ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK KARAKTERISASI RESERVOAR EARLY MIOCENE LAPANGAN OFFSHORE AL-FITRA

(1)

ABSTRAK

ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK KARAKTERISASI RESERVOAR EARLY MIOCENE

LAPANGAN OFFSHORE AL-FITRA

Oleh

WAHYUDA ALFIN

(2)

ABSTRACT

AVO ANALYSIS, INVERSION AND NEURAL NETWORK FOR CHARACTERIZATION OF EARLY MIOCENE RESERVOIR

ON OFFSHORE AL-FITRA FIELD

By

WAHYUDA ALFIN

The existence of anomalous amplitude (brighspot) on the seismic section may be an indication of hydrocarbon presence in a reservoir. However, many other conditions can also give brightspot effect, such as a thin insert of coal, fractured rock, a layer of salt, conglomerate, turbidite, or tuning effect of thin layers. Therefore, it is necessary to analyse amplitude variation with offset (AVO) in order to increase confidence in possibility of hydrocarbon presence, especially gas in the reservoir of this field. In this research, AVO analysis is to identify the class of AVO anomalies, application of inversion and Lambda-Mu-Rho transformation so that the reservoir can be well delineated, and application of Neural Network is to predict the distribution of porosity and water saturation in sandstone reservoir at Belumai level. From this research, it is known that Belumai sandstone reservoir on well AW-1, AW-2, AW-3, and AW-4 are classified as class IV anomaly, which identified by impedance value is lower than the overlying rock, intercept value is negative, gradient value is positive and plotted in quadrant II at intercept and gradient crossplot. Based on the inversion results, sandstone reservoir zones can be separated with carbonate and shale, characterized by a low AI value 7800-9100 ((m/s)*(g/cc)), low value of SI 4400-5200 ((m/s)*(g/cc)), the value of Mu-Rho is relatively low 16-22 ((GPa)*(g/cc)), as well as the value of Lambda-Mu-Rho is also relatively low 22.5-25.5 ((GPa)*(g/cc)) that indicate a porous rock with gas associated. While, PNN neural network prediction obtains correlation value of porosity = 0.97 and water saturation = 0.98, reservoir in the Al-Fitra field has porosity of 15-25% and water saturation 15-35%. And based on slice map results on volume of AI, SI, LMR, porosity and water saturation, the distribution of sandstone reservoir in southern part of Al-Fitra field is clearly delineated, which has NW-SE orientation and also found two potential zones which are considered as sandstone reservoir and need to be evaluated further.

(3)

ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK

KARAKTERISASI RESERVOAR EARLY MIOCENE

LAPANGAN OFFSHORE AL-FITRA

(Skripsi)

Oleh

Wahyuda Alfin

1015051037

JURUSAN TEKNIK GEOFISIKA

FAKULTAS TEKNIK

UNIVERSITAS LAMPUNG

(4)

ABSTRACT

AVO ANALYSIS, INVERSION AND NEURAL NETWORK FOR CHARACTERIZATION OF EARLY MIOCENE RESERVOIR

ON OFFSHORE AL-FITRA FIELD

By

WAHYUDA ALFIN

The existence of anomalous amplitude (brighspot) on the seismic section may be an indication of hydrocarbon presence in a reservoir. However, many other conditions can also give brightspot effect, such as a thin insert of coal, fractured rock, a layer of salt, conglomerate, turbidite, or tuning effect of thin layers. Therefore, it is necessary to analyse amplitude variation with offset (AVO) in order to increase confidence in possibility of hydrocarbon presence, especially gas in the reservoir of this field. In this research, AVO analysis is to identify the class of AVO anomalies, application of inversion and Lambda-Mu-Rho transformation so that the reservoir can be well delineated, and application of Neural Network is to predict the distribution of porosity and water saturation in sandstone reservoir at Belumai level. From this research, it is known that Belumai sandstone reservoir on well AW-1, AW-2, AW-3, and AW-4 are classified as class IV anomaly, which identified by impedance value is lower than the overlying rock, intercept value is negative, gradient value is positive and plotted in quadrant II at intercept and gradient crossplot. Based on the inversion results, sandstone reservoir zones can be separated with carbonate and shale, characterized by a low AI value 7800-9100 ((m/s)*(g/cc)), low value of SI 4400-5200 ((m/s)*(g/cc)), the value of Mu-Rho is relatively low 16-22 ((GPa)*(g/cc)), as well as the value of Lambda-Mu-Rho is also relatively low 22.5-25.5 ((GPa)*(g/cc)) that indicate a porous rock with gas associated. While, PNN neural network prediction obtains correlation value of porosity = 0.97 and water saturation = 0.98, reservoir in the Al-Fitra field has porosity of 15-25% and water saturation 15-35%. And based on slice map results on volume of AI, SI, LMR, porosity and water saturation, the distribution of sandstone reservoir in southern part of Al-Fitra field is clearly delineated, which has NW-SE orientation and also found two potential zones which are considered as sandstone reservoir and need to be evaluated further.

(5)

ABSTRAK

ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK KARAKTERISASI RESERVOAR EARLY MIOCENE

LAPANGAN OFFSHORE AL-FITRA

Oleh

WAHYUDA ALFIN

(6)

ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK

KARAKTERISASI RESERVOAR EARLY MIOCENE

LAPANGAN OFFSHORE AL-FITRA

Oleh

WAHYUDA ALFIN

Skripsi

Sebagai Salah Satu Syarat untuk Mencapai Gelar SARJANA TEKNIK

Pada

Jurusan Teknik Geofisika Fakultas Teknik Universitas Lampung

UNIVERSITAS LAMPUNG

BANDAR LAMPUNG

(7)

(8)

(9)

(10)

RIWAYAT HIDUP

(11)

DENGAN SEGALA KERENDAHAN HATI,

KARYA KECIL INI KU PERSEMBAHKAN UNTUK

IBU DAN AYAH TERCINTA, ADIK-ADIK YANG KU

(12)

MOTTO

"Dalam konfrontasi antara aliran air dan batu, aliran air selalu menang, bukan lewat kekuatan, tetapi lewat kegigihan"

[Jackson Brown, Jr._]

“ ぐやる_{segera kerjakan,}かならやる_{pastikan kau kerjakan}

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

lalu semesta akan berpihak padamu” [Nagamori]

“Those who have little knowledge of science, they become Atheist. But those who have indepth knowledge

of science, they become a believer in God”

[Francis Bacon]

“Ilmu itu lebih baik daripada harta. Ilmu menjaga engkau dan engkau menjaga harta”

[Ali ibn Abi Thalib_]

So which of the favors of your Lord would you deny? Maka nikmat Tuhanmu yang manakah yang kamu dustakan?

