Hasil Pencarian  ::  Simpan CSV :: Kembali

"Lapangan “DEWI”, yang berlokasi di Cekungan Bonaparte Maluku Tenggara merupakan lapangan gas dengan reservoir utama yang terletak pada Formasi Plover, yang didominasi oleh batu pasir. Berdasarkan analisa struktur didapatkan bahwa lapangan ini memiliki satu sesar utama yang membagi blok utara dan blok selatan. Berdasarkan analisis petrofisika didapatkan bahwa zona prospek hidrokarbon dari lapangan ini terletak di formasi Plover dan Zona A. Penelitian ini bertujuan untuk menganalisis distribusi parameter petrofisika seperti porositas, volume shale, dan saturasi air yang penting dalam karakterisasi reservoir. Penelitian ini menggunakan analisis seismik multiatribut dan probabilistic neural network untuk memprediksi parameter petrofisika berdasarkan atribut dari data seismik. Hasil menunjukkan bahwa pada penelitian ini probabilistic neural network memiliki keunggulan dalam memprediksi parameter petrofisika untuk karakterisasi reservoir dibanding multiatribut konvensional. Berdasarkan hasil dari pemetaannya ditemukan variasi yang menarik dalam persebaran parameter petrofisika pada formasi Plover dan Zona A. Hasil dari penelitian ini dapat digunakan untuk menyediakan pemahaman baru dalam karakterisasi daerah berpotensi hidrokarbon di Lapangan “DEWI”.

---

The “DEWI” field, which is located in the Bonaparte Basin, Southeast Maluku, is a gas field with the main reservoir located in the Plover Formation, which is dominated by sandstone. Based on structural analysis, it was found that this field has one main fault that divides the northern block and the southern block. Based on petrophysical analysis, it was found that the hydrocarbon prospect zone of this field is located in The Plover Formation and Zone A. This research aims to analyze the distribution of petrophysical parameters such as porosity, shale volume, and water saturation which are important in reservoir characterization. This research uses multi-attribute seismic analysis and probabilistic neural networks to predict petrophysical parameters based on attributes from seismic data. The results show that in this study the probabilistic neural network has advantages in predicting petrophysical parameters for reservoir characterization compared to conventional multi-attributes. Based on the results of the mapping, enticing variations were found in the distribution of petrophysical parameters in The Plover Formation and Zone A. The results of this research can be used to provide new insights into the characterization of potential hydrocarbon areas in the "DEWI" Field."

"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."

"Lapangan ‘B’ merupakan lapangan prospek hidrokarbon yang berlokasi di offshorecekungan Kutai, Kalimantan Timur. Untuk mengetahui karakterisasi reservoir lapangan‘B’, dilakukan pemodelan porositas dan saturasi air menggunakan inversi AI, multiatributseismik dan probabilistic neural network. Penelitian ini menggunakan data seismik 3DPSTM dan data sumur (AND-1, AND-2, AND-3 dan AND-4). Pada data seismik dan datasumur dilakukan inversi AI untuk mengetahui sifat litologi area penelitian. Kemudian,hasil AI ditransformasikan untuk mendapatkan model porositas. Metode multiatributseismik menggunakan beberapa atribut untuk memprediksi model porositas dan saturasiair. Setelah itu, diaplikasikan sifat non-linear dari probabilistic neural network sehinggamenghasilkan model porositas dan saturasi air hasil probabilistic neural network (PNN).Model porositas dan saturasi air transformasi AI, multiatribut seismik dan PNN divalidasidengan nilai porositas dan saturasi air data sumur untuk mengetahui apakah modelporositas dan saturasi air tersebut merepresentatifkan nilai data sumur. Validasi dilakukanpada sumur AND-1 dan AND-2. Nilai porositas dan saturasi air data sumur untuk AND-1 adalah 25.3 – 35.9% dan 45 – 60%, dan nilai porositas dan saturasi air AND-2 adalah11 – 35% dan 15 – 82%. Nilai porositas AND-1 hasil transformasi AI sekitar 16 – 67%,multiatribut seismik sekitar 11.5 – 27% dan PNN sekitar 11.5 – 27%. Nilai saturasi airAND-1 hasil multiatribut seismik sekitar 4 – 63% dan PNN sekitar 18 – 63%. Nilaiporositas AND-2 hasil transformasi AI sekitar 52 – 72%, multiatribut seismik sekitar 11– 21.5% dan PNN sekitar 11 – 21.5%. Nilai saturasi air AND-2 hasil multiatribut seismiksekitar 63 – 85% dan PNN sekitar 63 – 85%. Kemudian, metode multiatribut seismik danPNN didapatkan nilai korelasi antara parameter target dengan parameter prediksi. Modelporositas multiatribut seismik memiliki korelasi 0.840836 dan PNN memiliki korelasi0.936868. Model saturasi air multiatribut seismik memiliki korelasi 0.915254 dan PNNmemiliki korelasi 0.994566. Model porositas transformasi AI memiliki rentang yanglebih tinggi dibandingkan dengan data sumur. Model porositas dan saturasi air metodePNN memiliki rentang nilai yang cukup dekat dengan data sumur dan memiliki korelasiyang lebih tinggi dibandingkan dengan metode multiatribut seismik. Oleh sebab itu,model porositas dan saturasi air metode PNN merupakan model prediksi terbaik.Berdasarkan model PNN, reservoir zona target lapangan ‘B’ memiliki nilai impedansiakustik 25384 – 26133 ((ft/s)*(g/cc)), porositas sekitar 15 – 27% dan nilai saturasi airsekitar 11 – 63%.

