Hasil Pencarian  ::  Simpan CSV :: Kembali

"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 dilakukan untuk mengidentifikasi geologi bawah permukaan pada lokasi penelitian serta memanfaatkan informasi geologi tersebut untuk mendukung rencana pembangunan Tol Trans Sumatera, seperti melihat adanya stuktur patahan, lapisan batuan lunak dan keras, dan air tanah pada lokasi penelitian. Penelitian ini menggunakan metode resistivitas. Data yang digunakan adalah data resistivitas. Data ini merupakan data sekunder yang diperoleh dari Badan Pengkajian dan Penerapan Teknologi (BPPT). Pengukuran dilakukan di 2 segmen yang masing-masing segmen terdapat 4 lintasan. Menggunakan Konfigurasi Wenner-Schlumberger. Hasil pengolahan data resistivitas dikorelasikan dengan peta geologi regional, klasifikasi nilai resistivitas batuan (Telford, 1990), dan data bor. Pengolahan dilakukan dengan metode inversi dua dimensi dan pemodelan tiga dimensi. Dari hasil pengolahan dan analisis terdapat beberapa jenis litologi dengan distibusi resistivitas yaitu litologi batu pasir dengan nilai resistivitas sebesar 80-200 Ωm dan nilai SPT 30. Litologi kedua yaitu lapisan lempung dengan nilai resistivitas sebesar 0-80 Ωm dan nilai SPT 20. Litologi ketiga yaitu lapisan Andesit dengan nilai resistivitas lebih dari 200 Ωm dan nilai SPT 50. Ditemukan juga adanya struktur patahan pada lintasan 5, serta potensi air tanah yang menyebar pada litologi batuan pasir yang ada pada setiap lintasan.

---

This research was conducted to identify subsurface geological at the research location and utilize this geological information to support the Sumatra Highway development plan, such as looking at fault structures, soft and hard rock layers, and groundwater at the research location. This study uses the resistivity method. The data used is resistivity data. This data is secondary data obtained from the Agency for the Assessment and Application of Technology (BPPT). Measurements were carried out in 2 segments where each segment has 4 tracks. Using the Wenner-Schlumberger Configuration. The results of resistivity data processing are correlated with regional geological maps, rock resistivity value classification (Telford, 1990), and drill data. Processing is done by two dimensional inversion method and three-dimensional modeling. From the processing and analysis results, there are several types of lithology with resistivity distribution, namely sandstone lithology with a resistivity value of 80-200 Ωm and an SPT value of 30. The second lithology is a layer of clay with a resistivity value of 0-80 Ωm and an SPT value of 20. The third lithology is andesite layer with a resistivity value of more than 200 Ωm and an SPT value of 50. There was also a fault structure on track 5, as well as the potential for groundwater spreading in the sandstone lithology on each track."

"Sebagian besar cadangan nikel di dunia ditemukan dalam bentuk nikel besi-oksida yang disebut laterit. Endapan nikel laterit terbentuk dari proses pelapukan yang panjang dan meliputi pengayaan supergen dan pelapukan kimiawi. Endapan ini tersusun dari tiga lapisan yaitu limonit, saprolit dan batuan dasar yang secara keseluruhan disebut profil nikel laterit. Penelitian ini menggunakan data gambar yaitu foto inti batuan dari salah satu lapangan milik PT Vale Indonesia Tbk. Metode yang digunakan adalah metode pembelajaran mesin tersupervisi yaitu convolutional neural network dengan tujuan untuk mengetahui kemampuan pembelajaran mesin dalam melakukan prediksi profil nikel laterit berdasarkan data gambar.Model yang dibuat berdasarkan metode convolutional neural network memiliki akurasi 87% dan memiliki tren akurasi yang cenderung meningkat seiring dengan bertambahnya proses pembelajaran (epoch). Perbandingan antara litologi hasil prediksi dan litologi sebenarnya yang dilihat berdasarkan ilustrasi drillhole dan model geologi menunjukkan bahwa model yang dibuat sudah cukup baik dalam melakukan prediksi profil nikel laterit secara keseluruhan. Kelebihan penggunaan metode pembelajaran mesin dalam prediksi profil nikel laterit diantaranya mengoptimalkan waktu dan meningkatkan konsistensi dalam penentuan lapisan laterit berdasarkan karakteristik visual. Disisi lain, kekurangan pada metode ini yaitu masih cukup banyak kesalahan prediksi pada penentuan saprolit dan batuan dasar.

