BAB IV Perhitungan Cadangan

(1)

BAB IV Perhitungan Cadangan

Perhitungan cadangan minyak yang ada di dalam Reservoir “X” akan menggunakan parameter-parameter yang ada dalam model Reservoir “X”, misalnya porositas dan Sw. Dalam perhitungan cadangan dengan menggunakan model tersebut, akan dilihat sensitifitas parameter yang mengontrol OOIP.

Mengenai klasifikasi cadangan minyak, PT. CPI menyebutkan bahwa cadangan minyak dalam Reservoir “X” sampai sekarang masih termasuk ke dalam kategori

Contingency Resources, yaitu kategori P4-P6 Resources (Gambar IV.1 a). Contingent Resources (P4-P6) adalah perkiraan jumlah crude oil, natural gas, dan natural gas liquids yang mana data geoscience dan engineering menunjukkan

(hidrokarbon tersebut) dapat diperoleh (recoverable) pada masa yang akan datang dari reservoir tersebut, tapi sekarang tidak komersial dalam kondisi ekonomi dan operasi yang ada (Chevron Corporate Reserves Manual, 2006).

Dalam penelitian ini, penamaan klasifikasi contingency resources akan mengacu kepada Petroleum Resources Management System yang disusun oleh Komite Oil

and Gas Reserves dalam Society of Petroleum Engineers (SPE) tahun 2007, yang

juga di-review dan secara bersama disponsori oleh the World Petroleum Council (WPC), the American Association of Petroleum Geologist (AAPG), dan the

Society of Petroleum Evaluation Engineers (SPEE).

Contingency Resource yang disebutkan dalam klasifikasi reserves dan resource

tersebut dinamakan sebagai Contingent Resources 1C, 2C, dan 3C (Gambar IV. I b). 1C adalah ekuivalen dengan P4, 2C sebagai P5, dan 3C sebagai P6 pada klasifikasi Chevron.

(2)

(a)

(b)

Gambar IV.1 (a) Klasifikasi 6P Reserves dan Resources Chevron (Chevron Corporate, 2006), dan (b) Klasifikasi menurut SPE (WPC, SPE, AAPG, SPEE,

(3)

Parameter yang dipakai dalam perhitungan OOIP adalah volume, porositas, serta saturasi minyak atau So, yang diperoleh dari ”1-Sw”. Volume yang dipakai adalah berdasarkan total volume sel pada model Reservoir “X” yang masuk dalam kategori region yang ditentukan. Untuk region pay, tergantung cut-off dari rock

properties yang dipakai). Sedangkan porositas dan Sw diperoleh dari model.

IV.1 Penentuan Paramater

Penentuan parameter porositas (phie) dan Sw telah disebutkan pada bagian II.2.5. Khusus untuk Lapangan Duri dan dalam penelitian ini, ketebalan pay (net pay) adalah ketebalan dimana batuan tersebut mempunyai Sw<=0.8 dan Phie >= 0.24 (Gambar IV.2). Sedangkan untuk perhitungan cadangan minyak (OOIP), net pay ditentukan berdasarkan sel-sel yang mempunyai cut-off Sw dan Phie sebagai pay, sehingga sel tersebut masuk dalam pay region (Gambar IV.3).

Gambar IV.2 Log sumur yang mempelihatkan penentuan pay dengan cut-off Sw <= 0.8 dan Phie >= 0.24. Pay Cut-off Sw Cut-off phie

(4)

Gambar IV.3 Pay cells yang merupakan bagian dari pay region, mempunyai

property Sw <= 0.8 dan Phie >= 0.24, di atas OWC.

IV.2 Penentuan Batas Hidrokarbon

Dalam penenelitian ini dan secara spesisifk yang diterapkan di Lapangan Duri, interpretasi batas hidrokarbon yang meliputi OWC, LKO, dan HKW (Gambar IV.4), ditentukan berdasarkan data log sumur yang meliputi log-log gamma ray, resistivitas, porositas, dan Sw.