(13)

1

KATA PENGANTAR

Puji syukur penulis haturkan kepada Allah SWT, Tuhan Yang Maha Esa atas segala rahmat dan hidayah-Nya sehingga skripsi yang berjudul “Analisis AVO, Inversi dan Neural Network untuk Karakterisasi Reservoar Early Miocene Lapangan Offshore Al-Fitra” ini dapat terselesaikan. Shalawat serta salam senantiasa terlimpah kepada Nabi Muhammad SAW, beserta segenap keluarga, sahabat dan pengikut setia beliau.

Skripsi ini merupakan syarat untuk menyelesaikan studi Strata-1 Teknik Geofisika, Fakultas Teknik, Universitas Lampung. Selain itu, dengan adanya penelitian ini penulis bisa memahami fenomena-fenomena nyata yang terjadi di alam serta dapat mengaplikasikan teori yang sudah diperoleh selama kuliah pada kegiatan eksplorasi yang sebenarnya.

Penulis menyadari bahwa skripsi ini masih terdapat banyak kekurangan. Oleh karena itu, diperlukan saran dan kritik yang membangun untuk perbaikan ke depannya. Semoga skripsi ini dapat bermanfaat bagi kita semua.

(14)

xi

SANWACANA

Alhamdulillahi rabbil `alamin, rasa syukur yang mendalam penulis panjatkan kepada Allah SWT atas rahmat dan karunianya sehingga skripsi ini dapat terselesaikan denagan baik. Penyusunan skripsi ini tidak terlepas dari dukungan, bimbingan dan bantuan berbagai pihak. Ucapan sebesar-besarnya penulis tujukan kepada:

1. Bapak Alhafri dan Ibu Yeni Fitra, orangtua tercinta yang tiada henti memberikan kasih sayang, dukungan, doa, dan segala yang penulis butuhkan. Pengorbanan yang begitu besar yang takkan mampu terbalaskan. Semoga Alloh SWT selalu melimpahkan keberkahan pada Keluarga kita. 2. My younger Brothers, Yafis Mulianda dan Luthfi Hanif, kalian adalah

salah satu motivasi Abang untuk berjuang sampai saat ini.

3. Bapak Prof. Suharno, M.S., M.Sc., Ph.D., selaku Dekan Fakultas Teknik Universitas Lampung dan pengajar di jurusan Teknik Geofisika. Terima kasih atas ilmu, motivasi, dan bimbingannya.

4. Bapak Dr. Ahmad Zaenudin, S.Si., M.T., selaku Ketua Jurusan Teknik Geofisika dan dosen Pembimbing Akademik. Terima kasih atas motivasi, bimbingan, ilmu dan sarannya.

(15)

xii

berdiskusi, dan selalu memberikan motivasi, bimbingan, ilmu dan sarannya sehingga skripsi ini dapat terselesaikan.

6. Bapak Rustadi, S.Si., M.T., selaku Dosen Pembimbing II. Terimakasih atas waktu, ilmu dan arahannya.

7. Bapak Dr. Muh. Sarkowi, M.Si., selaku Dosen Penguji pada Tugas Akhir ini, terimakasih waktu, saran dan ilmunya.

8. Bapak Syamsurijal Rasimeng, M.Si., yang selalu mengarahkan, mengajarkan penulis menjadi asisten praktikum dan kegiatan lapangan, terimakasih atas motivasi, waktu, bimbingan dan ilmunya Pak.

9. Seluruh Dosen Teknik Geofisika Universitas Lampung, Bapak Prof. Drs. Suharno, M.S., M.Sc., Ph.D., Bapak Bagus Sapto Mulyatno, M.T., Bapak Dr. Muh. Sarkowi, M.Si., Bapak Dr. Ahmad Zaenudin, M.T., Bapak Syamsurijal R., M.Si., Bapak Alimuddin, M.Si., Bapak Rustadi, M.T., Bapak Karyanto, M.T., Bapak Dr. Nandi H., M.Si., dan Bapak Dr. Ordas Dewanto, M.Si., Terima kasih atas semua ilmu bermanfaat yang telah diberikan.

10. Staf Jurusan Teknik Geofisika, Mbak Dewi, Pak Marsuno “Babeh”, Mas Pujono dan staf Dekanat Fakultas Teknik Universitas Lampung, Mbak Stefi, Pak Udin yang telah banyak membantu dalam proses administrasi. 11. Mas Taufiqurrahman yang telah memberikan kesempatan kepada penulis

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

(16)

xiii

terima kasih atas waktu dan juga nasehatnya Mas Ari. Semoga Allah SWT selalu memberikan kesehatan dan keberkahan.

13. Para Geoscientist dan warga lantai 16, Mas Julian Saputro, Mas Alanta Elyan, Mas Aldis Ramadhan, Mas “Boim” Alexis B. Samudra, Mas Mufid, terima kasih atas masukan dan ilmunya. Mas Dwi, Mas Muadz, Mas Rio, Mas Romel yang selalu ngajakin main futsal, kapan-kapan main lagi Mas..!! Dan seluruh karyawan Divisi Eksplorasi PT. Pertamina EP, terima kasih atas bantuannya selama pelaksanaan penelitian tugas akhir ini. 14. Dai Bianda (Geologi Unpad’11), teman seperjuangan TA atas dukungannya

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

(17)

xiv

16. Kakak tingkat dan senior TG khususnya Kak Sinku Sanjaya yang tiada bosan memberikan saran, masukan, dan kritik yang membangun diri menjadi lebih baik, Kak Edo Bagol, Kak Nando, Kak Gun, Alm. Uda Agung (semoga diterima di sisi Alloh SWT), Kak Zuhron, Kak Alfian, Kak Irfan, terima kasih atas sharing ilmunya Kak.

17. Rekan-rekan mahasiswa, adik-adik tingkatku jurusan Teknik Geofisika: Wilyan, Ucup, Ketho, Nanda, Sari Putri Zam, Fitri Rusmala, Raynaldo, Edo, Subari ‘Heiho’, Irwansyah, Esha, Hilman, Kevin, Azis, Niar, Ipeh, Elen, Ririn, Winda, Widya, Sya’bana, Nafis, Agung, Reza, geng ’14: Malik, Jefri, Diana, Cinthia, Isti, dkk serta geng ’15. Rajin-rajin belajar.!!

18. Geng Wisma Aveari: Bro Novri, Anggi, Agung; Geng Kost-an Al-Fayat: Andri Sansan, Dito wakwaw, dan Nur “Bro Macan”.

Serta semua pihak satu persatu yang telah memberikan dukungan sehingga skripsi ini dapat selesai. Semoga Allah membalas semua kebaikan yang telah diberikan.

Penulis menyadari bahwa skripsi ini masih terdapat kekurangan dan kesalahan. Karena itu, penulis berharap adanya kritik, saran dan masukan yang membangun, sehingga dapat bermanfaat bagi kemajuan ilmu pengetahuan dan teknologi.

