LAPORAN TUGAS AKHIR
Oleh:
JACKY AGUSTINO WIBISONO 101117013
PROGRAM STUDI TEKNIK GEOFISIKA
FAKULTAS TEKNOLOGI EKSPLORASI DAN PRODUKSI
UNIVERSITAS PERTAMINA
Universitas Pertamina - i
ESTIMASI IMPEDANSI AKUSTIK DATA SEISMIK
DENGAN ARTIFICIAL NEURAL NETWORK
LAPORAN TUGAS AKHIR
Oleh:
JACKY AGUSTINO WIBISONO 101117013
PROGRAM STUDI TEKNIK GEOFISIKA
FAKULTAS TEKNOLOGI EKSPLORASI DAN PRODUKSI
UNIVERSITAS PERTAMINA
Universitas Pertamina - ii
LEMBAR PENGESAHAN
Judul Tugas Akhir :
Namaa Mahasiswa : Jacky Agustino Wibisono
Nomor Induk Mahasiswa : 101117013
Program Studi : Teknik Geofisika
Fakultas :
Tangga Lulus Sidang Tugas Akhir : 18 Juni 2021
Jakarta, 28 Juni 2021 MENGESAHKAN Pembimbing I Waskito Pranowo, M.T. NIP. 116030 MENGETAHUI Ketua Program Studi
Muhammad Husni Mubarak Lubis, M.S. NIP. 116028
Estimasi Impedansi Akustik Data Seismik Dengan Artificial Neural Network (ANN)
Fakultas Teknologi Produksi dan Eksplorasi (FTEP)
Universitas Pertamina - iii
LEMBAR PERNYATAAN
Dengan ini saya menyatakan bahwa tugas akhir yang berjudul “Estimasi Impedansi Akustik Data Seismik Dengan Artificial Neural Network” ini adalah benar-benar merupakan hasil penelitian yang dilakukan oleh saya sendiri. Materi atau pun tulisan orang lain yang tercantum dalam laporan tugas akhir ini sudah dikutip dengan referensi yang sumbernya sudah dituliskan secara jelas sesuai dengan kaidah penulisan karya ilmiah.
Apabila dikemudian hari ditemukan adanya kecurangan dalam hasil penelitian ini, saya bersedia menerima sanksi sesuai dengan peraturan dan kebijakan dari Universitas Pertamina.
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 meyimpan, 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.
Universitas Pertamina - iv
ABSTRAK
Jacky Agustino Wibisono. 101117013. Estimasi Impedansi Akustik Data Seismik Dengan Artificial Neural Network.
Metode inversi seismik merupakan sebuah proses mengubah data seismik menjadi sifat fisis lapisan batuan. Hasil akhir dari metode inversi seismik dapat membantu dalam karakterisasi zona reservoir. Namun, proses inversi membutuhkan parameter yang rumit untuk menghasilkan hasil inversi yang optimal. Oleh karena itu, penelitian ini ingin menunjukan Artificial Neural Network (ANN) dapat menjadi solusi alternatif lain untuk rekonstruksi sifat fisis batuan (impedansi akustik). Kumpulan trace yang diekstraksi dari beberapa data volum akan dijadikan sebagai data input sedangkan kumpulan data impedansi akustik dari data sumur dijadikan sebagai data output. Data input serta ouput akan dipelajari menggunakan metode ANN untuk membangun algoritma. Algoritma ANN akan digunakan untuk estimasi impedansi akustik dari data trace. Pengujian algoritma ANN dilakukan pada dua sumur dan satu line seismik. Hasil pengujian kedua sumur menunjukan korelasi antara nilai estimasi dan nilai true impedansi akustik mencapai 94%. Kemudian, pengujian pada satu line seismik memberikan hasil yang sangat baik dimana pola dan kontur struktur lapisan batuan terestimasi dengan baik. Berdasarkan hasil pengujian, maka metode ANN dapat menjadi solusi altenatif terbaik untuk
menggantikan metode inversi seismik dalam estimasi impedansi akustik dari data
seismik.
