Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam tesis ini, penulis mengemukakan metode sederhana untuk menguraikan jenis-jenis batuan dari data seismik full stack. Untuk mencapai hal tersebut, pertama, korelasi-silang antara well traces dan data seismik dikalkulasi. Trace-trace yang ada pada setiap sumur-sumur diambil sebagai trace referensi. Setiap well traces di-korelasi-silang dengan data seismic yang telah ada, dimana hasilnya dapat digunakan sebagai atribut seismik. Semua atribut yang telah dikalkulasi dari tracetrace referensi kemudian digunakan sebagai input untuk proses analisis gugus. Metode clustering yang telah digunakan dalam tesis ini adalah kmeans clustering. Kedua, perubahan kemiringan, intercept, korelasi koefisien, dan, deviasi standar, dari setiap sumur-sumur yang telah di-PCA(Principal Component Analysis) digunakan sebagai input untuk proses analisis gugus. Mengimplementasikan metode ini telah memunculkan horizon based analysis dengan mudah. Metode ini telah diterapkan pada data seismic fullstack dan informasi sumur pada lapangan Boonsville. Hasil menunjukkan konsistensi dengan keberadaan peta jenis-jenis batuan yang diinterpretasikan dari well correlation.

---

In this thesis, the authors present a simple method to extract the lithotypes from fullstack seismic data. To achieve that, first the cross-correlation between well traces and seismic data was calculated. The traces at the wells were taken as reference traces. Each well trace was then cross-correlated with the existing seismic data in which the result can be treated as a seismic attribute. All calculated attributes from all reference traces were then used as inputs for a cluster analysis process.

The method of cluster analysis which has been used in this thesis is k-means clustering. Second, a gradient, an intercept, a correlation coefficient, and deviation standard from the well that have been PCA-ed (Principal Component Analysis) is used as input for cluster analysis. Implementing this method has simply allowed for a horizon based analysis.

The method has been applied to fullstack seismic data and wells information in Boonsville field. Results show consistency with existing litho logy map interpreted from well correlation."

"Cluster analisis dari atribut seismik merupakan suatu metode yang digunakan untuk mengelompokkan litologi dari data seismik yang telah direkam dan diproses. Secara prinsip, cluster analisis memproyeksikan N atribut seismik ke sistem koordinat dengan N-dimensi yang menghasilkan K cluster yang merepresentasikan litologi yang berbeda. Penentuan center dari data dapat dilakukan melalui proses iterasi yang centernya tidak ditentukan (unsupervised), atau dengan menentukan posisi awal center dari informasi yang diketahui yang kemudian berubah-rubah karena proses iterasi (semi-supervised). Informasi yang diketahui ini misalnya dapat berasal dari atribut yang diekstrak pada posisi sumur.Ada banyak atribut-atribut yang dapat diekstrak dari data seismik dan pemilihan atribut yang hanya dapat mempengaruhi distribusi litologi ini secara dominan bukan merupakan hal yang mudah karena pada kenyataannya beberapa atribut tidak memberikan kontribusi dalam pengelompokkan litologi. Untuk mengurangi hal itu, penulis menggunakan generalized principal component analysis pada atribut seismik. Metode ini terdiri dari dua langkah; Pertama, meningkatkan variasi data dengan menggunakan metode principal komponen sehingga pemisahan data yang lebih baik bisa didapatkan, dan kedua, memilih atribut yang telah terotasi yang memberikan kontribusi untuk clustering berdasarkan urutan nilai eigen valuenya. Dalam penelitian ini penulis menggunakan metode semi-supervised.Alasan penggunaan metode tersebut adalah posisi sumur-sumur yang di bor mungkin saja berada pada tepi reservoar yang tidak mencerminkan sifat fisis batuan secara ratarata pada daerah reservoir tersebut. Kemudian jika posisi center dibuat tetap dapat mengakibatkan distorsi informasi secara umum mengenai sifat fisis batuan. Data sesimik full stack dengan beberapa sumur yang ada diproses untuk menghasilkan litologi map dari area tersebut. Hasil yang didapatkan menunjukkan konsistensi dengan peta litologi yang sudah ada yang di intrepetasi dari korelasi data sumur.

