BAB IV. METODOLOGI PENELITIAN a a
4.3 Tahapan Penelitian .1 Pengolahan Data Tahap 1 .1 Pengolahan Data Tahap 1
4. Data Marker
4.3 Tahapan Penelitian 4.3.1 Pengolahan Data Tahap 1 1. Pemeriksaan Data Sumur
Pemeriksaan data log meliputi koordinat, elevasi Kelly Bushing (KB), lokasi sumur terhadap data seismik, interval data log, dan kelengkapan data log. Peninjauan data log bertujuan untuk mengontrol kualitas data log yang digunakan dalam proses pengolahan selanjutnya. Data yang kurang baik dilakukan proses editing untuk mendapatkan hasil data log yang lebih baik dan berkorelasi dengan kondisi bawah permukaan sebenarnya.
Tabel 4.2 Kelengkapan Data Log
No Sumur AW-1 AW-2 AW-3 AW-4 North-1 West-1
Log 1 Checkshot √ √ √ - √ - 2 P-wave √ √ √ √ √ - 3 S-wave - √ √ √ - - 4 Density √ √ √ √ √ √ 5 GammaRay √ √ √ √ √ √ 6 NeutronPorosity √ √ √ √ √ √ 7 Resistivity √ √ √ √ √ √ 8 Inline 1273 1274 1274 1274 1186 1155 bottom 1272 1271 1303 9 Xline 3008 2931 2931 2932 1359 3065 bottom 2932 3015 3106
42
Gambar 4.1 Basemap Penelitian
2. Transformasi Log
Untuk data yang tidak tersedia pada log utama, dilakukan transformasi dari log lain. Setelah data log utama tersedia, dilakukan transformasi log turunan yang digunakan untuk tahapan selanjutnya. Log turunan yang digunakan dalam penelitian ini, seperti log P-impedance, S-impedance, Lambda-Rho, Mu-Rho, porositas efektif dan saturasi air.
3. Crossplot Log
Membuat crossplot log untuk mengetahui hubungan antara 2 parameter atau lebih sehingga dapat dikelompokkan zona-zona yang memiliki kesamaan karakter litologi, fluida dan lain-lain yang ditandai kisaran nilai parameter tertentu. Analisis crossplot juga berguna untuk menguji sensitifitas parameter paling baik
43
dalam memisahkan litologi dan fluida reservoar di sumur tersebut. Ada 3 jenis crossplot yang dilakukan yaitu: P-Impedance (sumbu X) dan Gamma Ray (sumbu Y), S-Impedance (sumbu X) dan Gamma Ray (sumbu Y), serta crossplot Lambda-Rho (sumbu X) dengan Mu-Lambda-Rho (sumbu Y). Crossplot ini menggunakan color key porosity.
4. FluidReplacementScenario dan AVO Modelling.
Sebelum dilakukan pemodelan sintetik AVO, diperlukan analisis fluida pengisi. Data sumur dibuat skenario konten fluida pada zona reservoar yaitu reservoar yang tersaturasi minyak, air dan nilai log sebenarnya (insitu). Setelah didapatkan nilai log P-wave, S-wave, density dari masing-masing skenario, dibuat pre-stack synthetic dari log ini menggunakan algoritma Zoeppritz.
4.3.2 Pengolahan Data Tahap 2 1. Pre-ConditioningSeismicGather
Agar hasil pada analisis AVO lebih optimal, dilakukan proses pre-conditioning data seismik yang bertujuan untuk memperbesar S/N (signal to noise ratio). Adapun susunan geometri dari data seismik dapat dilihat pada Tabel 4.3.