---

The 'B' field is a hydrocarbon prospect field located in the offshore Kutai Basin, East

Kalimantan. To determine the characterization of the ‘B’ field reservoir, porosity and

water saturation modeling was carried out using AI inversion, seismic multiattribute and

probabilistic neural network. This study uses 3D PSTM seismic data and wells data

(AND-1, AND-2, AND-3 and AND-4). In seismic data and wells data, AI inversion was

carried out to determine the lithological characteristics of the research area. Then, the AI

results were transformed to obtain a porosity model. The seismic multiattribute method

uses several attributes to predict the porosity and water saturation model. After that, the

non-linear properties of the probabilistic neural network were applied to produce the

porosity and water saturation model of the probabilistic neural network (PNN). The

porosity and water saturation model of AI transformation, seismic multiattribute and PNN

were validated with the porosity and water saturation values of the wells data to determine

whether the porosity and water saturation models represent the wells data values.

Validation was carried out on AND-1 and AND-2 wells. The porosity and water

saturation value of the well data for AND-1 around 25.3 - 35.9% and 45 - 60%, and the

porosity and water saturation value of AND-2 around 11 - 35% and 15 - 82%. The

porosity value of AND-1 as a result of AI transformation is around 16 - 67%, the seismic

multiattribute about 11.5 - 27% and the PNN about 11.5 - 27%. The water saturation value

of AND-1 resulted from seismic multiattribute around 4 - 63% and PNN around 18 - 63%.

The porosity value of AND-2 transformed by AI around 52 - 72%, the seismic

multiattribute around 11 - 21.5% and the PNN around 11 - 21.5%. The water saturation

value of AND-2 result from the seismic multiattribute around 63 - 85% and PNN around

63 - 85%. Then, the multiattribute seismic and PNN methods obtained the correlation

value between the target parameter and the predicted parameter. The seismic

multiattribute porosity model has a correlation of 0.840836 and PNN has a correlation of

0.936868. The multiattribute seismic water saturation model has a correlation of 0.915254

and PNN has a correlation of 0.994566. The AI transformation porosity model has a

higher range than the wells data. The PNN method of porosity and water saturation model

has a fairly close range of values to wells data and has a higher correlation than the

multiattribute seismic method. Therefore, the porosity and water saturation model of the

PNN method is the best prediction model. Based on the PNN model, the field target zone

reservoir 'B' has an acoustic impedance value about 25384 – 26133 ((ft/s) * (g/cc)), a

porosity of 15 - 27% and a water saturation of 11 - 63%."

