ANALISIS PREDIKSI SHEAR-WAVE VELOCITY
MENGGUNAKAN METODE ARTIFICIAL NEURAL
NETWORK
LAPORAN TUGAS AKHIR
Oleh:
LORIS ALIF SYAHPUTRA
101116100
PROGRAM STUDI TEKNIK GEOFISIKA
FAKULTAS TEKNOLOGI EKSPLORASI DAN PRODUKSI
UNIVERSITAS PERTAMINA
A
N
A
L
IS
IS
PR
E
D
IKS
I S
HEAR
-W
A
V
E
V
E
L
OC
IT
Y
M
E
N
GG
U
N
A
K
A
N
M
E
T
OD
E
A
R
T
IFIC
IA
L
N
E
U
R
A
L
N
E
T
WOR
K
101116
100
L
or
is
Alif
S
ya
hputa
ANALISIS PREDIKSI SHEAR-WAVE VELOCITY
MENGGUNAKAN METODE ARTIFICIAL NEURAL
NETWORK
LAPORAN TUGAS AKHIR
Oleh:
LORIS ALIF SYAHPUTRA
101116100
PROGRAM STUDI TEKNIK GEOFISIKA
FAKULTAS TEKNOLOGI EKSPLORASI DAN PRODUKSI
UNIVERSITAS PERTAMINA
i
LEMBAR PENGESAHAN
Judul Tugas Akhir
: ANALISIS PREDIKSI SHEAR-WAVE
VELOCITY
MENGGUNAKAN
METODE
ARTIFICIAL
NEURAL
NETWORK
Nama Mahasiswa
: Loris Alif Syahputra
Nomor Induk Mahasiswa
: 101116100
Program Studi
: Teknik Geofisika
Fakultas
: Fakultas Teknologi Eksplorasi dan Produksi
Tanggal Lulus Sidang Tugas Akhir
: 29 Juni 2020
Jakarta, 15 Juni 2020
MENGESAHKAN
Pembimbing I
Waskito Pranowo, M.T.
NIP. 116030
MENGETAHUI,
Ketua Program Studi
Muhammad Husni Mubarak Lubis, MS.
NIP. 116028
ii
LEMBAR PERNYATAAN
Dengan ini saya menyatakan bahwa Tugas Akhir yang berjudul
ANALISIS
PREDIKSI SHEAR-WAVE VELOCITY MENGGUNAKAN METODE
ARTIFICIAL NEURAL NETWORK
ini adalah benar-benar merupakan hasil
karya saya sendiri dan tidak mengandung materi yang ditulis oleh orang lain kecuali
telah dikutip sebagai referensi yang sumbernya telah dituliskan secara jelas sesuai
dengan kaidah penulisan karya ilmiah.
Apabila dikemudian hari ditemukan adanya kecurangan dalam karya ini, saya
bersedia menerima sanksi dari Universitas Pertamina sesuai dengan peraturan yang
berlaku.
Demi pengembangan ilmu pengetahuan, saya menyetujui untuk memberikan
kepada Universitas Pertamina hak bebas royalti non eksklusif (non-exclusive
royalty-free right) atas Tugas Akhir ini beserta perangkat yang ada. Dengan hak
bebas royalti non eksklusif ini Universitas Pertamina berhak menyimpan, mengalih
media/format-kan, mengelola dalam bentuk pangkatan data (database), merawat,
dan mempublikasikan Tugas Akhir saya selama tetap mencantumkan nama saya
sebagai penulis/pencipta dan sebagai pemilik Hak Cipta.
Demikian pernyataan ini saya buat dengan sebenarnya
.
Jakarta, 15 Juni 2020
Yang membuat pernyataan,
Loris Alif Syahputra
iii
ABSTRAK
LORIS ALIF SYAHPUTRA. 101116100.
ANALISIS PREDIKSI
SHEAR-WAVE VELOCITY MENGGUNAKAN METODE ARTIFICIAL NEURAL
NETWORK
Kecepatan gelombang S merupakan salah satu parameter penting untuk melakukan
analisis parameter fisis batuan dan inversi pre-stack. Namun estimasi nilai Vs pada
umumnya dimana menggunakan Castagna memerlukan kelengkapan data sumur,
data mineral pada formasi dan analisis rasio aspek terhadap jarak antar pori, konten
volume clay dan derajat kompaksi untuk menghasilkan estimasi nilai Vs. Untuk itu,
pada penelitian ini digunakan salah satu metode deep learning bernama Artificial
Neural Network (ANN). Algoritma ini menirukan cara kerja sistem syaraf manusia
yang menerima respon lalu mengolah informasi dengan kumpulan nodes atau
neuron yang bekerja bersama-sama untuk menyelesaikan suatu masalah dimana
pada penelitian ini berupa prediksi nilai Vs. Hasil dari prediksi Vs akan
dibandingkan dengan Vs dari data sumur dan dibandingkan juga dalam inversi
Mu-rho menggunakan model-based inversion. Dari hasil penelitian yang telah
dilakukan, metode ANN dapat menjadi alternatif untuk melakuan prediksi nilai Vs
dimana hasil relative error yang cukup rendah. Proses prediksi Vs menggunakan
Artifical Neural Network membutuhkan waktu sekitar 2 menit.
iv
ABSTRACT
LORIS ALIF SYAHPUTRA. 101116100.
SHEAR-WAVE VELOCITY
PREDICTION ANALYSIS USING ARTIFICIAL NEURAL NETWORK
METHOD
Shear-wave velocity is one of important parameter for analyzing rocks physical
parameter and pre-stack inversion. However, in general estimation of shear wave
velocity where using Castagna equation requires completeness of well data, mineral
data on the formation, and analysis of the aspect ratio in pore space, clay volume
content and degree of compaction. Therefore, one of a deep learning method namely
Artificial Neural Network (ANN) is used to predict shear wave velocity value. The
algorithm imitates human nervous system by receiving response then process the
information in the nodes or neuron that work together to solve a problem where in
this research is predicting shear wave velocity value. The result of the prediction
will be validated with measured shear wave velocity and applied in Mu-rho
inversion using model-based inversion. The result from the research have shown
that Artificial Neural Network could be an alternative to predict shear wave velocity
value whereas relative error from the inversion is quite low. Time elapsed for
predicting shear wave velocity using Artificial Neural Network is around 2 minutes.
v
KATA PENGANTAR
Puji dan syukur penulis panjatkan
kehadirat Tuhan yang maha esa atas segala rahmat dan karunia-Nya, sehingga laporan akhir yang berjudul “ANALISIS PREDIKSISHEAR-WAVE VELOCITY MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK” dapat terselesaikan. Laporan akhir ini dilakukan dalam rangka memenuhi gelar Sarjana Strata Satu (S-1) Jurusan Teknik Geofisika, Fakultas Teknologi Eksplorasi dan Produksi, Universitas Pertamina.Selama penelitian tugas akhir ini banyak pihak yang turut membantu sehingga laporan akhir ini dapat terselesaikan. Pada kesempatan ini, penulis ingin mengucapkan terimakasih kepada:
1. Kedua orang tua serta adik yang telah memberikan dukungan serta doa dalam setiap langkah sehingga penulis mampu menyelasaikan tugas akhir.
2. Bapak Waskito Pranowo, M.T selaku dosen pembimbing tugas akhir yang telah membimbing penulis sehingga penulis mampu menyelesaikan penelitian tugas akhir ini.
3. Mba Novta selaku admin prodi Teknik Geofisika Pertamina yang telah membantu penulis dalam administrasi berbagai kegiatan.
4. Kepada teman – teman angkatan pertama Teknik Geofisika Universitas Pertamina, HMTGF Orthonorm Universitas Pertamina dan SEG Student Chapter Universitas Pertamina.
Penulis menyadari bahwa penulisan laporan akhir ini masih memiliki banyak kekurangan. Oleh karena itu penulis mengharapakan kritik san saran membangun sebagai perbaikan dan pembelajaran pada masa mendatang. Semoga laporan akhir ini dapat bermanfaat bagi pembaca.
