Hasil Pencarian  ::  Simpan CSV :: Kembali

"Panas bumi merupakan sumber energi terbarukan yang tengah dikembangkan di masa kini. Amerika Serikat memiliki potensi energi panas bumi yang cukup menjanjikan, terutama di daerah Roosevelt Hot Springs, Utah. Suatu sistem panas bumi memerlukan rekahan sebagai salah satu aspek yang perlu menjadi pertimbangan dalam proses evaluasi sistem panas bumi. Keterbentukan rekahan tersebut tentunya dipengaruhi oleh kondisi geologi yang terjadi pada daerah tersebut, sehingga hal ini dapat mempengaruhi karakteristik dari rekahan tersebut. Tujuan dari penelitian ini adalah menganalisis kondisi struktur geologi, karakteristik rekahan, akurasi prediksi rekahan, dan perbandingan hasil prediksi rekahan dengan model rekahan. Untuk mencapai tujuan tersebut, dilakukan beberapa proses pengolahan data, seperti interpretasi data seismik, membuat atribut seismik, membuat model rekahan implisit, dan memprediksi keberadaan rekahan menggunakan metode Support Vector Machine (SVM) yang merupakan salah satu metode pembelajaran mesin yang kemudian diterapkan pada sumur yang tidak memiliki informasi rekahan. Hasil penelitian menunjukkan bahwa struktur geologi di daerah penelitian terdiri dari sesar normal berorientasi barat – timur dan sesar naik berorientasi utara – selatan. Rekahan di daearh penelitian memiliki orientasi dominan ke arah utara – selatan dengan intensitas rekahan berkisar dari 0 hingga 3. Intensitas rekahan yang tinggi dapat ditemukan di sekitar sesar dan fitur lengkungan/kubah. Prediksi rekahan menggunakan metode SVM menghasilkan nilai akurasi sebesar 73%. Hasil prediksi rekahan secara umum cukup baik, meskipun terdapat beberapa zona yang menggambarkan hasil yang kurang baik apabila dibandingkan dengan modelan rekahan implisit.

---

Geothermal is a renewable energy that is being developed at this time. The United States of America has a promising geothermal energy potential, especially in Roosevelt Hot Springs area in Utah. Geothermal system needs fractures as one of the considerable aspects in geothermal system evaluation. The formation of fractures itself is controlled by the geological condition in the area, so it can affect the characteristic of the fractures. This research aims to analyze the structural geology condition, fracture characteristic, fracture prediction accuracy, and the comparison of the fracture prediction result with the fracture model. To achieve the goals, there are some data processing steps, such as seismic data interpretation, building seismic attributes, building implicit fracture model, and predicting fracture occurrence using Support Vector Machine (SVM) method which is one of the machine learning methods to be implicated on the well which does not provide fracture information. The research shows that the structural geology condition in the study area consists of east – west trending normal faults and north – south trending reverse faults. The fracture in the study area has a dominant trend of north – south with the intensity ranging from 0 to 3. High fracture intensity zone can be found around faults and curvatures. The fracture prediction using SVM method produces an accuracy value of 73%. Overall, the fracture prediction result is good enough, although there are some zones which have a poor result when it compared to the implicit fracture model."

"Abstrak Dengan menggunakan metode smoothness constrained least-squares, telah dilakukan inversi 3-D dari data misse (MAM) lapangan panasbumi sibayak, Sumatera Utara. metode tersebut digunakan agar didapatkan model yang smooth. Hasil inversi tersebut digunakan untuk membuat model 3-D distribusi resistivitas bawah permukaan dengan membuat peta..."

