Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada area Cekungan Tarakan terdapat beberapa titik lokasi yang dapat diindikasikan sebagai zona prospek, akan tetapi lingkungan batu klastik membuat zona prospek tersebut sulit untuk ditentukan batas-batasnya. Penelitian ini bertujuan untuk melakukan karakterisasi reservoir di Lapangan "X" Cekungan Tarakan Kalimantan Utara dengan menggunakan pendekatan Probabilistik Neural Network (PNN) dan analisis seismik multi-atribut. Metode seismic multi-atribut digunakan untuk mencari atribut apa yang paling sensitif, lalu metode probabilistic neural network ini digunakan untuk memprediksi distribusi properti petrofisika, termasuk porositas, volume shale, dan saturasi air pada reservoir. Data yang digunakan meliputi data seismik post-stack, data well log, serta parameter petrofisika dari sumur yang relevan. Hasil penelitian menunjukkan bahwa kombinasi atribut seismik yang paling sensitif untuk karakterisasi reservoir di Lapangan "X" melibatkan atribut seperti amplitudo seismik, frekuensi dominan, dan fase instan. Penerapan PNN berhasil meningkatkan akurasi prediksi distribusi porositas, volume shale, dan saturasi air dengan tingkat korelasi yang memadai, di mana porositas mencapai korelasi 0.646, volume shale 0.403, dan saturasi air 0.695. Berdasarkan analisis ini, dapat dikatakan bahwa metode PNN juga dapat menurunkan nilai error yang dimana memberikan gambaran yang lebih detail mengenai karakteristik reservoir berdasarkan parameter yang ada, yang berguna untuk perencanaan eksplorasi dan produksi hidrokarbon di masa depan di Cekungan Tarakan.

---

In the Tarakan Basin area, there are several locations that can be indicated as prospect zones, but the clastic rock environment makes it difficult to determine the boundaries of these zones. This study aims to characterize the reservoir in the "X" Field, Tarakan Basin, North Kalimantan, using a Probabilistic Neural Network (PNN) approach and multi-attribute seismic analysis. The multi-attribute seismic method is used to identify the most sensitive attributes, while the probabilistic neural network method is employed to predict the distribution of petrophysical properties, including porosity, shale volume, and water saturation in the reservoir. The data used in this study includes post-stack seismic data, well log data, and petrophysical parameters from relevant wells. The results show that the combination of seismic attributes most sensitive for reservoir characterization in the "X" Field involves attributes such as seismic amplitude, dominant frequency, and instant phase. The application of PNN successfully improved the accuracy of predicting the distribution of porosity, shale volume, and water saturation with adequate correlation levels, where porosity achieved a correlation of 0.646, shale volume 0.403, and water saturation 0.695. Based on this analysis, it can be concluded that the PNN method also reduces error values, providing a more detailed picture of the reservoir characteristics based on available parameters, which is useful for future hydrocarbon exploration and production planning in the Tarakan Basin."

"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%."

"Cekungan Banggai memiliki potensi hidrokarbon yang terakumulasi pada reservoir karbonat dengan porositas ganda – porositas primer dan sekunder akibat diagenesis. Hal tersebut menyebabkan variasi nilai porositas secara vertikal maupun lateral sehingga menyulitkan identifikasi zona hidrokarbon yang potensial. Untuk mengidentifikasi zona reservoir karbonat dengan porositas ganda, penelitian ini mengintegrasikan metode inversi seismik, multiatribut seismik, dan Probabilistic Neural Network (PNN), yang bertujuan untuk meningkatkan akurasi dalam pemodelan karakteristik reservoir. Hasil penelitian menunjukkan bahwa karbonat build-up Formasi Mantawa memiliki impedansi akustik rendah (6200–10000 m/s*g/cc), porositas tinggi (21%–28%), dan saturasi air rendah (30%–47%), yang mengindikasikan adanya batuan berpori yang mengandung hidrokarbon. Diharapkan dengan penerapan integrasi metode tersebut, distribusi reservoir, porositas, dan saturasi air dapat dipetakan dengan lebih akurat berdasarkan hasil dari prediksi Probabilistic Neural Network (PNN) dan membuka peluang eksplorasi lebih lanjut di zona prospektif Lapangan ZENA.

