Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pemeliharaan prediktif pada stasiun pengamatan gempa bumi dan tsunami menjadi sangat penting sebagai kualitas kontrol atau pengendalian mutu. Saat ini penentuan kualitas stasiun pengamatan gempa bumi dan tsunami dilakukan secara pemeliharaan preventif dan pemeliharaan korektif dimana seorang pakar akan melakukan pemeliharaan secara berkala ataupun melakukan pemeliharaan apabila keadaan stasiun pengamatan gempa bumi dan tsunami mengalami kerusakan total. Pada penelitian ini pemeliharaan prediktif dilakukan pada seismometer dua stasiun yang berdekatan dengan menganalisis dalam domain frekuensi. Data yang digunakan adalah sinyal seismik pada rekaman seismometer tiga komponen (North-South, East-West, Z-Vertical) pada jaringan stasiun pengamatan gempa bumi dan tsunami. Rancangan penelitian ini yaitu rekaman sinyal seismik pada dua stasiun diubah dalam domain frekuensi menjadi power spectral density kemudian dilakukan cross spectral density dan mendapatkan nilai koherensi dari cross spectral density. Kemudian nilai tersebut menjadi feature untuk machine learning dan label untuk machine learning diberikan oleh pakar dari Badan Meteorologi Klimatologi dan Geofisika. Evaluasi dengan model machine learning berbasis data koherensi cross spectral density pada fault detection seismometer berdasarkan machine learning yang dipakai adalah random forest dan xgboost dengan memiliki akurasi 0,89 dan 0,91. Selain itu, waktu training untuk permodelan xgboost lebih cepat daripada random forest.

---

Predictive maintenance of earthquake and tsunami observation stations is very important for quality control. Currently, the determination of the quality of earthquake and tsunami observation stations is carried out by preventive maintenance and corrective maintenance, where an expert will perform regular maintenance or perform maintenance if the earthquake and tsunami observation station is completely damaged. In this research, predictive maintenance is carried out on the seismometers of two adjacent stations by analyzing in the frequency domain. The data used are seismic signals in three-component seismometer recordings (North-South, East-West, Z-Vertical) in the earthquake and tsunami observation station network. The design of this research is that seismic signal recordings at two stations are converted in the frequency domain into power spectral density, then cross spectral density is carried out and the coherence value of the cross spectral density is obtained. Then the value becomes a feature for machine learning and the label for machine learning is given by experts from the Meteorology Climatology and Geophysics Agency. Evaluation with machine learning models based on cross spectral density coherence data on seismometer fault detection based on machine learning used is random forest and xgboost with an accuracy of 0.89 and 0.91. In addition, the training time for xgboost modeling is faster than random forest."

"Seismometer adalah instrumen penting dalam memantau gempa bumi dan aktivitas seismik lainnya. Namun, kinerjanya dapat menurun seiring waktu karena berbagai faktor, seperti kondisi lingkungan, komponen yang menua, dan gangguan eksternal. Hal ini dapat menyebabkan pengumpulan data yang tidak akurat. Saat ini belum ada metode yang dapat digunakan untuk mengevaluasi kinerja seismometer. Dalam penelitian ini, mengembangkan metode diagnosis kesehatan seismometer yang berbasis pada analisis sinyal seismik.  Metode yang dikembangkan mengunakan model machine learning SVM dan random forest  berdasarkan feature korelasi silang dan  rasio amplitudo,  Metode ini menghasil kan 4 indikator kesehatan yaitu Excellent, Good, Fair dan Poor, Nilai korelasi silang dan rasio amplitudo di dapatkan  melalui korelasi antara 2 jenis sinyal seismik yaitu sinyal seismik target dan beberapa sinyal seismik referensi sehingga dapat diketahui bahwa seismometer yang dalam kondisi sangat bagus memiliki nilai korelasi silang dan rasio amplitudo ± 0.9 – 1. Metode yang digunakan sudah dievaluasi dengan mengunakan 6 event gempa teleseismik : Jepang 2024, Alaska Peninsula 2023, New Caledonia 2023, Turkey 2023, Tongga 2023 dan Solomon 2022 dengan model SVM dan Random Forest untuk mengklasifikasikan kesehatan seismometer didapatkan akurasi 95 % dna 88 %.