"Reservoir terekahkan alami merupakan reservoir dengan karakteristik rekahan yang baik sehingga sebaran dari rekahan berkontribusi terhadap porositas dan permeabilitas reservoir. Penelitian ini menggunakan data seismik 3D, log sumur konvensional dan log rekahan pada daerah Kubah Teapot, Wyoming, Amerika Serikat. Terdapat dua metode yang digunakan yaitu pemodelan rekahan serta pembelajaran mesin tersupervisi untuk mengetahui karakteristik struktur geologi, menganalisis sebaran serta faktor pengontrol rekahan, mengetahui kemampuan pembelajaran mesin untuk memprediksi rekahan serta melakukan perbandingan kedua metode selama penelitian. Analisis terintegrasi menghasilkan daerah penelitian terdiri dari lima struktur geologi utama berupa patahan dan lipatan yang berorientasi barat laut – tenggara dan timur laut – barat daya dengan pola wrench fault system. Kemudian terdapat rekahan terbuka, tertutup dan pengeboran dengan fracture driver berupa zona patahan serta litologi dolostone berdasarkan nilai korelasi tinggi pada parameter distance from fault, displacement, dan log sumur terkait zonasi litologi. Pembelajaran mesin tersupervisi untuk prediksi rekahan memiliki akurasi 86% dengan peningkatan kemampuan prediksi pada zona dengan intensitas rekahan tinggi. Metode pemodelan rekahan disarankan untuk tahap pengembangan lapangan karena lebih representatif terhadap kondisi geologi sedangkan pembelajaran mesin disarankan untuk evaluasi rekahan pada sumur tua karena model yang lebih sederhana tetapi memiliki akurasi yang baik.

---

Natural fractured reservoirs have good fracture characteristics that contribute to reservoir porosity and permeability by their distribution. This study integrates 3D seismic data, conventional well logs, and fracture logs in the Teapot Dome area, Wyoming, United States. Fracture modeling and supervised machine learning uses to determine the characteristics of geological structures, analyze the distribution and fracture driver, determine the ability of machine learning to predict fractures, and compare the ability of these methods during the study. Integrated analysis shows the study area consisting of five main geological structures (faults and folds) oriented northwest-southeast and northeast southwest with a wrench fault system pattern. Furthermore, the open, closed and drilling induces fractures distribution controlled by fault zones and dolostone lithology based on high correlation values between parameters of distance from fault, displacement, and well logs related to lithology zonation with fracture log. Supervised machine learning for fracture prediction has 86% accuracy with improved ability in highly fracture zone. The fracture modeling method is recommended for the field development phase due to has better ability to represent geological conditions while machine learning is recommended for the evaluation of fractures in mature wells due to the simplicity with good result."

"Penelitian ini bertujuan untuk melakukan optimisasi proses hyperspectral unmixing dengan menggunakan norm L2,1 untuk menerapkan properti collaborative sparse pada semua piksel yang ada dalam dataset dan menggunakan regularisasi total variation untuk meningkatkan kualitas citra yang dihasilkan. Performa algoritma L2,1-TV akan dibandingkan dengan algoritma yang sudah ada yaitu SUnSAL, CLSUnSAL, dan SUnSAL-TV. Hasil eksperimen menggunakan data sintesis (DS, FR1, FR2, FR3) dan data asli (Urban) menunjukkan bahwa algoritma yang dikembangkan memiliki hasil yang lebih baik dibandingkan algoritma yang sudah ada secara kualitatif dan kuantitatif terutama pada tingkat SNR yang lebih rendah. Penelitian menggunakan dataset DS menunjukkan algoritma L2,1-TV memiliki kenaikan nilai SRE sebesar 262.42%, 92.93%, dan 74.71% serta penurunan nilai RMSE sebesar 74.23%, 67.39%, dan 14.29% pada ketiga tingkat SNR dibandingkan algoritma lainnya. Untuk dataset FR1, L2,1-TV memiliki kenaikan nilai SRE sebesar 52.81% serta penurunan nilai RMSE sebesar 46.01% pada SNR 20 dB namun memiliki nilai SRE dan RMSE yang lebih buruk pada SNR 30 dB dan 40 dB yaitu sebesar 3.59% dan 7% untuk SRE serta 9.43% dan 2.86% untuk RMSE. Untuk dataset FR2, L2,1-TV memiliki kenaikan nilai SRE sebesar 102.76% dan 1.84% pada SNR 20 dB dan 40 dB serta penurunan nilai RMSE sebesar 52.78% pada SNR 20 dB namun memiliki nilai SRE yang lebih buruk pada tingkat SNR 30 dB berupa 4.96% serta RMSE yang lebih buruk pada SNR 30 dB dan 40 dB berupa 9.8% dan 3.57%. Untuk dataset FR3, L2,1-TV memiliki kenaikan nilai SRE sebesar 96.44%, 0.97% dan 5.42% pada ketiga tingkat SNR serta penurunan nilai RMSE sebesar 61.33% dan 3.13% untuk SNR 20 dB dan 40 dB. Pada SNR 30 dB, L2,1-TV memiliki nilai RMSE yang sama dengan algoritma lainnya. Untuk dataset Urban, algoritma L2,1-TV memiliki kenaikan nilai SRE sebesar 2.6% dan penurunan nilai RMSE sebesar 1.15% dibandingkan algoritma lainnya.