"Potensi hidrokarbon di Lapangan 'OZ', Cekungan Bonaparte belum dimanfaatkan karena risiko pengeboran yang tinggi yang disebabkan oleh heterogenitas reservoir. Karena sifat reservoir yang heterogen, maka dilakukan identifikasi dan karakterisasi untuk melihat sebaran litologi dan fluida reservoirnya. Metode Probabilistic Neural Network (PNN) adalah metode utama dalam analisis multi-atribut untuk menemukan hubungan nonlinier antara data seismik dan data sumur di Lapangan 'OZ' dan kemudian menghasilkan model untuk distribusi data sinar gamma, porositas, dan saturasi air dengan nilai koefisien korelasi masing-masing pelatihan sebesar 0,8871, 0,9778, 0,9719 dan koefisien korelasi validasi sebesar 0,7836, 0,8554, 0,8187. Integrasi antara model distribusi data sinar gamma, porositas, saturasi air, ditambah dengan hasil inversi impedansi akustik (AI), dapat menjadi sarana untuk mengklasifikasikan dan mengidentifikasi distribusi reservoir hidrokarbon. Lapangan 'OZ' memiliki karakteristik reservoir yang mengandung gas hidrokarbon dan memiliki litologi batupasir bersih dengan sesar normal sebagai traps serta batupasir rapat dan batuan serpih sebagai seal yang tersebar di bagian Selatan dan Tengah lapangan OZ.The hydrocarbon potential in the 'OZ' Field, Bonaparte Basin has not been exploited due to the high drilling risk caused by reservoir heterogeneity. Due to the heterogeneous nature of the reservoir, identification and characterization were carried out to see the distribution of lithology and reservoir fluids. The Probabilistic Neural Network (PNN) method is the main method in multi-attribute analysis to find a nonlinear relationship between seismic data and well data in the 'OZ' Field and then generate a model for the distribution of gamma ray, porosity, and water saturation data with the respective correlation coefficient values. -each training is 0.8871, 0.9778, 0.9719 and the validation correlation coefficient is 0.7836, 0.8554, 0.8187. The integration between the distribution model of gamma ray data, porosity, water saturation, coupled with the results of acoustic impedance inversion (AI), can be a means to classify and identify the distribution of hydrocarbon reservoirs. The 'OZ' field has reservoir characteristics containing hydrocarbon gas and has a clean sandstone lithology with normal faults as traps as well as dense sandstone and shale rock as seals which are scattered in the Southern and Central parts of the OZ field."

"Cekungan Sumatera Tengah merupakan salah satu daerah penghasil minyak dan gas bumi terbesar di Indonesia dengan salah satu reservoir yang potensial berada di formasi tualang dan lakat. Penelitian ini menggunakan metode multiatribut seismik dan analisis petrofisika untuk melakukan karakterisasi reservoir pada daerah penelitian. Analisis petrofisika bertujuan untuk mendapatkan parameter petrofisika yaitu volume shale, porositas, dan saturasi air. Batuan reservoir potensial pada penelitian ini memiliki nilai volume shale dengan rentang 0.1 hingga 0.3, nilai porositas efektif dengan rentang 0.144 hingga 0.253, dan nilai saturasi air dengan rentang 0.45 hingga 0.79. Analisis multiatribut bertujuan untuk melakukan penyebaran parameter petrofisika pada area penelitian. Berdasarkan analisis multiatribut seismik didapatkan persebaran zona reservoir sandstone potensial formasi tualang dan lakat terkonsentrasi di daerah tinggian antiklin di tengah dan tenggara area penelitian dengan rentang nilai volume shale dari 0.05 hingga 0.65 dan nilai porositas efektif dengan rentang 0.1 hingga 0.25. Zona tersebut berada pada daerah tinggian yang dikontrol oleh antiklin sesar yang berarah NW-SE sehingga zona tersebut memiliki potensi menjadi jebakan struktural hidrokarbon. Struktur antiklin ini juga mengendalikan proses migrasi sekunder dari formasi kelesa yang dikembangkan di graben yang terletak sekitar 15 km south east (tenggara) dari area penelitian.

---

The Central Sumatra Basin is one of the largest oil and gas-producing regions in Indonesia, with one of its potential reservoirs located in the Tualang and Lakat formations. This study uses seismic multi-attribute method and petrophysical analysis to characterize the reservoir in the study area. The petrophysical analysis aims to obtain petrophysical parameters, namely shale volume, porosity, and water saturation. The potential reservoir rock in this study has a shale volume ranging from 0.1 to 0.3, effective porosity ranging from 0.144 to 0.253, and water saturation ranging from 0.45 to 0.79. The multi-attribute analysis aims to map the distribution of petrophysical parameters across the study area. Based on the seismic multi-attribute analysis, the distribution of potential sandstone reservoir zones in the Tualang and Lakat formations is concentrated in the anticline highs in the central and southeastern parts of the study area, with shale volume values ranging from 0.05 to 0.65 and effective porosity values ranging from 0.1 to 0.25. These zones are located in high areas controlled by NW-SE trending fault anticlines, suggesting that these zones have the potential to become hydrocarbon structural traps. This anticline structure also controls the secondary migration process from the Kelesa formation, which is developed in the Binio Trough, located approximately 15 kilometers southeast of the study area."