Jakarta, 15 Juni 2020
vi
DAFTAR ISI
LEMBAR PENGESAHAN ... i LEMBAR PERNYATAAN ... ii ABSTRAK ... iii ABSTRACT ... iv KATA PENGANTAR...v DAFTAR ISI ... vi DAFTAR GAMBAR ... ixDAFTAR TABEL ... xii
BAB I ...1 1.1 Latar Belakang ...1 1.2 Rumusan Masalah ...1 1.3 Batasan Masalah ...2 1.4 Tujuan Penelitian ...2 1.5 Manfaat Penelitian ...2 1.6 Lokasi Penelitian ...2
1.7 Waktu Pelaksanaan Penelitian ...3
BAB II ...4
2.1 Gelombang Kompresi (P-Wave) & Geser (S-Wave) ...4
2.2 Kaitan antara Data Log Sumur dengan Kecepatan ...5
2.3 Regresi Linear ...6
2.4 Artificial Neural Network ...6
2.5 Interquartile Range Rule ...9
2.6 Parameter Mu-Rho ... 10
2.7 Extended Elastic Impedance ... 11
2.8 Inversi Seismik ... 12
2.9 Persamaan Greenberg-Castagna ... 13
2.10Keadaan Geologi Daerah Penelian ... 15
2.10.1 Keadaan Geologi Daerah Penelitian Data Poseidon ... 15
2.10.2 Keadaan Geologi Daerah Penelitian Data SEAM Phase I ... 15
vii
3.1 Lokasi dan Waktu Penelitian ... 16
3.2 Perangkat Penelitian ... 16
3.2.1. Perangkat Keras ... 16
3.2.2. Perangkat Lunak ... 16
3.3 Data Penelitian ... 16
3.4 Tahapan Penelitian ... 16
3.4.1. Prediksi nilai Vs menggunakan Artificial Neural Network ... 18
3.4.1.1 Input Data Log ... 18
3.4.1.2 Pre-Processing Data Log ... 19
3.4.1.3 Membagi Data Menjadi 3 Datasets: Training, Test & Validation Data... 20
3.4.1.4 Membuat Vs Pred Awal ... 20
3.4.1.5 Merancang Arsitektur Neural Network ... 21
3.4.1.6 Melatih Arsitektur Neural Network ... 21
3.4.1.7 Prediksi Vs pada Test Data... 21
3.4.2. Perbandingan Vs Hasil Prediksi dengan Diaplikasikan ke Dalam Inversi 22 3.4.2.1 Persiapan Data Sumur Log ... 22
3.4.2.2 Persiapan Reflektifitas EEI ... 22
3.4.2.3 Well Seismic Tie ... 23
3.4.2.4 Pembuatan Model Awal ... 24
3.4.2.5 Model Based Inversion... 24
3.4.2.6 Melakukan Inversi Menggunakan Vs Hasil Prediksi ... 25
3.4.2.7 Menghitung Relative Error antara Inversi Terukur dengan Hasil Prediksi ... 25
BAB IV ... 26
4.1 Analisis Prediksi Vs pada Data “SEAM Phase I Well Log Data” ... 26
4.1.1. Analisis Data Log untuk Input ... 26
4.1.2. Analisis Hasil Prediksi ... 28
4.1.3. Penambahan Parameter Non Linier ... 29
4.1.4. Pembuatan “Vs Awal” sebagai Model Awal Prediksi ... 30
4.1.5. Analisis Prediksi Akhir dengan Tambahan “Vs Awal” ... 31
4.2 Analisis Prediksi Vs pada Data “Poseidon NW Shelf Australia” ... 34
4.2.1. Analisis Pre-processing Data Log Input ... 34
viii
4.2.3. Penambahan Parameter Log Non-Linear ... 37
4.2.4. Pembuatan “Vs Awal” Sebagai Model Awal Prediksi ... 38
4.2.5. Analisis Prediksi Akhir dengan Tambahan “Vs Awal” ... 39
4.3 Perbandingan Hasil Prediksi Vs pada Data Sumur “Poseidon NW Shelf Australia” Menggunakan Inversi ... 40
4.4 Analisis Waktu yang Dibutuhkan Untuk Prediksi Log Vs menggunakan Artificial Neural Network ... 43
4.4.1. Lama Waktu Prediksi Vs Pada Data Sumur “Seam Phase I Well Log Data” ... 43
4.4.2. Lama Waktu Prediksi Vs Pada Data Sumur “Poseidon NW Shelf Australia” ... 43
4.5 Perbandingan Estimasi Vs menggunakan ANN dengan metode Greenberg-Castagna dan perbandingan performa algoritma ANN dan Multiple Linear Regression ... 44
BAB V ... 47
5.1. Kesimpulan ... 47
5.2. Saran ... 47
DAFTAR PUSTAKA
FORMULIR BIMBINGAN TUGAS AKHIR
LAMPIRAN
ix
DAFTAR GAMBAR
Gambar 2.1 Hubungan Vp dan Vs untuk mudrocks (Castagna et al., 1984) ... 4
Gambar 2.2 Ilustrasi model single layer Neural Network (Widiaputra, 2016) ... 7
Gambar 2.3 Struktur Artificial Neural Network secara utuh (Bre et al., 2018) ... 7
Gambar 2.4 ReLu Activation Function ... 8
Gambar 2.5 LeakyReLu Activation Function ... 8
Gambar 2.6 Boxplot dengan jarak Interquartile (IQR) ... 9
Gambar 2.7 Contoh data well log yang memiliki noise berupa “spike”(OM. Victor et al., 2017) ... 10
Gambar 2.8 Perbandingan antara beberapa parameter elastic dan kurva EEI, beberapa sudut χ akan memiliki korelasi tinggi dengan beberapa log tertentu (Whitcombe et al., 2000) ... 11
Gambar 2.9 Ringkasan dari teknik inversi (Russel,1988) ... 12
Gambar 2.10 Flowchart dari Model Based Inversion. ... 13
Gambar 2.11 Hubungan V dengan Vs untuk kondisi litologi monomineral (Greenberg & Castagna, 1992) ... 14
Gambar 2.12 Model SEAM Phase I dalam bentuk cross-section ... 15
Gambar 3.1 Diagram alir untuk prediksi nilai Vs menggunakan Artificial Neural Network ... 17
Gambar 3.2 Diagram alir untuk validasi hasil prediksi nilaiVsmenggunakan Artificial Neural Network yang diaplikasikan ke dalam alir ... 18
Gambar 3.3 Tabel heatmap korelasi data sumur Poseidon 1 dan 2 ... 19
Gambar 3.4 Data sumur Poseidon 1 ... 19
Gambar 3.5 Data sumur Poseidon 2, terlihat adanya outlier pada data log DTCO .... 19
Gambar 3.6 Data sumur Poseidon 2, setelah diaplikasikan IQR Rule untuk menghilangkan outlier ... 20
Gambar 3.7 Tampilan data sumur log pada sumur Poseidon 1 ... 22
Gambar 3.8 Mencari korelasi antara Mu-rho dengan kurva EEI ... 23
Gambar 3.9 Section reflektifitas dari arbitrary line ... 23
x
Gambar 3.11 Penampang model awal Mu-rho ... 24
Gambar 3.12 Penampang model awal Mu-rhomenggunakan Vs hasil prediksi ... 25
Gambar 4.1 Data sumur WELL 1 ... 26
Gambar 4.2 Data sumur WELL 2 ... 27
Gambar 4.3 Hasil plot heatmap data sumur WELL 1 dan WELL 2 ... 27
Gambar 4.4 Hasil prediksi Vs dengan input Densitas, Vs, Resistivitas, dan porositas total ... 28
Gambar 4.5 Hasil prediksi Vs dengan input densitas, Vs dan porositas total... 28
Gambar 4.6 Hasil plot heatmap dengan tambahan parameter log non-linear ... 29
Gambar 4.7 Pembuatan Vs awal debgan input parameter dari data pengukuran sumur log (Densitas, Vp, Porositas Total) ... 30
Gambar 4.8 Pembuatan Vs awal dengan tambahan parameter log non-linear ... 31
Gambar 4.9 Hasil prediksi Vs dengan ditambahkan Vs awal dan parameter log non-linear ... 32
Gambar 4.10 Hasil prediksi log Vs dengan ditambahkan Vs awal saja ... 32
Gambar 4.11 Hasil plot heatmap korelasi data sumur Poseidon 1 dan Poseidon 2 ... 34
Gambar 4.12 Data sumur Poseidon 1 ... 34
Gambar 4.13 Data sumur Poseidon 2, terlihat adanya outlier pada parameter DTCO.. 35
Gambar 4.14 Data sumur Poseidon 2 setelah diaplikasikan interquartile range rule ... 35
Gambar 4.15 Hasil prediksi tanpa dilakukan proses IQR Rule ... 36
Gambar 4.16 Hasil prediksi dengan diaplikasikan proses IQR Rule ... 36
Gambar 4.17 Hasil prediksi dengan diaplikasikan variasi dari IQR Rule (3*IQR) ... 37
Gambar 4.18 Hasil prediksi dengan tambahan parameter log non-linear ... 38
Gambar 4.19 Hasil prediksi Vs awal dengan 3*IQR menggunakan MLR... 38
Gambar 4.20 Hasil prediksi Vs awal dengan 1.5*IQR menggunakan MLR ... 39
Gambar 4.21 Hasil prediksi Vs menggunakan parameter tambahan berupa Vs awal dengan 1.5*IQR ... 40
Gambar 4.22 Hasil prediksi Vs menggunakan parameter tambahan berupa Vs awal dengan 1.5*IQR ... 40