Johansen (2006) mendefinisikan OWC sebagai kedalaman batupasir berkualitas reservoir yang mengandung minyak yang mobile.. Air merupakan fluida yang

mobile dalam batupasir berkualitas reservoir di bawah OWC. Sedangkan untuk

suatu reservoir yang dibor dan dilakukan well logging, LKO adalah titik paling bawah pada perpotongan lubang sumur pada suatu unit lapisan yang mengandung

mobile oil. HKW adalah titik paling tinggi di perpotongan lubang sumur pada

reservoir yang mengandung movable water dan no movable oil. Contoh U

Legenda:

Pay Cells Area

Non Pay Cells Area

(5)

Gambar IV.4 Kartun yang memperlihatkan hubungan antara OWC, LKO, dan HKW dalam tiga sumur yang menembus kedalam satuan reservoir yang sama.

Gambar IV.5 Log sumur yang memperlihatkan contoh penentuan batas hidroharbon: OWC, LKO, dan HKW (Johansen, 2006).

LKO HKW OWC Sumur A Sumur B Sumur C LKO HKW OWC Air Minyak

(6)

Di daerah penelitian, LKO diinterpretasikan rata-rata pada kedalaman -382 feet, OWC pada kedalaman -396 feet , HKW pada kedalaman -443 feet di bawah permukaan rata-rata air laut (sub-sea). LKO ditentukan berdasarkan kedalaman LKO paling dalam yang ditemukan pada sumur. Tipe LKO ini ditemukan pada sumur B. Tipe OWC ditemukan pada sumur C, sedangkan HKW ditemukan pada sumur A (Gambar IV.6). Cara penentuan OWC di Duri adalah khas. Secara tradisional, penentuan OWC berdasarkan gamma ray dan vsh untuk menentukan litologi, sedangkan untuk menentukan pay atau wet adalah dengan resistivitas. Data porositas, permeabilitas, dan Sw hasil evaluasi formasi, membantu dalam proses interpretasi. Cut-off pay dan non pay interval ditentukan berdasarkan studi evaluasi formasi Duri yang diterangkan pada Bab II.

Legenda: LKO OWC HKW

Top dan Bottom Reservoir “X”

Sumur A Sumur B Sumur C Sumur D Sumur E

U A

B

C

(7)

IV.3 Deskripsi mengenai Metode Perhitungan

Pada prinsipnya, perhitungan volumetrik menggunakan rumusan:

OOIP = A (Luas) x h (Ketebalan Net Pay) x Ф (Porositas) x (1-Sw) x 7758 Bbl

Untuk mendapatkan STB (Stock Tank Barrel), digunakan nilai Boi atau FVF (Formation Volume Factor) yang konstan, yatu 1.022 untuk Duri. Hasil diskusi dengan Reservoir Engineer, data Boi reservoir ini dianggap sama dengan reservoir di bawahnya, yaitu Reservoir Rindu, dan perbedaanya tidak berarti. Oleh karena itu akan diasumsikan sama.

Proses perhitungan volumetrik pada proses ini adalah dengan menggunakan modul yang sudah tersedia dalam aplikasi perangkat lunak GOCAD. Hanya dengan memasukkan nilai porositas dan Sw bersama dengan masing-masing

cut-off dan probabilistic range serta region yang digunakan, Kita akan mendapatkan

OOIP dari suatu reservoir pada region tertentu

Karena perhitungan OOIP menggunakan beberapa case dari masing-masing parameter dan jumlahnya banyak serta membutuhkan waktu yang lama, maka perhitungan dilakukan dengan menggunakan program script.

Hubungannya dengan 1C, 2C, dan 3C case OOIP, berikut adalah deskripsi untuk penentuan 1C, 2C, dan 3C case dari OWC, sifat batuan, dan cut-off yang dipakai untuk perhitungan OOIP probabilistik. Metode untuk melakukan analisis sensitifitas terhadap parameter yang berkontribusi terhadap OOIP, dilakukan pendekatan dengan menggunakan metode DoE.

(8)

IV.3.1 Parameter 1C, 2C, dan 3C Case untuk OOIP

Batas Hidrokarbon meliputi: P10_owc = LKO sebagai 1C Case P50_owc = OWC sebagai 2C Case P90_owc = HKW sebagai 3C Case

Hasil interpretasi dari LKO, OWC, dan HKW pada sumur, selanjutnya dibuat

surface untuk pembuatan region 1C, 2C, dan 3C case. Data ini diperlukan untuk

membuat region di atas dan di bawah batas hidrokarbon, yang akan dipakai untuk perhitungan OOIP sebagai region volume.