Bandar Lampung, Oktober 2016 Penulis,

(18)

xv

DAFTAR ISI

halaman

ABSTRACT ... i

ABSTRAK ... ii

COVER DALAM ... iii

HALAMAN PERSETUJUAN ... iv

HALAMAN PENGESAHAN ... v

HALAMAN PERNYATAAN ... vi

RIWAYAT HIDUP ... vii

HALAMAN PERSEMBAHAN ... viii

HALAMAN MOTTO ... ix

KATA PENGANTAR ... x

SANWACANA ... xi

DAFTAR ISI ... xv

DAFTAR GAMBAR ...xviii

DAFTAR TABEL ... xxii

BAB I PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Tujuan Penelitian ... 3

1.3 Batasan Masalah ... 3

BAB II TINJAUAN PUSTAKA 2.1 Fisiografi Cekungan Sumatera Utara ... 4

2.2 Kerangka Tektonik ... 5

2.3 Stratigrafi Cekungan Sumatera Utara ... 7

2.3.1 Batuan Dasar ... 8

2.3.2 Formasi Tampur (Eosen Akhir) ... 8

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

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

(19)

xvi

2.3.6 Formasi Baong (Miosen Tengah)... 9

2.3.7 Formasi Keutapang (Miosen Akhir) ... 9

2.3.8 Formasi Seureula (Pliosen Awal)... 10

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

2.4 PetroleumSystem Cekungan Sumatera Utara ... 10

2.4.1 Batuan Induk (Source Rock) ... 10

BAB V HASIL DAN PEMBAHASAN 5.1 Pengolahan Data Sumur ... 50

5.1.1 Transformasi Log ... 50

(20)

xvii

5.1.3 FluidReplacementScenario dan AVO Modelling ... 58

5.2 Analisis AVO (GradientAnalysis) ... 60

5.2.1 Analisis AVO pada Data Sumur ... 61

5.2.2 Analisis AVO pada Data Seismik ... 65

5.3 Well-Seismic Tie ... 71

5.4 Interpretasi Horizon ... 76

5.5 Model Inisial (Initial Model) ... 78

5.6 Inversi Seismik ... 79

5.7 Transformasi Lambda-Mu-Rho ... 89

5.8 NeuralNetwork ... 93

5.9 Analisis dan Interpretasi ... 101

BAB VI KESIMPULAN DAN SARAN 6.1. Kesimpulan ... 114

(21)

xviii

DAFTAR GAMBAR

Gambar halaman

Gambar 2.1 Fisiografi cekungan Sumatera Utara ... 4

Gambar 2.2 Sub-cekungan Sumatera Utara ... 5

Gambar 2.3 Framework tektonik cekungan Sumatera Utara ... 6

Gambar 2.4 Stratigrafi cekungan Sumatera Utara ... 7

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

Gambar 3.1 Prinsip kerja seismik refleksi ... 16

Gambar 3.2 Konvolusi antara reflektivitas dengan wavelet mengurangi resolusi ... 17

Gambar 3.3 Jenis-jenis wavelet 1) Zero Phase Wavelet, 2) Maximum Phase Wavelet, 3) Minimum Phase Wavelet, 4) Mixed Phase Wavelet ... 18

Gambar 3.4 Seismogram sintetik yang diperoleh dari konvolusi RC dan wavelet... 19

Gambar 3.5 Geometri AVO ... 19

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

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

Gambar 3.8 Klasifikasi berdasarkan kurva gradient AVO ... 25

Gambar 3.9 Crossplot AVO ... 25

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

Gambar 3.11 Proses forwardmodelling dan inversemodelling ... 30

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

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

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

(22)

xix

Gambar 5.8 Crossplot antara S-impedance dan gammaray pada sumur

AW-1 ... 54 Gambar 5.9 Crossplot antara Lambda-Rho dan Mu-Rho pada sumur

AW-1 ... 54 Gambar 5.10 Crossplot antara P-impedance dan gammaray pada sumur

AW-2 ... 55 Gambar 5.11 Crossplot antara S-impedance dan gammaray pada sumur

AW-4 ... 57 Gambar 5.19 Data log Vp, Vs dan density hasil perubahan skenario fluida

pada sumur AW-1 ... 58 Gambar 5.20 Hasil sintetik AVO pada sumur AW-1, a) sintetik brine;

b) sintetik oil; c) sintetik insitu... 59 Gambar 5.21 Hasil sintetik AVO pada sumur AW-2, a) sintetik brine;

b) sintetik oil; c) sintetik insitu... 60 Gambar 5.24 Hasil sintetik AVO pada sumur West-1, a) sintetik brine;

b) sintetik oil; c) sintetik insitu... 60 Gambar 5.30 Perbandingan kurva gradient dari data seismik yang

melewati sumur AW-1, AW-2 dan West-1 ... 67 Gambar 5.31 Perbandingan kurva gradient dari data seismik yang

melewati sumur AW-3, AW-4 dan West-1 ... 67 Gambar 5.32 Perbandingan atribut intercept, gradient dan product dari

data seismik yang melewati sumur AW-1 dan AW-2 ... 68 Gambar 5.33 Pre-stack seismik yang melewati: a) zona potensi-1;

(23)

xx

Gambar 5.34 Perbandingan kurva gradient dari data seismik yang

melewati zona potensi-1, zona potensi-2 dan AW-1 ... 70 Gambar 5.35 Waveletstatistical dari data seismik ... 71 Gambar 5.36 Well-seismic tie dengan wavelet statistical pada sumur

AW-1 ... 72 Gambar 5.37 Well-seismic tie dengan wavelet statistical pada sumur

AW-4 ... 74 Gambar 5.40 Well-seismic tie dengan wavelet ekstraksi dari sumur AW-1 ... 74 Gambar 5.41 Well-seismic tie dengan wavelet ekstraksi dari sumur AW-2 ... 75 Gambar 5.42 Well-seismic tie dengan wavelet ekstraksi dari sumur AW-3 ... 75 Gambar 5.43 Well-seismic tie dengan wavelet ekstraksi dari sumur AW-4 ... 76 Gambar 5.44 Interpretasi horizon ... 77 Gambar 5.45 Peta struktur waktu horizon Belumai SS ... 77 Gambar 5.46 Model inisial AI (atas) dan SI (bawah) pada xline 3008 ... 79 Gambar 5.57 Hasil inversi AI (atas) dan inversi SI (bawah) yang melewati

sumur AW-1 pada xline 3008 ... 86 Gambar 5.58 Hasil inversi AI (atas) dan inversi SI (bawah) yang melewati

sumur AW-4 pada xline 3099 ... 89 Gambar 5.61 Hasil transformasi Lambda-Rho (atas) dan Mu-Rho (bawah)

yang melewati sumur AW-1 pada xline 3008 ... 90 Gambar 5.62 Hasil transformasi Lambda-Rho (atas) dan Mu-Rho (bawah)

yang melewati sumur AW-4 pada xline 3099 ... 93 Gambar 5.65 Hasil korelasi multi-atribut untuk porositas ... 95 Gambar 5.66 Perbandingan hasil training multi-atribut dengan log