"Inversi seismik deterministik sudah banyak digunakan dalam lapangan eksplorasi dan pengembangan. Metode ini digunakan sebagai salah satu cara untuk karakterisasi reservoir dengan menghilangkan efek wavelet sehingga dapat membantu interpreter untuk memetakan struktur bawa permukaan dengan lebih baik. Akan tetapi, metode ini memiliki limitasi karena menggunakan impedansi rata-rata dari layer seismik dimana pada umumnmya nilai impendansi lebih kecil daripada impedansi data sumur sehingga dihasilkan model inversi yang tidak sesuai. Metode inversi stokastik menggunakan konsep geostatistikal, dimana variogram berperan penting dalam menghasilkan output yang sesuai. Pada inversi stokastik dihasilkan banyak realisasi inversi yang digunakan sebagai basis dalam analisis uncertainty, tiap realisasi akan sama pada tiap lokasi sumur yang digunakan namun akan berubah seiring dengan bertambahnya jarak spasial dari lokasi sumur. Metode inversi stokastik akan diaplikasikan pada lapangan gas “K” yang terletak di lepas pantai cekungan Bonaparte, Indoensia Timur. Data yang tersedia antara lain, sebagian dari 3D PSTM angle gather dengan luasan 1,300 km2, 3 sumur dengan data P-Sonic, S-Sonic, densitas, Gamma Ray, dan log resistivitas. Tambahan data berupa report komplesi dan report well testing tersedia untuk beberapa sumur. Lapangan gas “K” terletak pada undeformed continental margin Australia yang melampar kearah lndonesia, dimana secara geologi lapangan “K” terletak pada area Timur dari Sahul Platform dan memiliki struktur berupa tiltef fault block. Lapangan ini memiliki reservoir batupasir formasi Plover yang tersaturasi gas dengan hidrokarbon kolom cukup signifikan, dimana reservoir terdeposisi pada lingkungan shallow marine pada umur Middle Jurasic. Target utama pada lapangan gas “K” merupakan strukutural trap berupa horst block, tilted fault block yang berada dibawah sub-unconformity di umur Palaezoic. Penerapan metode inversi stokastik pada lapangan gas “K” menghasilkan kelebihan yang cukup signifikan dibandingkan dengan inversi deterministik. Reservoir pada lapangan gas “K” terdiri dari batupasir dengan persilangan shale tipis. Metode inversi stokastik dapat membedakan antara batupasir yang tersaturasi gas dengan intraformational shale tipis yang tidak teresolusi oleh seismik dan inversi deterministik. Hasil realisasi dapat digunakan untuk analisis uncertainty dengan probabilitas P10, P50, dan P90 dari facies yang dihasilkan.

---

Deterministic seismik inversion method has been successfully used in various projects in exploration and development. This method enables the interpreter to get better understanding of subsurface by omitting the wavelet and tuning effects therefore quantitative reservoir properties can be generated. However, this method has significant limitation by generating average impedances of each layer, and the range of values is smaller than the impedance from the wells therefore the inversion will not produce results that are not within the calibration range. Stochastic seismik inversion is done by conditioning well data and reproducing spatially varying statistics using variogram which could overcome the deterministic limitation. This method generates multiple realizations of high-frequency elastic properties that are consistent with both seismik amplitude and well data. In such instances, stochastic seismik inversion method could provide the uncertainties associated with the models that have been generated. The proposed method is applied in “K” gas field which located in the offshore Bonaparte Basin, Eastern Indonesia. The available dataset for this work includes : part of PSTM 3D which cover 1,300 km2 in angle gather, and 3 wells with compressional sonic, shear sonic, density, gamma ray, and resistivity logs. Additional well completion and well testing reports are available for some wells. Geologically, the “K” field is located within relatively undeformed Australian continental margin that extends into Indonesian waters. It lies on the eastern extremity of the Sahul Platform and occupies a large tilted fault block bounded to the east and south by the Calder-Malita Grabens. This field contains a significant gas column, reservoired within shallow marine, highly mature, quartzose sandstone of the Middle Jurassic Plover Formation. Potential targets in the area may be large folds, horst blocks, tilted fault blocks ad sub-unconformity traps in the Palaeozoic section. The application of stochastic seismik inversion showed significant benefits compared to deterministic especially in “K” gas field where the reservoirs are stacked sandstone with intraformational shale. Some of the reservoir and all the intraformational shales are below seismik resolution. Stochastic seismic inversion able to distinguish those features, in addition the inverted volumes with multiple realizations with ranking criteria for P10, P50, and P90 of facies could be utilized to reduce the risk associated with exploration plan and field development."

