EVALUASI PENERAPAN METODA INVERSI IMPEDANSI AKUSTIK DAN MULTIATRIBUT NEURAL NETWORK
UNTUK PEMODELAN DISTRIBUSI CHANNEL DAN POROSITAS STUDI KASUS : LAPANGAN BLACKFOOT ALBERTA CANADA
TUGAS AKHIR
Diajukan sebagai salah satu syarat untuk menempuh ujian strata satu Program Studi Teknik Geofisika Institut Teknologi Bandung
Oleh :
NOVRIANTO PAMILWA CITAJAYA 123 04 009
Program Studi Teknik Geofisika
Fakultas Teknik Pertambangan dan Perminyakan
Institut Teknologi Bandung
EVALUASI PENERAPAN METODA INVERSI IMPEDANSI AKUSTIK DAN MULTIATRIBUT NEURAL NETWORK
UNTUK PEMODELAN DISTRIBUSI POROSITAS
STUDI KASUS : LAPANGAN BLACKFOOT ALBERTA CANADA
TUGAS AKHIR
Diajukan sebagai salah satu syarat untuk menempuh ujian strata satu Program Studi Teknik Geofisika Institut Teknologi Bandung
Oleh :
NOVRIANTO PAMILWA 123 04 009
Pembimbing I Pembimbing II
Dr. Sigit Sukmono Dr. Mohammad Rachmat Sule
NIP : 131 835 233 NIP: 132 137 900
Program Studi Teknik Geofisika
Fakultas Teknik Pertambangan dan Perminyakan
Institut Teknologi Bandung
ABSTRAK
Skripsi ini membahas evaluasi multiatribut dari data seismik atribut dan data log. Hasil yang telah di capai akan di bandingkan dengan hasil seismik inversi konvensional untuk memodelkan penyebaran channel dan distribusi porositas. Data yang digunakan adalah set data training daerah
Blackfoot dari Hampson Russell Software Service. Metode multiatribut dalam penelitian ini
dilakukan untuk memprediksi log porositas. Jumlah atribut yang digunakan di tentukan oleh proses step wise regression. Operator konvolusi digunakan untuk menyelesaikan masalah perbedaan frekuensi antara data seismik dan data log. Metode multiatribut yang linier transformasinya terdiri dari deret bobot yang diperoleh dari minimalisasi least square. Pada metoda non linier, Neural Network di gunakan dalam proses training dengan menggunakan atribut yang sudah ditentukan sebelumnya. Tiga tipe Neural Network yang dilakukan dalam studi ini adalah MLFN, PNN, dan RBF. PNN menjadi pilihan neural network utama karena mempunyai korelasi yang paling tinggi. Untuk mengetahui tingkat kepercayaan dari transformasi multi atribut dilakukan proses crossvalidasi. Dalam proses ini, setiap sumur secara sistematis tidak dipakai dalam proses training, dan transformasi diturunkan kembali dari well yang tersisa. Error validasi adalah rata-rata error dari semua well yang tidak digunakan. Error validasi mengukur error prediksi pada saat transformasi digunakan pada volume seismik. Metoda model based digunakan pada inversi seismik konvensional. Hasil yang diperoleh menunjukkan bahwa Metoda multiatribut Neural Network menghasilkan prediksi distribusi porositas pada top channel dan hasil seismik inversi AI dapat menggambarkan model distribusi channel.
Abstract
This thesis will discuss about multiattribute evaluation from seismic attribute and log property. The result will be compared with conventional seismic inversion method to modeling channel delineation and porosity prediction. Blackfoot training data set from Hampson Russell Software Service used for this study. Multiatrribute method used to predict porosity logs. The objective is to derive a multiattribute transform, which is a linear or nonlinear transform between a subset of the attributes and the target log values then we compare the result with conventional seismic inversion. The selected subset is determined by a process of forward stepwise regression, which derives increasingly larger subsets of attributes. An extension of conventional crossplotting involves the use of a convolutional operator to resolve frequency differences between the target logs and the seismic data. In the linear mode, the transform consists of a series of weights derived by least squares minimization. In the nonlinear mode, a neural network is trained, using the selected attributes as inputs. Three types of neural networks have been evaluated: the multilayer feedforward network (MLFN), probabilistic neural network (PNN) and Radial basis function (RBF). Because of its higher correlation, the PNN appears to be the network of choice. To estimate the reliability of the derived multiattribute transform, crossvalidation is used. In this process, each well is systematically removed from the training set, and the transform is rederived from the remaining wells. The prediction error for the hidden well is then calculated. The validation error, which is the average error for all hidden wells, is used as a measure of the likely prediction error when the transform is applied to the seismic volume. Model based method applied for conventional seismic inversion. Multi-attribute Neural Network result give distribution of porosity prediction on top channel. Acoustic impedance result give the model of channel distribution.
i
KATA PENGANTAR
Segala Pujian, Hormat, serta Syukur penulis panjatkan kepada Tuhan Yesus Kristus karena atas anugerah-Nya yang tidak ternilai penulis dapat sampai di suatu Kairos untuk dapat menyelesaikan tugas akhir di Program Studi Teknik Geofisika, Institut Teknologi Bandung.
