(1) (2)Dosen Teknik Perminyakan Institut Teknologi Bandung (3)Mahasiswa Teknik Perminyakan Institut Teknologi Bandung
Telp.: (1) +62811227745 email: (1) [email protected]
Sari
Dalam penyusunan Perencanaan Pengembangan (Plan Of Development – POD) suatu lapang-an membutuhklapang-an data ylapang-ang beragam dlapang-an slapang-angat blapang-anyak meliputi data dari geologi, geofisika, reser-voir, produksi, fasilitas permukaan, dan keekonomian sehingga membutuhkan waktu yang cukup lama untuk menyelesaikanya. Kemudian daripada itu sebelum POD tersebut dapat diimplementa-sikan, diperlukan waktu lagi untuk mendapatkan persetujuan dari badan yang berwenang. Dengan demikian diperlukan suatu metode baru untuk mempercepat proses yang panjang ini dengan metode yang kami usulkan dengan nama metode Quick Look POD.
Metode Quick Look POD dimaksudkan agar dapat mempercepat proses persetujuan dalam pengembangan suatu lapangan sehingga diharapkan berdampak pada peningkatan produksi lapangan. Metode Quick Look POD mencoba mengelompokkan jenis-jenis data yang ada dan dibagi menjadi beberapa kelas tingkat kelayakan melalui pemberian nilai (scoring) terhadap tingkat kelengkapan dan kualitas data. Masing-masing kelas tersebut memiliki tingkat kelayakan yang berbeda yang akan mempengaruhi pengambilan keputusan dalam tingkat kesiapan untuk diimplemetasikan. Pembagian kelas-kelas POD pada studi ini menggunakan simulasi Monte Carlo dengan melihat persebaraan nilai (skor) yang diperoleh dari kualitas dan kuantitas data yang dimiliki suatu lapangan.
Pembagian Kelas POD adalah sebagai berikut: Kelas A, yaitu POD sepenuhnya disetujui oleh pihak yang berwewenang untuk diimplementasikan; Kelas B, yaitu sudah layak diimplemen-tasikan dengan syarat masih membutuhkan penambahan data minor dengan kualitas yang memadai; dan Kelas C, yaitu harus dilakukan penambahan data major (utama) dengan kualitas yang memadai terlebih dahulu sebelum diajukan lagi ke pihak yang berwewenang. Sebagai contoh, studi ini meng-gunakan data dari Lapangan X yang merupakan lapangan pada tahap awal pengembangan untuk ditentukan tingkat kelas kelayakan POD-nya. Diperoleh bahwa Kelas Lapangan X adalah POD Kelas B yang berarti sudah layak diimplementasikan dengan terlebih dahulu melakukan penambahan data dengan kualitas memadai.
Kata kunci: quick look, Monte Carlo, POD, pengembangan lapangan. Abstract
In the making of Plan of Development of a field requires many types and abundant of data covering geology, geophysics, reservoir, production, surface facilities, and economic, and thus, takes a long time to finish it. Moreover, prior to implementation the POD, it is a mandatory to get an ap-proval from the authority of the government body that of course it takes another period of time. For this reason, therefore, there is a need to cut short this long, consuming time process by introducing a new method, namely, Quick Look POD method.
This Quick Look POD method is intended to expedite the approval process of a proposed POD, and, it is expected to increase oil and gas production. The Quick Looked POD attempt to clas-sify the available data types and then they are divided into several feasibility level classes by giving scores according to the level of completeness and quality of data. Each class has a different level of reliability that will affect a decision making in readiness to implementation. The classes division of a POD in this study uses the Monte Carlo simulation honoring the score distribution obtained from quality and quantity of the field existing data.
The classes division is as the following: Class A is a POD that is fully approved by the govern-ment body authority to be implegovern-mented; Class B is a POD that is feasible to be implegovern-mented, however, some minor data are required to be fulfilled prior to implementation; and Class C is a POD that re-quires major revision and data requirement before to be submitted to the government body authority. For example, this study uses data from X field which is in an early stage of its development in order to determine the feasibility level of its POD class. The resulted class for the X field is a POD class B that is feasible to be implemented, but still needs additional minor data.