---

Cluster analysis of seismic attributes is a tool to classify lithologies brought by recorded and processed seismic data. In principal, cluster analysis projects N seismic attributes into N-dimension coordinate system resulting with K groups of clouds representing different lithologies. Identification of the center of the clouds and its related samples can be done differently by iterative process (unsupervised), or by defining initial centers from known information and then updating them through iterative process (semi-supervised). The information may come, for example, from attributes at well locations.There are a lot of seismic attributes that can be generated from seismic data and choosing attributes that mainly affect the distribution of the lithology clouds is not a simple task to do due to the fact that some attributes may not contribute to the separation of the clusters. To reduce that difficulty, the authors implemented a generalized principal components analysis of seismic attributes. This method consists of two steps : First, increasing the variation of data points using the principal component method such that better cluster separation can be obtained, and second, selecting contributing rotated attributes based on the rank of previously calculated eigen values.In this work, the authors using the semi-supervised methods. The reason to use those methods is that wells may be drilled at the edge of the reservoir where the rock property at that location shows deviation from the average rock property of the reservoir. Hence, fixing the center may distort the general information of rock property of the reservoir. Full stack seismic data from Boonsville area with some existing wells were processed to generate lithology map of that area. Results show consistency with existing lithology map interpreted from well correlation."

"Ada banyak attributattribut yang dapat diekstrak dari data seismik dan pemilihan attribut yang hanya dapat mempengaruhi distribusi litologi ini secara dominan bukan merupakan hal yang mudah karena pada kenyataannya beberapa attribut tidak memberikan kontribusi dalam pengelompokan litologi. Untuk mengurangi hal itu, penulis menggunakan Principal Component Analysis (PCA) pada data seismik dan generalized principal component analysis (GPCA) pada attribut seismik. Analisis GPCA terdiri dari dua langkah: Pertama, meningkatkan variasi data dengan menggunakan principal component analysis sehingga pemisahan data yang lebih baik bisa didapatkan, dan kedua, memilih attribut yang telah terotasi berdasarkan urutan nilai eigen valuenya yang dihitung sebelumnya. Tujuan analisis PCA adalah untuk menghilangkan komponen bising yang bersifat acak yang terdapat di dalam data seismik sedangkan tujuan analisis GPCA adalah untuk menghasilkan atribut seismik yang mampu memberikan kontribusi untuk clustering.Cluster analisis dari attribut seismik merupakan suatu metode yang digunakan untuk mengelompokkan litologi dari data seismic yang telah direkam dan diproses. Secara prinsip, cluster analisis memproyeksikan N attribut seismik ke sistem koordinat dengan N-dimensi yang menghasilkan K cluster yang merepresentasikan litologi yang berbeda. Penentuan pusat awan data (centroid) dapat dilakukan melalui proses yang iteratif (unsupervised). Algoritma clustering yang dipakai adalah Kmeans clustering. Hasil clustering yang didapat menunjukkan konsistensi dengan peta litologi yang sudah ada yang di intrepetasi dari korelasi data sumur.

---

There are a lot of seismic attributes that can be generated from seismic data and choosing attributes that mainly affect the distribution of the lithology clouds is not a simple task to do due to the fact that some attributes may not contribute to the separation of the clusters. To reduce that difficulty, the authors implemented a principal component analysis (PCA) of seismic data and a generalized principal components analysis (GPCA) of seismic attributes. This GPCA analyisis consists of two steps : First, increasing the variation of data points using the principal component method such that better cluster separation can be obtained, and second, selecting contributing rotated attributes based on the rank of previously calculated eigen values. The aim of PCA analysis is to reduce noise effect which random in seismic data while the aim of GPCA analysis is to result seismic attributes which give contribution to clustering.Cluster analysis of seismic attributes is a tool to classify lithologies brought by recorded and processed seismic data. In principal, cluster analysis projects N seismic attributes into Ndimension coordinate system resulting with K groups of clouds representing different lithologies. Identification of the center of the clouds and its related samples can be done differently by iterative process (unsupervised). Clustering algorithm is Kmeans clustering. The results of clustering show consistency with existing lithology map interpreted from well correlation."

"Integrasi antara data log dengan data seismik merupakan salah satu metode untuk melakukan prediksi terhadap suatu parameter log dalam area survei seismik. Analisa data dalam metode ini terdiri atas serangkaian data target log, yang dalam hal ini adalah log porositas dari beberapa sumur yang dikorelasikan dengan beberapa atribut seismik dari volume seismik 3D untuk menurunkan transformasi multi atribut dalam bentuk linear maupun non linear yang menghasilkan pemodelan terhadap parameter target log. Dalam transformasi linear, dihasilkan serangkaian konstanta bobot melalui metode least-square. Sedangkan pada transformasi non-linear diperlukan aplikasi Artificial Neural Network yang salah satunya adalah Probabilistic Neural Network (PNN). Untuk mengkalkulasi keberhasilan dari penurunan transformasi multi atribut, digunakan metode validasi silang. Nilai error yang dihasilkan melalui proses validasi ini menggambarkan nilai prediksi error ketika hasil transformasi multi atribut tersebut diaplikasikan kedalam volume seismik. Setelah didapatkan nilai korelasi yang optimum antara pemodelan log dengan log sebenarnya, selanjutnya dapat dibuat peta sayatan data (data slicing) yang menunjukkan penyebaran pororitas secara lateral yang dapat membantu menentukan zona persebaran porsitas tinggi yang merupakan indikasi prospek area reservoir hidrokarbon.