Model Property ( Modifikasi dari Johansen dkk., 2005)

Phie

P10 Phie= well phie - 0.015 = (1C Case model phie untuk OOIP) P50 Phie= well phie

P90 Phie= well phie + 0.015 = (3C Case model phie untuk OOIP) Sw = (1-So)

P90 Sw= well sw + 0.06 = (1C Case model sw untuk OOIP) P50 Sw = well sw

P10 Sw= well sw - 0.06 = (3C Case model sw untuk OOIP) Cut-off zona pay (Johansen dkk., 2005)

Phie

P90= 0.235 (3C Case cut-off porositas untuk OOIP) P50= 0.24 (2C Case)

P10= 0.255 (1C Case cut-off porositas untuk OOIP) Sw

P10= 0.77 (1C Case cut-off sw untuk OOIP) P50= 0.80 (2C Case)

P90= 0.87 (3C Case cut-off sw untuk OOIP)

Penentuan case pada batas hidrokarbon, model property, dan cut-off, diringkas dalam bentuk tabel (Tabel IV.1). Penentuan setiap case pada kurva dan cut-off diperlihatkan pada gambar IV.7.

(9)

Tabel IV.1 Ringkasan parameter untuk DoE

Parameter* 1C Case 2C Case 3C Case

owc lko owc hkw

phie model phie_model_1C phie_model_2C phie_model_3C sw model sw_model_1C sw_model_2C sw model 3C

phie cut-off 0.255 0.24 0.235

sw cut-off 0.77 0.80 0.87

*Parameter yang berkontribusi terhadap OOIP

Gambar IV.7 Penerapan 1C (low case), 2C (base case), dan 3C(high case) pada kurva dan cut-off, untuk menentukan Pay.

(10)

Masing masing model dan cut-off pada setiap case akan digunakan untuk penentuan OOIP dengan beberapa kombinasi, sehingga hasil OOIP akan berbeda-beda tergantung kombinasinya. Kombinasi kelima parameter dengan case: 1C,

2C, dan 3C, bisa lebih dari 90 kombinasi (Tabel IV.2). Kombinasi lainnya adalah

-1 dengan 0 and 1; 0 dengan -1 and 1; 1 dengan -1 and 0.

Tabel IV.2 Skema model beberapa kemungkinan kombinasi antar parameter (dua parameter). 1C = -1; 2C = 0; 3C = 1

Combination owc phie sw cut phie cut sw -1 and 0 -1 -1 -1 -1 -1 -1 -1 -1 0 0 -1 -1 0 -1 0 -1 0 -1 -1 0 -1 -1 0 0 0 -1 0 0 -1 0 -1 -1 -1 -1 0 -1 -1 0 0 -1 -1 0 -1 0 -1 -1 -1 -1 -1 -1 -1 0 0 0 -1 -1 0 -1 0 0 -1 -1 -1 0 -1 -1 0 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 0 0 0 -1 -1 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 and -1 0 0 0 0 0 0 0 0 -1 -1 0 0 -1 0 -1 0 -1 0 0 -1 0 0 -1 -1 -1 0 -1 -1 0 -1 0 0 0 0 -1 0 0 -1 -1 0 0 -1 0 -1 0 0 0 0 0 0 0 -1 -1 -1 0 0 -1 0 -1 -1 0 0 0 -1 0 0 -1 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -1 -1 -1 -1 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 and 0 1 1 1 1 1 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 1 1 0 0 0 1 0 0 1 0 1 1 1 1 0 1 1 0 0 1 1 0 1 0 1 1 1 1 1 1 1 0 0 0 1 1 0 1 0 0 1 1 1 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 and -1 1 1 1 1 1 1 1 1 -1 -1 1 1 -1 1 -1 1 -1 1 1 -1 1 1 -1 -1 -1 1 -1 -1 1 -1 1 1 1 1 -1 1 1 -1 -1 1 1 -1 1 -1 1 1 1 1 1 1 1 -1 -1 -1 1 1 -1 1 -1 -1 1 1 1 -1 1 1 -1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 1 1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 and 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 1 -1 1 -1 1 -1 -1 1 -1 -1 1 1 1 -1 1 1 -1 1 -1 -1 -1 -1 1 -1 -1 1 1 -1 -1 1 -1 1 -1 -1 -1 -1 -1 -1 -1 1 1 1 -1 -1 1 -1 1 1 -1 -1 -1 1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 and 1 0 0 0 0 0 0 0 0 1 1 0 0 1 0 1 0 1 0 0 1 0 0 1 1 1 0 1 1 0 1 0 0 0 0 1 0 0 1 1 0 0 1 0 1 0 0 0 0 0 0 0 1 1 1 0 0 1 0 1 1 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Mulyadi - Thesis ITB 2007