Keywords: quick look, Monte Carlo, POD, field development.
Pendahuluan I.
Perencanaan Pengembangan Lapangan (Plan Of Development – POD) suatu lapang-an minyak atau gas bumi adalah perenclapang-analapang-an pengembangan skenario-skenario untuk mengeks-ploitasi minyak atau gas bumi dari lapangan terse-but dengan kaidah keteknikan dan keekonomian serta analisa dampak lingkungan.
Untuk membuat studi POD suatu lapang-an memerluklapang-an data ylapang-ang slapang-angat blapang-anyak, me-libatkan disiplin ilmu Geologi, Geofisika dan Perminyakan serta memakan waktu yang cukup lama yaitu kurang lebih 6-12 bulan. Sementara untuk mendapat persetujuan dari badan yang berwenang, berdasarkan Undang-Undang No. 22/2001, membutuhkan waktu 12 minggu tanpa halangan setelah studi dilakukan. Namun pada kenyataannya seringkali waktu yang dibutuhkan lebih lama karena masalah teknis dan operasio-nal. Hal ini membuat data yang digunakan pada saat studi menjadi kadaluarsa.
Dalam pelaksanaan POD, Kontrak-tor Kontrak Kerjasama (KKKS) membutuhkan persetujuan dari badan yang berwewenang sete-lah melakukan studi POD, dan yang sering kali menjadi hambatan adalah ketidak tersediaan data, atau kualitas data yang tidak memadai, ataupun ketidak-cukupan analisis sehingga diperlukan waktu melihat dan melengkapi kembali yang me-merlukan waktu lama dan tidak efisien.
Untuk meningkatkan efisiensi sistem kerja de-ngan berprinsip pada win-win solution, maka ditawarkan suatu metode baru yang menuntut KKKS untuk aktif mempersiapkan seluruh doku-men yang diperlukan berikut data pendukungnya melalui self assessment dengan rambu-rambu berupa check list yang diberikan oleh institusi pe-merintah yang berwewenang seperti BPMIGAS. Dengan demikian KKKS mengetahui apa yang harus dipersiapkan terlebih dahulu sebelum me-nyerahkan dokumen untuk mendapatkan persetu-juan institusi yang berwewenang tersebut. Dilain
pihak, institusi yang berwewenang memberikan persetujuan dapat mengetahui dengan lebih cepat status masing-masing dokumen POD yang dise-rahkan melalui metode tersebut. Dengan demiki-an proses percepatdemiki-an pekerjademiki-an berldemiki-angsung dari dua arah sesuai tanggung jawab masing-masing sehingga diharapkan akan dapat mempercepat proses persetujuan.
Tujuan
Landasan pemikiran metode quick look POD adalah agar dapat mempercepat proses persetujuan dalam perencanaan pengembangan lapangan yang didasari oleh tanggung jawab men-jalankan kewajiban masing-masing pihak terkait, yaitu KKKS dan BPMIGAS melalui sistem yang diketahui bersama sejak awal bekerja.
Studi Quick Look POD ini bertujuan un-tuk memberikan klasifikasi tingkat kelayakan do-kumen POD dalam kaitannya dengan persetujuan oleh BPMIGAS.
Metodologi II.
Metode yang digunakan dalam membuat Quick Look POD dibagi menjadi beberapa tahap. Pertama, mengumpulkan semua data yang terse-dia dari geofisik, geologi, reservoir studi dan data selama pemboran pada suatu lapangan. Kedua, membuat tabel Quick Look POD dari data-data yang dimiliki. Ketiga, dilakukan pemberian skor pada data-data yang ada pada tabel Quick Look POD. Keempat, dari skor-skor yang terdapat pada tabel Quick Look , dibuat penyebaran dis-tribusinya dengan menggunakan simulasi Monte Carlo dan dibuat pembagian kelasnya. Lalu yang terakhir menjumlahkan semua skor pada tabel untuk mengetahui kelas dari POD lapangan yang dikaji.
