Hasil Pencarian  ::  Simpan CSV :: Kembali

"Atribut seismik merupakan informasi yang diperoleh dari data seismik yang dapat digunakan untuk memprediksi suatu target petrofisika baik secara numerik maupun analitik. Walaupun hubungan antara atribut seismik dengan karakteristik suatu batuan dan reservoar tidak dapat didefinisikan secara spesifik, banyak sumber yang menunjukkan bahwa atribut seismik merupakan salah satu parameter untuk mengklasifikasikan karakter dari suatu batuan. Skripsi ini menunjukkan hasil proses yang dilakukan oleh ANN yang dapat membuat suatu hubungan antara atribut seismik dengan saturasi air (Sw). Tujuan utama penelitian ini adalah memprediksi penyebaran lateral saturasi air (Sw) yang diperoleh dari atribut seismik. Pada tahap awal, hubungan antara log saturasi air (Sw) dengan satu tras seismik yang berhimpit ditentukan dengan menggunakan metode ANN. Setelah jaringan terbentuk, metode tersebut diterapkan untuk seluruh tras seismik yang ada pada suatu volume seismik. Atribut seismik yang dijadikan masukan adalah amplitudo, impedansi akustik, frekuensi sesaat, dan kuat refleksi (amplitudo sesaat). Jaringan yang digunakan adalah Backpropagation dengan 5 lapisan yang masing-masing memiliki 40, 30, 20, 10 dan 1 neuron. Metode pelatihannya menggunakan metode resilent backpropagation. Hasil proses jaringan ini memiliki nilai korelasi 96 % dengan nilai validasi sebesar 60 % dan nilai rata-rata error kuadrat (rmse) 3.01 %.

---

A seismic attribute information, which is obtained from seismic data, can be used to predict petrophysical properties analytically as well as numerically. Although the relationship between seismic attributes with rock properties can not be specifically defined, many papers indicated that seismic attributes can be used to characterize the rock.

This work shows the application of ANN algorithm to generate the relationship between seismic attributes and water saturation (Sw). The main objective of this study is to predict the lateral distribution of water saturation (Sw), which is derived from seismic data. The first step, the relationship between water saturation (Sw) and a trace seismic, which coincide with well log data, is determined using the ANN. After the network is defined, the method can then be applied to all existing seismic traces in a seismic volume. The input of seismic attributes is amplitude, acoustic impedance, instantaneous frequency, and reflection strength (amplitude envelope).

We use bacpropagation network with 5 layers each having 40, 30, 20, 10 and 1 neuron. The training method is resilent backpropagation. This network produces good agreement between predicted water saturation (Sw) and targeted water saturation (Sw), which is indicated by correlation coefficient of 96 %, validation coefficient of 60 % and root mean square error (rmse) of 3.01 %."

"Reservoir karbonat diperkirakan mengandung hampir 60% dari total cadangan hidrokarbon dunia dan diperkirakan memiliki 50% dari total produksi hidrokarbon. Hidrokarbon umumnya terdapat pada batuan berpori. Porositas batuan karbonat umumnya memiliki heterogenitas yang tinggi, kompleksitas, dan random. Salah satu metode yang efektif untuk mengatasi heterogenitas adalah metode neural network. Sehingga penelitian ini bertujuan untuk menetukan distribusi porositas dengan neural network pada batuan karbonat dengan menggunakan 2 data sumur dan data seismik 2D post stack time migration (PSTM) pada lapangan T. Seismik atribut yang digunakan sebagai input proses probabilistic neural network berupa data seismik dan hasil inversi serta log yang akan diprediksi penyebarannya. Digunakan step wise regression dan validation error untuk menentukan atribut terbaik yang akan digunakan. Hasil prediksi nilai porositas menggunkan probabilistic neural network dengan input atribut terbaik yang telah terpilih menghasilkan korelasi yang lebih baik 0.81 dengan error 0.03 dibanding dengan metode multiatribut yang menggunakan persamaan linier yaitu 0.66 dengan error 0.04 dan hasil model log prediksi mendekati log aktual. Hasil distribusi porositas dapat dianilisis bahwa nilai porositas pada sumur C1 memiliki nilai porositas efektif yang rendah dibandingkan dengan sumur C4.