Pada saat penulisan tugas akhir ini, banyak pihak yang ikut membantu dan terlibat di dalamnya. Pada kesempatan ini, penulis ingin mengucapkan terima kasih, kepada :
1. Mama dan Papa tercinta yang selalu memberi dukungan, doa serta semangat kepada penulis.
2. Bapak Dr. Sigit Sukmono, selaku dosen pembimbing dan dosen wali penulis, yang telah memberikan pengarahan dan saran-saran sehingga terselesaikannya penulisan tugas akhir ini.
3. Bapak Rachmat Sule, selaku dosen yang telah memberikan pengarahan, saran serta pengetahuan baru yang memperkaya penulis dalam masa kuliah dan penulisan tugas akhir.
4. Teman-Teman di PMK Openhouse dan PMK ITB untuk semua canda tawa dan perhatian di dalam masa-masa sulit dan pergumulan hidup, persekutuan kita dalam Tuhan tidak akan pernah sia-sia.
5. Mas Widy yang bersedia mendengarkan semua cerita dan menemani di malam-malam pengerjaan skripsi.
6. Teman-Teman KKRJB VIII yang memberikan warna tersendiri dalam masa akhir mahasiswaku, SEKALI SEMANGAT TETAP SEMANGAT !!
ii
7. Gardini, Nancy, Jane, Mana, Miyu dan teman-teman di kost Sulanjana yang memberikan support dan sumbangan kertas untuk pengerjaan skripsi.
8. Adek-adek KTBku Okto, Daniel, Pahala yang senantiasa menjadi murid yang selalu mengingatkanku untuk menjadi pribadi yang lebih baik.
9. Dosen-dosen pengajar, yang tidak dapat disebutkan namanya satu persatu, di departemen Teknik Geofisika Institut Teknologi Bandung.
10.Mbak Lilik dan Mbak Ning yang membantu saya dalam urusan administrasi di departemen Teknik Geofisika.
11.Teman-teman Lab Reservoir, Asisten, TERRA dan seluruh TG’04 yang telah banyak membantu penulis selama studi di Program Studi Teknik Geofisika .
Semoga Tuhan senantiasa melimpahkan rahmat dan karunia-Nya kepada kita semua. Dengan penuh kesadaran, selama penulisan tugas akhir ini, tentunya penulis tidak akan luput dari kesalahan dan kekurangan. Oleh karena itulah, penulis mengharapkan kritik dan saran untuk dijadikan bahan pertimbangan dan masukan dalam penyempurnaan tugas akhir ini. Semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang membutuhkan.
Bandung, Mei 2008
DAFTAR ISI
Hal.
KATA PENGANTAR ... i
ABSTRAK ... iii
DAFTAR ISI... iv
DAFTAR GAMBAR ... vii
DAFTAR TABEL ... xi
BAB I. PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Batasan Masalah ... 2
1.3. Maksud dan Tujuan Penelitian ... 2
1.4. Metoda Penelitian ... 2
1.5. Perangkat Lunak ... 3
1.6. Sistematika Pembahasan ... 3
BAB II. KONDISI GEOLOGI REGIONAL ... 5
2.1. Geologi Blackfoot ... 5
2.2. Petroleum System ... 6
BAB III. TEORI DASAR ... 8
v
3.2 Metoda Seismik Inversi ... 10
3.2.1 Inversi Band Limited ... 10
3.2.2 Inversi Model Based ... 11
3.2.3 Inversi sparse spike ... 12
3.3 Metoda Multiatribut ... 13
3.3.1 Regresi Linear Multiatribut... 16
3.3.2 Validasi ... 18 3.3.3 Convolutional Multiatribute ... 20 3.4 Neural Network ... 22 3.4.1 MLFN ... 23 3.4.2 PNN... 25 3.4.3 RBF ... 27
BAB IV. DATA DAN PENGOLAHAN DATA ... 29
4.1. Data ... 29
4.1.1. Data Sesimik ... 29
4.1.2. Data Sumur dan data checkshot ... 30
4.1.3. Horizon ... 30
4.2. Pengolahan Data ... 31
4.2.1. Penentuan Geometri dan Survey ... 31
4.2.3. Seismik Inversi... 34
4.2.4. Multiatribut Seismik ... 40
4.2.5. Neural Network ... 43
BAB V. ANALISA DATA ... 48
5.1 Analisa Tuning dan Transformasi Porositas ... 48
5.2 Analisa Multiatribut ... 51
5.3 Validitas Multiatribut ... 57
5.4 Aplikasi Log P -Wave ... 58