Pembuatan tabel quick look POD
berdasar-131 kan dari data-data yang dimiliki. Tabel Quick
Look dibagi menjadi tiga bagian utama yaitu data sebelum pemboran, selama pemboran dan setelah pemboran atau data produksi. Parameter–para-meter yang digunakan disesuaikan dengan ke-tersediaan data yang dimiliki. Data sebelum pem-boran mencakup data gravity, seismik dan studi geologi. Data selama pemboran diperoleh dari cutting, core, Drill Stem Test (DST) dan data log-ging. Sedangkan data setelah pemboran diperoleh dari data produksi. Semua parameter – parameter yang digunakan untuk membuat tabel Quick Look bersifat fleksibel sesuai dengan ketersediaan data yang ada. Beberapa contoh parameter–parameter data yang dianalisis adalah penanda kedalaman, litologi, porositas, permeabilitas, saturasi fluida, kontak fluida, tekanan, laju produksi dan se-bagainya. Lampiran 1 memberikan data Tabel Quick Look.
Pemberian Penilaian (Scoring) pada Tabel
Quick Look POD
Pemberian skor terhadap data-data yang ada pada tabel Quick Look POD dilakukan secara subjektif. Akan tetapi, ada dasar yang harus dipa-hami dalam pemberian skor. Data dapat dikatakan baik apabila data tersebut akurat, memiliki jumlah yang banyak, ada hasil pembuktian dan memiliki dukungan dari expert-judgement. Kualitas data dipengaruhi juga oleh tingkat ketelitian dan ke-lengkapan suatu data. Semakin rinci keterangan dan kelengkapan suatu data, maka data tersebut akan semakin baik. Pemberian skor dibagi men-jadi 4 tingkat, skor 1 memiliki arti kualitas data buruk, skor 2 memiliki arti kualitas data sedang, skor 3 memiliki arti kualitas data baik dan skor 4 memiliki arti kualitas data sangat baik. Bila dikaitkan antara syarat data baik dengan tingka-tan data yang dibuat, dapat disimpulkan bahwa pemberian skor 4 harus memenuhi semua syarat-syarat data baik dan juga memiliki tingkat keteli-tian dan kelengkapan yang baik. Skor 3 diberikan apabila suatu data memiliki jumlah yang ban-yak, akurat dan memiliki data dukungan expert judgement. Skor 2 diberikan apabila suatu data memiliki jumlah yang cukup banyak dan memi-liki. dukungan expert judgement. Sedangkan skor 1 diberikan apabila data hanya memiliki jumlah yang sedikit dan tidak memiliki data dukungan expert judgement. Lampiran 2 memberikan data Tabel Penilaian Quick Look (Scoring).
Simulasi Monte Carlo
Untuk membagi kelas POD agar diketa-hui perlakuan yang harus dilakukan pada suatu lapangan, maka dilakukan simulasi Monte Carlo untuk mengetahui penyebaran data distribusinya. Simulasi Monte Carlo merupakan proses per-hitungan yang berulang-ulang yang mensimu-lasikan suatu besaran berupa penyebaran harga dalam bentuk frekuensi. Model yang digunakan untuk simulasi Monte Carlo dinyatakan oleh per-samaan matematis yang variabelnya ditetapkan berdasarkan distribusi frekuensi dan distribusi kumulatif, dan untuk menghindari pengaruh sub-jektivitas dalam penentuan model distribusi vari-able, simulasi Monte Carlo menggunakan bila-ngan acak atau Random Number. Distribusi yang digunakan pada simulasi Monte Carlo dalam Quick Look POD ini adalah distribusi segi em-pat, karena kita hanya memiliki data skor mini-mum dan skor maksimini-mum dari tabel Quick Look POD. Ciri distribusi ini adalah nilai mungkin yang dimiliki suatu harga variable adalah sama dan harga mungkin diluar selang studi harganya adalah nol. Dengan kata lain, nilai mungkin yang dimiliki suatu variable pada suatu selang tak ada yang dominan tinggi ataupun rendah, akan tetapi merata. Jika telah didapatkan distribusi langkah selanjutnya mengubah kurva distribusi kumulatif versus variable acak.