xi Gambar 4.24 Hasil inversi menggunakan Vs hasil prediksi ... 41 Gambar 4.25 Section hasil perhitungan relative error antara hasil inversi menggunakan Vs dari pengukuran dengan Vs hasil prediksi ... 42 Gambar 4.26 Section hasil perhitungan relative error antara hasil inversi menggunakan Vs dari pengukuran dengan Vs hasil prediksi menggunakan tambahan parameter input berupa Vs awal dan proses 1.5*IQR ... 42 Gambar 4.27 Section hasil perhitungan relative error antara hasil inversi menggunakan Vs dari pengukuran dengan Vs hasil prediksi menggunakan tambahan parameter input berupa Vs awal dan proses 1.5*IQR ... 43 Gambar 4.28 Hasil Prediksi Vs menggunakan parameter Greenberg-Castagna (kiri) dan ANN (kanan) ... 44 Gambar 4.29 Hasil Prediksi Vs menggunakan metode ANN (kiri) dan MLR (kanan) dengan input Densitas, Porositas Total, Vp ... 44 Gambar 4.30 Hasil Prediksi Vs menggunakan metode ANN (kiri) dan MLR (kanan) dengan input tambahan log non-linear... 45 Gambar 4.31 Hasil Prediksi Vs menggunakan metode ANN (kiri) dan MLR (kanan) dengan 1.5*IQR ... 45 Gambar 4.32 Hasil Prediksi Vs menggunakan metode ANN (kiri) dan MLR (kanan) dengan 3*IQR ... 46
xii
DAFTAR TABEL
Tabel 4.1 Hasil prediksi Vs dengan urutan parameter input yang divariasikan dengan perhitungan ... 29 Tabel 4.2 Hasil prediksi Vs dengan penambahan parameter log non-linear ... 30 Tabel 4.3 Hasil prediksi selama 4 kali percobaan dengan input parameter berupa Vs awal, Porositas Total, Densitas dan Vp ... 33
Universitas Pertamina - 1
BAB I
PENDAHULUAN
1.1
Latar Belakang
Pada semester VII, mahasiswa Teknik geofisika mengadakan mata kuliah Fisika Batuan. Pada mata kuliah tersebut terdapat satu materi dimana menjelaskan sebuah hubungan empirikal antara Vp dengan Vs. Salah satunya adalah hubungan empirikal Castagna untuk kecepatan. Atas dasar pengukuran dari data sumur log, Castagna et al. (1985) menentukan sebuah regresi empirical yang mengaitkan kecepatan dengan porositas dan kandungan clay dalam kondisi tersaturasi oleh air. Melakukan estimasi nilai Vs menggunakan Castagna diperlukan banyak pertimbangan seperti data log yang lengkap, data mineral dan rasio aspek dari jarak antar pori, konten volume clay, dan besar derajat kompaksi. Data penelitian yang digunakan untuk prediksi pun berasal dari Teluk Meksiko sehingga hasil persamaan atau estimasi kurang lebih dapat dianggap diperuntukkan untuk daerah penelitian tersebut. Oleh karena itu, diperlukan suatu pendekatan lain dengan ekspektasi didapatkan sebuah solusi alternatif dari metode Castagna. Sebelumnya sudah ada beberapa penelitian melakukan prediksi Vs mengunakan Neural Network dengan data petrofisika atau well log sebagain input
(Akhundi et al., 2014; Hadi & Nygaard, 2018; Singh & Kanli, 2016; Zhang et al., 2020). Dari beragam studi yang ditinjau, model ANN membutuhkan waktu untuk melakukan prediksi lebih singkat apabila model sudah dilatih dengan baik.
Prediksi Vs menggunakan Neural network tidak membutuhkan pengetahuan apriori dari mineral matriks batuan dan fluida pada pori batuan(Singh & Kanli, 2016), ANN juga memiliki performa yang lebih baik dibandingkan analisis regresi (Hadi & Nygaard, 2018). Bahkan pada keadaan tertentu dengan terbatasnya informasi sehingga mengakibatkan perhitungan yang kurang akurat pada beberapa parameter seperti aspek rasio pada pori, interpretasi kandungan mineral pada batuan dan perhitungan moduli elastik batuan, model neural network mampu memberikan prediksi yang lebih baik dibandingkan model Xu-Payne(Zhang et al., 2020)
Berdasarkan latar belakang tersebut, penelitian ini akan menggunakan metode komputasi deep learning berupa Artificial Neural Network dalam menyelesaikan permasalahan yang dihadapi. Perhitungan tersebut dilakukan menggunakan bahasa pemrograman Python. Diharapkan dari analisis
deep learning berupa Artificial Neural Network mampu menciptakan model guna menghasilkan analisis estimasi Vs dengan parameter log sebagai input yang optimal.
1.2
Rumusan Masalah
Adapun beberapa rumusan masalah pada penilitian ini adalah:
1.
Algoritma machine learning apa saja yang akan digunakan dalam melakukan estimasi nilai Vs?2.
Bagaimana perancangan model dari algoritma tersebut dengan menggunakan Bahasa pemrograman Python?3.
Apa saja parameter data log yang dimasukkan sebagai nput dari model tersebut?Universitas Pertamina - 2
1.3
Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah:
1. Penelitian difokuskan kepada estimasi nilai Vs menggunakan bahasa pemograman Python, 2. Analisis yang dilakukan adalah menentukan konstruksi algoritma yang optimal dalam melakukan
prediksi Vs menggunakan Artificial Neural Network
3. Proses inversi dilakukan hanya untuk menganalisis error prediksi Vs dengan hasil pengukuran. 4. Aplikasi prediksi Vs dilakukan untuk batupasir silisiklastik pada data Poseidon NW Shelf
Australia.
1.4
Tujuan Penelitian
Tujuan dari penelitian tugas akhir ini berdasarkan latar belakang, yaitu:
1.
Mengetahui dan membuktikan proses penerapan algoritma Artificial Neural Network dalam estimasi data nilai Vs2.
Menganalisis hasil estimasi nilai Vs menggunakan algoritma Artificial Neural Network3.
Melakukan tes uji coba dengan inversi dari hasil estimasi menggunakan algoritma Artificial Neural Network1.5
Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah:
1. Memberikan alternatif dalam melakukan prediksi Vs yaitu dengan menggunakan metode Deep Learning berupa Artficial Neural Network
2. Melatih kemampuan berpikir kreatif dan inovatif mahasiswa dalam menyelesaikan permasalahan yang dihadapi dalam duni kerja khususnya pada bidang fisika batuan
3. Mengimplementasikan pengetahuan dan keilmuan secara teori yang didapatkan dalam proses perkuliahan dalam penelitian
1.6
Lokasi Penelitian
Penelitian ini dilakukan di Universitas Pertamina dengan alamat : Jl. Teuku Nyak Arief, RT. 7/ RW. 8, Simprug, Kec. Kby. Lama, Kota Jakarta Selatan, Daerah Khusus Ibukota Jakarta 12220.
Universitas Pertamina - 3
1.7
Waktu Pelaksanaan Penelitian
Adapun waktu pelaksanaan penelitian ini dilakukan selama 16 minggu dimulai dari 15 Januari hingga 15 Mei 2020, dengan rincian kegiatan-kegiatan yang dilakukan sebagai berikut:
1. Studi literatur
2. Pengolahan data sumur
3. Pembuatan arsitektur model Artificial Neural Network
4. Evaluasi model Artificial Neural Network
Universitas Pertamina - 4
BAB II
TINJAUAN PUSTAKA
2.1
Gelombang Kompresi (P-Wave) & Geser (S-Wave)
Gelombang elastik terdiri dari gelombang kompresi (P-Wave) dan geser (S-Wave). Pada gelombang kompresi, gerakan paartikel searah dengan arah penjajaran. Sedangkan pergerakan gelombang geser tegak lurus dengan arah penjalaran gelombang. Gelombang tersebut memainkan peran yang penting dalam studi fisika batuan. Kecepatan gelombang P dan S bergantung pada medium tempat gelombang menjalar seperti sebagai berikut:
𝑉𝑝 = √ 𝐾 + 43 µ 𝜌 𝑉𝑠= √ µ 𝜌 Dimana:
K adalah modulus inkompresibilitas (Pascal) µ adalah modulus geser (Pascal)
𝜌 adalah kerapatan batuan dimana gelombang merambat (g/cm3)
Dari dua persamaan tersebut menyimpulkan bahwa nilai Vp akan selalu lebih besar dari nilai Vs dikarenakan adanya parameter K dan faktor pengali yang lebih besar pada parameter µ dalam rumus Vp. Hal ini juga diperkuat dengan percobaan yang dilakukan oleh Castagna (1985) yang melakukan penelitian hubungan antara Vp dan Vs pada batuan klastik silikat.
Gambar 2.1. Hubungan Vp dan Vs untuk mudrocks (Castagna et al., 1984)
(1)
Universitas Pertamina - 5
2.2
Kaitan antara Data Log Sumur dengan Kecepatan
Dalam melakukan prediksi shear-wave velocity menggunakan Artificial Neural Network, diperlukan suatu data input guna melatih model. Data input tersebut berupa sebuah data sumur log yang memiliki keterkaitan terhadap shear-wave velocity. Diantaranya adalah:
1.