5.5 Analisa Peta ... 60
BAB VI. PENUTUP ... 63
6.1 Kesimpulan ... 63
6.2 Saran ... 64
vii
DAFTAR GAMBAR
Hal
Gambar 2.1 Blackfoot Area 5
Gambar 2.2 Kolom Stratigrafi Blackfoot 6 Gambar 2.3 Model Facies Blackfoot 7 Gambar 3.1 Penjalaran Gelombang Melalui Batas Dua medium 8 Gambar 3.2 Ilustrasi Seismogram Sintetik 9
Gambar 3.3 Metoda Inversi Model Based 11
Gambar 3.4 Ilustrasi Cross-plot dengan menggunakan (a) satu atribut 16 (b) dua atribut
Gambar 3.5 Contoh kasus tiga atribut seismik 17 Gambar 3.6 Ilustrasi cross-validasi. 18
Gambar 3.7 Perbedaan frekuensi antara data seismik dan data log 19
Gambar 3.8 Penggunaan 5 titik operator konvolusi 20
Gambar 3.9 Ilustrasi MLFN 23
Gambar 3.10 Fungsi Akstivasi dan Ouput MLFN 24 Gambar 3.11 Ilustrasi Skematik tentang training vektor 27 Gambar 3.12 Grafik Skematik dari vektor si,sj,xk 27 Gambar 4.1 Data Seismik pada Xline 26 29
Gambar 4.2 Data Log, Checkshot, Top Horizon Sumur Novry -3 30
Gambar 4.3 Base Map Area Studi 31
Gambar 4.5 Proses Well to Seismic Tie Pada Sumur Novry-3 33
Gambar 4.6 Alur Kerja dan Pengolahan data 34
Gambar 4.7 Inisial Model 35
Gambar 4.8 Analisis pre-inversi untuk model based 36
Gambar 4.9 Analisis pre-inversi untuk sparse-spike inversion 37
Gambar 4.10 Hasil Inversi metoda model based 38
Gambar 4.11 Error Inversi Model Based 38
Gambar 4.12 Penampang Hasil Inversi Sparse Spike 39
Gambar 4.13 Regresi Fungsi Porositas terhadap AI 39
Gambar 4.14 Log Target dan Seismik 40
Gambar 4.15 Kurva Prediksi Error dan Validasi Error untuk Multiatribut 41
Gambar 4.16 Aplikasi Multiatribut 42
Gambar 4.17 Korelasi silang antara predicted porosity dan actual porosity 42
Gambar 4.18 Hasil Training Probabilistic Neural Network 43
Gambar 4.19 Hasil Training Multi Layer Feed-Forward Neural Network 44
Gambar 4.20 Hasil Training Radial Basis Function Neural Network 44
Gambar 4.21 Hasil Validasi PNN 45
ix
Gambar 4.23 Aplikasi PNN pada data seismik untuk mengetahui Sebaran 46 Porositas
Gambar 4.24 Aplikasi MLFN pada data seismik untuk mengetahui Sebaran 46 Porositas
Gambar 4.25 Aplikasi RBF pada data seismik untuk mengetahui Sebaran 47 Porositas
Gambar 4.26 Aplikasi Multilinear Regression pada data seismik untuk 47 mengetahui sebaran porositas
Gambar 5.1 Crossplot AI vs Porosity 49
Gambar 5.2 Porositas Dari Hasil Inversi Model Based 50
Gambar 5.3 Slice Top Channel Porositas- Inversi Model Based 50
Gambar 5.4 Aplikasi Multilattribute linear regression 52
Gambar 5.5 Aplikasi PNN 52
Gambar 5.6 Penampang Porositas PNN diluar kontrol well (Xline 60) 53 Gambar 5.7 Penampang Porositas PNN diluar kontrol well (Xline 35) 53 Gambar 5.8 Crossplot korelasi regresi multiatribut CC = 0.62 54 Gambar 5.9 Crossplot korelasi multiatribut-PNN CC = 0.87 54
Gambar 5.10 Aplikasi MLFN 55
Gambar 5.11 Aplikasi RBF 55
Gambar 5.12 Cross Validasi Neural Network 57
Gambar 5.13 Analisa Multi Atribut untuk Log Target P –Wave 58
Gambar 5.15 Aplikasi PNN Korelasi 0.84 59
Gambar 5.16 Validasi PNN 59
Gambar 5.17 Slice Apliikasi PNN pada Top Channel 60 Gambar 5.18 Slice Aplikasi Multilinear Regression pada Top Channel 61 Gambar 5.19 Penampang Aplikasi PNN untuk P Wave - inline 95 61 Gambar 5.20 Penampang Aplikasi PNN untuk Porositas - inline 95 62 Gambar 5.21 Penampang Inversi untuk Interpretasi channel 62
xi
DAFTAR TABEL
Tabel 4.1 Perbandingan Koefisien Korelasi Well to Seismic Tie 32
Tabel 4.2 Analisa Multiatribut Seismik 41