Masalah didalam mengevaluasi keadaan ini adalah mencari harga yang akan dicari (xI). Oleh karena itu diperlukan suatu bilangan acak yang berfungsi sebagai parameter probabilitas kumulatif. Dimana nilai x yang dicari XI, batas nilai x yang terkecil XL, nilai x yang terbesar XH, bilangan acak yang berfungsi sebagai parameter probability kumulatif RN. Secara analitis maka persamaan yang digunakan adalah (Rachmat, S., 2001):
X1 =XL+X XN
(
H −XL)
... (1) Dari simulasi Monte Carlo, akan didapat grafik penyebaran skor terhadap probabilitas ku-mulatif yang akan digunakan sebagai acuan un-tuk klasifikasi kelas POD.Klasifikasi kelas – kelas POD
Pembagian kelas – kelas POD dilakukan dengan melihat grafik penyebaran skor terhadap
probabilitas kumulatif dari simulasi Monte Carlo yang telah dilakukan. Dari grafik tersebut dapat dibagi menjadi tiga kelas POD yaitu kelas A, B, dan C. Pembagian kelas tersebut dilakukan berdasarkan grafik penyebaran skor. Pembagian kelas tersebut juga dilakukan validasi dengan membagi kelas – kelas dengan cara memberikan skor 1, 2, 3 dan 4 pada semua data yang ada. Dari kelas A, B dan C tersebut, dapat dilihat tingkat kelayakan suatu POD dapat dilakukan atau tidak sehingga diperoleh rekomendasi untuk suatu lapangan yang dikaji agar studi pengembangan lapangan dapat dilakukan.
Hasil Dan Pembahasan III.
Studi pengembangan lapangan dilaku-kan pada lapangan X yang masih dalam tahap eksplorasi, oleh karena itu tabel quick look POD yang dibuat dibagi menjadi dua bagian utama yaitu data sebelum pemboran yang mencakup data gravity, seismik dan studi geologi dan data selama pemboran yang mencakup data cutting, core, DST dan data logging. Parameter–para-meter yang akan dianalisis adalah depth markers, structure and area, cementation factor, gross and net thickness, lithology, mechanical properties, contacts, pressure, porosity, permeability, fluid saturation, pore sizes, grain density, hydrocar-bon properties, water properties, production rate dan fluid produced. Parameter–parameter terse-but dibuat berdasarkan ketersediaan data yang ada.
Pemberian skor terhadap parameter–pa-rameter yang ada, dilakukan berdasarkan syarat – syarat data dapat dikatakan baik dan juga tingkat ketelitian dan kelengkapannya. Contoh pemberi-an skor pada parameter depth markers pada log-ging, dari data yang didapat, depth
mark-ers pada data logging lapangan tmark-ersebut bernilai 4 atau dapat dikatakan sangat baik. Depth markers pada data logging memiliki keakuratan yang tinggi, serta terdapat jumlah data yang banyak dan juga tingkat kelengkapannya sangat baik karena data logging yang ada sangat lengkap mulai dari permukaan hingga kedalaman produksi. Hasil dari pembe-rian skor untuk parameter lainnya dapat dilihat pada tabel hasil quick look POD.