Log Neutron
Log neutron mengindikasikan porositas formasi dengan menghitung nilai indeks hydrogen (HI) di dalam formasi. Persamaan Wylie time-average mengungkapkan bahwa semakin besar nilai porositas maka semakin rendah nilai kecepatan formasi tersebut (Wyllie et al., 1956). 1 𝑣= 𝜙 𝑣𝑓 +1 − 𝜙 𝑣𝑚 Dimana:
𝜙 adalah porositas formasi yang diukur dengan alat neutron log (p.u) 𝑣𝑓 adalah kecepatan fluida (m/s)
𝑣𝑚 adalah kecepatan matriks batuan (m/s)
2.
Log Sonic
Sonic log mengukur waktu tempuh (transit time) gelombang merambat melalui formasi. Semakin tinggi nilai interval transit time maka kecepatan gelombang formasi tersebut akan semakin kecil (Crain, 1971).
3.
Log Densitas
Log densitas mengukur densitas bulk dari formasi batuan dengan menambahkan sinar radioaktif dan mengukur berapa banyak emisi yang kembali ke alat. Semakin sedikit emisinya maka akan semakin padat batuan tersebut. Seiring dengan meningkatnya densitas, nilai kecepatan akan meningkat juga(Gardner et al., 1974). Persamaannya dijelaskan sebagai berikut:
𝜌 = 𝛼𝑉𝑝𝛽
Dimana 𝛼 (alpha) dan 𝛽 (beta) merupakan konstanta yang diturunkan secara empiris dimana nilai tersebut bergantung pada keadaan geologinya. Gardner et al. (1974) pada penelitiannya menyebutkan nilai 𝛼 = 0.23 dan 𝛽 = 0.25 dapat memberikan prediksi estimasi nilai yang baik.
(3)
Universitas Pertamina - 6
2.3
Regresi Linear
Dalam metode machine learning, regresi linear merupakan machine learning paling sederhana. Regresi linear merupakan model statistika yang menjelaskan hubungan linear antara dua variabel (Simple Linear Regression) atau lebih (Multiple Linear Regression). Hubungan linear dapat didefinisikan apabila satu atau lebih variabel independent nilainya meningkat (atau menurun), maka variabel dependen akan meningkat (atau menurun) juga. Hubungan linear dapat bernilai positif (berbanding lurus) ataupun bernilai negative (berbanding terbalik). Simple Linear Regression
memiliki sebuah nilai intercept dan satu variabel yang dikalikan sebuah koefisien slope. Sedangkan
multiple linear regression setiap variabelnya memiliki koefisien slope tersendiri pada tiap variabelnya (Freedman, 2009). Dapat dijelaskan pada persamaan berikut:
𝑦 = 𝑏0+ 𝑏1∗ 𝑥1
𝑦 = 𝑏0+ 𝑏1∗ 𝑥1+ 𝑏2∗ 𝑥2+ . . + 𝑏𝑛∗ 𝑥𝑛 Dimana:
y merupakan variabel dependent
x merupakan variabel independen
b0 merupakan intercept (nilai y ketika x = 0)
b1, b2, bn merupakan gradien kemiringan sebuah garis (slope)
Persamaan (5) merupakan Simple Linear Regression dan persamaan (6) merupakan Multiple Linear Regression.
2.4
Artificial Neural Network
Artificial Neural Network (ANN) diciptakan dengan cara pendekatan pengolahan informasi yang terinspirasi dari sistem saraf manusia dalam mengolah informasi. Elemen algoritma ini adalah struktur sistem pengolahan informasi yang bersifat unik dan beragam untuk tiap aplikasi. Neural Network terdiri dari sejumlah besar elemen pemrosesan informasi (neuron) yang menerima respon atau suatu input lalu neuron tersebut saling terhubung bekerja bersama-sama untuk menyelesaikan sebuah masalah tertentu, yang pada umumnya dalah masalah klasifikasi ataupun prediksi.
Cara kerja Neural Network dapat dianalogikan sebagaimana halnya manusia belajar dengan menggunakan contoh atau yang disebut sebagai supervised learning. Sebuah Neural Network
dikonfigurasi untuk aplikasi tertentu, seperti pengenalan pola atau klasifikasi data, dan kemudian disempurnakan melalui proses pembelajaran. Proses belajar yang terjadi dalam sistem biologis melibatkan penyesuaian koneksi sinaptik yang ada antara neuron, sama halnya pada Neural Network
dimana penyesuaian koneksi sinaptik antar Neuron dilakukan dengan menyesuaikan nilai bobot yang ada pada tiap konektivitas baik dari input, neuron maupun output. Neuron menerima masukan dari
input layer dimana setiap input dikalikan sebuah bobot yang berbeda - beda (weight) ditambah oleh
bias yang merupakan sebuah nilai yang berasosiasi dengan tiap nodes yang ada pada input dan hidden layer. Gambar dibawah menjelaskan model dasar dari Artificial Neural Network.
(5) (6)
Universitas Pertamina - 7
Gambar 2.2. Ilustrasi model single layer Neural Network (Widiaputra, 2016)
Gambar 2.3. Struktur Artificial Neural Network secara utuh (Bre et al., 2018) Terlihat dari Gambar 2.2., dijelaskan bagaimana setiap input layer memasuki nodes atau hidden layer dimana tiap input akan dikalikan weight dan bias. Weight(w) berperan sebagai penentu seberapa berpengaruh input value pada nodes tersebut (koefisien). Sedangkan Fungsi dari bias
adalah meningkatkan kapasitas neural network dalam menyelesaikan sebuah permasalahan. Bias
juga berperan untuk mengatur hasil output yang akan membantu model neural network mampu fit
ke dalam sebuah data sehingga terhindar dari overfitting. Overfitting terjadi ketika sebuah model melatih data terlalu detail sehingga model gagal melakukan prediksi observasi kedepannya.
Activation function pun diaplikasikan pada neuron guna mengidentifikasi nilai Y input dan menentukan apakah nilai tersebut apakah dipertimbangkan menjadi output pada layer selanjutnya atau tidak. Secara umum, terdapat dua jenis activation function yaitu linear activation function
dimana outputneuron tersebut adalah perkalian input dengan weights pada tiap neuron. Jenis yang kedua adalah non-linear Activation function, non-linear activation function digunakan sehingga
Universitas Pertamina - 8
output bukan sekedar hasil perkalian regresi linear dengan input. Activation function ini akan transformasi non-linear dari input sehingga membuat model mampu mempelajari sesuatu yang lebih kompleks. Non-linear activation function memiliki banyak contoh dimana diantaranya adalah ReLu
function yang memberikan output nilai berupa positif atau nol. Ada juga activation function bernama LeakyReLu yang merupakan pengembangan dari ReLu activation function yang mengatasi masalah
Dying ReLu Problem dimana Neuron yang dipasangkan activation function ReLu cenderung tidak aktif ketika dimasukkan input bernilai negatif sehingga memungkinkan untuk neuron tidak berfungsi. LeakyReLu memberikan variasi dimana diberikan suatu kemiringan dengan pengali yang sangat kecil (0.1 – 0.3) di area negatif sehingga menyebabkan leak dan memanjangkan rentang dari fungsi ReLu. Fungsinya digambarkan sebagai berikut:
Gambar 2.4. ReLu Activation function
Gambar 2.5. LeakyReLu Activation function
Di dalam hidden layer, tiap nodes mencerminkan parameter atau atribut baru yang berasal dari gabungan beberapa input. Perlu diketahui tiap nodes tidak selalu berisi seluruh parameter yang dijadikan input ke dalamnya. Setiap nodes akan mempertimbangkan parameter input mana yang akan berpengaruh dalam memberikan hasil output yang lebih akurat.
Universitas Pertamina - 9 Ada banyak macam cara untuk Neural Network belajar, namun pada penelitian ini digunakan metode backpropagation. Pada dasarnya backpropagation mengevaluasi model dengan mengkalkulasi turunan parsial dari cost function. Cost function disini berfungsi untuk mengukur performa dari model neural network.Cost function menghitung error antara nilai prediksi dengan nilai sebenarnya yang disiapkan sebagai data validasi untuk model belajar.