(24)

xxi

Gambar 5.68 Crossplot antara porositas prediksi dengan porositas dari

well ... 96 Gambar 5.69 Hasil korelasi multi-atribut untuk saturasi air ... 97 Gambar 5.70 Perbandingan hasil training multi-atribut dengan log

saturasi air ... 97 Gambar 5.71 Perbandingan hasil training PNN dengan log saturasi air ... 97 Gambar 5.72 Crossplot antara saturasi air prediksi dengan saturasi air

dari well ... 98 Gambar 5.73 Hasil PNN porositas yang melewati sumur AW-1 pada

xline 3008 ... 98 Gambar 5.74 Hasil PNN porositas yang melewati sumur AW-2 pada

xline 3099 ... 99 Gambar 5.77 Hasil PNN saturasi air yang melewati sumur AW-1 pada

(25)

DAFTAR TABEL

Tabel halaman

(26)

1

a

BAB I. PENDAHULUAN a

a

1.1 Latar Belakang

Cekungan Sumatera Utara telah dikenal sebagai salah satu penghasil hidrokarbon di Indonesia. Banyak lapangan di ruang lingkup cekungan Sumatera Utara ini yang terbukti menghasilkan hidrokarbon minyak dan gas. Salah satunya ialah lapangan “Al-Fitra” yang berada dalam Wilayah Kerja PT. Pertamina EP di lepas pantai Sumatera Utara. Struktur Al-Fitra ini dibor pertama kali melalui sumur AW-1 dan terbukti dari data DST menghasilkan gas dan kondensat. Data log sumur menunjukkan keterdapatan hidrokarbon gas yang potensial berasal dari lapisan reservoar batupasir Belumai berumur Early Miocene.

(27)

2

seismik untuk menganalisis respon amplitudo terhadap offset (AVO) agar meningkatkan kepercayaan terhadap kemungkinan kehadiran fluida hidrokarbon terutama gas di reservoar lapangan ini.

Seiring dengan berkembangnya metode seismik refleksi, berkembang juga teknik inversi seismik untuk memodelkan bawah permukaan. Inversi seismik merupakan teknik pembuatan model bawah permukaan dengan menggunakan data seismik sebagai input dan data sumur sebagai control. Untuk keperluan lebih lanjut, hasil inversi yang berupa Acoustic Impedance (AI) dan Shear Impedance (SI) juga dapat ditransformasikan menjadi produk Lambda-Rho ( ρ) yang lebih sensitif terhadap perubahan fluida dan Mu-Rho ( ρ) yang lebih sensitif terhadap perubahan litologi.

Selain itu, aplikasi Neural Network juga dapat mengekstrak informasi dari variasi amplitudo seismik yang berhubungan dengan perubahan impedansi akustik, sehingga dapat dihubungkan dengan sifat reservoar lainnya. Dengan memanfaatkan hubungan data log dan beberapa set atribut seismik pada lokasi sumur, maka dapat digunakan untuk memprediksi data log di setiap lokasi dalam volume seismik sehingga menjadi volume properti log yang diinginkan, seperti porositas dan saturasi air.

(28)

3

baik sehingga bisa menjadi pertimbangan dalam pengembangan lapangan selanjutnya.

1.2 Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah untuk:

1. Mengidentifikasi kelas anomali AVO pada reservoar batupasir Belumai. 2. Mengetahui persebaran reservoar batupasir dan potensi hidrokarbon dengan

inversi.

3. Memprediksi distribusi porositas dan saturasi air berdasarkan Probabilistic Neural Network (PNN).

1.3 Ruang Lingkup

Penulis membatasi ruang lingkup pada penelitian tugas akhir ini yaitu:

1. Daerah penelitian ini berada pada lapangan offshore Al-Fitra dengan objektif lapisan reservoar batupasir Belumai.

2. Data yang digunakan berupa data seismik 3D post-stack dengan asumsi telah melalui tahap processing sesuai prosedur dan data seismik 3D pre-stack gather yang telah yang dikoreksi NMO. Serta difokuskan pada data log 4 sumur dari 6 sumur yang berada pada lapangan Al-Fitra.

(29)

33

a

BAB III. TEORI DASAR a

a

3.1 Metode Seismik Refleksi

Seismik refleksi adalah salah satu metode dalam geofisika yang bertujuan untuk mengetahui apa yang terdapat di dalam bumi dengan memanfaatkan pantulan gelombang akustik yang dihasilkan dari sumber energi getar (dinamit, vibroseis, air gun) dan direkam oleh receiver (geophone atau hydrophone). Data yang dimanfaatkan dari gelombang pantul ini ialah travel time (waktu tempuh) dan velocity (kecepatan rambat gelombang). Kecepatan gelombang yang dihasilkan berasal dari energi tertentu yang kemudian menggerakkan partikel-partikel gelombang dengan frekuensi tertentu.

(30)

16

Gambar 3.1 Prinsip kerja seismik refleksi

Kemudian hasil rekaman tersebut diproses melalui beberapa tahapan processing untuk mendapatkan hasil sesuai yang diinginkan. Tahapan yang biasa dilakukan seperti stacking, deconvolution, migration, amplitude balancing, dll. Tiap-tiap tahapan processing tersebut mempunyai tujuan berbeda dan juga hasil yang berbeda tergantung tujuan kita.

Untuk inversi, kita menginginkan data seismik yang amplitudonya sedekat mungkin dengan kondisi sebenarnya. Karena dengan inversi kita melakukan pendekatan untuk mendapatkan model geologi yang sebenarnya. Apabila input (data seismik) sudah tidak asli (preserve) maka hasil yang didapat tentu saja juga tidak sesuai dengan keadaan sebenarnya.

3.1.1 Trace Seismik

(31)

17

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

dimana : S(t) = trace seismik w(t) = wavelet seismik r(t) = reflektivitas bumi, dan n(t) = noise

Konvolusi dapat dinyatakan sebagai penggantian (replacing) setiap koefisien refleksi dalam skala wavelet kemudian menjumlahkan hasilnya. Seperti diketahui bahwa refleksi utama berasosiasi dengan perubahan harga impedansi. Selain itu wavelet seismik umumnya lebih panjang daripada spasi antara kontras impedansi yang menghasilkan koefisien refleksi. Dapat diperhatikan pada Gambar 3.2 bahwa konvolusi dengan wavelet cenderung mereduksi koefisien refleksi sehingga mengurangi resolusi untuk memisahkan reflektor yang berdekatan.

(32)

18

3.1.2 Resolusi

Resolusi didefinisikan sebagai jarak minimum antara dua obyek yang dapat dipisahkan oleh gelombang seismik (Sukmono, 2002). Dalam seismik refleksi, objek adalah batas antar lapisan. Keterbatasan yang dimiliki gelombang seismik ini disebabkan range frekuensinya antara 10-60 Hz sehingga hal ini dapat berhubungan langsung dengan resolusi yang dimiliki. Dalam interpretasi seismik, resolusi terbagi menjadi dua arah yaitu resolusi vertikal dan resolusi horizontal.