---

The world's nickel reserves are mostly found in the form of nickel iron-oxide called laterite. Laterite nickel deposits are formed from a long weathering process which include supergene enrichment and chemical weathering. This deposit is composed of three layers, namely limonite, saprolite and bedrock collectively termed as the nickel laterite profile. This study uses image data, which are photos of rock cores from a field owned by PT Vale Indonesia Tbk. The method used is a supervised machine learning approach, namely convolutional neural network with the aim of knowing the ability of machine learning to predict nickel laterite profiles based on image data.

The model generated from convolutional neural network has an accuracy of 87% and has a trend of accuracy that tends to increase correspondingly with the learning process (epoch). The comparison between the predicted lithology and the actual lithology seen based on drillhole illustrations and geological models shows that the model made is sufficiently good in predicting the overall nickel laterite profile. The advantages of using machine learning methods in predicting nickel laterite profiles include optimizing time and increasing consistency in laterite determination based on visual characteristics. On the other hand, the drawback of this method is that there are still quite a lot of prediction errors in the determination of saprolite and bedrock."

"Pulau Sulawesi bagian Utara memiliki manifestasi sumber daya emas dengan tipe endapan emas sedimen-hosted di Kecamatan Ratatotok, Kabupaten Minahasa Tenggara, Sulawesi Utara yang menjadi tempat lokasi penelitian. Tipe endapan tersebut dikontrol oleh kondisi litologi dan struktur. Tujuan dari penelitian adalah untuk menganalisis kondisi geologi bawah permukaan dan geokimia yang berhubungan dengan mineralisasi emas. Metode eksplisit dan implisit digunakan untuk membuat model geologi 3D bawah permukaan yang terdiri dari litologi dan struktur, sedangkan analisis lito-geokimia digunakan untuk menganalisis alterasi dan mineralisasi emas di prospek X. Pemodelan bawah permukaan menghasilkan tiga satuan litologi (Satuan PIR, Satuan INT, dan Satuan LMS) dan enam struktur sesar. Analisis lito-geokimia menunjukkan adanya enam alterasi (dekalsifikasi, dolomitisasi, pengayaan Fe, silisifikasi, oksidasi, dan alterasi lempung) dan unsur jejak berupa As, Sb, dan Tl yang berhubungan dengan mineralisasi emas. Tingkat mineralisasi emas paling tinggi terjadi dalam batugamping yang telah terdolomitisasi dan tersilisifikasi di sekitar struktur sesar normal S4 dan S6 dengan tiga tahapan pembentukan mineralisasi emas.

---

The northern part of Sulawesi Island hosts gold resources with sediment-hosted gold deposit types located in Ratatotok District, Southeast Minahasa Regency, North Sulawesi, which serves as the research location. This type of deposit is controlled by lithological and structural conditions. The aim of the study is to analyze the subsurface geological and geochemical conditions related to gold mineralization. Explicit and implicit methods were used to create a 3D subsurface geological model consisting of lithology and structures, while litho-geochemical analysis was employed to analyze alteration and gold mineralization in the X prospect. The subsurface modeling identified three lithological units (VOL Unit, INT Unit, and LMS Unit) and six fault structures. Litho-geochemical analysis revealed six types of alteration (decalcification, dolomitization, Fe enrichment, silicification, oxidation, and clay alteration) and trace elements such as As, Sb, and Tl associated with gold mineralization. The highest level of gold mineralization was found in dolomitized and silicified limestone near the S4 and S6 normal fault structures with three stages of gold mineralization formation. "