---

Integration between log data and seismic data is one of the method to predict log properties in seismic survey area. Data analysis in this method consists of series of target log data, which in this case is porosity log from some wells which correlate with seismic attributes from 3D seismic volume to derive linear or non linear multi attribute transform to product a predicted target log properties. In linear mode, the transformation consists of series of wheights derived by Least Square minimization. In non linear mode, application of Artificial Neural Network (ANN) is needed. One of the ANN which used in this research is Probabilistic Neural Network (PNN). To estimate the reliability of the derived multi attribute transform, crossvalidation method is used. Error that product from this validation method illustrate like prediction error when the transform is applied to seismic volume. After correlation value between predicted log and actual log obtained optimumly, a data slicing map showing the spreading of porosity lateraly can be made. This data slicing map abble to assist to determine high porosity spreading zone which is indicates the prospect area of hydrocarbon reservoir."

"To develop seismic design criteria for buildings, seismic hazard analysis is required to estimate the ground motion intensity with criteria such as peak ground acceleration (PGA). The seismic hazard can be analyzed by using two approaches: deterministic seismic hazard analysis (DSHA) and probabilistic seismic hazard analysis (PSHA). In these two approaches, the seismic hazard is evaluated from past earthquake events and active faults data. In Thailand, seismic hazard is classified in the low lying regions; however, in recently years, earthquakes have occurred frequently in the North of Thailand. To prevent and reduce damage due to earthquakes in the future, determination of seismic hazard is needed. This research proposes a deterministic seismic hazard map evaluated from nineteen active faults affecting Thailand. Two types of active faults are considered: first, an active fault in a subduction zone and second, a crustal fault. The seismic hazard is evaluated by using a ground motion prediction equation (GMPEs). Four GMPEs are weighted equally for seismic crustal fault, and two GMPEs are weighted equally for a seismic subduction zone. The hypocentral distance is used to evaluate the seismic hazard for all ground motion prediction equations. The Northern part and the Western part of Thailand are high seismic hazard regions, because there are active faults with the large possibility of earthquakes of a maximum magnitude. The seismic hazards in the North, West and Northeast of Thailand are about 0.60 g. The seismic hazard in Bangkok is about 0.25 g due to the Three Pagoda fault and Sri Sawat fault. The seismic hazard in the South of Thailand is about 0.40 g."

"Transforming seismic data into lateral sonic log properties was carried out successfully using the artificial neural network (ANN). This work is related to a detailed investigation of reservoir properties that requires complete data. The objective of this paper is to build a geological model that has vertical and lateral distribution representing the framework of geological change of sonic log properties. However, detailed well log data analysis only provides information of vertical distribution, therefore effective application of seismic data is required to construct a spatial distribution model that represents the lateral sonic log properties away from a well. This paper presents a strategy for transforming seismic data into pseudo-sonic log data by using ANN approaches rather than a simple approach of empirical relationship. The ANN approach defines a specific function that correlates a series of attributes generated from seismic data, such as amplitude envelope, instantaneous frequency, instantaneous phase, and acoustic impedance by a training mechanism based on the sonic log data as a target parameter. The probabilistic neural network (PNN) as one ANN algorithm is applied to transform seismic attributes into a lateral sonic log. An example of an ANN approach using a real data set from the Indonesian field was presented. The pseudo-sonic log shows a good agreement with the real sonic log data, which is represented with a correlation coefficient of 0.91. Further, the seismic line data was successfully transformed into the pseudo lateral sonic log data that covers the whole seismic line."