---

Reservoir carbonate mostly contains 60% of total hydrocarbon preserves in the world, and it is predicted about 50% which is produced hydrocarbon. Commonly, hydrocarbon is found in the rock pores. The porosity of carbonate, generally, has high heterogeneity, complexity, and random. One of effective methods to solve the problem is neural network. The aim of this study is to determine the distribution of porosity using neural network for carbonate in T field. Seismic attribute is used as input in neural network process which is seismic data, inversion result, and well log. Step wise regression and validation error are used to determine the best attributes that will be used to.

The prediction result of porosity using probabilistic neural network with the best attribute has better correlation than using multi attributes for linier method. The correlation and error value using neural network are 0.08% and 0.03%, while the value of correlation and error using multi attribute for linier method are 0.06% and 0.04%, respectively. The predicted log model is approaching the actual log. The result of porosity distribution shows that the porosity value of well C1 has lower effective porosity than well C4."

"PREDIKSI PENYEBARAN LATERAL POROSITAS DARI ATRIBUT SEISMIK MENGGUNAKAN ARTIFICIAL NEURAL NETWORK Abdullah Nurhasan*, Abdul Haris* ABSTRAK Atribut seismik merupakan informasi yang berasal dari data seismik yang bisa dipelajari untuk memprediksi suatu target baik dengan kalkulasi langsung atau dengan analisis. Walaupun hubungan antara atribut seismik dengan karakteristik batuan dan reservoar tidak dapat dideskripsikan secara khusus, banyak makalah yang membuktikan bahwa atribut seismik merupakan faktor yang efektif untuk mengklasifikasikan karakter batuan. Makalah ini menampilkan hasil proses yang dilakukan oleh ANN yang dapat mempelajari pola hubungan antara atribut seismk dengan porositas. Tujuan utama penelitian ini adalah memprediksi penyebaran lateral porositas dari atribut seismik. Pada tahap awal, hubungan antara log porositas dengan satu tras seismik yang berhimpit ditentukan dengan ANN. Setelah jaringan terbentuk, metode tersebut diterapkan untuk seluruh tras seismik yang ada pada suatu volume seismik. Atribut seismik yang dijadikan input adalah amplitudo, amplitudo sesaat, frekuensi sesaat, fasa sesaat. Jaringan yang digunakan adalah Backporopagation dengan 3 layer masing-masing memiliki 55, 15, dan 1 neuron. Hasil proses jaringan ini memiliki tingkat korelasi 0,7 dengan rata-rata error kuadrat 15,6%. Kata Kunci : Atribut Seismik, Artificial Neural Network, Porositas"

"Cadangan migas semakin sulit ditemukan, hal ini dikarenakan kondisi geologi yang lebih kompleks. Kondisi yang kompleks ini menyebabkan kesulitan dalam menentukan persebaran reservoir. Maka dari itu diperlukan metode yang lebih bagus untuk mengatasi kondisi geologi yang kompleks tersebut. Penelitian ini menggunakan metode multiatribut dan Probabilistic Neural Network (PNN) yang dapat mencari hubungan antara atribut seismik dengan data yang dicari, untuk prediksi nilai properti dari batuan sekitarnya. Dari metode ini dihasilkan persebaran pada data porositas dengan nilai korelasi 0,52, saturasi air dengan nilai korelasi 0,73, dan shale content dengan nilai korelasi 0,58. Dimana gabungan dari data porositas, saturasi air, shale content, dan data impedansi akustik (AI) hasil inversi dapat menjadi petunjuk untuk identifikasi persebaran reservoir. Dari nilai porositas dan saturasi dapat dibuat persebaran hidrokarbon, dimana pada penelitian ini didapatkan nilai antara 0,01 – 0,03. Lapangan FA ini memiliki reservoir yang berada di antara sumur F-06, FA-05, FA-15, dan FA-18 dan menyebar ke arah barat dari sumur FA-05, FA-15 & FA-18.

---

Oil and gas reserves are increasingly difficult to find due to more complex geological conditions. This complex condition causes difficulties in determining reservoir distribution. Therefore a better method is needed to overcome these complex geological conditions. This study uses a multi-attribute method and Probabilistic Neural Network (PNN) that can search for correlation between seismic attributes and the data sought, for the prediction of property values ​​from surrounding rocks. From this method the distribution of porosity data with a correlation value of 0.52 was generated, water saturation with a correlation value of 0.73, and shale content with a correlation value of 0.58. Where the combination of porosity data, water saturation, shale content, and acoustic impedance (AI) data of inversion results can be a clue to identify reservoir distribution. From the porosity and saturation values, hydrocarbon dispersion can be made, where in this study values ​​were obtained between 0.01 - 0.03. This FA field has a reservoir between wells F-06, FA-05, FA-15, and FA-18 and spreads westward from wells FA-05, FA-15 & FA-18."