---

The Banggai Basin has hydrocarbon potential accumulated in carbonate reservoirs with dual porosity – primary and secondary porosity due to diagenesis. This causes variations in porosity values both vertically and laterally, making it difficult to identify potential hydrocarbon zones. To identify carbonate reservoir zones with dual porosity, this study integrates seismic inversion methods, multi-attribute seismic analysis, and Probabilistic Neural Network (PNN), aimed at improving the accuracy of reservoir characteristic modeling. The results show that the carbonate build-up of the Mantawa Formation has low acoustic impedance (6200–10000 m/s*g/cc), high porosity (21%–28%), and low water saturation (30%–47%), indicating the presence of porous rocks containing hydrocarbons. It is expected that with the application of the integration of these methods, the distribution of the reservoir, porosity, and water saturation can be mapped more accurately based on the results from the predictions of the Probabilistic Neural Network (PNN), thus opening up further exploration opportunities in the prospective zones of the ZENA Field."

"Cekungan Banggai memiliki potensi hidrokarbon yang terakumulasi pada reservoir karbonat dengan porositas ganda – porositas primer dan sekunder akibat diagenesis. Hal tersebut menyebabkan variasi nilai porositas secara vertikal maupun lateral sehingga menyulitkan identifikasi zona hidrokarbon yang potensial. Untuk mengidentifikasi zona reservoir karbonat dengan porositas ganda, penelitian ini mengintegrasikan metode inversi seismik, multiatribut seismik, dan Probabilistic Neural Network (PNN), yang bertujuan untuk meningkatkan akurasi dalam pemodelan karakteristik reservoir. Hasil penelitian menunjukkan bahwa karbonat build-up Formasi Mantawa memiliki impedansi akustik rendah (6200–10000 m/s*g/cc), porositas tinggi (21%–28%), dan saturasi air rendah (30%–47%), yang mengindikasikan adanya batuan berpori yang mengandung hidrokarbon. Diharapkan dengan penerapan integrasi metode tersebut, distribusi reservoir, porositas, dan saturasi air dapat dipetakan dengan lebih akurat berdasarkan hasil dari prediksi Probabilistic Neural Network (PNN) dan membuka peluang eksplorasi lebih lanjut di zona prospektif Lapangan ZENA.

---

The Banggai Basin has hydrocarbon potential accumulated in carbonate reservoirs with dual porosity – primary and secondary porosity due to diagenesis. This causes variations in porosity values both vertically and laterally, making it difficult to identify potential hydrocarbon zones. To identify carbonate reservoir zones with dual porosity, this study integrates seismic inversion methods, multi-attribute seismic analysis, and Probabilistic Neural Network (PNN), aimed at improving the accuracy of reservoir characteristic modeling. The results show that the carbonate build-up of the Mantawa Formation has low acoustic impedance (6200–10000 m/s*g/cc), high porosity (21%–28%), and low water saturation (30%–47%), indicating the presence of porous rocks containing hydrocarbons. It is expected that with the application of the integration of these methods, the distribution of the reservoir, porosity, and water saturation can be mapped more accurately based on the results from the predictions of the Probabilistic Neural Network (PNN), thus opening up further exploration opportunities in the prospective zones of the ZENA Field."

"Lapangan “X” merupakan salah satu lapangan yang terletak di Cekungan Sunda. Lapangan ini merupakan salah satu zona potensi hidrokarbon di Indonesia, dengan salah satu zona potensi hidrokarbon terletak pada batuan reservoir karbonat build-up yang berada di Formasi Upper Baturaja. Studi ini akan menghasilkan volume petrofisika semu untuk properti petrofisika volume shale, porositas, dan saturasi air menggunakan lima kombinasi atribut seismik yang ditentukan melalui analisis multi-atribut, yang kemudian nilai korelasi dan errornya akan ditingkatkan probabilistic neural network (PNN). Integrasi dari ketiga metode ini bertujuan untuk memberikan gambaran dan pemahaman baru terhadap karakterisasi daerah yang berpotensi hidrokarbon di Lapangan ”X”.