Dari tabel hasil quick look POD lapangan X dapat dilihat bahwa lapangan X memiliki data yang sudah cukup baik
sebagian besar karena frekuensi skor 2 dan 3 cu-kup banyak. Skor total dari data sebelum penge-boran yang mencakup gravity, seismik dan studi geologi adalah 49. Sedangkan skor total dari data selama pemboran yang mencakup data cutting, core, DST dan data logging adalah 185. Bila ke-dua skor tersebut dijumlahkan, maka didapat total skor dari lapangan X yang nanti akan dicocokkan sesuai pembagian kelas POD dengan mengguna-kan simulasi Monte Carlo.
Pada simulasi Monte Carlo, dilakukan perhitungan dengan menggunakan distribusi segi empat. Dibutuhkan skor minimum dan skor mak-simum untuk mengetahui penyebaran skor terha-dap probabilitas kumulatifnya. Skor minimum diperoleh dengan cara memberikan skor 1 pada semua data yang ada pada saat sebelum pembo-ran dan juga selama pembopembo-ran. Dari data sebe-lum pemboran didapat skor minimum sebesar 18 dan selama pemboran didapat skor minimum sebesar 67. Begitu juga dengan skor maksimum yang diperoleh dengan cara memberikan skor 4 pada semua data sebelum pemboran dan selama pemboran, didapat skor sebesar 72 dan 268. Dari skor minimum dan maksimum tersebut, kita da-pat menggunakan persamaan 1 untuk melaku-kan simulasi Monte Carlo. Simulasi dilakumelaku-kan dengan menggunakan 4000 Random Number agar didapat penyebaran data yang lebih akurat. Dari 4000 skor yang didapat dari simulasi Monte Carlo pada data sebelum pengeboran dan selama pemboran, bila dijumlahkan akan didapat total variasi skor yang sangat banyak. Dari banyaknya total variasi skor tersebut, dapat dibagi menjadi 14 selang total skor dengan perbedaan tiap se-lang sebesar 25. Dari pembagian sese-lang tersebut dapat dilihat frekuensi kemunculan skor dengan probabilitas kumulatifnya. Tabel 1 memberikan
RN pre RN dur pre dur score
0,127923 0,719948 24,90783 211,7096 236,6174 0,872089 0,214028 65,09279 110,0196 175,1124 0,40517 0,186427 39,8792 104,4718 144,351 0,228098 0,224019 30,31729 112,0278 142,3451 0,051175 0,16701 20,76347 100,569 121,3325 0,766523 0,655326 59,39223 198,7205 258,1128 0,362953 0,328566 37,59947 133,0418 170,6413 0,324173 0,005465 35,50536 68,09856 103,6039 0,398834 0,771079 39,53705 221,9868 261,5239 Tabel 1. Tabel contoh perhitungan pada simulasi Monte Carlo
133
Gambar 1. Distribusi skor terhadap frekuensi kumulatif
Selang Score
Frekuensi F,Relatif (%) F,R, kum (%)
0 s/d 25 0 0 0 25 s/d 50 0 0 0 50 s/d 75 0 0 0 75 s/d 100 46 1,15 1,15 100 s/d 125 242 6,05 7,2 125 s/d 150 473 11,825 19,025 150 s/d 175 508 12,7 31,725 175 s/d 200 477 11,925 43,65 200 s/d 225 508 12,7 56,35 225 s/d 250 481 12,025 68,375 250 s/d 275 494 12,35 80,725 275 s/d 300 474 11,85 92,575 300 s/d 325 257 6,425 99 325 s/d 350 40 1 100
Tabel 2. Selang skor pada frekuensi kemuncu-lan skor.
contoh perhitungan pada simulasi Monte Carlo. Sedangkan Tabel 2 memberikan selang skor pada frekuensi kemunculan skor.
Setelah diperoleh frekuensi skor terhadap
probabilitas kumulatif, diperoleh grafik yang mempresentatifkan penyebaran distribusinya. Dari grafik tersebut, da-pat diklasifikasikan kelas – kelas POD yang di-inginkan. Klasifikasi kelas POD dibagi menjadi tiga, yaitu kelas A, B dan C seperti pada Gambar 1 dan Tabel 3 berikut.