---

Seismometers are crucial instruments for monitoring earthquakes and other seismic activities. However, their performance can degrade over time due to various factors such as environmental conditions, aging components, and external disturbances. This can lead to inaccurate data collection. Currently, there is no method available to evaluate the performance of seismometers. In this study, we developed a seismometer health diagnosis method based on seismic signal analysis. The developed method uses SVM and random forest machine learning models based on cross-correlation features and amplitude ratios. This method produces four health indicators: Excellent, Good, Fair, and Poor. The cross-correlation values and amplitude ratios are obtained through the correlation between two types of seismic signals, namely the target seismic signal and several reference seismic signals. It can be known that seismometers in excellent condition have cross-correlation values and amplitude ratios of approximately 0.9 – 1. The method used has been evaluated using six teleseismic earthquake events: Japan 2024, Alaska Peninsula 2023, New Caledonia 2023, Turkey 2023, Tonga 2023, and Solomon 2022. Using SVM and Random Forest machine learning models to classify seismometer health, accuracies of 95% and 88% were obtained respectively."

"Perkembangan ilmu pengetahuan dalam bidang Geofisika pada umumnya dan ilmu Seismologi pada khususnya tidak dapat lepas dari kemampuan alat ukur yang diperlukan sehingga untuk menunjang kemajuan ilmu tersebut maka perkembangan instrumentasi seismologi mutlak diperlukan, bahkan dalam hal ini menjadi pemicu secara imbal balik dimana kemajuan dalam bidang instrumentasi memicu kemajuan ilmu seismologi atau demikian sebaliknya. Instrumentasi yang dibuat untuk mendeteksi getaran gempabumi telah mengalami beberapa tahap perubahan dan perkembangan, dikenal dengan nama seismograph, pada awalnya hanya dipakai untuk mencatat adanya getaran yang timbul karena adanya gerakan-gerakan dari lapisan bumi sedangkan bentuk tampilannya sangat sederhana sebagai instrumentasi yang bersifat konvensional dan analog, sedangkan TDS-303S merupakan instrumen yang merepresentasikan perkembangan alat ukur modern berbasis digital dengan berbagai macam aplikasi untuk penyajian data kegempaan ( Seismisitas ) dan pemroses data hingga menghasilkan parameter-parameter gempabumi seperti magnitude, epicenter, kedalaman gempabumi dan lain-lain. Penggunaan seismograph TDS-303S dalam pengukuran seismisitas yang dilakukan di Jogyakarta memberikan hasil yang dapat dipertanggung jawabkan dimana hasil analisa data mengindikasikan lokasi yang sesuai dengan fakta di lapangan yang merupakan jalur patahan sedangkan nilai rata-rata kesalahan adalah 0,5 yang menjadi nilai akurasi alat TDS-303S.

---

The development of Geophysics science particulary in the Seismology field can not be separated from the ability of gauges that necessary to support the advancement of the science of seismology . Instrumentation development is absolutely necessary, even in this case, which lead to advances in the advancement in the science of seismology or vice versa. Instrumentation that designed to detect earthquake vibrations untill now has undergone several stages of change and development. Instrumentation in seismology that called seismograph, at the begining was used only to make recording the movement of the earthsphere and the displayed in simply graph as records while the appearence was very simple as the conventional instrumentation and analog, while recently., TDS-303S is an instrument that represents the development of modern measuring devices based on digital with a wide range of applications for the presentation of seismic data (seismicity) and processing datas to generate the earthquake parameters such as earthquake magnitude, epicenter, depth of earthquakes and others. The use of TDS-303S seismograph in seismicity measurements conducted in Yogyakarta provide results that can be justified where the location of the data analysis indicated in accordance with the facts that the epicenters lied on the fault line, while the average error is 0.5 that can be determined as the value of the accuracy of the TDS -303S."