IV.3.2 Perhitungan OOIP dengan menggunakan Script

Formula dasar untuk perhitungan OOIP adalah seperti yang disebutkan di bagian awal:

OOIP = A (area) x h (thickness) x Phie x (1-Sw) FVF

Untuk melakukan perhitungan OOIP dalam berbagai kombinasi 1C-2C-3C cases pada kelima parameter adalah dengan menggunakan script dalam program linux

(11)

yang di-run dalam aplikasi perangkat lunak GOCAD (Lampiran 6 dan 7). Kelima parameter tersebut adalah sebagai berikut:

a. Region batas hidrokarbon (region lko,owc,hkw) b. Phie = SGS_simulation_phie

c. Sw = Colcok_simulation_sw d. Phie cut-off

e. Sw cut-off

IV.3.3 Analisis Ketidakpastian dengan DoE

Setelah menentukan parameter-parameter yang akan digunakan, maka dilakukan proses DoE dengan metode D-Optimal. Experiment tabel berikut adalah kombinasi case dari kelima parameter yang dilakukan oleh perangkat lunak DoE dalam GOCAD dengan jumlah run yang ditentukan Peneliti sebanyak 25, yang dianggap mewakili semua kombinasi (Tabel IV.3).

(12)

IV.4 Hasil Perhitungan

IV.4.1 1C, 2C, dan 3C case OOIP dari Script

Hasil perhitungan OOIP dengan menggunakan 1C, 2C, dan 3C case yang berbeda pada setiap parameter bisa dihasilkan lebih dari 90 kombinasi. Berikut adalah contoh hasil perhitungan OOIP untuk 1C Case region batas hidrokarbon (LKO) dengan 1C, 2C dan 3C Case dari beberapa kombinasi antar parameter lainnya:

2_pg_Layer_6_AOI_above_p10_owc_co_sw_hi= 170814207,49672845

Hasil perhitungan OOIP dari kombinasi parameter sebanyak 25 run dalam DoE untuk Lapisan A, B, dan C diringkas pada table IV.4 dan diperlihatkan dalam bentuk grafik (Gambar IV.8). Contoh salah satu hasil perhitungan di atas hasilnya adalah 170.814.207, dimasukkan pada tabel DoE adalah dalam Run 1 pada OOIP Lapisan A.

Tabel IV.4 Hasil perhitungan OOIP Lapisan A, B, C berdasarkan kombinasi parameter.

Lapisan A Lapisan B Lapisan C owc phie_model sw_model phie_cutoff sw_cutoff OOIP (stbo) OOIP (stbo) OOIP (stbo) RUN1 Low Low Low Low High 170.814.208 20.185.123 102.876 RUN2 Low Low Low High Low 158.743.054 18.550.344 63.459 RUN3 Low Low High Low Low 227.364.438 26.722.145 166.172 RUN4 Low Low High Middle Middle 236.467.309 27.291.934 195.452 RUN5 Low Low High High High 248.555.146 28.079.309 247.524 RUN6 Low Middle Low High High 181.038.950 21.050.724 107.516 RUN7 Low Middle Middle Low Low 199.461.826 23.438.893 110.265 RUN8 Low High Low Low Low 173.375.315 20.049.495 68.960 RUN9 Low High Low Middle High 191.644.847 21.906.303 112.176 RUN10 Low High Middle High High 230.469.120 26.089.554 179.138 RUN11 Low High High Low High 274.726.791 30.414.127 269.149 RUN12 Low High High High Low 255.572.914 29.020.509 181.032 RUN13 Middle Low Middle Middle High 223.057.582 30.970.687 650.996 RUN14 Middle Middle High Middle High 281.011.185 37.916.764 995.397 RUN15 Middle High Low High Middle 194.588.596 26.398.935 343.380 RUN16 Middle High Middle Low Middle 231.552.244 31.979.186 543.808 RUN17 High Low Low Low Low 184.384.697 31.309.635 770.340 RUN18 High Low Low High High 210.786.563 36.051.631 1.244.979 RUN19 High Low High Low High 294.271.898 53.581.634 3.012.410 RUN20 High Low High High Low 277.219.814 49.323.845 2.001.686 RUN21 High Middle Middle Middle Middle 247.057.442 43.235.484 1.528.897 RUN22 High High Low Low High 225.807.015 38.903.227 1.350.404 RUN23 High High Low High Low 207.491.673 33.969.209 840.079 RUN24 High High High Low Low 302.752.620 53.347.246 2.174.813 RUN25 High High High High High 331.055.402 58.210.585 3.282.410

