ANALISIS PERSEBARAN POTENSI TOTAL …digilib.unila.ac.id/29545/12/SKRIPSI TANPA BAB PEMBAHASAN...vii...
-
Upload
vuongtuong -
Category
Documents
-
view
220 -
download
0
Transcript of ANALISIS PERSEBARAN POTENSI TOTAL …digilib.unila.ac.id/29545/12/SKRIPSI TANPA BAB PEMBAHASAN...vii...
ANALISIS PERSEBARAN POTENSI TOTAL ORGANICCARBON (TOC) LAPANGAN “LINGGA” DENGAN
MENGGUNAKAN METODE INVERSI SEISMIK DANNEURAL NETWORK
(Skripsi)
Oleh
M.KEVIN P.B SINULINGGA
KEMENTERIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGIUNIVERSITAS LAMPUNG
FAKULTAS TEKNIKJURUSAN TEKNIK GEOFISIKA
2017
i
ABSTRACT
POTENTIAL DISTRIBUTION ANALYSIS OF TOTALORGANIC CARBON (TOC) ON “LINGGA” FIELD USING
SEISMIC INVERSION METHOD AND NEURAL NETWORK
By
M.KEVIN P.B SINULINGGA
“LINGGA” field is located in North Sumatra Province with research objectiveBelumai Formation, North Sumatra Basin. The purpose of this research is todetermine shale hydrocarbon prospect zone on “LINGGA” field using neuralnetworks multi-atribut seismic analysis, based on Total Organic Carbon (TOC)petrophysical data and seismic Acoustic Impedance inversion. Neural networksmulti-atribut seismic is used to discover shale hydrocarbon property based on TOCpetrophysical data, that is being used to find out hydrocarbon content on shale layer.Seismic Acoustic Impedance data has obtained value 5865 – 10295 ((m/s)*(g/cc)) tocharacterize shale layer on Belumai Formation. While seismic AI is used as externalattribute and seismic 2D data as internal attribute for neural networks multi-atributseismic. The result of neural networks multi-atribut seismic has obtained TOCdistribution value which categorize as good on the target Belumai Formation withTOC value 0,79 – 1,10%.
Keyword : Multi-atribut Neural Networks, Acoustic Impedance, Total OrganicCarbon, Shale hydrocarbon
ii
ABSTRAK
ANALISIS PERSEBARAN POTENSI TOTAL ORGANICCARBON (TOC) LAPANGAN “LINGGA” DENGAN
MENGGUNAKAN METODE INVERSI SEISMIK DANNEURAL NETWORK
Oleh
M.KEVIN P.B SINULINGGA
Lapangan “LINGGA” terletak di provinsi Sumatera Utara dengan target penelitianFormasi Belumai, Cekungan Sumatera Utara. Tujuan penelitian ini adalah untukmenentukan zona prospek shale hidrokarbon pada lapangan “LINGGA” denganmenggunakan analisis seismik multi-atribut neural networks berdasarkan datapetrofisika Total Organic Carbon (TOC) serta seismik inversi Acoustic Impedance.Seismik multi-atribut neural networks digunakan untuk mengetahui sebaran propertyshale hidrokarbon berdasarkan data petrofisika berupa TOC yang digunakan untukmengetahui kandungan hidrokarbon pada lapisan shale. Data seismik AcousticImpedance memperoleh nilai 5865 – 10295((m/s)*(g/cc)) untuk mengkarakterisasilapisan shale pada Formasi Belumai. Sedangkan untuk seismik AI digunakan sebagaiexternal attribute dan data 2D seismik sebagai internal attribute pada seismik multi-atribut neural networks. Hasil seismik multi-atribut neural networks diperoleh nilaipenyebaran TOC yang dikategorikan baik pada target Formasi Belumai dengan nilaiTOC 0,79 – 1,10%.
Kata Kunci : Multi-atribut Neural Networks, Acoustic Impedance, Total OrganicCarbon, Shale hidrokarbon
iii
ANALISIS PERSEBARAN POTENSI TOTAL ORGANIC CARBON (TOC)
LAPANGAN “LINGGA” DENGAN MENGGUNAKAN METODE
SEISMIK INVERSI DAN NEURAL NETWORK
Oleh
M. KEVIN P.B SINULINGGA
Skripsi
Sebagai Salah Satu Syarat untuk Mencapai Gelar
SARJANA TEKNIK
Pada
Jurusan Teknik Geofisika
Fakultas Teknik Universitas Lampung
KEMENTERIAN RISET TEKNOLOGI DAN PENDIDIKAN TINGGI
UNIVERSITAS LAMPUNG
FAKULTAS TEKNIK
JURUSAN TEKNIK GEOFISIKA
2017
vii
RIWAYAT HIDUP
Penulis dilahirkan di Bandar Lampung pada tanggal 07
September 1994. Merupakan anak kedua dari pasangan Bapak
Antoni Sinulingga dan Ibu Umiyatie. Rekam jejak akademis
penulis dimulai dari TK Taruna Jaya Way Halim Bandar
Lampung pada tahun 1999 sampai dengan tahun 2000. Kemudian dilanjutkan ke
tingkat sekolah dasar di SD Al-Kautsar Bandar Lampung pada tahun 2000 sampai
dengan tahun 2006. Lalu penulis melanjutkan ke tingkat sekolah menengah
pertama di SMP Al-Kautsar Bandar Lampung pada tahun 2006 sampai dengan
tahun 2009. Kemudian dilanjutkan ke tingkat sekolah menengah atas di SMA YP
UNILA Bandar Lampung mulai tahun 2009 sampai dengan tahun 2012. Pada
tahun 2012, penulis melanjutkan pendidikan ke jenjang perguruan tinggi di
Jurusan Teknik Geofisika Universitas Lampung.
Selama menjalankan masa studi di Universitas Lampung, penulis juga aktif di
berbagai organisasi kemahasiswaan kampus. Pada periode 2013–2014 penulis
memulai berorganisasi sebagai anggota Himpunan Mahasiswa Teknik Geofisika
Bhuwana (HIMA TG BHUWANA) Universitas Lampung dan sebagai anggota
Staaf Dinas PSDM Badan Eksekutif Mahasiswa Fakultas Teknik Universitas
Lampung. Pada periode 2014–2015 sebagai Kepala Divisi Humas Sosial Budaya
Masyarakat Himpunan Mahasiswa TG Bhuwana Universitas Lampung, dan
viii
Member of Divisi Guest Lecture American Association Petroleum Geologist
(AAPG) Student Chapter Universitas Lampung. Pada tahun 2013-2015 penulis
tercatat sebagai Member of Visit Company Society of Exploration Geophysics
(SEG) Universitas Lampung.
Pada tahun 2015 penulis melaksanakan Kuliah Kerja Nyata (KKN) di Desa
Murni Jaya, Kecamatan Tumijajar, Kabupaten Tulang Bawang Barat. Lalu pada
April 2016 melaksanakan Kerja Praktek selama satu bulan di PT. Pertamina UTC
(Upstream Technology Center), Jakarta dengan judul laporan ”Pengolahan Data
Seismik Land 2D Lapangan ”DKE” Menggunakan Software OMEGA 2015”.
Selanjutnya pada Desember 2016-Februari 2017 penulis melaksanakan Tugas
Akhir di Badan Penelitian dan Pengembangan Energi dan Sumber Daya Mineral
“LEMIGAS”, Jakarta sebagai bahan untuk mendukung penulisan Skripsi.
Sehingga penulis dapat menyelesaikan jenjang perguruan tinggi dengan
menamatkan program sarjana melalui skripsi dengan judul ”Analisis Persebaran
Potensi Total Organic Carbon (TOC) Lapangan “LINGGA” Dengan
Menggunakan Metode Inversi Seismik Dan Neural Network”.
ix
DENGAN SEGALA KERENDAHAN HATI,
KARYA KECIL INI KU PERSEMBAHKAN
UNTUK BAPAK DAN MAMAH TERCINTA,
KAKAK KU YANG KU BANGGAKAN, SERTA
UNTUK KEMAJUAN ILMU PENGETAHUAN.
x
MOTTO
”I can accept failure, but I can’t accept not trying .”
-Michael Jordan
”Cobalah untuk tidak menjadi seorang yang suskses, tapi jadilah orang
yang bernilai.”
-Albert Einstein
”Bermimpilah seakan kau akan hidup selamanya. Hiduplah seakan kau
akan mati hari ini.”
-James Dean
”Apabila sesuatu yang kau senangi tidak terjadi,maka senangilah apa
yang terjadi.”
-Ali bin Abi Thalib
”Selemah-lemah manusia ialah orang yang tak boleh mencari sahabat
dan orang yang lebih lemah dari itu ialah orang yang mensia-siakan
sahabat yang telah dicari.”
-Ali bin Abi Thalib
xi
KATA PENGANTAR
Puji syukur penulis haturkan kepada Allah SWT, Tuhan Yang Maha Esa
atas segala rahmat dan hidayah-Nya sehingga skripsi yang berjudul
“Analisis Persebaran Potensi Total Organic Carbon (TOC) Lapangan
“LINGGA” dengan Menggunakan Metode Inversi Seismik dan Neural
Network” 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, 17 Desember 2017
M.Kevin P.B [email protected]
xii
SANWACANA
Puji syukur dan terimakasih tertinggi penulis tujukan kepada ALLAH SWT
atas segala rahmat, nikmat, karunia, dan hidayah-Nya yang tidak dapat dihitung
dalam memberikan kesempatan dan kekuatan kepada hamba-Nya untuk belajar
dan menyelesaikan masa studi pendidikan tinggi dengan melancarkan dan
menguatkan selama proses studi serta dalam penyusunan dan penyelesaian Skripsi
dengan judul ”Analisis Persebaran Potensi Total Organic Carbon (TOC)
Lapangan “LINGGA” Dengan Menggunakan Metode Inversi Seismik Dan Neural
Network”.
Tentu dalam perjalanan memulai, menyusun dan menyelesaikan skripsi ini
penulis mengucapkan banyak terimakasih kepada banyak pihak yang telah
membantu dalam segala hal secara luar biasa, baik bantuan materiel maupun
imateriel. Terimakasih saya sampaikan kepada:
1. Allah SWT atas berkat,nikmat dan karunia-Nya sampai detik ini.
2. Bapak Antoni Sinulingga dan Mamah Umiyatie, Kedua Orang Tua yang
tiada henti memberikan segala kasih sayang, semangat serta doa yang
diberikan terus menerus. Pengorbanan yang begitu besar yang takkan mampu
terbalaskan. Semoga Allah SWT selalu melimpahkan keberkahan pada
Keluarga kita
3. Monica Carolina Sinulingga (Kak Oya), yang selalu mencurahkan
perhatian dan kasih sayang dan juga memotivasi penulis agar dapat
menyelesaikan skripsi ini. Semoga Kakak selalu sukses dan sehat.
xiii
4. Keluarga Besar Aklan Hufar yang terus memberikan semangat, doa,
nasihat serta dorongan selama proses kuliah.