"Saat ini geosaintis memasuki era big data dan pembelajaran mesin memberikan potensi besar untuk berkontribusi dalam masalah geosains (Karpatne dkk., 2017). Automasi dalam analisis fasies perlu dilakukan untuk meningkatkan keakuratan, juga mengurangi waktu dan biaya dalam kegiatan pengembangan sumur sehingga dapat meningkatkan hasil produksi. Penelitian dilakukan menggunakan data log sumur pengeboran, laporan deskripsi batuan inti, dan deskripsi petrografi di reservoir gas Lapangan X. Akumulasi gas berada di reservoir utama hasil endapan vulkaniklastik pada Formasi Pucangan. Proses pengelompokan dilakukan menggunakan algoritma K-Means dan di analisis menggunakan Cutoff Crossplot. Kemudian dilanjutkan dengan klasifikasi yang dilakukan menggunakan pembelajaran tersupervisi dengan jenis algoritmaSupport Vector Machine (SVM), Random Forest, dan Extreme Gradient Boosting (XGBoost). Lokasi penelitian berada di wilayah kerja Minarak Brantas Gas Inc (MBGI) Kabupaten Sidoarjo, Jawa Timur. Lapangan X terletak pada reservoir vulkaniklastikberumur Pleistosen dan terletak di onshore Cekungan Jawa Timur. Interval produksi berada di bagian bawah yang terendapkan di lingkungan neritik luar atau lingkungan turbiditik. Lapangan X terdiri dari empat fasies yaitu, batulempung, batulanau, batupasirvulkanik, dan batupasir karbonatan. Algoritma pembelajaran mesin yang paling baik digunakan untuk identifikasi fasies pada Lapangan X adalah RandomForest dengan hasil akurasi f1-score tertinggi, dan nilai RMSE (Root Mean Square Error) paling rendah dibandingkan kedua algoritma lain.

---

Geoscientists are currently entering the era of big data and machine learning provides great potential to contribute to geoscience problems (Karpatne et al., 2017). Automation in facies analysis needs to be done to increase accuracy, also reduce time and costs in well development activities so as to increase production yields. The research was conducted using drilling well log data, core rock description reports, and petrographic descriptions of gas reservoirs in Field X. Gas accumulation is in the main reservoir as a result of volcaniclastic deposits in the Pucangan Formation. The clustering process was carried out using the K-Means algorithm and analyzed using the Cutoff Crossplot. Then proceed with the classification which is carried out using supervised learning with the types of Support Vector Machine (SVM), Random Forest, and Extreme Gradient Boosting (XGBoost) algorithms. The research location is in the working area of ​​Minarak Brantas Gas Inc. (MBGI) Sidoarjo Regency, East Java. Field X is in a Pleistocene volcaniclastic reservoir and is locatedonshore in the East Java Basin. The production interval is at the bottom which is deposited in an outer neriticenvironment or a turbiditic environment. Field X consists of four facies, namely, claystone, siltstone, volcanic sandstone, and carbonate sandstone. The bestmachine learning algorithm used for faciesidentification in Field X is Random Forest with thehighest f1-score accuracy, and the lowest RMSE (RootMean Square Error) value compared to the other two algorithms."

"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."

"Daerah penelitian berada pada daerah Mangkauk, Kalimantan Selatan, Indonesia dan terletak pada Formasi Tanjung Cekungan Barito. Area penelitian memiliki luas sebesar 4,92 km2 . Tersebar 32 data titik bor pada daerah penelitian dan menunjukkan orientasi strike dengan arah Timur Laut – Barat Daya (NE - SW) yang didukung oleh pengukuran orientasi perlapisan secara langsung dilapangan didapatkan nilai Strike & Dip N 225°E / 25°. Kondisi Geologi daerah penelitian tergolong kedalam kondisi geologi sederhana dikarenakan daerah penelitian tidak dipengaruhi oleh struktur geologi. Kemudian lapisan batu bara pada kelompok ini memiliki karakteristik yang relatif landai, menerus secara lateral sampai ribuan meter hanya saja memiliki beberapa percabangan (B1, B2, B3, C1, C2, & D1) dan memiliki ketebalan yang bervariasi. Jarak acuan titik pengamatan dengan jarak estimasi terukur x ≤ 500 m, tertunjuk 500 m ≤ x ≤ 1.000 m dan tereka dengan jarak 1000 m ≤ x ≤ 1500 m menurut SNI-5015 (2019). Seam yang dilakukan pengestimasian yaitu Seam C1, C2, & D1 karena seam lain tidak memiliki data kualitas batu bara. Berdasarkan hasil akumulasi jumlah estimasi sumber daya batu bara yang terdeposit pada daerah penelitian yaitu estimasi terukur dengan jumlah 9.318.280,95 ton, estimasi tertunjuk dengan jumlah 3.846.800,86 ton, dan estimasi tereka dengan jumlah 567.529,04 ton.

