluid Replacement Scenario dan AVO Modelling.

Sebelum dilakukan pemodelan sintetik AVO, diperlukan analisis fluida pengisi.

Data sumur dibuat skenario konten fluida pada zona reservoar yaitu reservoar

yang tersaturasi minyak, air dan nilai log sebenarnya (insitu). Setelah didapatkan

nilai log P-wave, S-wave, density dari masing-masing skenario, dibuat pre-stack

synthetic dari log ini menggunakan algoritma Zoeppritz.


1. Pre-Conditioning Seismic Gather

Agar hasil pada analisis AVO lebih optimal, dilakukan proses pre-conditioning

data seismik yang bertujuan untuk memperbesar S/N (signal to noise ratio).

Adapun susunan geometri dari data seismik dapat dilihat pada Tabel 4.3.

Tabel 4.3 Geometri Data Seismik Lapangan “Al-Fitra”

Parameter Inline Xline

Number of 709 3121

Start Number 999 337

Increment 1 1

Spacing 25 m 12.5 m

44

- Super Gather

Super gather merupakan proses penggabungan beberapa CDP yang berdekatan

untuk mengurangi noise random sehingga reflektor seismik zona target menjadi

lebih jelas. Hasil dari proses super gather dapat dilihat pada Gambar 4.3

- Mute

Setelah dilakukan super gather, reflektor masih terlihat noisy pada far offset-nya.

Proses muting dilakukan untuk memotong data gather pada far offset yang noisy

dan akan mengganggu perhitungan atribut AVO. Proses ini dilakukan berdasarkan

incident angle yang dianggap cukup optimal, yaitu 0-32° seperti yang ditunjukkan

Gambar 4.4 dan Gambar 4.5

- Trim Static

Proses ini membantu menyelesaikan masalah migrasi move-out pada data seismik

pre-stack (Gambar 4.6). Hal ini dilakukan untuk meratakan reflektor pada zona

target. Trim static dengan menentukan optimal shift dengan cara cross-

correlating untuk diaplikasikan pada trace lain dalam sebuah gather.

Gambar 4.2 Pre-stack Gather

45

Gambar 4.3 Super Gather

Gambar 4.4 Incident Angle Mute

Gambar 4.5 Muted Gather

46

Gambar 4.6 Trims Static

2. Analisis AVO

- Pick AVO

Pick AVO dilakukan pada data sintetik AVO dari sumur dan pre-stack gather

yang sudah dilakukan pre-conditioning (trim static) untuk mengetahui respon

amplitudo seismik di zona target yang ditunjukkan oleh kurva gradient terhadap

offset (gradient analysis). Serta dilakukan juga crossplot atribut AVO intercept vs

gradient untuk mendukung penentuan kelas anomali AVO.

- Volume Atribut AVO

Atribut AVO dapat dibuat sebagai volume atribut yang mempermudah dalam

melihat produk AVO seperti: intercept, gradient, dan product (A*B).


1. Well-seismic Tie

Proses well-seismic tie merupakan pengikatan antara data log sumur dan data

seismik, sehingga data seismik dalam domain waktu dapat berkorelasi dengan

data log sumur dalam domain kedalaman. Data log yang digunakan untuk well-

47

seismic tie ini berupa log sonic yang telah dikoreksi kedalaman dengan data

checkshot.

Pada well-seismic tie diperlukan wavelet untuk membuat seismogram sintetik dari

data log. Wavelet ini diperoleh dari ekstraksi dari data seismik di kedalaman dan

lebar window tertentu terutama pada zona target. Kemudian diikuti dengan

ekstraksi wavelet dari data sumur untuk mendapatkan korelasi yang lebih baik

dengan data seismik.

2. Interpretasi Horizon

Tahapan ini merupakan penelusuran kemenerusan horizon (batas perlapisan) yang

ditandai dengan amplitudo refleksi dari data seismik. Adapun horizon yang

digunakan pada penelitian ini yaitu top Carbonate dan top Belumai SS.

3. Inversi Seismik

- Model Inisial (Initial Model)

Model inisial merupakan model geologi dengan melibatkan horizon daerah target

dan komponen frekuensi rendah dari data sumur sebagai tren efek kompaksi

sehingga diperoleh hasil inversi impedansi absolut. Model ini juga berguna untuk

mengetahui batas litologi secara umum dari nilai Acoustic Impedance (AI) dan

Shear Impedance (SI) pada tiap lapisan.

- Analisis Inversi

Analisis inversi bertujuan untuk menentukan parameter yang akan digunakan

pada proses inversi. Hal ini dilakukan agar didapatkan korelasi maksimum antara

seismogram sintetik dan data real seismik, dengan nilai error yang relatif kecil.

48

4. Transformasi Lambda-Mu-Rho

Proses transformasi ini menggunakan data input hasil inversi Acoustic Impedance

(AI) dan Shear Impedance (SI) untuk mendapatkan volume Lambda-Rho dan Mu-

Rho.


1. Probabilistic Neural Network

Tahap ini bertujuan untuk memprediksi properti reservoar seperti distribusi

porositas dan saturasi air berdasarkan training neural network. Proses ini

menggunakan data input log porositas, log saturasi air, data seismik, volume

inversi AI sebagai atribut eksternal. Hasil dari proses ini adalah volume pseudo

porositas dan pseudo saturasi air.