5. Badan Penelitian dan Pengembangan Energi dan Sumber Daya Mineral
“LEMIGAS”, Jakarta. sebagai institusi yang telah memberikan penulis
kesempatan untuk melaksanakan tugas akhir.
6. Bapak Widyo Purnomo , selaku Pembimbing Lapangan Tugas Akhir yang
telah membimbing penulis dengan penuh kesabaran dan berbagi ilmu selama
proses pengerjaan tugas akhir.
7. Bapak Humbang Purba selaku pembimbing lapangan dan teman teman
magang di Lemigas yang telah membimbing penulis dengan penuh kesabaran
dan berbagi banyak ilmu selama proses pengerjaan Tugas Akhir.
8. Bapak Bagus Sapto Mulyatno, S.Si., M.T. selaku Pembimbing I yang telah
banyak membimbing, mengarahkan serta mengingatkan dalam penyusunan
skripsi ini. Terimakasih banyak atas pembelajaran selama ini, Pak.
9. Bapak Dr. Ahmad Zaenudin, S.Si., M.T. selaku Pembimbing II yang telah
memberikan banyak motivasi dan bimbingan yang sangat baik dalam
penyusunan skripsi ini.
10. Bapak Dr. Ordas Dewanto, S.Si., M.Si. selaku Penguji yang telah
memberikan banyak masukan dan koreksi dengan sangat luar biasa dalam
penyusunan skripsi ini.
11. Bapak Dr. Ahmad Zaenudin, S.Si., M.T. selaku Ketua Jurusan Teknik
Geofisika Universitas Lampung dan Pembimbing Akademik yang senantiasa
membimbing dan mengarahkan selama proses studi berlangsung.
xiv
12. Dosen-dosen Jurusan Teknik Geofisika Universitas Lampung; Bapak Prof.
Drs. Suharno, M.Sc., Ph.D., Bapak Dr. Muh Sarkowi, S.Si., M.Si., Bapak
Dr. Ahmad Zaenudin, S.Si., M.T., Bapak Nandi H, M.Si., Bapak Bagus
Sapto Mulyatno, S.Si., M.T., Bapak Dr. Ordas Dewanto, S.Si., M.Si.,
Bapak Karyanto, S.Si., M.T., Bapak Rustadi, M.T., Bapak Syamsurijal
Rasimeng., M.Si., Bapak Alimuddin Muchtar, M.Si., Bapak Rahmad
Catur Wibowo, M.Eng., Bapak I Gede Boy, M.Eng., yang telah
memberikan banyak pembelajaran dan bantuan selama menempuh studi di
Jurusan Teknik Geofisika Universitas Lampung. Terimakasih Sangat Banyak!
13. Seluruh staff Tata Usaha Jurusan Teknik Geofisika Unila, Pak Marsono,
Pak Legino, Pak Pujono, Mbak Dewi, Mbak Dhea yang telah memberikan
banyak bantuan dalam proses administrasi.
14. Keluarga besar Badan Penelitian dan Pengembangan Energi dan Sumber
Daya Mineral “LEMIGAS”, Jakarta yang selalu ramah kepada saya dan
terima kasih atas bimbingannya kepada penulis selama mengerjakan tugas
akhir.
15. Angkatan TG 12 (Bari, Agus, Ghifari, Legowo, Vee, Andina, Andre, Ari,
Azis, Bagas, Bella, Beny, Betha, Carta, Mas Ded, Suen, Onoy, Edo, Elen,
Esha, Ferry, Gita, Hilman, Hanif, Fuad, Irwan, Jordy, Kukuh, Vivi,
Koped, Kevin, Nuzul, Made, Medi, Albana, Nana, Niar, Dilla, Anta,
Aldo, Rehana, Resti, Rival, Gata, Ucok, Sigit, Sule, Virgi, Zai, Zul) yang
telah bersama-sama memulai perjalanan ini. Bagaimanapun yang terjadi, saya
sangat bersyukur diberikan kesempatan untuk mengenal, berbagi tawa
maupun resah bersama kalian tanpa terkecuali. Terimakasih Ciloko Rolas.
xv
16. Keluarga “FORMALIN” (Forum Mahasiswa Ngeselin) Ari, Edo, Ghifari,
Esha, Hilman, Dimastya (Koped), Dimas Onoy, Aldo, Agung, Irwan dan
Jordy yang telah menjadi simbol persahabatan erat nan konyol dalam berbagi
semua hal suka dan duka di dalam kampus maupun luar kampus, terima
kasih untuk semua kebersamaan dan kesolidaritasan yang telah kalian
goreskan di hidup ini meski hanya di sebagian usia tapi tetap berarti lebih dan
semoga keluarga ini tetap hidup sampai tua nanti.
17. Teman-teman ladies Bella, Dilla, Resti, Zahidah, Medi, Betha yang telah
berbagi ilmu, semangat serta motivasi selama masa perkuliahan dan semoga
mimpi kita di masa depan terwujud.
18. Kakak-kakak tingkat (TG08, TG09, TG10, TG11) serta adik-adik tingkat
(TG13, TG14, TG15, TG16) yang telah banyak memberikan pelajaran dan
membantu selama ini. Terimakasih Banyak!
19. Teman seperjuangan Tugas Akhir Ahmad Ghifari Ardiansyah yang telah
berjuang bersama dalam suka dan duka dan berbagi semangat serta bantuan
semoga mimpi kita terwujud dan skripsi nya cepat rampung.
20. Bang Yuda TG10 yang telah memeberikan ilmu, masukan, kritik dan
bantuannya selama penulis mengerjakan skripsi, semoga Allah membalas
kebaikan Bang Yuda dan sukses selalu Bang!
21. Bella Diah Pertiwi, S.T. yang telah berjuang bersama dan berbagi semangat
serta motivasi untuk terus berjuang. Semangat mengejar mimpi-mimpi kita.
22. Serta teman-teman yang tidak bisa penulis sebutkan satu persatu. Terimakasih
banyak atas semangat, support, serta doa kalian. Wish You All The Best!
xvi
Penulis mengharapkan semoga dengan adanya karya yang berupa skripsi ini
dapat bermanfaat untuk perkembangan ilmu pengetahuan serta berguna bagi
masyarakat dan membantu proses eksplorasi sumber daya batubara di Indonesia.
Tentu, penulis sangat terbuka untuk menerima kritik dan saran yang
membangun untuk digunakan sebagai sumber motivasi dan evaluasi serta
perkembangan ilmu pengetahuan yang lebih baik. Terimakasih.
Bandarlampung, 17 Desember 2017
Penulis
M.Kevin P.B Sinulingga
xvii
DAFTAR ISI
ABSTRAK...................................................................................................................... .i
COVER DALAM .............................................................................................. iii
HALAMAN PERSETUJUAN ......................................................................... iv
HALAMAN PENGESAHAN .......................................................................... v
HALAMAN PERNYATAAN .......................................................................... vi
RIWAYAT HIDUP .......................................................................................... vii
HALAMAN PERSEMBAHAN ...................................................................... ix
HALAMAN MOTTO ...................................................................................... x
KATA PENGANTAR ...................................................................................... xi
SANWACANA ................................................................................................. xii
DAFTAR ISI ………………………………………………………...………... xvii
DAFTAR GAMBAR ………………………………………………....…........ xix
DAFTAR TABEL …………………………………………………………..... xxi
I. PENDAHULUAN1.1 Latar Belakang ...............................................................................11.2 Tujuan Penelitian ............................................................................21.3 Batasan Masalah .............................................................................2
II. TINJAUAN PUSTAKA2.1 Geologi Regional Cekungan Sumatera Utara .................................32.2 Stratigrafi Cekungan Sumatera Utara .............................................52.3 Petroleum system ............................................................................10
III. TEORI DASAR3.1 Prinsip Dasar Log Sumur ................................................................133.2 Konsep Dasar Seismik Refleksi ......................................................173.3 Interpretasi Seismik.........................................................................23
xviii
3.4 Regresi Linear Multiatribut ................................................. 25
3.5 Validasi ................................................................................ 35
3.6 Neural Network ................................................................... 38
IV. METODELOGI PENELITIAN
4.1 Lokasi dan Waktu Penelitian ............................................... 46
4.2 Alat dan Bahan .................................................................... 47
4.3 Data Penelitian .................................................................... 47
4.4 Diagram Alir ....................................................................... 49
V. HASIL DAN PEMBAHASAN
5.1 Pengolahan Data ................................................................. 50
5.2 Analisis data ........................................................................ 51
5.3 Well Seismic Tie .................................................................. 57
5.4 Picking Horizon .................................................................. 57
5.5 Seismik Inversi ................................................................... 60
5.6 Multi atribut Neural Networks ............................................ 64
5.7 Hasil Multi-atribut Neural Networks .................................. 65
5.8 Zona Prospek Shale Hidrokarbon ....................................... 65
VI. KESIMPULAN
6.1 Kesimpulan ......................................................................... 66
6.2 Saran ................................................................................... 66
DAFTAR PUSTAKA
xix
DAFTAR GAMBAR
Gambar HalamanGambar 1 Elemen-elemen Tektonik Sumatra Utara ............................................... 6
Gambar 2 Stratigrafi Regional Cekungan Sumatera Utara ...................................10
Gambar 3 Kurva Log Gamma Ray ........................................................................14
Gambar 4 Ilustrasi akuisisi checkshot ...................................................................16
Gambar 5 Prinsip Huygens ....................................................................................17
Gambar 6 Prinsip Fermat ......................................................................................18
Gambar 7 Hukum Snellius... ..................................................................................19
Gambar 8 Skema pemantulan gelombang seismik pada batas dua mediumberbeda nilai IA-nya ............................................................................21
Gambar 9 Well Seismic Tie.........................................................................................23
Gambar 10 Peta Struktur ................................................................................... 25
Gambar 11 Klasifikasi Atribut Seismik ................................................................26
Gambar 12 Conventional cross-plot antara “log target” dan “atribut seismik.......31
Gambar 13 Penerapan transformasi non-linier terhadap target dan atributmampu meningkatkan korelasi di antara keduanya........................... 32
Gambar 14 Contoh kasus tiga atribut seismik, tiap sampel log target
dimodelkan sebagai kombinasi linier dari sampel atribut pada interval
waktu yang sama ................................................................................33
Gambar 15 Plot dari prediksi error terhadap jumlah atribut yang digunakan
dalam transformasi secara matemastis kurva turun secara asimptotis ... 35
xx
Gambar 16 Ilustrasi cross-validasi ......................…..…………………….....36
Gambar 17 Validasi error …..............................................................……....38.