Universitas Pertamina - v
ABSTRACT
Jacky Agustino Wibisono. 101117013. Seismic Data Acoustic Impedance Estimation Using Artificial Neural Network (ANN).
The seismic Inversion method is a process of transforming seismic data into physical properties of rock layer. The final result of the seismic inversion can help in reservoir characterization zone. However, the inversion process requires complex parameters to produce optimum inversion results. Therefore, this study wants to show that Artificial Neural Network (ANN) can be an alternative solution for the reconstruction of the physical properties of rocks (acoustic impedance). The trace dataset extracted from some of the data volume is used as input data while the true acoustic impedance data from well log is used as output data. Input and output data will be studied by ANN to build the algorithm. The algorithm will be used to estimate the acoustic impedance from the trace data. ANN algorithm test carried out on two wells and one seismic line. The test results of both wells show that the correlation between the estimated and true value of acoustic impedance reaches more than 94%. Also, the algorithm test on seismic lines gives an impressive result where the pattern and contours of the rock layer structure are well estimated. Based on the test results, the ANN method can be the best alternative solution to replace the seismic inversion method in estimating acoustic impedance from seismic data.
Keyword: Seismic inversion, Acoustic impedance, Artificial Neural Network (ANN)
Universitas Pertamina - vi
KATA PENGANTAR
Puji dan syukur kehadirat Tuhan Yang Maha Esa atas berkat dan perlindungan-Nya tugas akhir yang berjudul “Estimasi Impedansi Akustik Data Seismik Dengan Artificial Neural Network” dapat terselesaikan dengan baik.
Dalam penyusunan laporan tugas akhir ini, penulis ingin mengungkapkan rasa terima kasih kepada:
1. Bapak M. Husni Mubarak Lubis, M.S. selaku kaprodi Teknik Geofisika Universitas Pertamina, Jakarta.
2. Bapak Waskito Pranowo, M.T. selaku dosen pembimbing tugas akhir.
3. Bapak Dwandari Ralanarko, S.T., M.T. selaku pembimbing tugas akhir (technical interest group PT.PHE) serta penyedia data untuk bahan penelitian.
4. Bapak Pranowo Nugroho, S.Si. selaku pihak yang menyediakan data sebagai bahan penelitian (technical interest group PT.PHE).
5. Seluruh kerabat dan keluarga yang secara tidak langsung mendukung penelitian ini hingga akhir.
Penulis memahami bahwa tugas akhir ini sangat dimungkinkan masih banyak kekurangan yang harus diperbaiki. Segala bentuk kritik dan saran akan dengan senang hati diterima jika terdapat hal yang keliru. Akhir kata semoga tugas akhir ini memberi manfaat dan wawasan bagi pihak yang berkepentingan.