"Migrasi seismik merupakan salah satu proses akhir dalam processing seismik. Proses migrasi bertujuan untuk meningkatkan resolusi lateral data seismik dengan cara memindahkan kedudukan reflektor pada posisi dan waktu pantul yang sebenarnya berdasarkan lintasan gelombang. Hal ini disebabkan karena penampang seismik hasil stack belumlah mencerminkan kedudukan yang sebenarnya, karena rekaman normal incident belum tentu tegak lurus terhadap bidang permukaan, terutama untuk bidang reflektor yang miring. Selain itu, migrasi juga dapat menghilangkan pengaruh difraksi gelombang yang muncul akibat pengaruh struktur geologi seperti patahan, sinklin, dan antiklin. Migrasi yang digunakan dalam penelitian ini, yaitu migrasi dengan menggunakan metode fourier split step dan finite-difference. Kedua metode migrasi yang digunakan tersebut diaplikasikan pada empat macam data seismik sintetik yang telah dibuat melalui pemodelan seismik Data seismik sintetik yang dibuat terdiri dari empat macam model geologi, yaitu model geologi dua perlapisan (sinklin-antiklin), model geologi tiga perlapisan (patahan), dan model geologi empat perlapisan dan satu channel, pada model geologi yang ketiga ini terdapat dua macam model kecepatan, yaitu model yang memiliki kecepatan kontinu dan model yang memiliki kecepatan tidak kontinu. Dilakukan perbandingan antara kedua metode migrasi yang digunakan terhadap data seismik sintetik yang ada. Hasil migrasi dengan menggunakan metode finite-difference terlihat lebih baik dalam mengatasi variasi kecepatan lateral yang sederhana maupun kompleks dibandingkan dengan metode fourier split step. Tapi, migrasi dengan menggunakan metode fourier split step lebih membutuhkan waktu yang singkat dalam hal proses komputasi dibandingkan metode finite-difference.

---

Seismic migration is a part of final process in seismic processing. The purpose of migration is to enhance spatial resolution of seismic data. This migration is performed by moving the position of reflector with regards to the real position and reflecting time based on the wave path. The different image between the stacked section and true subsurface position of the event due to the record of normal incidence is not always perpendicular to its reflector, especially a reflector with a certain dip. In addition, migration collapse diffraction effect is shown from the result of geological structure such as fault, sincline and anticline.

The migration algorithm that was used is split step fourier and finite-difference migration. Both migration methods were applied to four types of synthetic seismic data that were produced by seismic modeling. The produced synthetic seismic data consisted of four types of geological modeling which are: double layered geological model (syncline - anticline), triple layered geological model (fault), four layered geology model, and one channel. For the third geological models it was found that there were two types of velocity model, a continual velocity and the other was not. Comparison was then done for the two migration methods used with the existing synthetic seismic data.

The results show that finite-difference migration is better than split step fourier migration in solving and handling variation of a simple and complex lateral velocity. In contrast, split step fourier migration is faster than finite-difference migration in the computation process."

"Lapangan FM merupakan salah satu lapangan penghasil hidrokarbon yang terletak di Cekungan Jawa Barat Utara. Salah satu Formasi yang berpotensi sebagai penghasil hidrokarbon adalah Formasi Cibulakan berupa batupasir dan batugamping yang menjadi reservoar objektif. Untuk memprediksi penyebaran reservoar batupasir digunakan metode multi-atribut seismik. Metode multi-atribut merupakan metode untuk memprediksi reservoar. Prediksi tersebut didapat dari hubungan fisis diaplikasikan dengan properti atribut dari data seismik. Berdasarkan analisa crosplot diketahui bahwa log gamma-ray dan density merupakan parameter yang sensitif terhadap keberadaan reservoar batupasir. Metode multi-atribut digunakan dalam membuat volume pseudo gamma-ray dan density. Kombinasi antara gamma-ray dengan density dapat memisahkan dengan baik antara batupasir, batu gamping dan batu lempung. Hasil pemetaan menunjukkan reservoar batupasir terdistribusi pada daerah Tinggian. Hasil penelitian ini dapat digunakan untuk eksplorasi lebih lanjut dalam penyebaran reservoar pada Formasi Cibulakan di Lapangan FM.

---

Field FM is one of the hydrocarbon-producing field located in the North West Java Basin. One of the potential formation of hydrocarbon-producing formations are sandstones and limestones Cibulakan form the reservoir objective. To predict the spread of reservoir sandstones research using multi-attribute seismic methods. Multi-attribute method is a method for predicting reservoir parameters. The predictions obtained from the physical relationship was applied to the property attribute of the seismic data.

Based on the analysis crosplot known that gamma-ray logs and density are parameters which are sensitive to the presence of reservoir sandstones. Multi-attribute method is used to predict the pseudo volume of gamma-ray and density. The combination of gamma-ray logs with density can separate well between sandstone, limestone and claystone.

Mapping results indicate reservoir sandstones in the area of distributed Tinggian. The results can be used for further exploration in the spread of the Formation reservoir in the Field Cibulakan FM."