3.1.3 Wavelet

Wavelet adalah sinyal transien yang mempunyai interval waktu dan amplitudo, frekuensi, dan fasa tertentu. Ada empat jenis wavelet berdasarkan konsentrasi energinya (ditunjukkan Gambar 3.3), yaitu zero phase, minimum phase, maximum phase, dan mixed phase.

Gambar 3.3 Jenis-jenis wavelet 1) Zero Phase Wavelet, 2) Maximum Phase Wavelet, 3) Minimum Phase Wavelet, 4) Mixed Phase Wavelet

3.1.4 Seismogram Sintetik

Seismogram sintetik adalah rekaman seismik buatan yang dibuat dari data log kecepatan dan densitas. Data kecepatan dan densitas membentuk fungsi koefisien

(1) (2)

(33)

19

refleksi yang selanjutnya dikonvolusikan dengan wavelet. Hal ini diilustrasikan pada Gambar 3.4. Seismogram sintetik dibuat untuk mengkorelasikan antara informasi sumur (litologi, umur, kedalaman, dan sifat-sifat fisis lainnya) terhadap trace seismik guna memperoleh informasi yang lebih lengkap dan komprehensif.

Gambar 3.4 Seismogram sintetik yang diperoleh dari konvolusi RC dan wavelet (Sukmono, 2002)

3.2 Amplitude Variation with Offset (AVO)

Amplitude Variation with Offset (AVO) merupakan konsep yang didasari pada respon perubahan amplitudo refleksi pada jejak seismik seiring bertambahnya sudut datang. Semakin besar jarak sumber ke penerima (offset) semakin besar pula sudut datangnya. Hal tersebut diilustrasikan pada Gambar 3.5.

Gambar 3.5 Geometri AVO

θ1

(34)

20

Gambar 3.6 mengilustrasikan respon AVO dengan gelombang datang yang menjalar pada lapisan serpih (shale) dan sebagai reflektornya lapisan batupasir (sandstone) yang tersaturasi gas. Hasil rekaman amplitudo seismik atau nilai refleksinya semakin membesar dengan bertambahnya offset.

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

3.2.1 Persamaan AVO

(35)

21

amplitudo transmisi gelombang P, amplitudo refleksi gelombang S dan amplitudo transmisi gelombang S seperti yang ditunjukkan pada Gambar 3.7.

Gambar 3.7 Partisi energi gelombang seismik pada bidang reflektor

(36)

22

Rp = Refleksi gelombang P Rs = Refleksi gelombang S Tp = Transmisi gelombang P Ts = Transmisi gelombang S

1

Vp

kecepatan gelombang P



Vs kecepatan gelombang S



 densitas

Persamaan Zoeppritz mempunyai solusi yang kompleks tidak memperlihatkan pemahaman yang mudah antara amplitudo dengan offset dan sifat batuannya, sehingga untuk pemodelan dan analisa AVO biasanya digunakan persamaan linearisasi. Aki dan Richard (1980) memperkenalkan pendekatan praktis untuk mengatasi persamaan Zoeppritz yang kompleks, sehingga koefisien refleksi pada setiap sudut datang hanya dipengaruhi oleh densitas, kecepatan gelombang P, dan kecepatan gelombang S.

Dari persamaan diatas, Wiggins (1983) memodifikasi persamaan 3 tersebut menjadi bentuk baru yang terdiri dari 3 (tiga) bagian seperti persamaan 4 berikut :

(37)

23

= [∆��_�� +∆�_�] (5)

= ∆��_�� − [_��] ∆��_�� − [_��] ∆�_� (6)

= ∆��_�� (7)

Persamaan (5) adalah untuk koefisien refleksi pada keadaan zerooffset dan fungsi tersebut bergantung dengan densitas dan kecepatan gelombang P. Persamaan (6) adalah tingkat gradien yang dikalikan dengan sin2θ_{, dan merupakan efek besar pada} perubahan amplitudo sebagai fungsi offset. Persamaan ini bergantung pada perubahan kecepatan gelombang P, kecepatan gelombang S, dan densitas. Persamaan (7) berupa kurva dan hanya bergantung pada perubahan kecepatan gelombang P. Persamaan ini dikalikan oleh ( � � �), namun berpengaruh sangat kecil pada efek amplitudo sudut di bawah 30°.

3.2.2 Klasifikasi Anomali AVO

Rutherford dan Williams (1989) membagi kelas AVO dalam kasus shale-gas sand ke dalam tiga kelas, yaitu kelas 1 yang berhubungan dengan nilai impendansi yang tinggi dari batupasir gas, kelas 2 yang berhubungan dengan nilai impendansi batupasir gas yang mendekati nol dan kelas 3 dengan nilai impedansi batupasir gas yang rendah. Castagna (1997) mengembangkan kelas AVO dari Rutherford dan Williams (1989), dengan menambahkan anomali kelas 4. Klasifikasi ini diilustrasikan pada Gambar 3.8.

(38)

24

Batas antara shale dan sandstone tersebut mempunyai nilai koefisien refleksi yang tinggi dan positif. Sandstone pada kelas 1 merupakan sandstone yang secara ekstrim telah terkompaksi. Kurva AVO kelas 1 memiliki intercept positif dan gradient negatif. Nilai gradient kelas 1 biasanya lebih besar bila dibandingkan dengan kelas 2 dan 3.

Anomali kelas 2 memiliki kontras akustik impedansi yang mendekati nol. Sandstone kelas 2 hampir memiliki nilai impedansi akustik yang hampir sama dengan batuan di atasnya. Sandstone tersebut terkompaksi dan terkonsolidasi. Gradient dari sandstone kelas 2 memiliki nilai yang besar namun tidak sebesar gradient pada kelas 1. Anomali AVO kelas 2 terdiri dari kelas 2 yang memiliki intercept dan gradient negatif serta kelas 2p yang memiliki intercept positif dan gradient negatif. Kelas 2p merupakan anomali dengan pembalikan polaritas. Intercept pada kelas 2 ini memiliki nilai yang mendekati nol.

Anomali kelas 3 memiliki nilai akustik impedansi yang kecil dibandingkan dengan batuan di atasnya. Sandstone-nya biasanya kurang terkompaksi dan tidak terkonsolidasi. Anomali kelas 3 memiliki intercept dan gradient negatif. Nilai intercept nya berada di bawah nilai intercept kelas 2. Biasanya nilai gradient nya tidak lebih besar dari kelas 1 dan kelas 2.