0,722616 0,007232 57,02126 68,45364 125,4749 0,322577 0,388968 35,41918 145,1825 180,6017 0,790492 0,784791 60,68658 224,7429 285,4295 0,709299 0,704423 56,30212 208,5891 264,8912 0,982723 0,024852 71,06702 71,99519 143,0622 0,781054 0,523336 60,17693 172,1906 232,3675 0,87004 0,587891 64,98216 185,1662 250,1483 0,392438 0,948266 39,19166 257,6014 296,793 0,452234 0,933456 42,42066 254,6246 297,0453 0,330621 0,677714 35,85353 203,2205 239,074 0,33446 0,552138 36,06085 177,9797 214,0406 0,723576 0,23637 57,07312 114,5104 171,5835 0,658208 0,989312 53,54324 265,8518 319,3951 0,244631 0,774097 31,2101 222,5935 253,8036 0,658691 0,72815 53,56931 213,3581 266,9274 0,216689 0,567951 29,70118 181,1582 210,8594 0,270419 0,738622 32,60263 215,463 248,0656 0,695073 0,159168 55,53392 98,99282 154,5267 0,245457 0,004211 31,25465 67,84647 99,10112 0,173126 0,781777 27,3488 224,1371 251,4859 0,926241 0,823612 68,01704 232,546 300,563 0,925492 0,405092 67,97656 148,4235 216,4001
Skor
Validasi untuk semua dataTotal skor
1 85
2 170
3 255
4 340
Tabel 4. Skor validasi pendukung klasifikasi kelas POD. Pembagian kelas POD tersebut dilaku-kan dengan membagi penyebaran pada grafik frekuensi skor terhadap probabilitas kumulatif yang diperoleh. Pembagian batas kelas B dengan C diperoleh dengan melihat pergerakan grafik yang frekuensinya sudah mulai bertambah secara konstan, dan pembagian kelas B dengan A diper-oleh dengan melihat pergerakan grafik saat grafik akan mulai turun frekuensinya. Pembagian kelas tersebut diperkuat dengan validasi yang dilaku-kan dengan cara memasukdilaku-kan semua data den-gan skor 1, 2, 3 dan 4. Gambar 2 dan Tabel 4 memberikan skor validasi pendukung klasifikasi kelas POD.
Kelas Selang Skor
A 275 - 340
B 171 - 274
C 0 - 170
Tabel 3. Kelas – kelas POD.
Gambar 2. Klasifikasi dari skor konstan
Batas kelas C diperoleh sebesar 170 kare-na skor tersebut merupakan batas skor saat semua data diberi skor 2 atau memiliki arti kualitas data sedang dan grafik probabilitas kumulatif terha-dap frekuensi sudah bertambah atau naik secara konstan. Karena POD kelas C memiliki total skor kurang dari 170 atau 50 % dari total skor yang diperoleh, dapat diasumsikan bahwa sebaran skornya untuk setiap data berkisar 1 atau 2, maka POD kelas C ini belum layak untuk dijalankan, karena dari segi kualitas dan kuantitas data masih kurang. Pada POD kelas B diperoleh selang skor dari 170 – 274 atau 50 % – 80,5 % dari total skor yang diperoleh, dapat dikatakan sebaran nilai-nya cukup baik. Dapat diasumsikan bahwa setiap data memiliki skor antara 2 atau 3 yang berarti kualitas data sudah baik. POD sudah layak untuk dilakukan akan tetapi masih perlu penambahan kuantitas data untuk menunjang pengambilan keputusan pada POD yang dibuat. Penambahan kuantitas data dapat dilakukan dengan
menam-bah sumur atau melakukan tes sumur untuk skor agar bisa sampai pada POD kelas A. Bila skor sudah melebihi 274 atau 80,5 % dari total skor yang diperoleh, maka masuk ke dalam POD kelas A, sehingga POD sudah layak untuk dijalankan karena sebagian besar dapat diasumsikan bahwa setiap data memiliki kualitas yang baik dan kuan-titas data sudah cukup. Tabel 5 memberikan total skor.