"Sistem pendingin pada sebuah bangunan menyumbang energy yang cukup besar pada total energy dari bangunan tersebut. Pemilihan dan penghematan system pendingin yang tepat akan membantu untuk mengurangi konsumsi energy pada system pendingin bangunan. Salah satu cara penghematan pada system pendingin adalah dengan menggunakan bahan-bahan renewable energy sebagai sumber energinya. Gedung Mechanical Research Center yang berada di wilayah Fakultas Teknik Universitas Indonesia, Depok, Jawa Barat telah menggunakan system pendingin absorpsi tenaga matahari guna memanfaatkan sumber panas terbarukan yang dapat menghemat konsumsi energy pada suatu gedung. Tujuan penelitian ini mencoba untuk mengevaluasi besar konsumsi energy yang dikeluarkan oleh absorption chiller pada gedung MRC, evaluasi dilakukan dengan simulasi menggunakan perangkat lunak IES-VE, IES-VE adalah perangkat lunak yang membantu penggunanya untuk mendesain dan mengevaluasi fenomena-fenomena pada suatu bangunan hasil yang didapat dari simulasi ini akan digunakan sebagai perbandingan terhadap hasil artificial intelligence menggunakan metode artificial neural network dan fuzzy.

---

Cooling systems in a building contribute considerable energy to the total energy of the building. Choosing and saving the right cooling system will help to reduce energy consumption in building cooling system. One way of saving on the cooling system is to use renewable energy as a source of energy. Building Mechanical Research Center located in the Faculty of Engineering, University of Indonesia, Depok, West Java has been using solar energy absorption cooling system to utilize renewable heat sources that can save energy consumption in a building.

The purpose of this study was to evaluate the energy consumption of absorption chiller in the MRC building, the evaluation was done by simulation using IES VE software, IES VE is software that help its users to design and evaluate phenomena in a building result Obtained from this simulation will be used in comparison to artificial intelligence result using artificial neural network and fuzzy method."

"ABSTRAKTesis ini membahas bagaimana proses mengaplikasikan metoda neural network pada data seismik tiga dimensi untuk memprediksi porositas dan saturasi air pada suatu reservoar dengan membuat volum pseudo log. Studi kasus penelitian ini adalah reservoar karbonat build-up pada formasi Parigi di lapangan X, merupakan lapangan gas yang baru ditemukan, di cekungan Jawa Barat Utara, dimana studi reservoar perlu dilakukan untuk program pengembangan produksi, salah satunya dari aspek geofisika. Studi ini menggunakan analisis pendekatan statistik dari atribut seismik terhadap data sumur yakni log porositas dan saturasi air untuk mendapatkan multi atribut dengan korelasi terbaik yang digunakan sebagai input dalam proses prediksi dengan menggunakan metoda Neural Network. Dengan menerapkan Neural Network, hasil prediksi memiliki korelasi dan resolusi yang lebih tinggi mendekati data akutal log porositas dan saturasi air. Hasil dari penelitian ini adalah distribusi porositas dan saturasi air secara kuantitatif berupa pseudo log volum tiga dimensi dimana data ini dapat menjadi data pendukung dalam studi reservoar lebih lanjut seperti pemodelan geologi, simulasi reservoar dan perhitungan cadangan. Hasil pseudo log ini kemudian diinterpretasi dan dipetakan untuk karakterisasi reservoar dan penentuan lokasi sumur. Dari pseudo log porositas, reservoar target secara stratigrafi dapat dibagi menjadi empat lapisan berdasarkan perbedaan nilai porositasnya. Untuk pseudo log saturasi air, dapat terlihat tiga kontak dan zona fluida reservoar, dimana terdapat zona gas, zona transisi, dan zona air. Dari hasil interpretasi distribusi reservoar tersebut direkomendasikan untuk pemboran dua sumur di lapangan X untuk memproduksi cadangan gas dan 1 sumur eksplorasi untuk membuktikan kandungan gas pada struktur build-up lain didekatnya.