Pada awalnya, model akan melakukan proses prediksi ke depan dimana input yang telah dikalikan weight dan ditambahkan bias masuk ke dalam nodes yang berada di hidden layer lalu membentuk atribut baru yang menghasilkan prediksi. Ini dinamakan proses feedforward. Lalu, hasil prediksi akan dimasukkan ke dalam cost function. Kerja backpropagation dimulai ketika nilai cost function ditemukan. Nilai cost function tersebut akan menjadi parameter backpropagation untuk memperbaiki model. Model diperbaiki dengan kembali pada input layer dimana setiap weight akan dianalisis mana saja yang bertanggung jawab menghasilkan error lalu diperbarui. Lalu model melakukan prediksi lagi ke depan (feedforward) hingga mendapatkan hasil prediksi dan diukur nilai error menggunakan cost function lagi. Proses ini akan diulang terus menerus hingga mencapai nilai
cost function paling minimal hingga mendekati nol
2.5
Interquartile Range Rule
Interquartile range (IQR) yang dapat disebut pesebaran tengah atau 50%, adalah sebuah pengukuran statistika dimana mengukur disperse statistikal yang dapat dijelaskan sebagai perbedaan antara persentil ke-75 (𝑄3) dan ke-25 (𝑄1) atau perbedaan antara kuartil atas dan bawah(Mason et al., 2000).
𝐼𝑄𝑅 = 𝑄3− 𝑄1
Q1 merupakan median (nilai tengah) dari paruh tengah awal dari dataset, sedangkanQ3 merupakan median (nilai tengah) dari paruh tengah akhir dari dataset
Gambar 2.6. Boxplot dengan jarak Interquartile (IQR)
(7) (7)
Universitas Pertamina - 10 Pada Gambar 2.6. terlihat ada gambar boxplot dengan jarak Interquartile (IQR). Boxplot
merupakan suatu cara untuk menampilkan distribusi data berdasarkan minimum, Q1, Median, Q3 dan maksimum. Nilai minimum didapatkan dengan cara mengurangkan nilai Q1 dengan IQR*1.5. Sedangkan nilai maksimum didapatkan dengan menambahkan nilai Q3 dengan IQR*1.5. Hal ini dapat mendeteksi outlier yang terdapat pada sebuah data dimana dibawah nilai minimum dan diatas nilai maksimum akan dianggap sebagai outlier. Hal ini dapat disebut juga sebagai Interquartile Range Rule.
Pengaplikasian Interquartile Range Rule harus dilakukan sangat hati-hati, karena proses filter ini dapat berpotensi menghilangkan informasi pada data well log. Sebelum diaplikasikan, pastikan data sumur log tersebut telah dilakukan analisis terlebih dahulu memastikan bahwa “spike” yang ditemukan merupakan sebuah noise untuk membatasi error ketika melakukan interpretasi atau inversi. Gambar 2.7 menampilkan data well logs dengan noise frekuensi tinggi menghasilkan “spike” pada data log tersebut proses filtering atau despiked perlu dilakukan untuk memastikan nilai dari log berada di rentang yang sesuai(OM. Victor et al., 2017)
Gambar 2.7. Contoh data well log yang memiliki noise berupa “spike” (OM. Victor et al., 2017)
2.6
Parameter Mu-Rho
Parameter MuRho (μρ) merupakan hasil resistensi tekanan geser (rigidity) sehingga parameter ini sesnsitif terhadap litologi dan ridgiditas matrix batuan. Lambda-rho dan Mu-rho dapat dijelaskan dalam persamaan sebagai berikut(Goodway et al., 1997):
μρ = 𝑆𝐼2
Dimana SI merupakan singkatan dari Shear Impedance
Parameter μρ ini sangat berguna dalam mengisolasi sifat batuan reservoir untuk litologi., selain itu parameter ini digunakan juga untuk membedakan sifat-sifat batuan dibandingkan analisis konvesional.(Goodway et al., 1997).
Universitas Pertamina - 11
2.7
Extended Elastic Impedance
Extended Elastic Impedance (EEI) merupakan pengembangan lebih lanjut dari elastic impedance (EI) dimana kebergantungan pada sudut θ (theta) dihilangkan dengan mengganti sin2 θ
menjadi tan χ sehingga persamaan linear orde 2 dari pendekatan persamaan Zoeppritz didefinisikan pada rentangan tak hingga (∞) dibandingkan pada EI berentang dari 0 hingga 1(Whitcombe et al., 2000). Variabel θ berubah menjadi χ (sudut chi) yang bervariasi dari -90° hingga 90° dimana sebelumnya berentang dari 0-30° saja sehingga tidak memungkinkan untuk EI melakukan estimasi pada sifat peotrifisika yang lain. EEI sangat bergantung dengan sudut χ di domain AVO intercept
dan gradient yang ekuivalen dengan R(χ). Dapat dijelaskan pada persamaan berikut: 𝑅(χ) = 𝐴𝑐𝑜𝑠(χ) + 𝐵𝑠𝑖𝑛(χ)
Dimana χ merupakan sudut representasi dari nilai petrofisika yang akan dianalisis. A merupakan
intercept dan B merupakan gradient yang didapatkan menggunakan pengembangan dari persamaan AVO Aki-Richards (1980) yang dijelaskan pada persamaan berikut:
[𝐴 𝐵] = ([ 1 sin2θ1 1 sin2θ 2 ] 𝑇 [1 sin 2θ 1 1 sin2θ 2 ]) −1 [1 sin 2θ 1 1 sin2θ 2 ] 𝑇 [R(θ1) R(θ2)]
Dimana θ1 merupakan sudut tengah dari seismik near-stack dan θ2 merupakan sudut tengah dari seismik mid-stack
Pada metode EEI, beberapa parameter batuan dapat diaplikasikan seperti parameter elastic (Lambda dan Mu) yang peka terhadap perubahan fluida dan litologi batuan sehingga dapat digunakan sebagai keberadaan reservoir hidrokarbon. Salah satu metode untuk mendapatkan parameter elastik dari EEI adalah dengan membuat kurva EEI pada kisaran sudut antara -90ᵒ hingga 90ᵒ dan kemudian ditdapatkan kurva EEI pada sudut χ tertentu yang memiliki korelasi maksimal dengan kurva log parameter elastik target. Korelasi tersebut mencermikan kesamaan respon antara EEI pada sudut tertentu dengan respon log target.
Gambar 2.8. Perbandingan antara beberapa parameter elastic dan kurva EEI, beberapa sudut χ akan memiliki korelasi tinggi dengan beberapa log tertentu (Whitcombe
et al., 2000)
(10) (9)
Universitas Pertamina - 12 Terlihat pada Gambar 2.7. dengan merotasi atau subtitusi sudut χ antara -90 hingga 90 menggunakan persamaan (9) akan diperoleh kurva EEI yang memiliki korelasi maksimum pada log elastik tertentu. Menurut Whitcombe et al. (2000), Reflektifitas EEI (χ = 19ᵒ) akan berkorelasi dengan 𝜆, REEI (χ = -58ᵒ) akan berkorelasi dengan µ, dan REEI (χ = -45ᵒ) akan berkorelasi dengan Mu-rho.
2.8
Inversi Seismik
Inversi merupakan teknik untuk menciptakan sebuah model bawah permukaan dengan menggunakan data seismic sebagai input dan data sumur log menjadi sebuah kontrol dalam melakukan proses inversi(Russell, 1988). Inversi dapat disebut sebagai kebalikan dari forward modelling dimana dilakukannya pemodelan kebelakang (dekonvolusi) untuk menghasilkan citra bawah permukaan.
Pada tahun 1988, Russel menjelaskan bahwa metode inversi seismik terbagi dua, post-stack inversion dan pre-stack inversion. Hasil dari post-stack inversion akan memberikan hasil berupa
pseudo-impedance section. Sedangkan untuk pre-stack inversion akan menghasilkan parameter-parameter lain yang tidak bisa dihasilkan oleh post stack inversion seperti elastic impedance, Vp/Vs, lambda-rho dan mu-rho.
Universitas Pertamina - 13
Model Based Inversion merupakan inversi dengan cara membuat model awal geologi berupa model impedansi akustik yang dikonvolusikan dengan wavelet yang menghasilkan respon seismogram sintetik. Seismogram sintetik tersebut dibandingkan dengan trace seismik yang sebenarnya(Veeken & Silva, 2004). Hasil dari perbandingan tersebut digunakan untuk memperbarui model hingga sesuai dengan data seismic (Russell, 1988). Kelebihan dari inversi ini memberikan hasil yang bagus meskipun terbatasnya control pada data sumur dan kualitas seismik yang buruk.
Gambar 2.10. Flowchart dari Model Based Inversion(Russell, 1988).