Run(n)

(13)

Gambar IV.8 Jumlah OOIP antara Lapisan A,B, dan C dari beberapa kombinasi parameter. Lapisan A mempunyai OOIP yang paling besar dari kombinasi parameter yang ada, sedangkan Lapisan C mempunyai OOIP yang paling kecil.

(14)

IV.4.2 Hasil DoE

Berikut adalah gambar hasil tabel eksperimen dari metode D-Optimal Design, dengan memasukkan hasil OOIP dari setiap run dengan kombinasi parameter tertentu. Nilai OOIP diperoleh dari hasil perhitungan volumetrik hidrokarbon untuk Lapisan A atau Layer 6 (Gambar IV.9).

Kelima parameter tersebut merupakan uncertainty sources, sedangkan OOIP merupakan response variable. Begitu juga langkah yang sama dilakukan untuk Lapisan B dan C.

Gambar IV.9 Besaran OOIP (Lapisan A) yang merupakan input untuk setiap run dan kombinasi parameter. Satuan OOIP di atas adalah STBO (Stock

(15)

IV.4.2.1 Analisis Sensitifitas

Setelah menentukan OOIP dari kombinasi paramater tersebut, maka dilakukan analisis sensitifitas dari setiap parameter terhadap OOIP, yang ditunjukkan dalam

pareto chart. Proses ini bertujuan untuk menentukan significant contributors

terhadap ketidakpastian. Dari chart tersebut, Kita dapat menentukan, parameter mana yang paling signifikan kontibusinya terhadap OOIP.

Hasil analisis pada Lapisan A menunjukkan bahwa parameter model Sw adalah kontributor yang paling signifikan terhadap nilai OOIP (Gambar IV.10). Begitu juga dengan cara yang sama dilakukan untuk Lapisan B dan C (Gambar IV.11 sampai IV.12).

(16)

Gambar IV.11 Hasil analisis sensitifitas Lapisan B. Region batas hidrokarbon adalah kontributor paling besar terhadap OOIP.

(17)

Dari ketiga gambar pareto chart di atas, dapat disimpulkan bahwa parameter model Sw adalah parameter sebagai kontributor yang paling signifikan terhadap nilai OOIP. Parameter OWC lebih kecil dibanding model Sw. Hal ini diinterpretasikan karena variasi region pay berdasarkan 3 case batas hidrokarbon (LKO, OWC, dan HKW) kurang memberikan pengaruh dibanding model Sw terhadap nilai OOIP. Sedangkan untuk model porositas serta cut-off porositas dan Sw, tidak memberikan pengaruh yang signifikan terhadap OOIP.

Pada Lapisan B dan C, OWC merupakan parameter sebagai kontributor yang paling signifikan terhadap nilai OOIP. Ini diinterpretasikan bahwa variasi region

pay berdasarkan 3 case batas hidrokarbon, memberikan kontribusi paling besar

terhadap nilai OOIP. Model Sw memberikan kontribusi yang lebih kecil dibanding batas hidrokarbon. Sama seperti pada Lapisan A, parameter model porositas serta cut-off porositas dan Sw tidak memberikan pengaruh yang signifikan terhadap nilai OOIP pada Lapisan B dan C.

IV.4.3 Perhitungan OOIP Probabilistik

Perhitungan OOIP probabilistik dalam penenelitian ini adalah dengan menggunakan tool Monte Carlo, yang modulnya masih dalam aplikasi perangkat lunak GOCAD. Tujuan metode ini adalah untuk mendapatkan hasil perhitungan OOIP secara probabilistik dengan menggunakan hukum distribusi (Distribution

Law) masing-masing parameter.