(39)

25

Gambar 3.8 Klasifikasi berdasarkan kurva gradient AVO (Rutherford & Williams, 1989 dengan modifikasi)

Gambar 3.9 Crossplot AVO (Castagna, 1997)

(40)

26

Tabel 3.1 Klasifikasi Anomali AVO (Castagna, 1997)

3.3 Impedansi

3.3.1 Acoustic Impedance (AI)

Salah satu sifat akustik yang khas pada batuan adalah Acoustic Impedance (AI) yang dipengaruhi oleh tipe dari litologi, porositas, kandungan fluida, kedalaman, dan tekanan. Oleh sebab itu AI dapat digunakan untuk identifikasi litologi, porositas, hidrokarbon, dan yang lainnya.

AcousticImpedance (AI) merupakan hasil perkalian kecepatan (V) dan densitas ()

AI = Vp .  (8)

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

 = densitas (g/cm3₎

Vp = kecepatan (m/s)

(41)

27

Pada Gambar 3.10 dapat dilihat beberapa faktor yang dapat mempengaruhi nilai kecepatan gelombang seismik.

Gambar 3.10 Faktor pengaruh terhadap kecepatan gelombang seismik (Hiltermann, 1977 dalam Sukmono, 2002).

Karakterisasi berdasarkan AI memiliki keterbatasan dalam membedakan antara efek litologi dan fluida. Nilai AI rendah yang disebabkan oleh kehadiran fluida hidrokarbon sering overlapped dengan AI rendah dari efek litologi.

3.3.2 Shear Impedance (SI)

(42)

28 sehingga keberadaan fluida tidak terdeteksi, gelombang ini hanya akan melewati medium solid, sehingga apabila diolah lebih lanjut, SI dapat merepresentasikan perubahan litologi.

3.4 Parameter Lambda-Mu-Rho

Menurut Goodway (1997), parameter Lambda-Rho ( ρ) dan Mu-Rho ( ρ) merupakan parameter fisika yang dapat digunakan untuk mempertajam indikasi reservoar minyak dan gas. Lambda-Rho adalah hasil perkalian antara modulus Lame atau inkompresibilitas ( ) dan densitas (ρ), parameter yang cukup sensitif dalam memperlihatkan keberadaan fluida migas. Sedangkan Mu-Rho adalah hasil perkalian antara modulus geser atau rigiditas ( ) dan densitas (ρ), parameter yang cukup sensitif untuk memperlihatkan perbedaan litologi

Nilai dari ρ, ρ, dan Kdapat diperoleh dari hubungan antara kecepatan gelombang P dan S dengan konstanta Lame ( dan ) yang dinyatakan sebagai berikut:

(43)

29

Vp = kecepatan gelombang P, Vs = kecepatan gelombang S,  = densitas,

= modulus inkompresibilitas, = modulus rigiditas,

K = modulus bulk,

Subtitusi dari persamaan di atas, sehingga didapatkan: 2

(44)

30

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

Secara garis besar inversi seismik dapat dikelompokkan menjadi inversi pre-stack dan inversi post-stack. Inversi pre-stack dilakukan pada data seismik yang belum di-stack (CDP gather). Inversi ini bertujuan untuk menurunkan parameter elastik untuk penentuan karakter batuan. Sedangkan inversi post-stack merupakan teknik untuk mendapatkan kembali nilai koefisien refleksi dari rekaman seismik yang selanjutnya digunakan untuk menentukan nilai impedansi akustik lapisan batuan.

(45)

31

penampang seismik saja. Sehingga, pada proses inversi digunakan model low frequency (model awal) yang didapat dari data sumur untuk mengembalikan lagi informasi yang hilang. Model ini menggambarkan model struktur kecepatan yang akan digunakan untuk membatasi inversi.

Terdapat beberapa metode yang berkembang untuk mendapatkan nilai inversi seismik, misalnya metode model based, sparse spike, dan rekursif. Selain itu, terdapat metode inversi yang dikembangkan oleh Lancaster dan Whitcombe (2000) dari BPA yang disebut Coloured Inversion (CI). Metode ini bukan metode yang paling baik di kelasnya, tetapi metode ini cukup cepat dan lebih mudah digunakan. Hasil inversi dengan metode CI ini juga masih lebih handal dibandingkan dengan ‘metode cepat’ lainnya seperti inversi rekursif. Bahkan hasil inversinya cukup mirip dengan hasil inversi dengan metode sparse spike yang membutuhkan waktu lebih lama dalam pengerjaannya. Penerapan metode ini dengan menggunakan operator inversi yang didesain berdasarkan fakta bahwa trend dari spektrum log impedansi akustik di suatu reservoar mempunyai bentuk konstan. Hal ini mengindikasikan bahwa sebuah operator konvolusi dapat digunakan untuk melakukan proses inversi.

3.6 Neural Network

(46)

32

menentukan atribut seismik yang akan digunakan dalam proses tersebut, dilakukan uji statistik antara kedua data tersebut (data log dan atribut seismik), sehingga dapat diketahui hubungan antara keduanya. Regresi multiatribut dapat berjalan dengan baik apabila ada relasi linear fungsional yang baik di antara log yang diprediksi dan atribut seismik. Pada kasus hubungan yang non-linear kita dapat mengaplikasikan transformasi tersebut dengan metoda neural network sebagai algoritma prediksi.

Dalam penelitian ini, neuralnetwork yang digunakan adalah ProbabilisticNeural Network (PNN). Transformasi multi-atribut menggunakan Probabilistic Neural Network merupakan skema interpolasi secara matematis yang menggunakan arsitektur neural network dalam penerapannya. Dalam pendekatan PNN, bobot dikalkulasikan menggunakan konsep “jarak” dalam spasi atribut antara titik yang diketahui nilainya dan titik yang tidak diketahui. Ide dasar di balik PNN adalah menggunakan kumpulan dari satu atau lebih nilai terukur (variabel independen) untuk memprediksi nilai variabel dependen tunggal.

Pemecahan masalah dengan cara membandingkan atribut baru dan atribut yang telah diketahui. Nilai yang diestimasi merupakan kombinasi linear dari nilai training yang diketahui:

Ø0 = W1* Ø1 + W2* Ø2 + W3* Ø3 (17)

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

(47)

33

Dalam prakteknya, penggunaan PNN dapat dibagi menjadi empat langkah: a) Analisis regresi stepwise multi linier dan validasi

b) Trainingneuralnetwork untuk menentukan hubungan non-linier antara atribut seismik dan properti reservoar di lokasi sumur

c) Menerapkan neuralnetwork yang telah di-training pada data volume seismik d) Validasi hasil dengan satu sumur dan memprediksi dari sumur lainnya.

3.7 Tinjauan Umum Well-logging

Data well-logging merupakan data yang diperoleh dari pengukuran langsung pada lubang bor/sumur yang ditampilkan pada rekaman berupa log. Log adalah suatu grafik kedalaman atau waktu dari satu set data yang menunjukan parameter yang diukur secara berkesinambungan di dalam sebuah sumur. Kurva log memberikan informasi geologi bawah permukaan dalam bentuk parameter tertentu di lubang bor dengan resolusi yang cukup tinggi.