2.9
Persamaan Greenberg-Castagna
Penelitian Greenberg-Castagna (1992) menjelaskan tentang hubungan empiris dalam estimasi Vs menggunakan data Vp pada kondisi batuan multimineral atau batuan dengan kondisi brine-saturated. Perhitungan Vs dilakukan secara iteratif dengan menggunakan koefisien regresi yang berbeda berdasarkan mineral penyusun (Greenberg & Castagna, 1992). Berikut tabel dan persamaan yang menjelaskan hubungan secara polinomial Vp dengan Vs pada litologi monomineral berdasrkan koefisien regresi(Batzle et al., 2016):
𝑉𝑠 = 𝑎𝑖2𝑉𝑝2+ 𝑎𝑖1𝑉𝑝+ 𝑎𝑖0
Dimana 𝑎𝑖2, 𝑎𝑖1, 𝑎𝑖0 merupakan koefisien polinomial yang berbeda berdasarkan mineral penyusun (11)
Universitas Pertamina - 14
Gambar 2.11. Hubungan Vp dengan Vs untuk kondisi litologi monomineral (Greenberg & Castagna, 1992)
Universitas Pertamina - 15
2.10
Keadaan Geologi Daerah Penelian
2.10.1
Keadaan Geologi Daerah Penelitian Data Poseidon
Data sumur dan seismik Poseidon berada di Browse Basin yang berlokasi pada offshore
daerah laut Timor lepas pantai dari sebelah barat Australia. Pada daerah penelitian, terdapat reservoir yang bernama formasi Plover yang terdiri dari urutan tumpukan fluvo-deltaic dan
shallow marine sands. Hal ini menjadikan formasi tersebut merupakan target dari eksplorasi yang mengandung hidrokarbon berupa gas. Data sumur menyebutkan bahwa lingkungan pengendapan formasi Plover fluvo-deltaic to marine system yang membentang dari dataran delta yang lebih rendah ke lapisan luar, Terdapat juga sequence berupa transgressive
sehingga terbentuk rangkaian Prograding Higstand Tract System Parasequences (Blevin et al., 1998). Litologi formasi Plover berupa batupasir silisiklastik terbentuk dari perlapisan
sandstones, shales dan siltstone
2.10.2
Keadaan Geologi Daerah Penelitian Data SEAM Phase I
SEG Advanced Modelling Program merupakan dataset sintetik yang dirilis SEG untuk mensimulasikan model realistik dari salt domain yang berada pada teluk Meksiko yang mengandung reservoir berupa minyak dan gas. Model dibuat dengan patahan yang realistis, keberadaan salt body dan reservoir berupa braided stream channels dan turbidite fans
(Fehler & Keliher, 2011). Model SEAM Phase I terdiri dari shale, sand, clay dan salt.
Universitas Pertamina - 16
BAB III
METODOLOGI PENELITIAN
3.1
Lokasi dan Waktu Penelitian
Penelitian Tugas Akhir ini dilaksanakan di Universitas Pertamina, Alamat : Jl. Teuku Nyak Arief, RT.7/RW.8, Simprug, Kec. Kby. Lama, Kota Jakarta Selatan, Daerah Khusus Ibukota Jakarta 12220. Penelitian ini dilakukan selama 4 bulan, dimulai dari tanggal 16 Januari hingga 16 Mei 2020.
3.2
Perangkat Penelitian
Dalam pelaksanaan penelitian, digunakan beberapa perangkat keras dan perangkat lunak komputer sebagai berikut:
3.2.1.
Perangkat Keras
• Laptop Asus VivoBook S14 S410U
3.2.2.
Perangkat Lunak
• Python
• Hampson Russell ver. 10 (Geoview) • Microsoft Word 2016
3.3
Data Penelitian
Data yang digunakan dalam penelitian ini adalah data well log open source yang didapatkan dari SEG Wiki. Data yang digunakan adalah data well log dengan nama “SEAM Phase I Well Log Data” dan “Poseidon sesmic and well log of NW Shelf Australia”.
3.4
Tahapan Penelitian
Tahapan penelitian ini dimulai dengan pengolahan data sumur log dengan melakukan pre-processing pada data log dimana dilakukannya pengolahan data terlebih dahulu agar data siap digunakan. Tahap-tahap yang dilakukan pada umumnya adalah menentukan variable independent (input) dan variable dependent (target), menganalisis adanya outlier didalam dataset, melakukan normalisasi pada data input. Normalisasi dilakukan agar memudahkan model neural network bekerja dengan baik dan membuat semua input data berada di rentang nilai yang sama sehingga setiap input memiliki kontribusi yang setara di awal. Data lalu dipisahkan menjadi 3 yaitu Training, Test dan
Validation data. Pada penelitian ini, training data dan test data merupakan data sumur dengan lokasi yang berbeda. Lalu neural network mulai dirancang, seperti menentukan berapa hidden layer yang akan diinisialisasikan, activation function apa yang akan digunakan dan sebagainya. Lalu model tersebut dilatih hingga error dari model tersebut mendekati nol. Lalu, model diaplikasikan kepada
Universitas Pertamina - 17 data test, apabila error dari prediksi tersebut masih lebih besar daripada error dari target, maka model
neural network akan diperbaiki atau dilakukannya hyperparameter tuning dimana parameter di dalam model saja yang akan diperbaiki.
Tahapan selanjutnya adalah uji coba mengaplikasikan hasil prediksi Vs menggunakan Artificial Neural Network dengan melakukan inversi Lambda rho, mu-rho penelitian ini terbagi menjadi beberapa tahap, dimulai dengan pengolahan data sumur dengan membuat parameter Lambda-rho dan Mu-rho menggunakan log transform. Lalu dilanjutkan dengan mencari intercept(A) dan gradient (B) menggunakan data seismik yang sudah dilakukan stacking berdasarkan sudut (near
& mid stack) dan sudut χ untuk pembuatan Reflektifitas EEI.
Tahap berikutnya adalah melakukan well seismic tie dengan Reflektifitas EEI yang telah dibuat .Kemudian tahap selanjutnya adalah membuat arbitrary line yang melewati sumur dan dilanjutkan dengan picking horizon. Selanjutnya membuat model awal dan melakukan Model Based Inversion untuk mendapatkan peta persebaran parameter – parameter AI. Terakhir masukkan parameter input Vs hasil prediksi menggunakan ANN lalu buat parameter Lambda-rho, Mu-Rho, lalu buat model awal dan lakukan model-based inversion. Hitung error relative dari kedua section
yang telah dihasilkan. Semua tahapan ini dijelaskan dalam diagram alir sebagai berikut:
Gambar 3.1. Diagram Alir untuk perbandingan hasil prediksi nilai Vs menggunakan
Universitas Pertamina - 18
Gambar 3.2. Diagram Alir untuk prediksi nilai Vs menggunakan Artificial Neural Network
3.4.1.
Prediksi nilai Vs menggunakan Artificial Neural Network
Pada tahap ini dilakukan proses prediksi nilai Vs menggunakan Artificial Neural Network menggunakan Bahasa pemrograman Python
3.4.1.1
Input Data Log
Data log dimasukkan dan divisualisasikan parameter data log mana saja yang sekiranya akan dijadikan variable independent dalam melakukan prediksi. Pada tahap ini juga dapat digunakan untuk menganalisis apakah adanya outlier pada data variable independent (input). Membuat tabel heatmap dapat juga berguna untuk menganalisis data korelasi antara variabel dependen dengan variabel independent.
Universitas Pertamina - 19
Gambar 3.4. Data sumur Poseidon 1
Gambar 3.5. Data sumur Poseidon 2, terlihat adanya outlier pada data log DTCO
3.4.1.2
Pre-Processing Data Log
Data pada umumnya merupakan dataset yang besar dengan kumpulan kolom dan baris. Namun apabila dataset tersebut langsung dimasukkan ke dalam mesin, mesin tidak mampu memahami dataset yang diberikan. Maka dari itu, Data pre-processing dilakukan agar mesin mampu memahami dan mampu mengolah dataset
lebih optimal. Banyak cara yang dapat dilakukan untuk melakukan data pre-processing karena beberapa data yang berbentuk teks, gambar, video dan sebagainya diperlukan perlakuan untuk mengubah dataset tersebut menjadi deretan angka yang dipahami mesin. Namun karena pada penelitian ini dataset ditampilkan semua dalam bentuk angka, maka beberapa tahapan pre-processing tidak dijelaskan pada tahap ini.
Universitas Pertamina - 20 Pada tahapan ini, ada beberapa pre-processing yang dilakukan, diantaranya adalah: 1. Menghapus baris dimana terdapat nilai yang hilang, apabila terdapat nilai yang kosong pada sebuah baris, model tidak akan mengolah dataset tersebut sehingga model tidak akan berjalan
2. Feature scaling atau Standarisasi, pada tahap ini variabel independent dilakukan normalisasi sehingga seluruh variabel berada rentang nilai yang sama. Hal ini memudahkan model dalam melakukan pengolahan data dan semua variabel memiliki kontribusi yang sama
3. Memperbaiki nilai inkonsisten (outlier), terlihat pada data sumur Poseidon 2 log DTCO memiliki outlier. Pada penelitian ini, digunakan Interquartile Range
(IQR) Rule untuk menghilangkan outlier tersebut. Namun proses ini akan mengurangi jumlah data dan berpotensi menghilangkan informasi litologi yang penting. Perlu dilakukan analisis terlebih dahulu apakah terdapat noise pada log.