Aturan distribusi parameter berdasarkan hasil dari DoE atau histogram dari parameter tersebut. Contoh histogram model porositas pada region pay (region yang mempunyai sel yang memenuhi syarat cut-off pay) Lapisan B diperlihatkan pada gambar IV.13.

(18)

Gambar IV.13 Histogram porositas pada region pay Lapisan B. Parameter statistik diperlihatkan pada sebelah kiri histogram.

Input parameter untuk perhitungan OOIP probabilistik meliputi kelima

paramater: Region kontak hidrokarbon, Phie Model, Sw Model, Cut-off Phie dan

Cut-off Sw (Gambar IV.14 sampai IV.18).

Tipe distribusi dan besaran parameter statistik setiap parameter diringkas dalam tabel IV.4 sampai IV.6. Tipe distribusi OWC, cut-off Phie dan Sw, adalah triangle, dimana hanya 3 nilai sebagai input, yaitu nilai minimum, mode, dan maksimum. Sedangkan untuk parameter model Phie dan Sw, digunakan model Gaussian dengan memasukkan nilai mean (µ) dan standar deviasi (σ) yang diperoleh dari histogram model.

(19)

Gambar IV.14 Distribution Law untuk parameter batas hidrokarbon (OWC) Lapisan A

Gambar IV.15 Distribution Law untuk parameter Model Phie dalam region pay pada Lapisan A

(20)

Gambar IV.16 Distribution Law untuk parameter Model Sw dalam region pay Lapisan A

(21)

Gambar IV.18 Distribution Law untuk parameter Cut-off Sw Lapisan A

Pada Lapisan semua lapisan (A, B, dan C), model Sw mempunyai nilai standar deviasi dan koefisien variasi (CV, dimensionless =σ/µ) lebih besar dibanding pada model Phie. Berdasarkan nilai koefisien variasi (sebagai pembanding), ini menunjukkan bahwa variasi nilai Sw lebih besar dibanding Phie.

Tipe distribusi dan besaran parameter statistik tersebut dipakai sebagai

distribution law untuk perhitungan OOIP probabilistik dengan Monte Carlo

melalui iterasi 10.000 kali, yang hasilnya bisa dilihat pada gambar IV.19 sampai IV.21. Hasil perhitungannya diringkas pada tabel IV.8.

(22)

Tabel IV.5 Tipe distribusi dan parameter statistik untuk setiap parameter pada

region pay Lapisan A

Paramater Tipe

Distribusi Min Mode Max Mean (µ) Standar Deviasi (σ) Koefisien Variasi (CV) Jumlah Sampel owc Triangle -1 0 1 Phie_model Gaussian 0,372 0,047 0,126 396.625 Sw_model Gaussian 0,536 0,184 0,343 396.625 Phie_cutoff Triangle 0,235 0,24 0,255 Sw_cutoff Triangle 0,77 0,8 0,87

region pay Lapisan B

Paramater Tipe

region pay Lapisan C

Paramater Tipe

(23)

Gambar IV.19 Hasil perhitungan OOIP probabilistik pada region pay Lapisan A.

Hasil perhitungan OOIP (STBO) untuk Lapisan A adalah sebagai berikut: P10 OOIP= 251.163.000 P50 OOIP= 266.745.000 P90 OOIP= 281.519.000 Minimum= 225.428.000 Maksimum= 308.514.000 Range= 83.086.000 Mean (µ)= 266.540.000 Standar Deviasi (σ)= 11.680.000 Koefisien Variasi= 0,044

(24)

Gambar IV.20 Hasil perhitungan OOIP probabilistik pada region pay Lapisan B.

Hasil perhitungan OOIP (STBO) untuk Lapisan B adalah sebagai berikut: P10 OOIP= 33.509.700 P50 OOIP= 39.123.400 P90 OOIP= 44.641.900 Minimum= 27.965.000 Maksimum= 50.091.630 Range= 22.951.300 Mean (µ)= 39.093.600 Standar Deviasi (σ)= 4.127.870

(25)

Gambar IV.21 Hasil perhitungan OOIP probabilistik pada region pay Lapisan C.