"Analisa multi atribut adalah salah satu metode statistik menggunakan lebih dari satu atribut untuk memprediksi properti fisik dari batuan. Tujuan analisa ini adalah adalah mencari hubungan antara log dengan data seismik. Hubungan ini digunakan untuk memprediksi Volome dari properti log pada semua volume seismik Pada penelitian ini analisa multiatribut diaplikasikan pada lapangan X daerah cekungan sumatera selatan dengan menggunakan 5 data sumur. Target dari penelitian ini adalah memprediksi penyebaran porositas di lapangan X. Sumursumur yang dipilih adalah sumur yang tersebar merata dan mewakili area yang akan diprediksi penyebaran porositasnya. Jumlah atribut yang digunakan di tentukan oleh proses step wise regression. 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.Tipe neural network yang digunakan adalah PNN ( Probabilistic Neural Network ),tipe ini dipilih karena mempunyai hasil korelasi yang paling baik dibandingkan dengan tipe neural network yang lain. Untuk mengetahui tingkat kepercayaan dari transformasi multiatribut dilakukan proses crossvalidasi. Hasilnya multiatribut menunjukan korelasi sebesar 0.65 dan neural network 0.69.

---

Multi-attribute analysis is a statistic method using more than one attribute to predict physical properties of rocks. The aim of this analysis is to find a relationship between log and seismic data. The relationship is used for predicting volume of log property at all seismic volumes. In this study the multi-attribute analysis is applied to area X, which is a cavity region in South Sumatera, using five well data. The aim of the study is to predict porosity distribution at area X. The wells that were chosen were those that were spread evenly and represented areas where the distribution of porosity will be predicted. The quantity of attributes used is determined by a step wise regression process. A linear multiattribute method comprises of a series that is achieved by a minimised least square. In a non-linear method, neural network is used in the training process with predetermined attributes. The neural network type used was PNN (Probabilistic Neural Network ), this type was chosen because of the best correlation result. To verify the validity of the multi-attribute transformation, a crossvalidation was conducted. The result shows a 0.65 correlation and a 0.69 neural network."

"Analisis petrofisika bertujuan untuk mendapatkan parameter-parameter petrofisika seperti kandungan lempung, porositas dan saturasi air, yang berguna untuk karakterisasi batuan reservoar. Berdasarkan data sumur Penobscot B-41 dan Penobscot L-30, Reservoar yang akan diteliti berada pada kedalaman 8128.50 hingga 9969 feet yang merupakan formasi missisauga tengah yang batuannya didominasi oleh batuan pasir. Dari perhitungan analisis petrofisika, didapatkan nilai kandungan lempung berkisar antara 13%-36%, porositas berkisar antara 16%-23% dan saturasi air berkisar antara 39%-53%. Analisis petrofisika hanya mampu memberikan informasi tentang karakter reservoar secara vertikal. Untuk itu perlu dilakukan analisis multiatribut seismik. Dengan analisis mulitatribut seismik persebaran parameter petrofisika seperti kandungan lempung, porositas dan saturasi air pada volum seismik bisa didapatkan. Atribut yang digunakan adalah sampled-based attributes dan inversi seismik sebagai eksternal atribut. Penggunaan Neural network dapat meningkatkan korelasi antara nilai log prediksi dengan nilai log sebenarnya hingga mencapai nilai 0.98. Hasil dari log prediksi kandungan lempung, porositas dan saturasi akan disebar ke seluruh volum seismik untuk mendapatkan persebaran parameter tersebut dalam volum 3D.