Gambar 18 Skematik overlay sonic log dan resistivity...................................41
Gambar 19. Penentuan tingkat kematangan (LOM) dari krosplot ∆LogR danTOC (Passey,1990). ...................................................................52
Gambar 20. Overlay log sonic dan resistivity yang menunjukkan ∆LogR ....53
Gambar 21. Skematik overlay sonic log dan resistivity (Crain,2010)............54
Gambar 22 Analisa target pada well KS.........................................................55
Gambar 23 Hasil well tie pada well KS..........................................................57
Gambar 24 Horizon penampang seismik line 89ar-494 dengan horizon
Top Belumai (Kuning) dan Top Bampo (Hijau)..........................58
Gambar 25 Analisis pra-inversi.....................................................................60
Gambar 26 Seismik Inversi AI......................................................................61
Gambar 27 Seismik Inversi AI line 89ar-494 dan Seismik section neuralnetworks TOC pada line 89ar-494.............................................64
xxi
DAFTAR TABEL
Tabel HalamanTabel 1. Respon Litologi perlapisan batuan ...........................................................14
Tabel 2. Hubungan antara TOC dengan resource potential ...................................43
Tabel 3. Pelaksanaan Kegiatan Penelitian ..............................................................45
Tabel 4. Kelengkapan Data Log .............................................................................48
Tabel 5. Tabel zona prospek TOC ..........................................................................65
I. PENDAHULUAN
1.1 Latar Belakang
Pada saat ini reservoar konvensional sedikit demi sedikit mulai ditinggalkan,
karena jumlah penemuan cadangan reservoar konvensional baru yang semakin
sulit, sehingga perlu dikembangkan dalam mencari sumber cadangan hidrokarbon
yang baru atau disebut dengan reservoar non-konvensional. Batuan serpih
merupakan salah satu contoh reservoir non-konvensional karena dapat bertindak
sebagai batuan induk dan batuan reservoir,sehingga perlu dilakukan studi atau
pendekatan secara geologi meliputi studi regional dan lokal, analisis struktur, dll.
Sedangkan pendekatan secara geofisika meliputi pemetaan secara time,
karakterisasi serta persebaran properti reservoar.
Metode yang digunakan dalam pendekatan geofisika berupa seismik inversi
dan seismik multi-atribut neural network. Seismik inversi ialah teknik untuk
membuat model bawah permukaan bumi menggunakan data seismik sebagai
input dan data sumur sebagai kontrol (Sukmono, 2000). Inversi Acoustic
Impedance (AI) adalah salah satu metode seismik inversi setelah Stack (post-
stack Inversion).
2
Seismik inversi AI merupakan teknik dalam membuat model geologi
berdasarkan data seismik, sehingga metode ini dapat mengkarakterisasi lapisan
atau formasi target. Sedangkan untuk mengetahui properti batuan shale non-
konvensional reservoir maka digunakan metode seismik multi-atribut neural
network, karena metode ini dapat menyebarkan data petrofisika Total Organic
Carbon (TOC).
Pada daerah penelitian ini dapat diperoleh zona sebaran Total Organic
Carbon (TOC) dan prospek batuan shale non-konvensional reservoir. Di
Indonesia sendiri, telah ditemukan juga cadangan hidrokarbon non-konvensional
pada batuan serpih pada Formasi Belumai, Sumatera Utara.
1.2 Tujuan Penelitian
Tujuan dari penelitian ini adalah menganalisis batuan serpih non-
konvensional reservoir dan memetakan persebaran Total Organic Carbon (TOC)
melalui analisis inversi seismik dan seismik multi-atribut neural network pada
lapangan “LINGGA”. Adapun tujuan penelitian ini adalah sebagai berikut :
1. Mengetahui karakter lapisan shale reservoar berdasarakan nilai acoustic
impedance pada zona target penelitian.
2. Menentukan penyebaran data Total Organic Carbon (TOC) pada batuan
shale non-konvensional reservoar menggunakan seismik Multi-atribut
neural networks.
3. Menentukan lapisan prospek batuan shale non-konvensional reservoar
pada Formasi Belumai.
3
1.3 Batasan Masalah
Adapun batasan masalah penelitian ini adalah sebagai berikut :
1. Penelitian menggunakan metode seismik inversi Acoustic Impedance
(AI) dan Multi-atribut neural networks.
2. Data yang didapat terdiri dari 2D seismik dengan lintasan 89ar-494, 1
data well, dan data Petrofisika TOC.
3. Formasi yang dianalisis dalam penelitian ini adalah Formasi Belumai.
II. TINJAUAN PUSTAKA
2.1 Geologi Regional Cekungan Sumatera Utara
Secara geologi, Cekungan Sumatera Utara dibatasi oleh Malacca Platform
pada bagian timur, pada bagian Selatan dibatasi oleh Asahan Arch, bagian barat
oleh Pegunungan Barisan dan pada bagian utara cekungan ini terbuka ke arah
Laut Andaman.
Aktivitas tektonik Cekungan Sumatera Utara dibedakan antara Pra-Miosen
dan Miosen hingga Pasca - Miosen. Pola struktur berarah U-S terutama dihasilkan
oleh tektonik Pra-Miosen (Mulhadiono dan Sutomo, 1984). Pola struktur Miosen -
Pasca-Miosen arah utamanya adalah BL-TG, orientasi struktur tersebut berkaitan
dengan pengangkatan Bukit Barisan. Pola sesar berarah U-S (pola Pra-Tersier)
dan arah BL-TGG maupun TL-BD merupakan reaktivasi sesar Plio-Pleistosen
sejak Miosen Tengah (Gambar 1)
Cekungan Sumatera Utara adalah salah satu dari tiga cekungan busur
belakang yang terbentuk selama Tersier (Oligosen Awal), pada Lempeng Eurasia
atau Paparan Sunda. Tektonik ekstensional mendominasi sejarah Cekungan
Sumatera di Awal Tersier dan membentuk struktur tinggian dan rendahan,
membentuk perangkap dan tempat tumbuhnya terumbu sebagai daerah kitchen.
Tektonik kedua adalah kompresional yang juga membentuk perangkap sebagai
5
struktur inversi. Evolusi Tersier cekungan Sumatera Utara dapat dibagi dalam
tujuh tahap:
• Pre-rift (sebelumnya – Eosen Akhir/Oligosen Awal) periode ini mencakup
seluruh peristiwa geologi sebelum sampai rifting Tersier terjadi.
• Early-Rift (Oligosen Awal) proses rifting dimulai dan sedimen klastik
kontinental dominan dengan sumber dari timurlaut dan timur.
• Middle-Rift (Oligosen Akhir – Miosen Awal) proses rifting masih
berlangsung dan sedimentasi bercampur antara laut dan non laut saat laut
mulai menggenangi daerah itu.
• Late Rift (Miosen Awal - Basal N7) rifting menjadi tertutup dan thermal
uplift menghasilkan post-rift ketidakselarasan regional. Sedimentasi
klastik laut dominan.
• Early Sag (Miosen Awal - Tengah N7 & N8) terjadi transgresi regional
akibat periode tenangnya tektonik. Karbonat berkembang pada struktur
tinggian yang sudah terbentuk dan seluruh wilayah mulai perlahan
menurun akibat thermal.
• Sag/Tilt (Miosen Tengah N9 - N12) penurunan termal berlanjut sedangkan
laut mengalami regresi, disertai pengangkatan cekungan ke arah baratdaya.
Pengendapan karbonat berhenti dan digantikan sedimen klastik.
• Late Sag (Miosen Tengah - Sekarang, N13 - Resen) awal kompresi
regional dan pengangkatan di selatan, penurunan termal digantikan
6
tektonik, penurunan dan transgresi laut dengan sumber sedimen bergeser
dari timurlaut ke selatan.
Gambar 1. Elemen-elemen Tektonik Sumatra Utara.
2.2 Stratigrafi Cekungan Sumatera Utara
Berikut deskripsi urutan litostratigrafi dari yang tertua sampai muda sebagai
berikut pada Gambar 2 :
- Pra-Tersier
Batuan Pra-Tersier di daerah darat umumnya terdiri dari batugamping, dolomit
dan batupasir yang diendapkan pada lingkungan pantai sampai laut dangkal.
Batuannya menyerupai Lempeng Mikro Mergui, bagian dari regional Dataran
Sunda (Pulunggono dan Cameron, 1984). Distribusi lempeng mikro di
Sumatera dan Semenanjung Malaysia dapat terlihat pada daratan, dijumpai
7
batuan metamorf dan intrusi granit dan granodiorit. Peta struktur batuan dasar
Sumatera Utara memperlihatkan bahwa cekungannya tidak simetris, lereng
barat dayanya lebih curam.
Gambar 2. Stratigrafi Regional Cekungan Sumatera Utara.
- Formasi Tampur
Formasi Tampur terdiri dari sebagian bioklastik dan biokalsilutit masif,
calcarenites dan calcilutites. Dalam formasi ini umum dijumpai nodul rijang.
Formasi ini juga terdiri dari basal konglomeratik dan batugamping dolomitik.
Formasi ini diendapkan dalam lingkungan sub-litoral - laut terbuka sepanjang
Eosen Akhir sampai Oligosen Awal, dibentuk sebagai formasi transgresif
terletak selaras di atasnya dengan Bruksah dan Formasi Bampo. Batu gamping
Tampur berumur Eosen umumnya hanya terjadi di Malaka Shelf .
8
- Formasi Parapat
Pada awal sedimentasi dalam rift basin Tersier ditandai dengan pengendapan
konglomerat, batupasir dan setempat lanau dan batubara dari Formasi Parapat.
Semennya terendapkan selama transgresi dilingkungan fluvio-litoral.
Ketebalan dan penyebaran formasi ini dikontrol oleh topografi rift basin,
menjadi lebih tebal di rendahan dan menipis atau hilang di daerah tinggian.
Ketebalan Formasi Parapat di Cekungan Sumatera Utara mencapai 2.300 m.
- Formasi Bampo
Formasi Bampo terutama terdiri dari batulempung dan serpih gampingan,
berlapis buruk, piritik dan sedikit material karbonan. Sedimen ini diendapkan
selama transgresi dalam lingkungan euxinic sampai pelagik dan selaras diatas
Formasi Parapat. Ketebalannya dari 100 sampai lebih dari 2.500 m. Sikuen
lanau Formasi Bampo mengandung sisa bahan organik dan mungkin dapat
menjadi potensial untuk batuan induk untuk hidrokarbon di Cekungan
Sumatera Utara. Formasi ini diendapkan dalam lingkungan lakustrin, mirip
dengan sedimen Oligosen yang di Cekungan Sumatera Tengah dan Selatan.