Gambar 3.6. Data sumur Poseidon 2, setelah diaplikasikan IQR Rule untuk menghilangkan Outlier
3.4.1.3
Membagi Data Menjadi 3 Datasets: Training, Test & Validation Data
Pada tahap ini dataset dibagi menjadi 3, yaitu Training, Test & Validation Data. Namun pada pengolahan data kali ini, Training dan Test data merupakan dataset / sumur log yang berbeda dimana sumur Poseidon 1 akan menjadi training data dan sumur Poseidon 2 akan menjadi Test Data. Data validasi diambil 20% dari training data yang digunakan untuk melakukan validasi hasil prediksi Ketika model dilatih3.4.1.4
Membuat Vs Pred Awal
Vs pred awal disini merupakan prediksi nilai Vs menggunakan algoritma
machine learning yang lebih sederhana dari Artificial Neural Network, yaitu
Universitas Pertamina - 21 algoritma paling sederhana dan membutuhkan waktu paling cepat dari segala metode
machine learning lainnya. Pembuatan Vs Pred awal dianggap memiliki fungsi yang sama dengan model awal dimana tujuannya untuk memberikan arahan bagi model agar menghasilkan prediksi yang tidak jauh dari ekspektasi atau perkiraan awal
3.4.1.5
Merancang Arsitektur Neural Network
Dalam melakukan prediksi nilai Vs di sumur Poseidon 2, ada 5 log sumur yang akan menjadi input yaitu: Gamma-Ray, Neutron Porosity, Density, Shallow dan
Deep Resistivity (RS & RD). Pada percobaan ini dibuat 3 hidden layer dengan jumlah nodes secara berurutan yaitu 12, 6 dan 3 dengan activation function berupa leakyReLu. Pada output layer hanya terdapat satu node dengan linear activation function dikarenakan pada percobaan ini hasil yang diinginkan berupa satu nilai unik. Pada model ini diberikan optimizer berupa adam dan loss function berupa mean squared error. Loss function adalah sebuah parameter atau indikator apakah model berhasil melakukan pekerjaannya. Sedangkan optimizer adalah sebuah fungsi yang bertugas memperbarui model agar semakin akurat dengan loss function sebagai petunjuknya. Arsitektur Neural Network dirancang seperti yang dijleaskan sebelumnya karena arsitektur tersebut paling optimal setelah banyak percobaan trial
& error. Perlu diketahui bahwa pembuatan arsitektur neural network akan berbeda dengan data yang berbeda sehingga rancangan arsitektur ini bukan merupakan suatu hal yang pasti.
3.4.1.6
Melatih Arsitektur Neural Network
Neural Network pada percobaan ini dilatih dalam 500 epochs dengan ukuran
batch 10, disini 1 epoch dapat dikatakan bahwa model telah selesai melatih seluruh dataset sedangkan ukuran batch adalah jumlah sampel data dalam 1 kelompok/batch
data sehingga memudahkan model dalam melatih dan melakukan updating weight
pada model.
3.4.1.7
Prediksi Vs pada Test Data
Setelah model dilatih hingga error atau loss function mendekati nol, model akan melakukan prediksi pada test data atau pada sumur log Poseidon 2. Parameter error yang digunakan adalah Relative Absolute Error. Apabila nilai error sudah lebih rendah daripada target error, maka hasil prediksi dapat digunakan atau pada penelitian ini akan dibandingkan lebih lanjut dengan inversi Mu-rho. Apabila nilai error masih lebih tinggi daripada target error, dapat dilakukan hyperparameter tuning dimana parameter di dalam model saja yang akan diubah. Namun jika error cukup besar, maka ada kemungkinan arsitektur yang perlu dirombak ulang atau diperbaiki.
Universitas Pertamina - 22
3.4.2.
Perbandingan Vs Hasil Prediksi dengan Diaplikasikan ke Dalam Inversi
Tahap ini dilakukan uji coba atau perbandingan hasil prediksi Vs ke dalam inversi. Inversi yang digunakan adalah model based inversion. Hasil prediksi nantinya akan dibandingkan antara hasil inversi menggunakan Vs dari data sumur dengan hasil inversi dari hasil prediksi menggunakan Artificial Neural Network
3.4.2.1
Persiapan Data Sumur Log
Langkah awal yang dilakukan adalah mennginput data sumur dan checkshot, kemudian melakukan koreksi pada gelombang P (Checkshot Correction) sehingga data velocity akan tervalidasi terhadap kedalaman yang sebenarnya. Kemudian dibuatkan parameter Lambda-rho dan Mu-rho
Gambar 3.7. Tampilan data sumur log pada sumur Poseidon 1
3.4.2.2
Persiapan Reflektifitas EEI
Reflektifitas EEI dibuat dengan cara mencari nilai sudut χ untuk Mu-rho terlebih dahulu. Hal ini didapatkan dengan mencari korelasi antara Mu-rho dengan kurva EEI. Pada penelitian ini didapatkan dengan nilai 44° . Lalu, dilanjutkan dengan mencari nilai intercept(A) dan gradient(B) dengan menggabungkan seismik
near stack dan seismik mid stack menggunakan persamaan (10) yang ditampilkan pada gambar 3.9. Diketahui bahwa pada data seismik near stack memiliki rentang kumpulan sudut dalam rentang 6-18°, sedangkan untuk mid stack berada di rentang 18-30°. Apabila nilai A dan B dapat ditemukan, maka dapat dilanjutkan membuat Reflektifitas EEI menggunakan persamaan (9). Lalu dibuat arbitrary line yang akan digunakan untuk inversi. Pastikan arbitrary line menlewati daerah sumur log
Universitas Pertamina - 23
Gambar 3.8. Mencari korelasi antara Mu-rho dengan kurva EEI
Gambar 3.9. Section reflektifitasdari Arbitrary line
3.4.2.3
Well Seismic Tie
Well Seismic Tie dilakukan untuk mengikatkan data sumur dengan reflektifitas EEI. Proses ini dilakukan dengan menghubungkan synthetic seismogram yang diproduksi dari data log dengan trace reflektifitas EEI.
Universitas Pertamina - 24
Gambar 3.10
. Well Seismic Tie sumur Poseidon 1
3.4.2.4
Pembuatan Model Awal
Model awal dibuat dengan menggunakan data sumur Vp yang sudah dilakukan koreksi dan korelasi dengan data sumur, dan section reflektifitas EEI dimana pada penelitian ini digunakan arbitrary line yang telah dibuat sebelumnya.
Gambar 3.11. Penampang model awal Mu-rho
3.4.2.5
Model Based Inversion
Model Based Inversion dilakukan untuk melihat perbedaan hasil inversi menggunakan Vs dari sumur dengan Vs hasil prediksi menggunakan Artificial Neural Network
Universitas Pertamina - 25
3.4.2.6
Melakukan Inversi Menggunakan Vs Hasil Prediksi
Masukkan parameter input Vs hasil prediksi menggunakan ANN pada Poseidon 2 lalu buat parameter Lambda-rho, Mu-Rho baru pada Poseidon 2. lalu buat model awal yang baru pada bagian log Poseidon 2 dan lakukan model-based inversion.
Gambar 3.12. Penampang model awal Mu-rhomenggunakan Vs hasil prediksi
3.4.2.7
Menghitung Relative Error antara Inversi Terukur dengan Hasil
Prediksi
Relative error dilakukan untuk melihat perbedaan antara hasil inversi menggunakan parameter Vs dari pengukuran dengan parameter Vs dari hasil prediksi
Universitas Pertamina - 26
BAB IV
HASIL DAN PEMBAHASAN
4.1
Analisis Prediksi Vs pada Data “SEAM Phase I Well Log Data
”
4.1.1.
Analisis Data Log untuk Input
Penelitian ini diawali dengan dengan dilakukannya prediksi Vs pada data “SEAM Phase I Well Log Data” menggunakan Artificial Neural Network. Berikut merupakan tampilan data sumur WELL1 dan WELL2 dimana WELL1 merupakan sumur yang akan digunakan untuk melatih model dan WELL 2 merupakan sumur yang akan menjadi test data yang akan dilakukan prediksi. Dua sumur log tersebut memiliki data log sumur yaitu: Density, P-Wave Velocity, Resitivity dan Total Porosity. Berikut merupakan tampilan log sumur WELL1 dan WELL 2 beserta heatmap terhadap log Vs. Heatmap disini berfungsi untuk melihat korelasi antar variabel
Universitas Pertamina - 27
Gambar 4.2. Data sumur WELL 2
Gambar 4.3. Hasil plot heatmap korelasi data sumur WELL 1 dan WELL2
Terlihat pada sumur WELL 2 bagian log resistivity memiliki grafik kurva dengan pola yang berbeda dibandingkan data sumur lainnya. Hal tersebut juga dibuktikan pada tabel
heatmap dimana korelasinya cenderung rendah dengan sumur log Vs pada sumur WELL2. Apabila resistivitas tetap dijadikan sebagai parameter input, maka hasil prediksi akan sangat tidak sesuai. Dapat dilihat pada Gambar 4.4. dimana terlihat resistivitas memberikan kontribusi pattern yang membuat hasil prediksi tidak optimal
Universitas Pertamina - 28
4.1.2.