---

”X” Field is one of the fields located in Sunda Basin. “X” Field is one of the hydrocarbon potential zones in Indonesia, with one of its hydrocarbons potential zones located in the carbonate build up reservoir in the Upper Baturaja Formation. This study will produce pseudo petrophysical volumes for petrophysical properties such as shale volume, porosity, and water saturation using five seismic attributes combination from the seismic multi-attributes method. Probabilistic neural network (PNN) is used to improve the correlation and error value from the log. The integration of these three methods aims to provide new insights and understanding of the characterization of hydrocarbon potential areas in “X” Field."

"Karbonat Oligosen-Miosen di Cekungan Jawa Timur, atau Formasi Kujung 1, telah memberi kontribusi terhadap penemuan cadangan hidrokarbon sejak tahun 1990-an. Beberapa studi dilakukan untuk karakterisasi reservoar didominasi oleh penggunaan data pre-stack untuk membedakan antar fluida. Dengan adanya ketersediaan data seismik post-stack pada Lapangan “PATRA”, dilakukan integrasi antara analisis petrofisika dan analisis multi-atribut untuk melengkapi hasil inversi seismik post-stack. Studi ini menghasilkan volume petrofisika semu (kandungan serpih, porositas dan saturasi) menggunakan 5 kombinasi atribut seismik yang ditentukan melalui analisis multi-atribut. Atribut ini termasuk atribut eksternal (impedansi akustik hasil inversi berbasis model) dan atribut internal (amplitudo sesaat, frekuensi sesaat, fase sesaat, polaritas semu, frekuensi rata-rata dan frekuensi dominan). Jika atribut impedansi akustik digunakan untuk menghasilkan parameter petrofisika, maka error berkisar pada 32-57%. Penggunaaan multi atribut, dan juga PNN, mengurangi error ini menjadi 32-40% hingga 19-35%. Interpretasi seismik terintegrasi ini memungkinkan untuk delineasi zona interest yang berpotensi. PROMETHEUS dengan ketebalan ~213 ft dan luas 58.268.238 ft2 memiliki rata-rata kandungan serpih, porositas dan saturasi air sebesar 0,12-0,25, 0,3 dan 0,7. Prospek ini memiliki estimasi Hydrocarbon Initially in Place sebesar ~930.835.102 scf.

---

The Oligocene-Miocene carbonates of the East Java Basin, or the Kujung 1 Fm., have contributed significant hydrocarbon discoveries since the 1990s. Multiple studies conducted for reservoir characterization dominantly use pre-stack information to differentiate fluids. With the availability of post-stack seismic data Field “PATRA”, the integration of petrophysical analysis and multi-attribute analysis is done to enhance the results of post-stack inversion. This study created pseudo-petrophysical volumes (shale content, porosity and water saturation) using 5 combinations of seismic attributes through multi-attribute analysis. These attributes include external attributes (inverted P-Impedance from model-based inversion) and internal attributes (instantaneous amplitude, instantaneous frequency, instantaneous phase, apparent polarity, average frequency and dominant frequency). If a single attribute of P-impedance is used to derive the petrophysical parameter, the error ranges 32-57%. The use of multi attributes, and then PNN, reduced this error to 32-40% to 19-35%. The integration of seismic interpretation made it possible to delineate a potential zone of interest. PROMETHEUS with a thickness of ~213 ft and an area of 58,268,238 ft2 has average shale content, porosity and water saturation value of 0.12-0.25, 0.3 and 0.7. This zone of interest has an estimated Hydrocarbon Initially in Place of ~930,835,102 scf."

"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."

"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 %.

"