---

ABSTRACTThe focus of this study is the process how to apply neural network method in 3D seismic data to generate pseudo log of both porosity and water saturation in a reservoir. Case of this study is carbonate build-up at Parigi formation in X field, a new gas discovery field, in North West Java basin where resevoir study for production development including geophysical aspect is very necessary. This study used statistical analysis approach based on corelation between seismic atribut and well log data which are log porosity and water saturation to get multi attribute as input for prediction process. Applying Neural Network can improve correlation and resolution between pseudo log and actual log both porosity and water saturation. The result of this study is quantitative ditribution of both porosity and water saturation in 3D psudo log volume which can be used for data supporting in geological modeling, reservoir simulation and reserves estimation. Then, those pseudo log are interpreted and mapped for characterization and well location delineation. Based on pseudo porosity log , the reservoir can be divided in four layers with different porosity value. For pseudo water saturation log, we can see contact and fluid zones of the reservoir which consist of gas zone, transition zone and water zone. According to interpretation pseudo log of both the porosity and the water saturation, can be recommended to drill two wells in X field to drain gas reserves and one exploration well to prove gas accumulation in other build-up stucture where is located near of X field"

"Volume properti batuan dari lapangan ‘Y’ pada Cekungan Kutai, Kalimantan Timur telah diprediksi untuk mengkarakterisasi daerah yang berpotensi menjadi reservoir hidrokarbon. Prediksi ini menggunakan metode neural network berdasarkan data masukan yang berupa volume atribut instantaneous amplitude, instantaneous phase, dan instantaneous frequency serta inversi impedansi akustik. Volume properti yang berhasil diprediksi oleh neural network yaitu volume densitas, kecepatan gelombang P, dan porositas efeketif. Satu properti tambahan yaitu kecepatan gelombang S merupakan estimasi dari persamaan Castagna. Berdasarkan volume properti tersebut, didapatkan daerah yang berpotensi menjadi daerah reservoir dengan indikasi fluida hidrokarbon berupa gas yaitu pada horizon slice pada horizon yang berumur Miosen Akhir dengan nilai densitas sebesar 2.1 – 2.25 gr/cc, kecepatan gelombang P berkisar antara 1800 – 2500 m/s, kecepatan gelombang S sekitar 750 -1000 m/s, dan porositas efektif berkisar antara 10 – 15 %.

---

The rock property volumes from the 'Y' field in the Kutai Basin, East Kalimantan has been predicted to characterize area that has the potential to become hydrocarbon reservoir. This prediction uses a neural network method based on input data in the form of instantaneous amplitude, instantaneous phase, instantaneous frequency, and acoustic impedance inversion volumes. The volume of properties that are successfully predicted by the neural network is density, P-wave velocity, and effective porosity. One additional property that is the S-wave velocity is an estimation from Castagna equation. Based on those properties, the area has the potential to be a reservoir area with an indication of hydrocarbon fluid in the form of gas, which is at Late Miocene horizon slice with value of density ranges from 2.1 – 2.25 gr/cc, P wave velocity ranges from 1800 - 2500 m/s, wave velocity S ranges from 750 -1000 m/s, and effective porosity ranges from 10 – 15 %.

"

"Metode artificial neural network digunakan dalam penghitungan nilai kapasitansi pada problem maju dari sistem ECVT untuk proses rekonstruksi semi non linear. Nilai kapasitansi hasil prediksi neural network didapatkan dari input distribusi permitivitas yang menunjukkan hasil citra yang diinginkan. Metode training neural network yang digunakan adalah training backpropagation. Pasangan input dan output data training didapatkan dari hasil simulasi menggunakan software COMSOL Multiphysics 3.4 yang kemudian ditraining menggunakan software Toolbox Neural Network pada Matlab R2007b. Hasil rekonstruksi citra semi nonlinear dibandingkan dengan hasil rekonstruksi linear.

---

Methods of artificial neural network used in the calculation value of capacitance in the forward problem of the system for the semi non-linear reconstruction of ECVT. Capacitance value of neural network predicted results obtained from the input distribution of permitivitty results indicate that the desired image. Training method used by neural network is backpropagation training. Pair input and output data obtained from the training results of the simulation using COMSOL Multiphysics 3.4 software, which then use the software Neural Network Toolbox in Matlab R2007b to train neural network. Results semi nonlinear image reconstruction compared with the results of the linear reconstruction."