- Formasi Belumai dan Peutu
Formasi ini di blok baratlaut (Formasi Peutu dan Anggota Telaga Said)
terutama terdiri dari lanau dan batugamping dari lingkungan laut dangkal.
Batugamping terumbu dijumpai di daerah dangkal. Di timur dan tenggara blok,
sedimen yang ekivalen dengan Formasi Belumai terdiri dari batupasir kuarsitik,
kebanyakan glaukonitik, berselingan dengan batugamping air dangkal
(Karbonat Malaka) dan lanau. Formasi Peutu dan Belumai diendapkan selama
9
transgresi dan tidak selaras menutupi batuan dasar tinggian Pra-Tersier dan
selaras di atas Formasi Bampo.
- Formasi Baong
Formasi Baong terbagi kedalam tiga unit tidak resmi (Mulhadiono dkk, 1982),
yaitu: Serpih Baong bagian bawah, Batupasir Baong bagian tengah (Middle
Baong Sandstone/MBS) dan Serpih Baong bagian atas (Upper Baong Shale).
Unit Serpih Baong bagian bawah (Lower Baong Shale), tersusun atas dominasi
serpih karbonatan abu-abu gelap, kaya akan foram, menunjukkan lingkungan
pengendapan laut. Ketebalan maksimum yang dihitung mencapai 700 kaki.
Unit MBS sebagian besar terdiri dari batupasir abu-abu terang, berbutir sangat
halus, karbonatan dan glaukonitik; unit ini seringkali ditemukan di area Aru
(Blok milik Pertamina). Bagian top dari anggota ini dicirikan oleh lapisan
batupasir sementara bagian bawahnya mengacu pada lapisan batupasir terakhir
yang tepat berada di atas Serpih Baong bagian bawah. Baik bagian top maupun
bottom, keduanya tidak mewakili korelasi waktu tertentu. Ketebalan sikuen
batupasir ini bervariasi antara 300 - 850 m.
Sikuen Serpih Baong bagian bawah diendapkan di kedalaman yang lebih dalam
bila dibandingkan dengan Batupasir Baong, menginterpretasikan sikuen ini
diendapkan di lingkungan air dangkal dengan kondisi deltaik. Setelah
pengendapan MBS, cekungan kembali turun, sehingga endapan laut dalam dari
Serpih Baong bagian atas diendapkan. Koesoemadinata (1978) menganggap
MBS merupakan endapan turbidit sampai sikuen serpih dari Formasi Baong.
Perubahan relatif dari kedalaman muka air yang cepat, mengakibatkan endapan
10
deltaik diendapkan dalam waktu singkat, dan menurut keduanya, kedua
formasi tersebut tidaklah sama. Mulhadiono dkk, (1982) menyarankan bahwa
batupasir dari Sungai Besitang, yang merupakan bagian bawah dari unit MBS,
diendapkan pada rezim turbidit.
Unit serpih bagian atas terdiri sebagian besar oleh serpih homogen, abu-abu
gelap, fissile dan sedikit karbonatan, unit ini ditumpangi oleh sikuen pasir dari
Formasi Keutapang, sementara batas bawah unit ini merupakan bagian atas
dari anggota MBS.
- Formasi Keutapang
Formasi Keutapang tersusun sebagian besar oleh batupasir dan lempung
dengan sisipan serpih dan lapisan tipis batugamping, Sebenarnya, Formasi
Keutapang terbagi kedalam tiga unit litologi utama, yaitu: Bagian Bawah yang
terdiri oleh dominasi litologi pasiran, Bagian Tengah disebut Anggota Securai
yang terdiri dari batupasir laut. Bagian Atas disebut Formasi Keutapang terdiri
dari perselingan batupasir dan batulumpur. Formasi Keutapang terletak tidak
selaras diatas Formasi Baong, formasi ini terdiri dari batupasir fluvial sampai
inner neritic dan klastik halus.
- Formasi Seureula
Formasi Seureula terdiri dari dominasi batupasir dengan perlapisan serpih dan
batulempung. Batupasir Seureula memiliki ukuran butir lebih kasar, serta
mengandung lebih banyak fragmen cangkang bila dibandingkan dengan
batupasir pada Formasi Keutapang. Formasi ini diendapkan di neritik tengah
hingga luar selama Pliosen Awal (N19 – N20).
11
- Formasi Julu Rayeu
Formasi Julu Rayeu terdiri dari campuran pasir dan serpih yang kaya akan
material volkanik. Pasirnya konglomeratik dan kadang-kadang tufaan. Formasi
ini melampar secara selaras di atas Formasi Seureula dan diendapkan pada
lingkungan darat sampai laut dangkal. Ketebalan bervariasi antara 250 – 600
m. Saat ini, Formasi Julu Rayeu tidak dianggap sebagai target yang potensial
dalam cekungan ini.
2.3 Petroleum system
a. Batuan Induk
Batuan induk hidrokarbon di Cekungan Sumatera Utara berasal dari serpih
beberapa formasi antara lain:
Serpih laut dalam bagian bawah Formasi Baong
Serpih hitam, MBS dari Formasi Bampo
Serpih gampingan Formasi Belumai
Serpih bagian bawah Formasi Peutu
Batulanau endapan danau kaya organik dari Formasi Bruksah
Serpih hitam bagian bawah Formasi Keutapang.
12
b. Reservoar
Batuan reservoar yang berkembang pada Cekungan Sumatera Utara berupa
sedimen klastikal kasar berupa batupasir yang diendapkan pada lingkungan
fluvial sampai batupasir yang diendapkan pada lingkungan laut dangkal.
Adapun reservoar tersebut berasal dari runtuhan sedimen yang berasal dari :
Batupasir kasar alas (Basal Sandstone)
Batupasir gampingan dari unit Formasi Belumai
Batupasir bagian tengah/MBS dari Formasi Baong
Batupasir transgresif pada bagian bawah Formasi Keutapang
c. Cap Rock (Batuan Penyekat)
Batuan Tudung Cekungan Sumatera Utara berasal dari serpih yang terdapat
diantara formasi. Serpih Formasi Bampo, Serpih Bawah dan Tengah Formasi
Baong, Serpih Formasi Serula.
d. Trap
Secara umum perangkap hidrokarbon yang berkembang di Cekungan Sumatera
Utara berupa perangkap stratigrafi (reef) dan perangkap struktur lipatan serta
kombinasi antara struktur dan stratigrafi.
e. Migration
Migrasi hidrokarbon berupa migrasi vertikal dari batuan induk lewat zona sesar
ke batuan reservoir, sedangkan migrasi lateral dimungkinkan dari sub-
13
Cekungan ketinggian struktur. Hidrokarbon bermigrasi dari serpih Formasi
Bampo menuju reservoar Formasi Belumai dan batupasir Belumai bagian
tengah melalui zona patahan yang terbentuk selama tektonik Miosen Tengah-
Miosen Akhir.
14
III. TEORI DASAR
3.1. Prinsip Dasar Log Sumur
3.1.1. Log Gamma Ray
Prinsip pengukurannya adalah mendeteksi arus yang ditimbulkan oleh ionisasi
yang terjadi karena adanya interaksi sinar gamma dari formasi dengan gas ideal
yang terdapat di dalam kamar ionisasi yang ditempatkan pada sonde.
Secara khusus Gamma Ray Log berguna untuk identifikasi lapisan permeabel
saat Log SP tidak berfungsi, karena formasi yang resistif atau bila kurva SP
kehilangan karakternya (Rmf = Rw), atau ketika SP tidak dapat merekam
karena lumpur yang yang digunakan tidak konduktif (oil base mud). Selain itu
Log Gamma Ray juga dapat digunakan untuk mendeteksi dan evaluasi terhadap
mineral radioaktif (potassium dan uranium), mendeteksi mineral tidak radioaktif
(batubara), dan dapat juga untuk korelasi antar sumur.
Shale dan terutama marine shale mempunyai emisi sinar gamma yang lebih
tinggi dibandingkan dengan sandstone, limestone dan dolomite. Dengan adanya
perbedaan tersebut log Gamma ray ini dapat digunakan untuk membedakan
antara shale dan non shale sehingga Gamma ray sering disebut sebagai log
litologi.
15
Tabel 1. Respon Litologi perlapisan batuan (Haryono, 2010)
Coal Coal Shaly Shale Sandstone
Densitas
Gamma Ray
Resistivitas
SP
Sonic
Neutron
1.3-1.5 gr/cc
20-70 API
High
Low
Large
Large
1.5-2.0 gr/cc
75-175 API
Low-Middle
Low
-
-
2.0 gr/cc
100- 150 API
Low
Low
-
-
2.2-2.4 gr/cc
50-75 API
Low
High
-
-
Gambar 3. Kurva Log Gamma Ray
3.1.2. Log Densitas
Tujuan utama dari log densitas adalah menentukan porositas dengan mengukur
density bulk batuan, di samping itu dapat juga digunakan untuk mendeteksi
adanya hidrokarbon atau air, digunakan besama-sama dengan neutron log, juga
menentukan densitas hidrokarbon (ρh) dan membantu didalam evaluasi lapisan
shaly (Harsono,1997).
16
3.1.3. Log Sonic
Log Sonic merupakan jenis log yang digunakan untuk mengukur porositas, selain
density log dan neutron log dengan cara mengukur interval transite time (Δt),
yaitu waktu yang dibutuhkan oleh gelombang suara untuk merambat didalam
batuan formasi sejauh 1 ft. Peralatan sonic log menggunakan sebuah transmitter
(pemancar gelombang suara) dan dua buah receiver (penerima). Jarak antar
keduanya adalah 1 ft.
3.1.4. Log Neutron Porosity
Log Neutron dirancangkan untuk menentukan porositas total batuan tanpa
melihat atau memandang apakah pori-pori diisi oleh hidrokarbon maupun
air formasi. Neutron terdapat didalam inti elemen, kecuali hidrokarbon. Neutron
merupakan partikel netral yang mempunyai massa sama dengan atom hidrogen.
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 centimeter batuan terhadap
kandungan air murni pada suhu 75⁰F.