Tabel 4.3 Geometri Data Seismik Lapangan “Al-Fitra”
Parameter Inline Xline
Numberof 709 3121
StartNumber 999 337
Increment 1 1
44
-SuperGather
Super gather merupakan proses penggabungan beberapa CDP yang berdekatan untuk mengurangi noise random sehingga reflektor seismik zona target menjadi lebih jelas. Hasil dari proses super gather dapat dilihat pada Gambar 4.3
-Mute
Setelah dilakukan super gather, reflektor masih terlihat noisy pada far offset-nya. Proses muting dilakukan untuk memotong data gather pada far offset yang noisy dan akan mengganggu perhitungan atribut AVO. Proses ini dilakukan berdasarkan incidentangle yang dianggap cukup optimal, yaitu 0-32° seperti yang ditunjukkan Gambar 4.4 dan Gambar 4.5
-TrimStatic
Proses ini membantu menyelesaikan masalah migrasi move-out pada data seismik pre-stack (Gambar 4.6). Hal ini dilakukan untuk meratakan reflektor pada zona target. Trim static dengan menentukan optimal shift dengan cara cross- correlating untuk diaplikasikan pada trace lain dalam sebuah gather.
45
Gambar 4.3 SuperGather
Gambar 4.4 IncidentAngleMute
46
Gambar 4.6 TrimsStatic
2. Analisis AVO - Pick AVO
Pick AVO dilakukan pada data sintetik AVO dari sumur dan pre-stack gather yang sudah dilakukan pre-conditioning (trim static) untuk mengetahui respon amplitudo seismik di zona target yang ditunjukkan oleh kurva gradient terhadap offset (gradientanalysis). Serta dilakukan juga crossplot atribut AVO intercept vs gradient untuk mendukung penentuan kelas anomali AVO.
- Volume Atribut AVO
Atribut AVO dapat dibuat sebagai volume atribut yang mempermudah dalam melihat produk AVO seperti: intercept, gradient, dan product (A*B).
4.3.3 Pengolahan Data Tahap 3 1. Well-seismicTie
Proses well-seismic tie merupakan pengikatan antara data log sumur dan data seismik, sehingga data seismik dalam domain waktu dapat berkorelasi dengan data log sumur dalam domain kedalaman. Data log yang digunakan untuk
well-47
seismic tie ini berupa log sonic yang telah dikoreksi kedalaman dengan data checkshot.
Pada well-seismic tie diperlukan wavelet untuk membuat seismogram sintetik dari data log. Wavelet ini diperoleh dari ekstraksi dari data seismik di kedalaman dan lebar window tertentu terutama pada zona target. Kemudian diikuti dengan ekstraksi wavelet dari data sumur untuk mendapatkan korelasi yang lebih baik dengan data seismik.
2. Interpretasi Horizon
Tahapan ini merupakan penelusuran kemenerusan horizon (batas perlapisan) yang ditandai dengan amplitudo refleksi dari data seismik. Adapun horizon yang digunakan pada penelitian ini yaitu top Carbonate dan top Belumai SS.
3. Inversi Seismik
- Model Inisial (InitialModel)
Model inisial merupakan model geologi dengan melibatkan horizon daerah target dan komponen frekuensi rendah dari data sumur sebagai tren efek kompaksi sehingga diperoleh hasil inversi impedansi absolut. Model ini juga berguna untuk mengetahui batas litologi secara umum dari nilai Acoustic Impedance (AI) dan ShearImpedance (SI) pada tiap lapisan.
- Analisis Inversi
Analisis inversi bertujuan untuk menentukan parameter yang akan digunakan pada proses inversi. Hal ini dilakukan agar didapatkan korelasi maksimum antara seismogram sintetik dan data real seismik, dengan nilai error yang relatif kecil.
48
4. Transformasi Lambda-Mu-Rho
Proses transformasi ini menggunakan data input hasil inversi AcousticImpedance (AI) dan ShearImpedance (SI) untuk mendapatkan volume Lambda-Rho dan Mu-Rho.
4.3.4 Pengolahan Data Tahap 4 1. ProbabilisticNeuralNetwork
Tahap ini bertujuan untuk memprediksi properti reservoar seperti distribusi porositas dan saturasi air berdasarkan training neural network. Proses ini menggunakan data input log porositas, log saturasi air, data seismik, volume inversi AI sebagai atribut eksternal. Hasil dari proses ini adalah volume pseudo porositas dan pseudo saturasi air.