Jakarta, 10 Juni 2021 Penulis,
Jacky Agustino Wibisono 101117013
Universitas Pertamina - vii
DAFTAR ISI
LEMBAR PENGESAHAN ... ii
LEMBAR PERNYATAAN ... iii
ABSTRAK ... iv
ABSTRACT ... v
KATA PENGANTAR ... vi
DAFTAR ISI ... vii
DAFTAR TABEL ... ix DAFTAR GAMBAR ... x DAFTAR SINGKATAN ... xi BAB I PENDAHULUAN ... 1 1.1. Latar Belakang ... 1 1.2. Rumusan Masalah ... 2 1.3. Batasan Masalah ... 2 1.4. Tujuan Penelitian ... 3 1.5. Manfaat Penelitian ... 3 1.6. Lokasi Penelitian ... 3
BAB II TINJAUAN PUSTAKA ... 5
2.1. Seismik Refleksi ... 5 2.2. Well Logging ... 6 2.3. Well Tie ... 6 2.4. Attribute Seismik ... 7 2.5. Machine Learning ... 8 2.6. Neural Network ... 9 2.7. Deep Learning ... 9
2.8. Artificial Neural Network ... 10
BAB III METODE PENELITIAN... 12
3.1. Perangkat Penelitian ... 12
3.2. Waktu dan Tempat Penelitian ... 12
3.3. Data Penelitian ... 12
3.3.1. Data seismik 3D ... 12
3.3.2. Data sumur ... 14
Universitas Pertamina - viii
3.4. Tahapan Penelitian ... 16
3.5. Tahap Persiapan Data ... 17
3.6. Tahap Pembentukan Model ... 19
3.7. Tahap Penerapan Model ... 21
BAB IV HASIL & PEMBAHASAN ... 25
4.1. Hasil Estimasi Sumur dengan ANN ... 25
4.2. Hasil Estimasi Seismik Line dengan ANN ... 28
BAB V KESIMPULAN & SARAN ... 31
5.1. Kesimpulan ... 31
5.2. Saran ... 32
DAFTAR PUSTAKA ... 34
Universitas Pertamina - ix
DAFTAR TABEL
Tabel 3.1 Jadwal Penelitian... 12
Universitas Pertamina - x
DAFTAR GAMBAR
Gambar 2.1 Ilustrasi Proses Penjalaran Gelombang Seismik (Anonymous, 2015) . 5
Gambar 2.2 Proses Well-tie Pada Salah Satu Sumur Sampel Dalam Penelitian ... 7
Gambar 2.3 Atribut Seismik (Barnes, 2016) ... 8
Gambar 2.4 Ilustrasi Perceptron Model (Portilla, 2020) ... 9
Gambar 2.5 Ilustrasi Multi-layer Perceptron Model (Portilla, 2020) ... 10
Gambar 3.1 Informasi Data Seismik ... 13
Gambar 3.2 Visualisasi 3D Seismik Cube ... 13
Gambar 3.3 Visualisasi 2D Seismik inline 964 & Data Horizon ... 14
Gambar 3.4 Visualisasi Lokasi Sumur Sampel ... 15
Gambar 3.5 Informasi Data Pengukuran Sumur W_01 ... 15
Gambar 3.6 Alur Kerja Penelitian ... 16
Gambar 3.7 Data Penelitian & Data Turunan ... 17
Gambar 3.8 Susunan Data Penelitian ... 18
Gambar 3.9 Visualisasi Salah Satu Data Trace & Sumur Penelitian ... 18
Gambar 3.10 Ilustrasi Proses Pembersihan Dataset ... 19
Gambar 3.11 Pembagian Input & Output Dataset ... 20
Gambar 3.12 Algoritma ANN ... 20
Gambar 3.13 Visualisasi Korelasi Antara Data True & Hasil Estimasi Impedansi Akustik ... 21
Gambar 3.14 Quadrature Seismik inline 964 ... 22
Gambar 3.15 Low Frequency Seismik Inline 964 ... 22
Gambar 3.16 Amplitude Envelope Seismik Inline 964 ... 23
Gambar 3.17 Seismik Filter 5/10/15/20 Inline 964 ... 23
Gambar 4.1 Visualisasi Korelasi Data True & Hasil Estimasi Sumur W_04 ... 25
Gambar 4.2 Visualisasi Data True & Hasil Estimasi Terhadap Kedalaman Sumur W_04 ... 26
Gambar 4.3 Visualisasi Korelasi Data True & Hasil Estimasi Sumur W_G_02p . 27 Gambar 4.4 Visualisasi Data True & Hasil Estimasi Terhadap Kedalaman Sumur W_G_02 ... 28
Gambar 4.5 Visualisasi Seismik Inline 964 Menggunakan Jupyter Notebook ... 29
Universitas Pertamina - xi
DAFTAR SINGKATAN
Singkatan
Arti Keterangan
2D Dua Dimensi
3D Tiga Dimensi
ANN Artificial Neural Network
PIMP P-Impedance