Jadi, Neutron Porosity log tidaklah mengukur porositas sesungguhnya dari
batuan, melainkan yang diukur adalah kandungan hidrogen yang terdapat pada
pori-pori batuan. Secara sederhana, semakin berpori batuan semakin banyak
kandungan hidrogen dan semakin tinggi indeks hidrogen. Sehingga, shale yang
17
banyak mengandung hidrogen dapat ditafsirkan memiliki porositas yang tinggi
pula.
3.1.5. Checkshot
Data checkshot merupakan komponen penting dalam interpretasi seismik
khususnya dalam well seismic tie yang bertindak sebagai penerjemah domain
kedalaman data-data sumur ke dalam domain waktunya data seismik seperti pada
Gambar 4. Sebelum diproses, data sumur tersebut harus dikoreksi terlebih dahulu
untuk menghilangkan efek washout zone, cashing shoe, dan artifak-artifak
lainnya. Sebenarnya penerjemahan domain kedalaman ke dalam domain waktu
dapat dilakukan oleh data sumur, yaitu log sonic. Log sonic berupa pengukuran
transit time yang disingkat DT dapat diubah menjadi log kecepatan sonic.
Kecepatan sonic inilah yang mampu menerjemahkan domain kedalaman ke dalam
domain waktu. Akan tetapi, kecepatan sonic dalam well seismic tie mempunyai
beberapa kelemahan, sehingga masih diperlukan data kecepatan lain yang
diperoleh sebagaimana data seismik diperoleh, yaitu data checkshot. Data sonic
log dan checkshot memiliki kelemahan dan keunggulan masing-masing.
Kelemahan data sonic diamtaranya adalah sangat rentan terhadap perubahan lokal
di sekitar lubang bor seperti washout zone, perubahan litologi yang tiba-tiba.
Sedangkan kelemahan data checkshot adalah resolusi tidak sedetail sonic. Untuk
menututpi kelemahan satu sama lain ini, maka kita melakukan koreksi dengan
memproduksi sonic corrected checkshot. Besarnya koreksi checkshot terhadap
sonic disebut ‘DRIFT’.
18
Gambar 4. Ilustrasi akuisisi checkshot (Veeken, 2007)
Di sini kita akan menghitung bagaimana data checkshot diperoleh (perhatikan
Gambar 4). Parameter yang sudah diketahui adalah :
offset: jarak antara sumur dengan source
TVD-SRC: kedalaman receiver dengan ketinggian source terhadap MSL
sebagai datumnya
FB: waktu first break, yaitu waktu tempuh gelombang langsung yang
ditangkap oleh receiver (Veeken, 2007)
Seismic Source
Downholegeophone
Static Correction
Offset
Seismic ReferenceDatum
KB = Kelly BushingGL = Ground LevelMD= Measured DepthH = Distance geophone
seismic source
MD
GL
KB
Well 1
19
3.2. Konsep Dasar Seismik Refleksi
3.2.1. Prinsip Huygens
Prinsip Huygens menyatakan bahwa setiap titik pada muka gelombang merupakan
sumber bagi gelombang baru. Posisi dari muka gelombang dalam dapat seketika
ditemukan dengan membentuk garis singgung permukaan untuk semua wavelet
sekunder (Gambar 5). Prinsip Huygens mengungkapkan sebuah mekanisme
dimana sebuah pulsa seismik akan kehilangan energi seiring dengan
bertambahnya kedalaman (Asparini, 2011).
Gambar 5. Prinsip Huygens (Asparini,2011).
3.2.2. Prinsip Fermat
Gelombang menjalar dari satu titik ke titik lain melalui jalan tersingkat waktu
penjalarannya (Gambar 6). Dengan demikian, jika gelombang melewati sebuah
medium yang memiliki variasi kecepatan gelombang seismik, maka gelombang
tersebut akan cenderung melalui zona-zona kecepatan tinggi dan menghindari
zona-zona kecepatan rendah (Jamady, 2011).
20
Gambar 6. Prinsip Fermat (Jamady,2011).
3.2.3. Hukum Snellius
Perambatan gelombang yang melaui medium dengan nilai parameter fisis,
misalkan densitas yang berbeda akan menyebakan nilai kecepatan
gelombang berbeda pula. Salah satu fenomena perambatan gelombang tersebut,
yaitu pembiasan arah perambatan gelombang. Hukum Snellius tentang pembiasan
menyatakan bahwa:
1. Sinar datang, garis normal, dan sinar bias, terletak pada satu bidang datar.
2. Sinar yang datang dari medium dengan indeks bias kecil ke medium
dengan indeks bias yang lebih besar dibiaskan mendekati garis normal,
dan sebaliknya.
3. Perbandingan nilai sinus sudut datang terhadap sinus sudut bias dari satu
medium ke medium lainnya selalu tetap. Perbandingan ini disebut sebagai
indeks bias relatif suatu medium terhadap medium lain.
Secara matematis Hukum Snellius dapat dirumuskan sebagai berikut:
21
= ⊖ = = ⊖ =Sebagian energi gelombang akan dipantulkan sebagai gelombang P dan
gelombang S, dan sebagian lagi akan diteruskan sebagai gelombang P dan
gelombang S.
Gambar 7. Hukum Snellius
3.2.4. Impedansi Akustik (IA)
Bumi sebagai medium rambat gelombang seismik tersusun dari perlapisan batuan
yang memiliki sifat fisis yang berbeda-beda, terutama sifat fisis densitas batuan
(ρ) dan cepat rambat gelombang (v). Sifat fisis tersebut adalah sifat fisis yang
mempengaruhi refleksivitas seismik. Dengan berdasarkan konsep tersebut
sehingga dapat dilakukan perkiraan bentuk lapisan/struktur bawah permukaan.
Penerapan konsep tersebut kemudian disebut sebagai Impedansi Akustik, dimana
(1)
Gelombang Prefleksi
Gelombang Srefleksi
P1
Vp1 Vs1
Gelombang P
Medium 1
Gelombang Prefraksi
Gelombang Srefraksi
Medium 2 Vp2 Vs2
S1
P2
S2
P
22
sebagai karekteristik akustik suatu batuan dan merupakan perkalian antara
densitas dan cepat rambat = .Dalam mengontrol harga IA, kecepatan mempunyai arti yang lebih penting dari
pada densitas. Sebagai contoh, porositas atau material pengisi pori batuan (air,
minyak, gas) lebih mempengaruhi harga kecepatan dari pada densitas.
menganalogikan IA dengan acoustic hardness. Batuan yang keras (hard rock) dan
sukar dimampatkan, seperti batugamping mempunyai IA yang tinggi, sedangkan
batuan yang lunak seperti lempung yang lebih mudah dimampatkan mempunyai
IA rendah (Sukmono, 1999).
3.2.5. Koefisien Refleksi
Apabila terdapat dua lapisan batuan yang saling berbatasan dan memiliki
perbedaan nilai impedansi akustik, maka refleksi gelombang seismik dapat terjadi
pada bidang batas antara kedua lapisan tersebut. Besar nilai refleksi yang terjadi
kemudian dinyatakan sebagai Koefisien Refleksi :
= =Koefisien refleksi menunjukkan perbandingan amplitudo (energi) gelombang
pantul dan gelombang datang, dimana semakin besar amplitudo seismik yang
terekam maka semakin besar koefisien refleksinya.
(2)
(3)
23
Gambar 8. Skema pemantulan gelombang seismik pada batas duamedium berbeda nilai IA-nya (Rachelyanna, 2015)
3.2.6. Resolusi Seismik
Resolusi didefinisikan sebagai kemampuan untuk memisahkan dua kenampakan
yang sangat berdekatan (Sheriff, 1992). Resolusi seismik sendiri terbagi menjadi 2
macam, yaitu resolusi vertikal dan resolusi lateral.
a. Resolusi Vertikal
Resolusi vertikal seismik adalah kemampuan untuk memisahkan lapisan atas
dengan lapisan bawahnya secara vertikal. Pola refleksi ini akan nampak terpisah
dengan ketebalan ¼ λ panjang gelombang, sedangkan jika ketebalanya kurang
dari itu, maka hanya akan tampak satu interface saja. Pemisahan secara vertikal
yang minimal dapat diperlihatkan disebut sebagai tunning thickness.
Frekuensi gelombang seismik lebih kecil dibandingkan frekuensi yang dihasilkan
pada data log sumur, sehingga kemampuan perubahan seismik jauh lebih besar
sekitar 100 kali lipat. Semakin kecil frekuensi dan kecepatan, maka gelombang
24
akan semakin besar. Panjang gelombang (λ) tergantung pada kecepatan V dan
frekuensi F seperti pada persamaan di bawah ini:
λ = v/f
Dimana :
λ = Panjang gelombang (m)
v = Kecepatan rata rata (m/s)
f = Frekuensi dominan seismik (Hz)
Dari persamaan diatas dapat diidentifikasi bahwa semakin kecil panjang
gelombangnya, maka perlapisan yang dapat terdeteksi semakin kecil.
b. Resolusi Lateral
Resolusi lateral atau horizontal dikenal dengan Zona Fresnell, yaitu bagian dari
reflektor dimana energi dipantulkan ke geophone atau hydrophone setelah separuh
siklus atau seperempat panjang gelombang setelah terjadinya refleksi pertama.
Radius Zona Fresnel dapat dihitung dengan rumus := /Dimana:
rf = Radius zona Fresnel (m)
v = Rata rata kecepatan (m/s)
f = Fekuensi dominan seismic (Hz)
t = TWT (s)
(4)
(5)
25
3.3. Interpretasi Seismik
3.3.1. Well To Seismic Tie
Well Seismic Tie adalah proses pengikatan data sumur (well) terhadap data
seismik. Data sumur yang diperlukan untuk well seismic tie adalah sonic (DT),
densitas (RHOB), dan checkshot. Sebelum diproses, data well tersebut harus
dikoreksi terlebih dahulu untuk menghilangkan efek Washout Zone, cashing shoe,
dan artifak-artifak lainya. Sebagaimana yang kita ketahui, data seismik umumnya
berada dalam domain waktu (TWT) sedangkan data well berada dalam domain
kedalaman (depth). Sehingga, sebelum kita melakukan pengikatan, langkah awal
yang harus kita lakukan adalah konversi data well ke domain waktu. Untuk
konversi ini, kita memerlukan data log sonic dan checkshot.