49

4.4 Diagram Alir

Gambar 4.7 Diagram Alir Penelitian

114

a

a

a

a

BAB VI. KESIMPULAN

a

a

6.1 Kesimpulan

Berdasarkan penelitian yang telah dilakukan ini, dapat disimpulkan bahwa:

1. Berdasarkan hasil analisis AVO zona reservoar batupasir Belumai, secara

keseluruhan, sumur AW-1, AW-2, AW-3, dan AW-4 digolongkan sebagai

anomali kelas IV yang ditandai dengan nilai impedansi yang lebih rendah

dibandingkan batuan penutupnya, intercept bernilai negatif, gradient bernilai

positif serta berada pada kuadran II pada crossplot intercept & gradient.

2. Berdasarkan hasil inversi, zona reservoar batupasir dapat terpisahkan dengan

karbonatan dan serpih, ditandai dengan nilai AI rendah 7800-9100

((m/s)*(g/cc)), nilai SI rendah 4400 – 5200 ((m/s)*(g/cc)), nilai Mu-Rho

rendah 16 – 22 ((GPa)*(g/cc)), serta nilai Lambda-Rho yang juga rendah

22.5 – 25.5 ((GPa)*(g/cc)) menunjukkan batuan porous yang berasosiasi

fluida gas.

3. Hasil prediksi neural network PNN dengan nilai korelasi porosity = 0.97 dan

water saturation = 0.98, terlihat pada reservoar Al-Fitra memiliki rentang

nilai porositas sebesar 15-25% dan nilai saturasi air sebesar 15-35%.

4. Dari hasil slice map pada volume AI, SI, LMR, porositas dan saturasi air,

sebaran reservoar batupasir gas di bagian selatan lapangan terpetakan dengan

115

jelas yang berorientasi NW-SE serta ditemukan juga 2 zona di bagian utara

yang berpotensi sebagai reservoar batupasir gas dan perlu dievaluasi lebih

lanjut.

6.2 Saran

Perlu dilakukan penelitian lebih lanjut mengenai jenis fluida hidrokarbon yang

terdapat pada reservoar Early Miocene terutama pada zona potensi di utara dengan

teknik inversi Extended Elastic Impedance (EEI), atribut seismik serta

memprediksi pseudo-gamma ray berbasis penerapan PNN.

105

a

a

a

a

DAFTAR PUSTAKA

a

a

Aki, K., dan Richards, P.G. 1980. Quantitative Seismology: Theory and Methods.

W.H Freeman & Company.

Abdullah, A. 2011. Ensiklopedi Seismik Online E-book: Seismik Inversi.

Castagna, J.P., dan Swan, H.W. 1997. Principles of AVO crossplotting.

Interpreter’s Corner. The Leading Edge.

Chiburis, E., Leaney, S., Skidmore, C., Franck, C., dan McHugo, S. 1993.

Hydrocarbon Detection with AVO. Oilfield Review, Seismics, 42-50.

Darman, H. 2014. Basin Index. http://geoseismic-seasia.blogspot.com/2014/04/

table-of-content-basin-index.html. Diakses pada 29 September 2015.

Darman, H., dan Sidi, F.H. 2000. An Outline of Geology of Indonesia. Jakarta:

IAGI.

Darman, H. 2000. The Geology of Indonesia/Sumatera. https://en.wikibooks.org

/wiki/The_Geology_of_Indonesia/Sumatra#2.3._SUMATRA_BACK_

ARC_BASINS. Diakses pada 25 April 2016.

Goodway, B. 1997. Improved AVO Fluid Detection and Lithology Discrimination

Using Lame Petrophysical Parameter: λρ, μρ, and λ/μ Fluid Stack

From P and S Inversion. CSEG Recorder.

Hampson, D., dan Russell, B. 2014. EMERGE Multi-Attribute Analysis. Course

Notes. CGG Company.

Lancaster, S., dan Whitcombe, D. 2000. Fast-track ‘coloured’ inversion. SEG

Expanded Abstracts, 19, 1298-1301.

Pertamina. 2006. Final Geological Well Report. PT. Pertamina EP Region

Sumatera. (Tidak Dipublikasikan)

Pertamina-Beicip Franlab. 1992. Global Geodinamics, Basin Classification and

Exploration Play Types in Indonesia. Jakarta: PT. Pertamina. (Tidak

Dipublikasikan).

106

Putra, F.J. 2010. Analisis Lingkungan Pengendapan dan Distribusi Reservoir

pada Formasi Keutapang, Lapangan Delima, Daerah Langkat,

Cekungan Sumatera Utara. Bandung: ITB.

Russell, B. 2008. Introduction to Seismic Methods. Course Notes Series,

Hampson-Russel Software Services Ltd.

Rutherford, S. R., dan Williams, R. H. 1989. Amplitude-Versus-Offset Variations

in Gas Sands. Geophysics, 54, 680–688.

Sukmono, S. 2000. Seismik Inversi untuk Karakterisasi Reservoar. Bandung: ITB.

Sukmono, S. 2002. Interpretasi Seismik Refleksi. Bandung: ITB

Wiggins, R., Kenny, G.S., dan McClure, C.D. 1983. A Method for Determining

and Displaying The Shear-Velocity Reflectivities of a Geological

Formation. European Patent Application 0113944.

ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK ...digilib.unila.ac.id/24380/3/SKRIPSI TANPA...

Documents

Transcript of ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK ...digilib.unila.ac.id/24380/3/SKRIPSI TANPA...