Hasil perhitungan OOIP (STBO) untuk Lapisan C adalah sebagai berikut: P10 OOIP= 848.384 P50 OOIP= 1.304.390 P90 OOIP= 1.756.200 Minimum= 406.818 Maksimum= 2.142.620 Range= 1.735.802 Mean (µ)= 1.303.040 Standar Deviasi (σ)= 336.198 Koefisien Variasi= 0,258

(26)

Tabel IV.8 Ringkasan hasil perhitungan OOIP probabilistik dengan menggunakan Monte Carlo pada region pay Lapisan A,B, dan C.

OOIP (MSTBO) Lapisan

P10 P50 P90 Mean Standar

Deviasi

Koefisien

Variasi Jumlah sel region pay A pay 251.163 266.745 281.519 266.540 11.680 0,044 396.625

B pay 33.509,7 39.123,4 44.641,9 39.093,6 4.127,9 0,105 101.988

C pay 848,4 1.304,4 1.756,2 1.303 336,2 0,258 5.618

Dari hasil perhitungan OOIP di atas, maka dapat disimpulkan bahwa:

1. Lapisan A mempunyai OOIP yang paling besar, diikuti oleh Lapisan B, dan selanjutnya lapisan C.

2. Lapisan A mempunyai koefisien variasi yang paling kecil, yang mengindikasikan bahwa variasi nilai OOIP yang dihasilkan lebih seragam dibanding Lapisan B dan C. Lapisan C mempunyai koefisien variasi yang paling besar.

Perhitungan OOIP di atas menggunakan model dengan parameter statistik untuk

region pay, sehingga tidak mencerminkan keseluruhan data porositas dan Sw pada

masing-masing lapisan. Jadi, ada beberapa data porositas dan Sw dalam model geologi Reservoir “X” yang tidak dimasukkan dalam menentukan parameter statistik (mean dan standar deviasi) pada region pay tersebut.

Walaupun dari hasil analisis sensitifitas DoE, porositas model tidak menunjukkan pengaruh yang signifikan seperti OWC dan model Sw, pada penelitian ini akan dilakukan perhitungan OOIP probabilistik dengan menggunakan data porositas keseluruhan, untuk mengetahui seberapa besar pengaruh perubahan parameter statistik porositas dan implikasinya terhadap OOIP (Gambar IV.22 sampai IV.24). Begitu juga untuk data Sw, dilakukan perhitungan OOIP probabilistik dengan menggunakan parameter statistik seluruh data Sw pada setiap lapisan (Gambar IV.25 sampai IV.27). Semua lapisan menggunakan parameter yang sama untuk data region batas hidrokarbon dan cut-off porositas serta cut-off Sw pada setiap

(27)

Gambar IV.22 Hasil OOIP dengan menggunakan porositas pada region keseluruhan (pay dan non-pay di atas 3C case OWC) pada Lapisan A.

Gambar IV.23 Hasil OOIP dengan menggunakan porositas pada region keseluruhan (pay dan non-pay di atas 3C case OWC) pada Lapisan B.

(28)

Gambar IV.24 Hasil OOIP dengan menggunakan porositas pada region keseluruhan (pay dan non-pay di atas 3C case OWC) pada Lapisan C.

Setelah membandingkan hasil antara OOIP yang menggunakan law distribution pada pay region (sw pay dan phie pay) terhadap OOIP yang menggunakan law

distribution pada region yang menggunakan semua data porositas (sw pay dan

phie all), terlihat tidak ada perubahan OOIP yang signifikan. (Tabel IV.9).

Perubahan nilai OOIP dan parameter statistik adalah kurang dari 1%, sehingga perubahan model dengan menggunakan seluruh data porositas, tidak memberikan pengaruh dan perubahan OOIP yang berarti.