---

Research area is located in the Mangkauk area, South Kalimantan, Indonesia and is located in the Tanjung Formation of the Barito Basin. The research area has an area of 4.92 km2. There are 32 data points of drill points in the study area and show a kick beam in the direction of Northeast - Southwest (NE - SW) which was recorded by direct measurements of the layering emission in the field which obtained a Strike & Dip N value of 225°E / 25°. The geological conditions of the study area are classified into simple geological conditions because the study area is not influenced by geological structures. Then the coal seams in this group have the characteristics of being relatively sloping, continuing laterally for thousands of meters but having several branches (B1, B2, B3, C1, C2, & D1) and having varying thicknesses. The reference distance of the observation point with the estimated distance is measured x ≤ 500 m, indicated 500 m ≤ x ≤ 1,000 m and inferred with a distance of 1000 m ≤ x ≤ 1500 m according to SNI-5015 (2019). The seams that were estimated were Seams C1, C2, & D1 because the other seams did not have data on coal quality. Based on the accumulated estimates of the amount of coal resources deposited in the study area, namely measured estimates of 9,318,280.95 tonnes, indicated estimates of 3,846,800.86 tonnes, and inferred estimates of 567,529.04 tonnes."

"Telah dilakukan penelitian tentang karakterisasi resevoir dengan menggunakan metode inversi sparse spike pada daerah Boonsville. Hasil dari karakterisasi reservoir ini menunjukkan bahwa dengan menggunakan data log, di interval Caddo dapat dipisahkan antara batuan reservoir dan non reservoir (shale terhadap sand/limestone) pada domain P-impedan, sedangkan pada interval Davis terdapat overlap antara shale dan sand. Pada interval Caddo digunakan cut-off P-impedan sebesar 37000 gr/cc ft/s untuk memisahkan antara shale dan sand/limestone. Dengan menggunakan cut-off 37000 gr/cc ft/s dilakukan body capturing hasil inversi sparse spike pada interval Caddo. Hasil body capturing kemudian diinterpretasikan adanya sistem delta dari arah timur ke utara, distributiary channel kearah utara dan shelf di bagian barat.

---

Reservoir characterization using sparse spike inversion was performed on Boonsville field, Texas to distinguish between reservoir and non reservoir rock. From the log data, separation between reservoir and non reservoir rock (sand/limestone and shale) can be distinguished in the P-impedance domain in the Caddo interval, while in Davis, sand and shales are overlaped. P-impedance cut-off 37000 gr/cc ft/s is used to separate between shale and sand/limestone in Caddo interval. Body capturing technique using P-impedance cut-off 37000 gr/cc ft/s was performed in Caddo interval from the result of sparse spike inversion. The final result of body capturing is interpreted as deltaic system from east to north, distributiary channel from east to north and shelf in the west."

"Identifikasi adanya perangkat stratigrafi akan lebih mudah dilakukan apabila bentuk geometri dari reservoar dan model lingkungan pengendapan dapat diketahui. Perubahan litho fasies tergambarkan pada sifat petrofisika batuan seperti jenis litologi (reservoir dan non reservoir), porositas, permeabilitas dan saturasi batuan. Sifat petrofisika batuan akan lebih mudah dipetakan dengan cara melihat perubahan atau perbedaan nilai impedansi akustik antar titik. Metode yang dilakukan untuk mengkorelasikan data hasil seismik dengan sumur dalam domain frekuensi disebut dengan inversi seismik. Nilai impedansi akustik (AI) hasil inversi seismik kemudian dikorelasikan dengan data sumur untuk mendapatkan persamaan empirik. Persamaan empirik ini digunakan untuk mencari hubungan antara nilai impedansi akustik (AI) dengan sifat petrofisika batuan yang meliputi porositas, permeabilitas dan saturasi batuan. Disisi lain, log sumur juga mempunyai nilai impedansi akustik. Nilai impedansi akustik pada seluruh area dapat diketahui dengan tehnik geostatistik dari nilai impedansi akustik sumur BY18, BY11 dan CY9. Berdasarkan nilai impedansi akustik hasil geostatistik didapatkan sifat petrofisika batuan. Metode karakterisasi reservoir dengan cara inversi dan geostatistik memberikan hasil yang berbeda yaitu, inverse seismik dapat menggambarkan reservoir kecil, tetapi kurang mampu menggambarkan pola penyebarannya. Hal sebaiknya geostatistik mampu memberikan pola penyebaran batuan reservoir tetapi tidak mampu menggambarkan reservoir kecil."

"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."