Karena tingkat akurasinya yang tinggi, maka data log dijadikan sebagai kontrol terhadap data seismik untuk identifikasi litologi, sebaran fasies, dan evaluasi formasi terutama dalam identifikasi hidrokarbon. Dalam penelitian ini, data log utama yang digunakan adalah log GammaRay, log BulkDensity, log Sonik DT (P-wave) dan log DTS (S-wave), log NeutronPorosity, log Resistivity.

3.7.1 Log Gamma-ray (GR)

(48)

34

radioaktif yang yaitu Uranium-U, Thorium-Th dan Potasium-K. Unsur-unsur ini secara terus menerus memancarkan GR dalam bentuk pulsa-pulsa energi radiasi. Sinar Gamma ini mampu menembus batuan dan terdeteksi dalam bentuk pulsa listrik. Parameter yang direkam adalah jumlah dari pulsa yang tercatat per satuan waktu.

Log GR diskala dalam satuan API (GAPI). Satu GAPI adalah 1/200 dari respon yang didapat dari caliber standar suatu formasi tiruan yang berisi Uranium, Thorium, dan Potassium dengan kuantitas yang diketahui dengan tepat dan diawasi oleh American Petroleum Institute (API) di Houston Texas. Umumnya log disajikan dengan skala 0-100 atau 0-150 GAPI. Hasil analisis dari North American Shale Composite (NASC) melaporkan bahwa standar referensi nilai dari Th 12.3 ppm, U 2.66 ppm, dan K 3.2% sebanding dengan pembacaan log 121.7 API.

Biasanya unsur U, Th, dan K merupakan kandungan alami dari mineral lempung atau serpih. Umumnya batupasir, batugamping, dan dolomit memiliki konsentrasi isotop radioaktif (U, Th, K) dengan jumlahnya relatif lebih sedikit daripada lempung. Dengan demikian semakin besar respon radiasi yang dicatat pada log menunjukkan makin banyak pula mineral lempung yang terdapat pada formasi. Namun tidak selalu nilai Gamma ray tinggi akan berasosiasi dengan batuan lempung/serpih.

Dari sifat tersebut fungsi utama Log GR dalam aplikasi stratigrafi dan geologi minyak bumi adalah sebagai “log lempung” untuk membedakan antara lempung

(49)

35

3.7.2 Log BulkDensity (RHOB)

Alat yang digunakan untuk mencatat log densitas ini memiliki prinsip kerja yang mirip dengan alat NPHI, hanya saja yang ditembakkan alat adalah sinar gamma energi menengah yang kemudian akan bertumbukan dengan elektron-elektron yang ada pada batuan. Tumbukan tersebut akan menyebabkan hilangnya energi (atenuasi) sinar gamma yang kemudian akan dipantulkan dan diterima oleh detektor yang akan diteruskan untuk direkam pada log. Dalam hubungan fisika, atenuasi sinar gamma diterjemahkan sebagai fungsi dari jumlah elektron yang tedapat dalam formasi. Jumlah ini dinyatakan dalam kerapatan elektron yang mewakili densitas keseluruhan.

3.7.3 Log Sonic Interval Transite Time (Delta T)

Log Sonik adalah hasil rekaman alat yang bekerja di lubang bor berdasarkan kecepatan rambat gelombang suara. Prinsip kerja alat ini cukup sederhana, yaitu memancarkan gelombang elastik kedalam suatu formasi kemudian merekam waktu kedatangan gelombang pantul. Waktu yang dibutuhkan gelombang suara untuk sampai ke penerima disebut interval transit time. Karena jarak antara sumber/receiver gelombang dengan batuan dianggap konstan maka besar selisih waktu bergantung pada jenis batuan dan besarnya porositas batuan tersebut. Gelombang merambat dalam medium sangat bergantung pada fungsi dari parameter elastik seperti K (Bulk Modulus), μ (Shear Modulus), dan densitas (ρ).

(50)

36

direkamnya, yaitu log DTC (Delta Time Compressional) sebagai log sonik-P dan log DTS (Delta Time Shear) sebagai log sonik S.

3.7.4 Log Tahanan Jenis (Resistivity)

Tahanan jenis dari formasi adalah salah satu parameter yang cukup penting untuk menentukan saturasi hidrokarbon. Arus listrik dapat mengalir di dalam formasi batuan disebabkan konduktivitas dari air yang dikandungnya. Batuan kering dan hidrokarbon merupakan isolator yang baik kecuali beberapa jenis mineral seperti graphite dan sulfida besi. Resistivitas formasi diukur dengan cara mengirim arus ke formasi seperti alat lateral log, atau menginduksikan arus listrik ke dalam formasi seperti alat induksi.

Prinsip kerja alat laterolog yaitu arus listrik secara lateral dialirkan ke dalam formasi. Dengan mengukur tegangan listrik yang diperlukan untuk menghasilkan arus listrik utama yang besarnya konstan, maka resistivitas dapat dihitung dengan menggunakan Hukum Ohm.

(51)

37

Formasi konduktif di sekitar alat akan bereaksi seperti kumparan-kumparan kecil yang sangat banyak sehingga mengalirkan arus Eddy terinduksi. Arus Eddy yang terbentuk akan menghasilkan medan magnet yang dideteksi oleh kumparan penerima. Kekuatan dari arus pada penerima adalah sebanding dengan kekuatan dari medan magnet yang dihasilkan dan sebanding dengan arus Eddy dan juga konduktivitas dari formasi. Maka alat ini disebut sebagai alat konduktivitas.

3.7.5 Log Neutron Porosity (NPHI)

Alat NPHI tidak mengukur volume pori secara langsung. Alat ini bekerja dengan memancarkan partikel-partikel neutron energi tinggi dari suatu sumber kedalalam formasi batuan. Partikel-partikel neutron ini akan bertumbukan dengan atom-atom pada batuan sehingga mengakibatkan hilangnya energi dan kecepatan. Atom H secara fisis memiliki massa atom yang serupa dengan neutron. Dengan demikian tumbukan neutron dengan atom H akan bersifat efektif, artinya energi yang hilang akibat penyerapan merupakan jumlah tertinggi dibanding tumbukan dengan atom lain. Partikel yang telah kehilangan energi tersebut kemudian akan dipantulkan kembali, diterima oleh detektor dan direkam ke dalam log.

Jumlah atom Hidrogen yang terkandung dalam batuan diasumsikan berbanding lurus dengan banyaknya pori batuan. Biasanya pori-pori batuan ini terisi fluida (baik gas, air, atau minyak). Ketiga jenis fluida tersebut secara relatif memilki jumlah atom hidrogen tertentu, dari sini dapat ditentukan jenis fluida pengisi pori batuan/formasi yang diukur.