"Kondisi zona yang sangat lapuk pada lapangan penelitian ini menciptakan kualitas seismik yang kurang baik. Untuk itu pada penelitian ini geophone ditanam sedalam 6 meter di bawah lapisan lapuk. Berdasarkan model kecepatan tomography, kecepatan gelombang seismik di lapisan lapuk berada pada rentang nilai 880 sampai dengan 1100 m/s. Lapisan lapuk dan elevasi yang ekstrim pada daerah penelitian dapat diatasi dengan menggunakan travel time tomography. Hasil data seismik dari buried geophone memberikan hasil yang baik pada kualitas citra di bawah permukaan, signal-to noise ratio yang lebih tinggi dan frekuensi yang lebih tinggi.Hasil analisis RMS Amplitude pada data seismik dari buried dan surface geophone menyatakan nilai RMS Amplitude pada data seismik dari surface geophone lebih tinggi dibandingkan data seismik buried geophone karena data seismik surface geophone memiliki banyak noise. Hasil migrasi dari data seismik buried geophone memperlihatkan reflektor yang lebih jelas dengan signal to noise ratio yang lebih tinggi dibandingkan dengan hasil migrasi dari data seismik surface geophone.

---

Conditions were very weathered zone in this research field creating quality seismic unfavorable. Therefore in this study geophones planted deep as 6 meters below the weathered layer. Based on the model velocity tomography, seismic wave velocity in the weathered layer is in the range value of 880 up to 1100 m s. Weathered layers and extreme elevation of the research area can be overcome by using a travel time tomography.

The results of seismic data from geophones buried give good results on the quality of the image below the surface, the signal to noise ratio is higher and higher frequencies. The results of the analysis of the RMS amplitude of the buried and surface geophone seismic data declared value RMS amplitude on surface geophones seismic data is higher than buried geophone seismic data because surface geophones seismic data have a lot of noise. The results of the buried geophones seismic data migration showed clearer reflector, signal to noise ratio that is higher than the result of the migration of surface geophones seismic data."

"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%."

"Seismometer mempunyai karakteristik seperti frekuensi natural, konstanta damping, bandwidth frekuensi dan sensitivitas. Nilai dari besaran-besaran tersebut berpengaruh dalam pengolahan data seismik, terutama parameter gempa bumi seperti magnitudo, olah karena itu diperlukan kalibrasi sehingga dihasilkan pengukuran yang valid. Kalibrasi seismometer adalah kalibrasi untuk mendapatkan nilai sensitivitasnya. Penelitian ini bertujuan untuk mendapatkan nilai paramater seismometer yaitu sensitivitas yang tertelusur ke satuan international, dengan merancang sistem kalibrasi seismometer secara relatif maupun absolut. Perancangan sistem kalibrasi dilakukan baik secara hardware maupun software. Pada hardware dirancang sistem low noise digitizer dengan ADC beresolusi 16 bit, sedangkan untuk pengolahan dan analisa data kalibrasi digunakan software builder LabVIEW. Dari data hasil kalibrasi tiga lokasi yang berbeda, kalibrasi relatif menggunakan signal sinus 1 Hz di dapat bahwa sensitivitas seismometer TDV-23S mempunyai nilai sebesar 1217,28 ± 3,42 V/m/s atau 0,25 % untuk nilai ketidakpastiannya pada setiap komponen dan nilai konstanta damping 0,49.

---

Seismometers have characteristics, such as natural frequencies, damping constants, frequencies bandwidth, and sensitivities. The values of the characteristics have very influential in determine of earthquake magnitude. Therefore, calibration of seismometers is needed to obtain validated measurement. This research is aimed to design calibration system either relative or absolute, in order to obtain the sensitivity value that traceable to international units. The calibration system design is done in hardware and software. On the hardware, is designed low noise digitizer system with 16 bit resolution, for the processing and calibration data analysis is used LabVIEW Software Builder. The calibration test data from this research are seismic signals which are recorded from three different locations. Results from testing on the entire seismic signals show that relative calibration which is used sine signal of 1 Hz, gives 1217,28 ±3,42 V/m/s sensitivity of TDV-23S seismometer is obtained, or uncertainty of each component of 0,25% and the damping constant of 0.49."

"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."