---

Petrophysical analysis aims to obtain petrophysical parameters such as clay content, porosity and water saturation, which is useful for the characterization of reservoir rocks. Based on data well Penobscot B-41 and well Penobscot L-30, reservoir which will be studied is at a depth of 8128.50 feet to 9969 which is middle missisauga rock formations dominated by sandstone. Based on Petrophysical analysis, clay content ranged from 13% -36%, porosity ranged from 16% -23% and a water saturation ranged from 39% -53%. Petrophysical analysis can only able to provide information about the character of the reservoir vertically. Multi-attribute seismic analysis can overcome the lack of petrophysical analysis by providing information reservoir character horizontally . Within Multi- attribute seismic analysis, petrophysical parameters such as clay content, porosity and water saturation on seismic volume can be obtained. Attributes that is used are sampled-based attributes and seismic inversion as external attributes. Neural network can improve correlation between predictive logs value with the actual logs value until it reaches 0.98. Results from the prediction log clay content, porosity and saturation will be distributed to the entire seismic volume to obtain the distribution parameters in the 3D volume."

"Karakterisasi reservoar seismik dari data seismik 3D dan data sumur telah diaplikasikan pada lapangan Gita seluas 60 km2 dengan target reservoar sandstone formasi Talang Akar Bawah. Blok Jabung, Cekungan Sumatra Selatan, Lapangan ini merupakan lapangan miny.ak yang berpoduksi sejak tahun 2005 dari Reservoar-A Masalah utama yang ada pada lapangan ini adalah distribusi coal yang cukup merata yang mempengaruhi reflektifitas seismik sehingga menunjukkan ambiguitas antara coal dan sandstone. Masalah utama ini dapat diatasi dengan studi seismik multiatribut dan atribut amplitude. Hasil dari analisis crossplot data sumur mengindikansikan bahwa coal dapat didefrensiasikan terhadap reservoar sandstone dengan menggunakan pseudo log Gamma Ray Index (GRJ) dalam batasan nilai tertentu. Pseudo log ini digunakan sebagai data masukan dalam proses multi~atribut dengan metode regresi linear untuk menghasilkan vo]um Gamma Ray Index. Distribusi lateral reservoar sandstone dari horizon Reservoar~A dihasilkan dari volum GRI dengan menggunakan atribut amplitude berupa amplitudo RMS, Nilai Ambang dan Total Amplitude Negatif, AtribuNll:r1but lni dapat digunakan untuk menggarnbarkan fitur geologi dari Reservoar-A pada lapangan Gita. Peta distribusi yang dihasilkan menunjukkan gambaran dari reservoar sandstone yang mewakili Reservoar-A dengan arah sebaran Barat Laut menuju Tenggara yang konsisten dengan data sumur. Hasil sebaran ini dibandingkan dengan hasil studi sebelumnya dan menunjukkan bahwa Gamma Ray Index berhasil mendiferensiasi coal dan dapat memetakan sebaran reservoar sandstone di lapangan Gita.

---

Seismic reservoir characterization of a 3D seismic and well data has been applied to 60 km2 of seismic over Lower Talang Akar Formation sand reservoirs in Gita Field of Jabung Block, South Sumatra Basin. The field has produced ail since first production in iate 2005 from the Reservoir-A. The main problem on this field is well distributed coal over and between sandstone reservoirs which affecting seismic reflectivity and shows the ambiguity between coals and sandstones.

The seismic multi-attribute and amplitude attribute study has been carried out to solve this problem. Results from cross plot analysis of well data indicate that the coals can be differentiating over and between the sandstone reservoirs by using pseudo log Gamma Ray Index (GRI) within certain cut-off value.

By using this pseudo Jog and generating multi-attribute analysis with linear regression. The Gamma Ray Index volume has been created. From this volume, the lateral distribution over Reservoir-A surface was created by using amplitude attribute of RMS Amplitude. Threshold and Sum of Negative Amplitude. These attributes can be used to delineate the Reservoir-A geological feature in Gita Field.

The distribution maps are showing the delineation of sandstone reservoirs of Reservoir-A with NW-SE direction which is consistent with well data. By comparing with the previous study, the result of latest study has been successfully used to differentiate cost and to define the sandstone reservoir distribution in Gita Field."