---

In this study, we construct an algorithm to optimize the hyperspectral unmixing problem using L2,1 norm and Total Variation regularization to reduce error. Specifically, our research aims to improve the unmixing results by applying L2,1 norm to impose collaborative sparsity on all pixels in the data set and adding Total Variation regularization to improve the smoothness of resulting image. We compared our algorithm performance to existing algorithm such as SUnSAL, CLSUnSAL, and SUnSAL-TV. Our experimental results with both synthetic and real hyperspectral data show improvement in RMSE and SRE compared to other methods especially on lower SNR. On our experiment using DS dataset, L2,1-TV algorithm showed improvement in SRE by 262.42%, 92.93%, and 74.21% as well as RMSE by 74.23%, 67.39%, dan 14.29% for SNR level 20 dB, 30 dB, and 40 dB respectively compared to other methods. On experiment using FR1 dataset, L2,1 algorithm showed improvement in both SRE and RMSE by 52.81% and 46.01% respectively for SNR level 20 dB compared to other methods but have worse results in SNR level 30 dB and 40 dB. On experiment using FR2 dataset, L2,1-TV algorithm showed improvement in SRE by 102.76% and 1.84% for SNR level 20 dB and 40 dB respectively but have worse result in SNR level 30 dB by 4.96%. L2,1-TV also showed improvement in RMSE by 52.78% for SNR level 20 dB but have worse result in SNR level 30 dB and 40 dB by 9.8% and 3.57% respectively. On experiment using FR3 dataset, L2,1-TV algorithm showed improvement in SRE by 96.44%, 0.97%, and 5.42% for SNR level 20 dB, 30 dB, and 40 dB respectively. L2,1-TV algorithm also showed improvement in RMSE by 61.33% and 3.13% for SNR level 20 dB and 40 dB respectively as well as having the same RMSE value for SNR level 30 dB compared to other methods. On experiment using real data, L2,1-TV algorithm showed improvement in both SRE and RMSE by 2.6% and 1.15% respectively compared to other methods."

"Poros engkol (crank shaft) adalah salah satu komponen dari mesin motor bakar. Ada kemungkinan sebuah poros engkol mengalami keretakan pada permukaannya setelah mengalami proses pembuatan, untuk itu perusahaan otomotif menggunakan mesin cracker test untuk memeriksa keretakan pada permukaan poros engkol. Mesin cracker test akan memagnetisasi poros engkol sehingga poros engkol mempunyai medan magnet. Selama proses magnetisasi poros engkol disiram cairan yang merupakan campuran air, cairan kimia, dan serbuk besi. Serbuk besi pada cairan tersebut akan melekat pada bagian permukaan poros engkol yang retak. Kemudian poros engkol diperiksa dibawah sinar ultra violet untuk megetahui keretakan pada permukaan poros engkol tersebut. Keretakan pada permukaan ditunjukkan oleh intensitas cahaya yang dipantulkan serbuk besi yang menyisip ke bagian permukaan poros engkol yang retak. Tugas akhir ini membuat perangkat lunak untuk memeriksa keretakan permukaan pada poros engkol dengan menggunakan algoritma jaringan saraf tiruan. Poros engkol dipotret dibawah sinar ultra violet dengan kamera digital. Hasil pemotretan kemudian diperiksa oleh perangkat lunak ini sehingga dapat diketahui bagaimana kondisi poros engkol. Pemeriksaan dilakukan dengan membandingkan keluaran jaringan saraf tiruan yang telah dibangun sebelumnya dengan target yang ditentukan saat jaringan saraf tiruan dibangun. Jika nilai koefisien korelasi basil pembandingan diatas 0,7 maka poros engkol dinyatakan bagus. Jika nilai koefisien korelasi basil pembandingan dibawah 0,7 maka poros engkol dinyatakan jelek."