135
Kelas
POD PersentaseTotal Skor
A > 80 %
B 51 - 80 %
C < 50 %
Tabel 5. Persentase total skor.
POD kelas A merupakan kelas POD eksekusi penuh, yaitu POD sudah layak untuk dijalankan sepenuhnya. POD kelas B merupakan kelas POD terbatas, yaitu sudah layak dilakukan eksekusi tetapi masih harus dilakukan penambahan data yang merupakan kewajiban KPS. Sedangkan kelas POD C merupakan kelas POD yang be-lum layak dilakukan karena masih kurang dalam kualitas dan kuantitas data yang diperlukan. Pada lapangan X yang dikaji, diperoleh total skor dari sebelum pengeboran dan selama pengebo-ran sebesar 237 atau 69,70 %. Total skor terse-but masuk ke dalam POD kelas B, yaitu POD terbatas. POD lapangan X sudah layak untuk dieksekusi karena data dari lapangan tersebut su-dah cukup baik, akan tetapi masih perlu penam-bahan kuantitas pada data seperti penampenam-bahan data sumur yang ada, penambahan sumur baru atau dilakukan kajian lebih lanjut pada data yang masih kosong.
Prosedur penggunaan metode quick look pada klasifikasi tingkat kelayakan POD adalah :
Mengumpulkan seluruh data yang diperoleh 1.
dari geofisik, geologi dan perminyakan. Memberikan skor pada data yang diperoleh 2.
sesuai expert-judgement.
Menghitung total skor dari lapangan yang 3.
dikaji.
Diperoleh kelas POD yang sesuai dengan total 4.
skor.
Kesimpulan IV.
Metode
1. Quick Look POD memberikan klasi-fikasi tiga kelas POD sebagai berikut: Kelas A, yaitu POD sepenuhnya disetujui oleh pihak yang berwewenang untuk diimplementasikan; Kelas B, yaitu sudah layak diimplementasikan dengan syarat masih membutuhkan penamba-han data minor dengan kualitas yang memadai; dan Kelas C, yaitu harus dilakukan penamba-han data major (utama) dengan kualitas yang memadai terlebih dahulu sebelum diajukan lagi ke pihak yang berwewenang..
Dari Pengujian dengan Lapangan X dihasil-2.
kan bahwa Lapangan X termasuk ke dalam POD kelas B yang harus dilakukan penamba-han data.
Daftar Pustaka
Dandona A. K.et al., Defining Data Requirement for a Simulation Study, SPE Members, SPE 22357
Ginting, Julianus. (2010), Konsep Dasar Seis-mik.
Hariroh, Umi. (2010), Persamaan Baru Menggu-nakan Pendekatan Statistik Untuk Mengesti-masi Ultimate Recoverable Reserves Dalam Tahap Eksplorasi Hidrokarbon, Tesis, Teknik Perminyakan ITB.
Hernansyah. (2008), Diktat Analisa Log Sumur, Teknik Perminyakan ITB.
http://www.bpmigas.go.id/wp-content/ uploads/2011/02/pod.pdf diunduh pada tang-gal 15 Maret 2011.
Rachmat, S. (2001), Simulasi Monte Carlo Dan Analisis Resiko Untuk Pengembangan Lapangan Minyak Bumi. Proceeding Simpo-sium Nasional IATMI.
Predrilling Sumber data Data yang diperoleh
Gravity structure and area
Seismic depth markers, structure and area
Geology-Eng Study depth markers, structure and area, gross thickness, lithologi, mechanical properties
Depositional Environment depth markers, structure and area, lithologi, mechanical properties During drilling
Sumber data Data yang diperoleh
Pressure Log depth markers, gross thickness, net thickness, lithologi, mechanical properties, contacts, pressure
Mud Log depth markers, gross thickness, net thickness, lithologi, mechanical