Gambar 9. Well Seismik Tie
26
3.3.2. Identifikasi dan Picking Horizon
Menurut Coffeen (1986), salah satu cara yang dipakai dalam identifikasi horizon
adalah dengan membandingkan reflektor atau horizon seismik satu section dengan
section yang lain, berdasarkan kumpulan ciri-ciri yang ada. Ciri-ciri yang biasa
digunakan adalah :
Kedudukan horizon pada penampang seismik
Komposisi frekuensi
Kekuatan amplitudo
Kontinyuitas horizon
Langkah selanjutnya adalah memilih (picking) horizon. Faktor penimbang untuk
memilih diantaranya adalah :
Kontinyuitas refleksi
Kontinyuitas karakter refleksi
Korelasinya dengan marker geologi yang diinginkan
Perannya dalam interpretasi keseluruhan
Picking satu atau lebih horizon pada satu penampang seismik harus sama dengan
picking horizon pada penampang seismik lainnya. Pastikan bahwa suatu horizon
yang di-picking, pada titik perpotongan antara dua penampang seismik
(crosspoint) terletak pada waktu (ms) yang sama.
3.3.3. Peta Struktur Waktu
Salah satu pemetaan horizon seismik adalah peta struktu waktu. Peta struktur
waktu merupakan penerapan satruktur horizon seismik dengan waktu yang dibuat
dengan cara menarik garis transversal serta sejumlah garis yang pendek dengan
27
waktu yang sesuai dengan data shot point dan kemudian dilakukan pengkonturan
(Ramdan, D. 2001).
Gambar 10 Peta Struktur
3.4. Regresi Linear Multiatribut
3.4.1. Seismik Atribut
Seismik atribut didefinisikan sebagai karakterisasi secara kuantitatif dan deskriptif
dari data seismik yang secara langsung dapat ditampilkan dalam skala yang sama
dengan data awal (Barnes, 1999). Dengan kata lain seismik atribut merupakan
pengukuran spesifik dari geometri, dinamika, kinematika dan juga analisis
statistik yang diturunkan dari data seismik. Metode seismik berguna untuk
menganalisis fenomena geologi bawah permukaan seperti struktur geologi.
Atribut seismik dan Struktur kedalaman peta yang digunakan untuk menentukan
28
distribusi fasies asosiasi dan pemodelan struktural. Distribusi fasies dan sifat
batuan dikombinasikan dengan model struktural untuk mendapatkan model fasies.
Informasi utama dari seismik atribut adalah amplitudo, frekuensi, dan atenuasi
yang selanjutnya akan digunakan sebagai dasar pengklasifikasian atribut lainnya.
Semua horison dan bentuk dari atribut-atribut ini tidak bersifat bebas antara satu
dengan yang lainnya, perbedaannya hanya pada analisis data pada informasi dasar
yang akan berpengaruh pada gelombang seismik dan juga hasil yang ditampilkan
(Sukmono, 2002). Informasi dasar yang dimaksud disini adalah waktu, frekuensi,
dan atenuasi yang selanjutnya akan digunakan sebagai dasar klasifikasi attribut .
Gambar 11. Klasifikasi Atribut Seismik (Sukmono, 2002)
PRE-STACK-Intersep AVO-Gradien AVO-Intersep X Gradien-Beda Far-Near-Faktor Fluida
JENDELA
HORISON-Waktu-Isokron-Kecenderungan-Residual-Kemiringan-Azimuth-Beda-Edge-Iluminasi-Fasa Sesaat-Fasa Kosinus
GROSS-Lebar Frekuensi-Panjang Busur-Jumlah Zero Crossing-Puncak Frekuensi Spektral-Gradien Frekuensi Spektral-Frekuensi dominan pertama,
kedua,dst-Spektrum bandwith-Frekuensi sesaat rata-rata-Frekuensi sesaat Rms
HORISON-Frekuensi Sesaat-Frekunesi Respon-Enveloped Weight
Frekuensi sesaat-Turunan Waktu
Frekuensi
DISTRIBUSI-Gradien Frekuensi
sesaat
AMPLITUDO-Koherensi-Kontinyuitas-Kemiripan-Kovarian-Beda Puncak
Palung-Koreksi
KemiringanMaksimum
-Iluminasi-Koreksi
AzimuthMaksimum
-Fasa Kosinus-Rasio SN
SELEKSI-Daerah Loop-Amplitudo maksimum-Amplitudo negative terbesar-Amplitudo absolut maks-Beda palung-puncak
DISTRIBUSI-Halftime-Gradien kuat refleksi-Gradien pada half energi-Ratio positif negatif
HORISON-Amplitudo Refleksi-AmplitudoKomposit-Impedansi Akustik-Kuat Refleksi-Rasio Amplitudo
GROSS-Total amplitude absolut-Total energy-Absolut rata-rata-Energi rata-rata-Gradien frekuensi spectral-Kuat Refleksi rata-rata-Amplitudo rata-rata-Rata-rata amplitudo puncak
WAKTU
JENDELA
JENDELA
ATENUASIFREKUENSIAMPLITUDO
PRE-STACKVelocity
POS-STACK-Faktor Q
sesaatPOST-STACK
POST-STACK
PRE-STACKPRE-STACK POST-STACK
29
Secara umum, atribut turunan waktu akan cenderung memberikan informasi
perihal struktur, sedangkan atribut turunan amplitudo lebih cenderung
memberikan informasi perihal stratigrafi dan reservoir. Peran atribut turunan
frekuensi sampai saat ini belum betul-betul dipahami, namun terdapat keyakinan
bahwa atribut ini akan menyediakan informasi tambahan yang berguna perihal
reservoir dan stratigrafi. Atribut atenuasi juga praktis belum dimanfaatkan saat ini,
namun dipercaya bahwa atribut ini dimasa datang akan berguna untuk lebih
memahami informasi mengenai permeabilitas.
Atribut seismik dapat dibagi dalam 2 kategori:
1. Horizon-based attributes, yaitu dihitung sebagai nilai rata-rata antara dua
horizon
2. Sample-based attributes merupakan transformsi dari trace input untuk
menghasilkan trace output lainnya dengan jumlah yang sama dengan trace
input (nilainya dihitung sampel per sampel)
Atribut yang digunakan dalam analisis multiatribut dengan menggunakan
perangkat EMERGE harus dilakukan dalam bentuk sample-based attributes,
dimana 23 jenis atribut yang digunakan sebagi input, atribut- atribut tersebut dapat
dikelompokkan ke dalam 6, kategori, yaitu :
1. Atribut sesaat, meliputi:
a. Instantaneous Phase
b. Instantaneous frequency
c. Cosine Instantaneous Phase
d. Apparent Polarity
30
e. Amplitude Weighted cosine phase
f. Amplitude weighted frequency
g. Amplitude weighted phase
2. Windowed Frequency Attributes
a. Average frequency Amplitude
b. Dominant Frequency
3. Filter slice (Band filter)
a. 5/10 – 15/20 Hz
b. 15/20 – 25/30 Hz
c. 25/30 -35/40 Hz
d. 35/40 Hz – 45/50 Hz
e. 45/50 – 55/60 Hz
f. 55/60 – 65/70 Hz
4. Derivative Attributes
a. Derivative of the seismic trace
b. Derivative Instantaneous Amplitude
c. Second Derivative of the seismic trace
d. Second derivative instantaneous Amplitude
5. Integrated Attributes
a. Integrated seismic trace
b. Integrated reflection Strenght
6. Atribut waktu
31
3.4.2. Analisis Multiatribut
Analisis seismik multiatribut adalah salah satu metode statistik menggunakan
lebih dari satu atribut untuk memprediksi beberapa properti fisik dari bumi. Pada
analisis ini dicari hubungan antara log dengan data seismik pada lokasi sumur dan
menggunakan hubungan tersebut untuk memprediksi atau mengestimasi volume
dari properti log pada semua lokasi pada volum seismik. Statistik dalam
karakteristik reservoar digunakan untuk mengestimasi dan mensimulasikan
hubungan spasial variable pada nilai yang diinginkan pada lokasi yang tidak
mempunyai data sampel terukur. Hal ini didasarkan pada kenyataan yang sering
terjadi di alam bahwa pengukuran suatu variabel di suatu area yang berdekatan
adalah sama. Kesamaan antara dua pengukuran tersebut akan menurun seiring
dengan bertambahnya jarak pengukuran.
Schultz, dkk (1994) mengidentifikasi tiga subkategori utama pada teknik analisa
multiatribut geostatistik, yaitu:
1. Perluasan dari co-kriging untuk melibatkan lebih dari satu atribut sekunder
untuk memprediksi parameter utama.
2. Metode yang menggunakan matriks kovariansi untuk memprediksi suatu
parameter dari atribut input yang telah diberi bobot secara linear.
3. Metode yang menggunakan Artificial Neural Networks (AANs) atau
teknik optimisasi non-linear untuk mengkombinasikan atribut-atribut
menjadi perkiraan dari parameter yang diinginkan.
32
Analisis multiatribut pada penelitian ini menggunakan kategori yang kedua.
Prosesnya sendiri melibatkan pembuatan dari volume pseudo log yang nantinya
akan digunakan untuk memetakan penyebaran batupasir dan serpih.
Dalam kasus yang paling umum, kita mencari sebuah fungsi yang akan
mengkonversi m atribut yang berbeda ke dalam properti yang diinginkan, ini
dapat ditulis sebagai :
P(x,y,z) = F[Ai(x,y,z),…, Am(x,y,z)]
dimana :
P = properti log, sebagai fungsi dari koordinat x,y,z
F = fungsi yang menyatakan hubungan antara atribut seismik dan properti log
Ai = atribut m, dimana i = 1,...,m.
Untuk kasus yang paling sederhana, hubungan antara log properti dan atribut
seismik dapat ditunjukkan oleh persamaan jumlah pembobotan linier.= + +⋯+dimana :
wi = nilai bobot dari m+1, dimana 1 = 0,...,m
3.4.3. Conventional Crossploting
Prosedur sederhana untuk menentukan hubungan antara data log target dan atribut
seismik adalah dengan melakukan cros-plot di antara kedua data tersebut.
(6)
(7)
33
Gambar 12. Conventional cross-plot antara “log target” dan “atribut seismik”(Russel, 1997)
Gambar 12 memerlihatkan cross- plot antara log target dalam hal ini
“denporosity” dengan sebuah atribut seismik, yang disebut “Attribute”. Dengan
asumsi bahwa log target telah dikonversi ke dalam satuan waktu dan memiliki
sample rate yang sama dengan atribut seismik. Tiap titik pada cross- plot terdiri
dari sejumlah data yang berhubungan dengan sampel waktu tertentu.
Hubungan linier antara log target dan atribut ditunjukkan oleh sebuah garis lurus
yang memenuhi persamaan :
y a bx
Koefisien a dan b pada persamaan ini diperoleh dengan meminimalkan mean-
square prediction error : = ∑ ( − − )
(8)
(9)
34
Dimana penjumlahan dilakukan pada setiap titik di cross- plot. Pengaplikasian
garis regresi tersebut dapat memeberikan prediksi untuk atribut target. Lalu
dihitung kovariansi yang didefinikan dalam persamaan.