"Penyebaran batuan reservoir pada eksplorasi dan pengembangan lapangan minyak dan gas bumi merupakan salah satu faktor penting dari beberapa syarat system dari keberadaan hidrokarbon. Pada lapangan Boonsville terdapat lebih dari 200 sumur telah dibor. Sehingga model geologi pada daerah ini relatif sudah diketahui dengan baik.Berdasarkan data-data yang ada terdiri dari 38 buah sumur dan 3-Dimensi Seismik. Berdasarkan model Geologi, pada sikuen Caddo terdapat distributary channel yang berkembang, hanya saja dari sumur yang ada, tidak satupun sumur berada pada channel tersebut, yang menjadi salah satu target dari studi untuk diidentifikasi.Pada studi ini, penulis mencoba mengidentifikasi geomteri Channel dan facies lainnya pada sikuen Caddo, dengan cara proses inversi data seismik menggunakan metoda Model Based untuk mendapatkan nilai Impedansi Akustik yang diketahui mempunyai korelasi dengan litologi, serta membuat pseudo Gamma Ray dengan metoda Back Propogation Neural Network.

---

Distribution of reservoir rock at exploration and development stages in gas and oil field is one of important factor from some system conditions existence of hydrocarbon. At Boonsville field there are more than 200 wells have been drilled. It means that model geology at this area relative have known well.

Based on available data, which is consist of 38 wells and 1 set of 3 Dimension Seismic will be utilized in this study. Refer to Geological model, at the Caddo sequence, distributary channel was developed, but from the 38 wells; not one of the wells are located in the geometry channel area. Thereby, one of the goal in study is to be identified the geometry channel.

In this study, we trying to identify Channel geometry and other facies at Caddo sequence using 2 methods, those are: Model Based inversion method to get value of Acoustic Impedance from 3D seismic data which is having correlation with lithologi and Back Propagation Neural Network method to get Pseudo Gamma Ray."

"Penelitian ini menggunakan data seismik 3 dimensi dan 5 data sumur dari lapangan w. Target penelitian yaitu batuan karbonat pada formasi Tuban di cekungan Jawa Timur Utara. Penelitian bertujuan menentukan distribusi porositas karbonat, dengan menggunakan neural network berdasarkan inversi dan atribut seismik. Inversi seismik model based dan linier programming sparse spike, menghasilkan impedansi akustik pada lapisan di bawah horizon Top Carbonate hingga horizon Base Carbonate, mengalami peningkatan signifikan pada rentang 38076 - 46857 ((ft/s)*(g/cc)). Atribut seismik sweetness, rms amplitude, dan reflection intensity, digunakan sebagai atribut eksternal, untuk tahap multiatribut linier regresi dan neural network. Multiatribut linier regresi dan neural network dilakukan untuk memprediksi porositas bedasarkan atribut-atribut internal maupun eksternal. Hasil analisis multiatribut yang diaplikasikan pada data raw seismik dan 5 volum atribut eksternal, yaitu log porositas prediksi, memiliki nilai korelasi sebesar 0.712 terhadap log porositas. Dan, nilai validasinya sebesar 0.573. Sedangkan, Probabilistic Neural Network menghasilkan porositas prediksi dengan nilai korelasi sebesar 0.661 dan nilai validasinya sebesar 0.485. Berdasarkan multiatribut linier regresi maupun probabilistic neural network, porositas rata-rata pada lapisan reservoar karbonat sebesar 10-15% di bagian utara. Sedangkan, di bagian selatan, porositas rata-rata hanya di bawah 6%.

---

This study uses three-dimensional seismic data and 5 well data from w field. The research target is carbonate rocks of the Tuban formation in North East Java basin. The study aims to determine the distribution of porosity carbonate, by using neural network algorithm, based on acoustic impedance inversion and seismic attributes. Models based inversion and linear programming sparse spike inversion result in acoustic impedance, in the layers below the horizon Top Carbonate to horizon Base Carbonate, experienced a significant increase impedance in the range 38076-46857 ((ft/s)*(g/cc)). Some seismic attribute; sweetness, rms amplitude, and reflection intensity, are used as external attributes for multi attribute linear regression and neural network. Multi attribute linear regression and neural network is done to predict porosity based on attributes of both internal and external.

The results of the analysis that is applied to the data multi attribute raw seismic and 5 volumes of external attributes, is called log porosity prediction, have a correlation value of 0.712 to log porosity original. And the value of its validation is 0.573. Meanwhile, Probabilistic Neural Network is producing log porosity prediction with correlation value of 0.661 and the value of its validation by 0485. Multi attribute based linear regression and probabilistic neural network, average porosity of the reservoir layer of carbonate of 10-15% in the north. Meanwhile, in the southern part, average porosity of just under 6%."