Analisis Hasil Prediksi
Gambar 4.4. Hasil Prediksi Vs dengan input densitas, Vs, resistivitas dan porositas total Apabila parameter resistivitas dihilangkan dalam parameter input, hasil prediksi akan cenderung optimal.
Gambar 4.5. Hasil prediksi Vs dengan input densitas, Vs dan porositas total Relative Absolute Error 14.272%
Universitas Pertamina - 29 Dalam percobaan ini, parameter input dicoba dimasukkan dengan urutan yang berbeda – beda. Hal ini guna melihat apakah adanya pengaruh terhadap hasil prediksi. Pada Tabel 4.1., ditampilkan bahwa adanya pengaruh terhadap urutan masukkan parameter input terhadap hasil prediksi
Tabel 4.1. Hasil prediksi Vs dengan urutan parameter input yang divariasikan dengan perhitungan error menggunakan relative absolute error
Percobaan Ke- 1,2,3 1,3,2 3,1,2 3,2,1 2,3,1 2,1,3 1 2.25% 2.38% 1.96% 2.53% 1.93% 3.09% 2 2.00% 1.84% 1.91% 1.88% 2.27% 1.93% 3 2.13% 1.98% 2.49% 1.96% 2.03% 2.16% 4 2.33% 1.95% 1.85% 2.22% 5.73% 1.94% Dimana 1 = Densitas, 2 = Vp, 3 = Porositas Total
Namun, terlihat adanya prediksi yang menghasilkan error cukup jauh dibandingkan percobaan – percobaan yang lainnya. Hal ini kemungkinan disebabkan oleh tidak adanya semacam model awal guna menjadi panduan model dalam melakukan prediksi.
4.1.3.
Penambahan Parameter Non Linier
Skenario lain yang dilakukan adalah menambahkan parameter log non-linear seperti: Vp2, √𝜌, √𝑉𝑝, 1
𝑉𝑝 sebagain parameter input untuk melakukan prediksi. Berikut adalah hasil plot heatmap dengan tambahan parameter log non-linear
Gambar 4.6. Hasil plot heatmap dengan tambahan parameter log non-linear Hasil dari prediksi menggunakan parameter tambahan log non-linear dapat dilihat pada
Universitas Pertamina - 30
Tabel 4.2. Hasil prediksi Vs dengan penambahan parameter log non-linear Percobaan Ke- 1,2,3,4,5,6,7 2,6,5,4,1,3,7 2,1,3,4,5,6,7 1 2.51% 2.49% 1.90% 2 2.26% 2.39% 1.91% 3 2.01% 2.74% 1.97% 4 2.06% 2.27% 1.84%
Dimana 1 = Densitas, 2 = Vp, 3 = Porositas Total, 4 = 1/vp, 5 = Vp2, 6 = √𝑉𝑝, 7 = √𝜌 Dari tabel tersebut, terlihat hasil prediksi cenderung lebih stabil. Namun kemungkinan perlu dilakukan percobaan lebih banyak lagi guna memastikan apakah hasil prediksi akan tetap stabil.
4.1.4.
Pembuatan “Vs Awal” sebagai Model Awal Prediksi
Dalam pembuatan model awal, pada penelitian ini menggunakan algoritma machine learning yang bernama multiple linear regression. Algoritma ini digunakan karena multiple linear regression merupakan algoritma yang cukup sederhana dengan waktu pengolahan yang cukup singkat dan hasil yang cukup baik. Pembuatan model awal dibuat dengan ditambahkan parameter log non-linear dan dari pengukuran data log saja
Gambar 4.7. Pembuatan Vs awal dengan input parameter dari data pengukuran sumur log (Densitas, Vp, Porositas Total)
Universitas Pertamina - 31
Gambar 4.8. Pembuatan Vs awal dengan tambahan parameter log non-linear Terlihat bahwa pada data sumur “SEAM Phase I Well Log Data”, pembuatan Vs awal lebih baik dengan menggunakan tambahan parameter log non-linear.
4.1.5.
Analisis Prediksi Akhir dengan Tambahan “Vs Awal”
Selanjutnya parameter prediksi Vs menggunakan multiple linear regression ini akan digunakan sebagai masukkan parameter input dalam prediksi hasil Vs menggunakan
Artificial Neural Network.
Universitas Pertamina - 32
Gambar 4.9. Hasil Prediksi Vs dengan ditambahkan Vs awal dan parameter log non-linear
Gambar 4.10. Hasil prediksi log Vs dengan ditambahkan Vs awal saja.
Gambar 4.9. dan Gambar 4.10. menunjukkan bahwa hasil prediksi akan lebih baik apabila input parameter yang dimasukkan hanya berupa Vs awal, Porositas Total, Densitas dan Vp. Parameter log non-linear akan digunakan pada bagian pembuatan Vs awal menggunakan algoritma multiple linear regression saja. Dalam percobaan sebanyak 4 kali,
Universitas Pertamina - 33 model dengan input parameter berupa Vs awal, Porositas Total, Densitas dan Vp menunjukkan hasil yang cenderung stabil. Hasil prediksi ditunjukkan pada tabel 4.3.
Tabel 4.3. Hasil prediksi selama 4 kali percobaan dengan input parameter berupa Vs awal, Porositas Total, Densitas dan Vp
Percobaan ke- Relative Absolute Error
1 1.699%
2 1.89%
3 1.80%
4 1.87%
Semua percobaan dan asumsi yang diuji coba pada data sumur “SEAM Phase I Well Log Data” akan diaplikasikan ke dalam sumur Poseidon dan hasil prediksi Vs nantinya akan diaplikasikan pada data seismik NW Shelf Australia
Universitas Pertamina - 34
4.2
Analisis Prediksi Vs pada Data “Poseidon NW Shelf Australia”
Setelah dilakukan analisis pada data sumur “Poseidon NW Shelf Australia”, penelitian dilanjutkan dengan melakukan analisis pada sumur “Poseidon NW Shelf Austalia”. Hal ini dikarenakan adanya data seismik yang berkaitan dengan data sumur tersebut sehingga memungkinkan untuk mengaplikasikan hasil prediksi ke dalam inversi.
4.2.1.
Analisis Pre-processing Data Log Input
Pada data sumur Poseidon, terdapat dua sumur yang akan dilakukan analisis yaitu Poseidon1 dimana akan digunakan menjadi training data dan Poseidon2 akan digunakan sebagai test data. parameter input yang akan digunakan pada sumur yaitu: Gamma-Ray
(GR), Neutron Porosity (NPHI), Delay Time Compression (DTCO), Density (RHOB), Resistivity Shallow & Deep (RS & RD). Pada data ini log resistivitas dapat digunakan untuk prediksi tidak seperti data sebelumnya (SEAM Phase I). Berikut tampilan data sumur dan hasil heatmap korelasi dengan parameter delay time shear (DTSM):
Gambar 4.11. Hasil plot heatmap korelasi data sumur Poseidon1 dan Poseidon2
Universitas Pertamina - 35
Gambar 4.13. Data sumur Poseidon2, terlihat adanya outlier pada parameter DTCO Pada gambar 4.13. terlihat adanya outlier pada parameter input DTCO, hal ini akan mempengaruhi prediksi Vs kedepannya. Untuk mengatasi hal tersebut, pada data Poseidon ini akan dilakukan proses menghilangkan outlier pada Parameter input DTCO.
Tahapan ini akan menggunakan metode interquartile range rule (IQR) dimana nilai diatas maksimum (1.5*IQR + Q3) dan dibawah minimum (Q1-1.5*IQR) akan dihilangkan Berikut hasil dari penghilangan outlier menggunakan interquartile range rule.
Gambar 4.14. Data sumur Poseidon2 setelah diaplikasikan interquartile range rule
Terlihat pada gambar 4.14., outlier sudah tidak ditemukan lagi pada parameter input log DTCO. Namun, proses ini berpotensi menghilangkan data sehingga memungkinkan menghilangkan bagian dari informasi bawah permukaan sehingga berakibat error pada interpretasi. Pastikan terlebih dahulu bahwa data well log telah dianalisis dan terkonfirmasi terdapat noise.
Universitas Pertamina - 36
4.2.2.
Analisis Hasil Prediksi Model ANN
Terlihat perbandingan hasil prediksi sebelum dan sesudah dilakukan proses penghilangan outlier menggunakan Interquartile Range Rule pada gambar 4.15 dan 4.16. Namun, relative absolute error cenderung meningkat apabila diaplikasikan Interquartile RangeRule.
Gambar 4.15. Hasil prediksi tanpa dilakukan proses IQR Rule
Gambar 4.16. Hasil prediksi dengan diaplikasikan proses IQR Rule
Relative Absolute Error 5.95%