=Dimana = ∑ ( − )( − )
= ∑ ( − )= ∑ ( − )= ∑= ∑
Sebagai catatan, hubungan linier kemungkinan diperoleh dengan menerapkan
transformasi non- linier pada data log target atau data atribut, ataupun pada kedua
data tersebut.
Gambar 13. Penerapan transformasi non-linier terhadap target dan atributmampu meningkatkan korelasi di antara keduanya (Russel, 1997)
(11)
(12)
(15)
(13)
(14)
(10)
35
3.4.4. Perluasan dari Crossploting menjadi Multiatribut
Dalam metoda ini, tujuan kita adalah untuk mencari sebuah operator, yang dapat
memrediksi log sumur dari data seismik di dekatnya. Pada kenyataannya, kita
menganalisis data atribut seismik dan bukan data seismik itu sendiri. Salah satu
alasan kenapa kita melakukan hal ini karena menggunakan data atribut seismik
lebih menguntungkan dari pada data seismik itu sendiri, banyak dari atribut ini
bersifat non linier, sehingga mampu meningkatkan kemampuan prediksi.
Pengembangan (extension) analisis linier konvensional terhadap multiple atribut
(regresi linier multivariat) dilakukan secara langsung. Sebagai penyederhanaan,
kita mempunyai tiga atribut seperti yang terlihat pada Gambar 14.
Gambar 14. Contoh kasus tiga atribut seismik, tiap sampel log targetdimodelkan sebagai kombinasi linier dari sampel atribut padainterval waktu yang sama (Russel, 1997)
Pada tiap sampel waktu, log target dimodelkan oleh persamaan linier :( ) = + ( ) + ( ) + ( )Pembobotan (weights) pada persamaan ini dihasilkan dengan meminimalkan
mean-squared prediction error:= ∑ ( − − − − )(16)
(17)
36
Solusi untuk empat pembobotan menghasilkan persamaan normal standar :
= ⎣⎢⎢⎢⎡ ∑ ∑ ∑∑∑ ∑∑ ∑ ∑∑ ∑∑ ∑ ∑ ∑ ⎦⎥⎥⎥
⎤⎣⎢⎢⎡ ∑∑∑∑ ⎦⎥⎥
⎤Seperti pada kasus atribut tunggal, mean-squared error yang dihitung
menggunakan pembobotan, merupakan pengukuran kesesuaian untuk transformasi
tersebut, seperti koefisien korelasi, dimana sekarang koordinat x merupakan nilai
log yang diprediksi dan koordinat y merupakan nilai real dari data log.
3.4.5. Menentukan jumlah atribut yang digunakan dengan Step-wiseRegression
Cara untuk memilih kombinasi atribut yang paling baik untuk memrediksi log
target, maka dilakukan sebuah proses yang dinamakan step-wise regression:
1. Dicari atribut tunggal pertama yang paling baik dengan menggunakan
trial and error. Untuk setiap atribut yang terdapat pada software dihitung
error prediksinya. Atribut terbaik adalah atribut yang memberikan error
prediksi terendah. Atribut ini selanjutnya akan disebut atribut-a.
2. Dicari pasangan atribut yang paling baik dengan mengasumsikan anggota
pasangan yang pertama adalah atribut-a. Pasangan yang paling baik
adalah pasangan yang memberikan error paling kecil. Atribut ini
selanjutnya akan disebut atribut-b.
3. Dicari tiga buah atribut yang berpasangan paling baik, dengan
mengasumsikan dua buah anggota yang pertama atribut-a dan atribut-b.
Tiga buah atribut yang paling baik adalah yang memberikan prediksi
error paling kecil.
(18)
37
Prediksi ini berlangsung terus sebanyak yang diinginkan. Prediksi error, En,
untuk n atribut selalu lebih kecil atau sama dengan En-1 untuk n-1 atribut, tidak
peduli atribut mana yang digunakan.
3.5. Validasi
Transformasi multiatribut dengan jumlah atribut N+1 selalu mempunyai prediksi
error lebih kecil atau sama dengan transformasi dengan N atribut. Dengan
ditambahkannya sejumlah atribut, kita mengharapkan penurunan secara
asimptotik dari prediksi error, seperti yang terlihat pada Gambar 15
Gambar 15. Plot dari prediksi error terhadap jumlah atribut yang digunakandalam transformasi. Secara matemastis kurva turun secaraasimptotis (Russel, 1997)
Dengan bertambahnya atribut, maka ia akan meningkatkan kecocokan dari data
training, tetapi hal ini mungkin buruk jika diterapkan pada data baru (bukan pada
set data training). Hal ini biasanya disebut dengan “over training”. Dengan
menggunakan jumlah atribut yang besar dapat dianalogikan dengan pencocokan
cross- plot dengan order polinomial yang besar.
38
Sejumlah teknik statistik telah dihasilkan untuk mengukur keandalan dari
kecocokan order atribut yang besar (Draper dan Smith, 1966). Kebanyakan dari
teknik ini diterapkan pada regresi linier, dan tidak diterapkan pada prediksi linier
menggunakan neural network. Karena alasan tersebut kita memilih proses Cross
Validasi, yang dapat diterapkan pada semua jenis prediksi. Cross Validasi
membagi seluruh data training kedalam dua bagian, yaitu: data training dan data
validasi. Data training digunakan untuk menghasilkan transformasi, sedangkan
data validasi digunakan untuk mengukur hasil akhir prediksi error. Dengan asumsi
bahwa over- training pada data training akan mengakibatkan kecocokan yang
buruk pada data validasi. Hal ini diilustrasikan pada Gambar 16.
Gambar 16. Ilustrasi cross-validasi (Russel, 1997)
Kedua kurva digunakan untuk mencocokkan titik- titik data. Kurva tegas adalah
polinomial order kecil. Kurva garis putus- putus merupakan polinomial order
tinggi. Kurva garis putus-putus mencocokkan data training secara lebih baik,
tetapi memperlihatkan kecocokan yang buruk jika dibandingkan dengan data
validasi.
39
Data training terdiri dari sampel training dari semua sumur, kecuali beberapa
sumur yang disembunyikan, data validasi terdiri dari sampel dari data sumur yang
disembunyikan. Pada proses Cross Validasi proses analisis diulang beberapa kali
untuk semua sumur setiap pengukuran meninggalkan sumur yang berbeda.
Validasi error total merupakan rata- rata rms error individual.= ∑Ev : validasi error total
evi : validasi error untuk sumur i
N : jumlah sumur
Validasi error untuk setiap jumlah atribut selalu lebih besar dari training error.
Hal ini disebabkan karena, memindahkan sebuah sumur dari set training akan
menurunkan hasil kemampuan prediksi. Perlu dicatat bahwa kurva validasi error
tidak menurun secara monoton. Pada kenyataannya, ia menunjukkan minimum
lokal di sekitar empat atribut, dan kemudian secara bertahap meningkat. Kita
menginterpretasikan ini berarti setiap penambahan atribut setelah yang keempat,
sistem akan over training.
Pada umumnya, jika kurva validasi error secara jelas menunjukkan paling
minimum, kita mengasumsikan jumlah atribut pada titik tersebut adalah optimum.
Jika kurva validasi error memperlihatkan minimum regional seperti pada Gambar
17. Atau memperlihatkan sekumpulan minimum lokal, kita memilih titik dimana
kurva berhenti menurun secara meyakinkan.
(19)
40
Gambar 17. Validasi error (Russel, 1997)
Plot yang sama seperti Gambar 17, kecuali validasi error total sekarang terlihat
sebagai kurva paling atas. Perlu dicatat bahwa setelah atribut kedua, atribut
lainnya menyumbang peningkatan kecil pada validasi error, dan pada
kenyataannya, secara bertahap menyebabkan peningkatan pada prediksi error
(Russel, 1997).
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 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
41
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.
Output Ø0
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 (20)
dimana * adalah konvolusi , Ø = nilai porosity, danW=bobot.
42
Bobot ini tergantung pada jarak antar titik yang dicari dengan titik training. Dalam
prakteknya, penggunaan PNN dapat dibagi menjadi empat langkah, yaitu:
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.
3.1. Petrofisika
1. Total Organic Carbon (TOC)
Untuk menganalisis kandungan TOC pada suatu reservoar menggunakan metode
∆Log R. Analisis TOC dengan data log umumnya digunakan teknik overlay log
porositas-resistivity. Biasanya digunakan sonic log sebagai indikator porositas
namun log neutron atau density log dapat menjadi indikator yang lebih baik. Shale
dengan resistivity rendah mengindikasikan non-source rock, dan bukan
merupakan gas shale. Shale sebagai batuan induk yang potensial diindikasikan
oleh terdapatnya crossover antara kurva sonic dan resistivity (Gambar 18).
Tabel 2. Hubungan antara TOC dengan resource potential (Alexander dkk, 2011).
43
Overlay antara kurva sonic dan resistivity akan mengindikasikan TOC dalam
formasi dimana ∆Log R memiliki hubungan langsung dengan TOC dan
berhubungan dengan kematangan vetrinite reflectance (Ro).
Gambar 18. Skematik overlay sonic log dan resistivity (Crain,2010).
∆LogR = Log( ) + 0,02 (∆t - ∆tBaseline) (21)
TOC = ∆LogR x 10( , , ) (22)
Dengan :
R : Resistivity yang terbaca di log (ohm-m)
Rbaseline : Resistivity pada garis dasar (ohm-m)
∆t : Travel time sonic log (µs/ft)
∆tBaseline : Travel time sonic logpada garis dasar (µs/ft)
LOM : Tingkat kematangan
44
Pada shale gas reservoir memiliki respon gamma ray yang tinggi. Hal ini
disebabkan karena shale gas umumnya terbentuk pada daerah laut atau danau
(lacustrine), dimana kerogen yang terkandung didalamnya menyebabkan
banyaknya endapan uranium, sehingga gamma ray log tinggi. Selain itu
identifikasi shale gas dapat terlihat dari log porositas dimana sonic log yang
rendah dan respon log neutron yang tinggi. Selain itu shale gas memiliki bulk
densitas dan Pe rendah.
2. Kekayaan Material Organik
Jumlah material organik yang ada pada batuan dinyatakan sebagai nilai karbon
organik total (TOC/Total Organic Carbon) dalam satuan persen dari batuan dalam
keadaan kering. Nilai TOC digunakan sebagai salah satu parameter untuk tahap
seleksi awal terhadap batuan sehingga dapat dipisahkan antara batuan yang tidak
menarik dan yang menarik untuk dikaji lebih lanjut.