(52)

38

diturunkan dari log densitas dan log porositas neutron. Porositas densitas dihitung berdasarkan rumus:

Porositas sebenarnya dari suatu batuan dapat diperkirakan dengan kombinasi porositas densitas dan neutron:

2

D N

 

  (19)

Hubungan porositas dan saturasi air diberikan oleh persamaan Archie untuk formasi bersih dalam bentuk:

Hubungan porositas terhadap densitas fluida dan porositas dinyatakan dalam persamaan berikut:

 = densitas butiran dalam matrik batuan  = porositas

fl

(53)

39

Hubungan saturasi dengan densitas fluida dapat dihitung dengan perhitungan sederhana untuk campuran fluida sebagai berikut:

(1

)

fl

S

w w

S

w hc







 



(22)

dengan _fl = densitas fluida

w

S = saturasi air/brine

w

 = densitas air/brine

hc

 = densitas hidrokarbon

(54)

40

a

BAB IV. METODOLOGI PENELITIAN a

a

4.1 Waktu dan Tempat Penelitian

Penelitian yang berjudul ”ANALISIS AVO, INVERSI DAN NEURAL NETWORK UNTUK KARAKTERISASI RESERVOAR EARLY MIOCENE LAPANGAN OFFSHORE AL-FITRA” dilaksanakan di Fungsi Eksplorasi Region Sumatera PT. Pertamina EP, Menara Standard Chartered Jakarta. Penelitian ini dimulai pada tanggal 4 Mei 2015 hingga 7 Juli 2015. Kegiatan penelitian dapat dilihat pada Tabel 4.1.

Tabel 4.1 Jadwal Kegiatan Penelitian

No Waktu Mei 2015 Juni 2015 Juli 2015

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

1 Studi Literatur 2 Pengolahan Data

3 Analisa dan Pembahasan

4.2 Perangkat dan Data Penelitian

Dalam penelitian ini, digunakan 1 unit workstation dengan software penunjang pengolahan data yaitu Hampson-Russel (HRS-9) dan Petrel 2014. Sedangkan data yang digunakan dalam penelitian ini adalah sebagai berikut:

1. Data log sumur (AW-1, AW-2, AW-3, AW-4, West-1 dan North-1) 2. Data seismik 3D Pre-stack dan 3D Post-stack (Preserve)

(55)

41

4. Data Marker

4.3 Tahapan Penelitian 4.3.1 Pengolahan Data Tahap 1 1. Pemeriksaan Data Sumur

Pemeriksaan data log meliputi koordinat, elevasi Kelly Bushing (KB), lokasi sumur terhadap data seismik, interval data log, dan kelengkapan data log. Peninjauan data log bertujuan untuk mengontrol kualitas data log yang digunakan dalam proses pengolahan selanjutnya. Data yang kurang baik dilakukan proses editing untuk mendapatkan hasil data log yang lebih baik dan berkorelasi dengan kondisi bawah permukaan sebenarnya.

Tabel 4.2 Kelengkapan Data Log

No Sumur AW-1 AW-2 AW-3 AW-4 North-1 West-1

Log

1 Checkshot √ √ √ - √ -

2 P-wave √ √ √ √ √ -

3 S-wave - √ √ √ - -

4 Density √ √ √ √ √ √

5 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

(56)

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

(57)

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

(58)

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.

(59)

45

Gambar 4.3 SuperGather

Gambar 4.4 IncidentAngleMute

(60)

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

(61)

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

(62)

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

(63)

49

4.4 Diagram Alir

(64)

114

a

BAB VI. KESIMPULAN a

a

6.1 Kesimpulan

Berdasarkan penelitian yang telah dilakukan ini, dapat disimpulkan bahwa:

1. Berdasarkan hasil analisis AVO zona reservoar batupasir Belumai, secara keseluruhan, sumur AW-1, AW-2, AW-3, dan AW-4 digolongkan sebagai anomali kelas IV yang ditandai dengan nilai impedansi yang lebih rendah dibandingkan batuan penutupnya, intercept bernilai negatif, gradient bernilai positif serta berada pada kuadran II pada crossplotintercept & gradient.

2. Berdasarkan hasil inversi, zona reservoar batupasir dapat terpisahkan dengan karbonatan dan serpih, ditandai dengan nilai AI rendah 7800-9100 ((m/s)*(g/cc)), nilai SI rendah 4400 – 5200 ((m/s)*(g/cc)), nilai Mu-Rho rendah 16 – 22 ((GPa)*(g/cc)), serta nilai Lambda-Rho yang juga rendah 22.5 – 25.5 ((GPa)*(g/cc)) menunjukkan batuan porous yang berasosiasi fluida gas.

3. Hasil prediksi neural network PNN dengan nilai korelasi porosity = 0.97 dan water saturation = 0.98, terlihat pada reservoar Al-Fitra memiliki rentang nilai porositas sebesar 15-25% dan nilai saturasi air sebesar 15-35%.

(65)

115

jelas yang berorientasi NW-SE serta ditemukan juga 2 zona di bagian utara yang berpotensi sebagai reservoar batupasir gas dan perlu dievaluasi lebih lanjut.

6.2 Saran

(66)

105

Aki, K., dan Richards, P.G. 1980. Quantitative Seismology: Theory and Methods. W.H Freeman & Company.

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

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

Interpreter’s Corner. The Leading Edge.

Chiburis, E., Leaney, S., Skidmore, C., Franck, C., dan McHugo, S. 1993. Hydrocarbon Detection with AVO. Oilfield Review, Seismics, 42-50. Darman, H. 2014. Basin Index. http://geoseismic-seasia.blogspot.com/2014/04/

table-of-content-basin-index.html. Diakses pada 29 September 2015. Darman, H., dan Sidi, F.H. 2000. An Outline of Geology of Indonesia. Jakarta:

IAGI.

Darman, H. 2000. The Geology of Indonesia/Sumatera. https://en.wikibooks.org /wiki/The_Geology_of_Indonesia/Sumatra#2.3._SUMATRA_BACK_ ARC_BASINS. Diakses pada 25 April 2016.

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

Using Lame Petrophysical Parameterμ ρ, ρ, and / Fluid Stack

From P and S Inversion. CSEG Recorder.

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

(67)

106

Putra, F.J. 2010. Analisis Lingkungan Pengendapan dan Distribusi Reservoir pada Formasi Keutapang, Lapangan Delima, Daerah Langkat, Cekungan Sumatera Utara. Bandung: ITB.

Russell, B. 2008. Introduction to Seismic Methods. Course Notes Series, Hampson-Russel Software Services Ltd.

Rutherford, S. R., dan Williams, R. H. 1989. Amplitude-Versus-Offset Variations in Gas Sands. Geophysics, 54, 680–688.

Sukmono, S. 2000. Seismik Inversi untuk Karakterisasi Reservoar. Bandung: ITB. Sukmono, S. 2002. Interpretasi Seismik Refleksi. Bandung: ITB