Lain halnya dengan model Sw, dengan membandingkan hasil antara OOIP yang menggunakan distribution law pada pay region (sw pay dan phie pay) terhadap OOIP yang menggunakan distribution law pada region yang menggunakan semua data Sw, terlihat adanya perubahan OOIP yang signifikan, yaitu rata-rata sekitar 4

(29)

Tabel IV.9 Pengaruh perubahan parameter statistik porositas model terhadap OOIP. A pay 251.163 266.745 281.519 266.540 11.680 0,044 396.625 A phie_all 251.639 266.697 281.681 266.690 11.578 0,043 1.360.585 Delta 476 -48 162 150 -102 0 963.960 % 0,2% 0,0% 0,1% 0,1% -0,9% 71% B pay 33.510 39.123 44.642 39.094 4.128 0,105 101.988 B phie_all 33.447 39.029 44.589 39.014 4.167 0,107 334.510 Delta -63 -95 -53 -80 39 0 232.522 % -0,2% -0,2% -0,1% -0,2% 0,9% 70% C pay 848 1.304 1.756 1.303 336 0,258 5.618 C phie_all 850 1.295 1.759 1.298 335 0,258 217.871 Delta 2 -9,3 2,9 -5 -1,4 0 212.253 % 0,2% -0,7% 0,2% -0,4% -0,4% 97%

Lapisan OOIP (MSTBO) Koefisien

Variasi Jumlah sel region pay dan semua P10 P50 P90 Mean Standar Deviasi

Gambar IV.25 Hasil OOIP dengan menggunakan Sw pada region keseluruhan (pay dan

(30)

Gambar IV.26 Hasil OOIP dengan menggunakan Sw pada region keseluruhan (pay dan

non-pay di atas 3C case OWC) pada Lapisan B.

(31)

Tabel IV.10 Pengaruh perubahan parameter statistik Sw model terhadap OOIP. A pay 251.163 266.745 281.519 266.540 11.680 0,044 396.625 A sw_all 262.652 279.273 296.411 279.398 13.156 0,047 1.360.585 Delta 11.489 12.528 14.892 12.858 1.476 0 963.960 % 5% 5% 5% 5% 13% 71% B pay 33.510 39.123 44.642 39.094 4.128 0,105 101.988 B sw_all 35.027 40.709 46.396 40.719 4.242 0,104 334.510 Delta 1.517 1.585 1.754 1.625 115 0 232.522 % 5% 4% 4% 4% 3% 70% C pay 848 1.304 1.756 1.303 336 0,258 5.618 C sw_all 964 1.415 1.860 1.413 334 0,236 217.871 Delta 116 110 104 110 -2 0 212.253 % 14% 8% 6% 8% -1% 97%

Lapisan OOIP (MSTBO) Koefisien

Variasi Jumlah sel region pay dan semua P10 P50 P90 Mean Standar Deviasi

IV.5 Analisis Hasil Perhitungan dalam kaitan dengan Karakterisasi Reservoir

Hasil perhitungan OOIP, Lapisan A mempunyai jumlah hidrokarbon yang paling banyak, diikuti oleh Lapisan B dan C. Lapisan C mempunyai OOIP yang paling sedikit. Jumlah OOIP bisa dicerminkan dari peta ketebalan hidrokarbon (HPT). Berdasarkan perhitungan OOIP probabilistik, Lapisan A mempunyai jumlah OOIP rata-rata 266.540 MSTBO, Lapisan B= 39.094 MSTBO, dan Lapisan C= 1.303 MSTBO.

Dari proses analisis ketidakpastian (uncertainty analysis) yang diperlihatkan

pareto chart, model Sw merupakan kontributor paling signifikan terhadap OOIP

pada Lapisan A. Sedangkan pada Lapisan B dan C, region owc merupakan kontributor yang paling signifikan terhadap OOIP.

Berdasakan data histogram properties model, model Sw mempunyai koefisien variasi lebih besar dibanding model porositas. Ini menunjukkan bahwa, data porositas pada Reservoir “X” mempunyai nilai yang lebih seragam dibanding Sw.

(32)

Dari perbandingan hasil perhitungan OOIP probabilistik yang menggunakan

distribution law model porositas yang memenuhi syarat sebagai pay, terhadap

model porositas keseluruhan, hasil OOIP antar kedua model tersebut mempunyai perbedaan yang sangat kecil, yaitu kurang 1%. Sedangkan perbandingan hasil perhitungan OOIP probabilistik yang menggunakan distribution law model Sw yang memenuhi syarat sebagai pay, terhadap model Sw keseluruhan, hasil OOIP antar kedua model tersebut mempunyai perbedaan yang cukup signifikan sampai 8 % (rata-rata OOIP).