Menurut Waples (1985) batuan yang mengandung TOC kurang dari 0,5%
dipertimbangkan sebagai batuan yang memiliki potensi sebagai batuan induk
hidrokarbon yang dapat diabaikan, hal ini karena jumlah dari hidrokarbon yang
dapat dihasilkan dari batuan tersebut sangat kecil, sehingga tidak terjadinya
ekspulsi. Batuan yang mengandung TOC antara 0,5 – 1,0% memiliki kemampuan
yang terbatas. Batuan tersebut tidak akan berfungsi sebagai batuan induk yang
efektif, tetapi masih dapat mengekspulsi sejumlah kecil hidrokarbon. Batuan yang
mengandung TOC lebih dari 1% merupakan batuan induk yang penting. Batuan
yang mengandung TOC antara 1 – 2% berasosiasi dengan lingkungan
pengendapan transisi antara oksidasi dan reduksi sedangkan batuan yang
45
mengandung TOC dengan nilai di atas 2% berasosiasi dengan lingkungan
pengendapan reduksi tingkat tinggi, sehingga batuan tersebut memiliki potensi
terbaik sebagai batuan induk.
IV. METODELOGI PENELITIAN
4.1. Lokasi dan Waktu Penelitian
Penelitian dilakukan di Badan Penelitian dan Pengembangan Energi dan
Sumber Daya Mineral “LEMIGAS”, Jakarta, yang dilaksanakan pada tanggal 27
November 2016 sampai dengan 24 Februari 2017, dengan judul “Analisis
Persebaran Potensi TOTAL ORGANIC CARBON (TOC) Lapangan “LINGGA”
dengan Menggunakan Inversi Seismik dan Neural Network”. Berikut tabel
pelaksanaan kegiatan selama penelitian:
Tabel 3. Pelaksanaan Kegiatan Penelitian
No AktivitasApri
lMei Juni Jul Aug Sep Okt Nov
1 2 3 4 1 2 3 4 1 2 3 4
1 Studi Literatur
2 Seminar Usul
3 Pengumpulandata
4 Pengolahan data
5 PenulisanLaporan
6 Seminar Hasil
7 Ujian Skripsi
47
4.2. Alat dan Bahan
Adapun alat-alat dan bahan yang digunakan seperti perangkat keras dan
perangkat lunak pada penelitian ini, yaitu sebagai berikut:
1. Sebuah workstation terdiri dari CPU dan Dual Monitor 21’’ yang
mendukung Software pengolahan data geofisika
2. Software Humpson Russel dan Petrel 2008
3. Literatur
4. Seperangkat laptop untuk pembuatan laporan.
4.3. Data Penelitian
Data yang digunakan dalam penelitian ini meliputi data seismik, data sumur,
serta data sekunder berupa sampel coring Total Organic Carbon . Data yang
digunakan dalam penelitian ini adalah data yang diambil dari Lapangan
“LINGGA”, Cekungan Sumatera Utara, Formasi Belumai.
1. Data Seismik
Data seismik yang digunakan dalam penelitian ini merupakan data seismik
2D Post Stack Time Migration (PSTM).
2. Data Sumur
Pada penelitian ini digunakan 1 sumur prospek TOC yang berada didalam
Lapangan “LINGGA”. Data log yang digunakan adalah log Gamma Ray,
log Density, log NPHI dan log Sonic.
48
Tabel 4. Kelengkapan Data Log
Well Checkshot GR NPHI RHOB DT
1
3. Data Marker
Data marker digunakan sebagai acuan atau referensi melakukan picking
horizon. Dalam data marker ini terdapat data time dan measured depth
(kedalaman terukur) sebagai informasi top dari formasi tersebut terukur.
Data marker yang digunakan pada target horizon ini yaitu Top Formasi
Belumai.
4. Data Checkshot
Data checkshot adalah data interval yang terdapat pada sumur, yang
digunakan untuk mendapatkan hubungan waktu dan kedalaman. Data ini
digunakan untuk melakukan pengikatan antara data sumur dengan data
seismik (well seismic tie).
49
Mulai
Studi Literatur
Data Sumur (Checkshot,Marker, log)
Data Sesimik 2D PostStack Migration
Log AI
Log P-WaveLog Density
WaveletKonvolusiKoefisienRefleksi
Well Seismic Tie
SeismogramSintetik
Korelasiantara AI
dan Seismik
Tidak
Ya
Picking
Training MultiatributPeta Struktur Waktu
Create Neural Network
Analisis
Selesai
Gambar 23. Diagram Alir
Inversion AI
Build Model
Sebaran Neural Network
Analysis
Log TOC
VI. KESIMPULAN
6.1 Kesimpulan
Kesimpulan yang diperoleh dari penelitian ini adalah :
1. Berdasarkan data log gamma ray dengan nilai diatas 70 API adalah sebagai
shale dan dibawah 69 API adalah sebagai sand. Hasil inversi AI seismik
yang diperoleh dengan nilai AI 5864 hingga10295 ((m/s)*(g/cc)) sebagai
shale.
2. Zona prospek shale hidrokarbon yang baik pada Formasi Belumai
ditunjukkan dengan daerah yang prospek TOC berwarna hitam hingga
kuning dengan nilai TOC 0,8 – 1,1 wt%.
3. Setelah diperoleh hasil dari proses multi-atribut neural networks untuk
menyebarkan data TOC dengan nilai kuantitas >1% maka dapat
menunjukkan lapisan yang berprospek shale hidrokarbon pada well KS.
6.2 Saran
Saran untuk daerah penelitian ini harus dilakukan analisa fault untuk
menentukan zona prospek yang lebih detail, dan analisa BI (Brittleness Index) pada
Formasi Belumai, karena formasi tersebut meruakan salah satu source rock pada
petroleum system di cekungan Sumatera Utara.
DAFTAR PUSTAKA
Alexander, T ., Baihly, J ., Boyer, C., Waters, B.C.G., Calvez, J.L., Miller,R.I.,C.K., Thaeler, J.,and Toelle, B.E. 2011. Shale Gas Revolution,Schlumerger.
Altamar, R.P., dan Marfurt, K.2013. Minerology-based Britleness Predictionfrom Surface Seismic data Application to the Barnett Shale, ConocoPhillips School of Geology and Geophysics, Norman, Oklahoma.
Asparini, D. 2011. Penerapan Metode Stacking dalam Pemrosesan Sinyal SeismikLaut di Perairan Barat Aceh. Bogor. IPB.
Barnes, A.E. 1999.Seismic attributes past, present, and future, SEG TechnicalProgram Expanded Abstracts 18, 892.
Brown. 2002. Seismic Attributes for Reservoir Characterization. USA: Society ofExploration Geophysicists.
Coffeen, J.A. 1986. Seismic Exploration Fundamentals Second Edition. PennWell Publishing Company . Tulsa, Oklahoma.
Crain, E.R. 2010. Unicorns in the Garden of Good and Evil: Part 1- Total OrgnicCarbon (TOC).
Draper dan Smith. 1966. Applied Regression Analysis. John Wiley and sons, Inc.New York.
Grieser. B. 2014. Oklahoma’s Shale Challenge: Caney Shale. OklahomaGeological Survey.
Harsono, A. 1997. Evaluasi Formasi dan Aplikasi Log, Schlumberger, Edisi-8.Jakarta.
Haryono, A. 2010. InterpretasiPolaSebaranLapisan Batubara berdasarkan DataLog Gamma Ray. FisikaMulawarman, Vol.6 No.2.
Hilterman, F.1983. Seismic Lithology. Unpublished course Note, Soc.Expl.Geophysics.
Hood, A., Gutjahr, C.C.M., and Heacock, R. L. 1975. Organic metamorphism andthe generation of petroleum: AAPG Bulletin, v. 59. 986-996.
Jamady, Aris. 2011. Kuantifikasi Frekuensi dan Resolusi Menggunakan SeismikRefleksi di Perairan Maluku Utara. Bogor IPB.
Keary, P., and Brooks, M. 2002. Introduction to Geophysical Exploration.Blackwell Science.
Koesoemadinata, R.P. 1978. GeologiMinyakdan Gas Bumi. Jilid I Edisikedua.Bandung :InstitutTeknologi Bandung.
Mulhadiono, Koesoemadinata, R.P., dan Rusmandar. 1982. Besitang River Sandas the First Turbidite Reservoirin Indonesia.Proc 11th Ann. Conv Indon.Petrol. Assoc.,l. P. 265-298.
P.H.C.Veeken. 2007. Seismic Stratigraphy, Basin Analysis, and ReservoirCharacterisation, Volume 37, First Edition, Elsevier, Oxford, UnitedKingdom.
Passey, Q. R., Creaney, S., Kulla, J. B., Moretti, F.J., and Stroud, J D. 1990. APractical Model for Organic Richness from Porosity and Resistivity Logs:The American Association of Petroleum Geologist Bulletin. V. 74. No. 12,P. 1777-1794. 19 Figs., 7 Table.
Perbawa, A., Kusuma, B., dan Winardhi, S. 2012. Intergration of SeismicInversion, Pore Pressure Prediction, and TOC Prediction in preliminaryStudy of Shale Gas Exploitation. 37th HAGI Annual Convention &Exhebition. Palembang.
Ramdan, D. 2001. Seismic Interpretation, Workshop IPA – HMTG UGM.
Russel, B., Hampson, D., Schuelke, J., danQurein, J. 1997.Multi-attribute SeismicAnalysis, The Leading Edge, Vol. 16, p. 1439-1443.
Schultz, P. S., Ronen, S., Hattori, M., danCorbett, C. 1994. Seismic GuidedEstimation of Log Properties, The Leading Edge, Vol. 13, p. 305-315.
Sheriff, R. E. 1992.Reservoir Geophysics, Press Syndicate of The University ofCambridge. USA
Sukmono, S. 1999. Interpretasi Seismik Refleksi, Geophysical Engineering.Bandung Institute of Technology, Bandung.
Sukmono, S. 2001. Seismic Attributes For Reservoir Characterization. JurusanTeknik Geofisika Institut Teknologi Bandung. Bandung
Sukmono, S. 2002. Seismic Attributes for Reservoir Characterization.Departement of Geophysical Engineering, FIKTM, InstitutTeknologiBandung.
Sukmono, S., dan Abdullah, A. 2001. Karakterisasi Reservoar Seismik. Lab.Geofisika Reservoar Departemen Teknik Geofisika, ITB, Bandung.
Sukmono, S. 2009.Advance Seismic Atribut Analysis.Laboratory ofReservoirGeophysics: Bandung.
Yilmaz, O. 1987. Seismic Data Processing. Tulsa: Society of ExplorationGeophysicist.