Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Ada banyak attributattribut yang dapat diekstrak dari data seismik dan pemilihan attribut yang hanya dapat mempengaruhi distribusi litologi ini secara dominan bukan merupakan hal yang mudah karena pada kenyataannya beberapa attribut tidak memberikan kontribusi dalam pengelompokan litologi. Untuk mengurangi hal itu, penulis menggunakan Principal Component Analysis (PCA) pada data seismik dan generalized principal component analysis (GPCA) pada attribut seismik. Analisis GPCA terdiri dari dua langkah: Pertama, meningkatkan variasi data dengan menggunakan principal component analysis sehingga pemisahan data yang lebih baik bisa didapatkan, dan kedua, memilih attribut yang telah terotasi berdasarkan urutan nilai eigen valuenya yang dihitung sebelumnya. Tujuan analisis PCA adalah untuk menghilangkan komponen bising yang bersifat acak yang terdapat di dalam data seismik sedangkan tujuan analisis GPCA adalah untuk menghasilkan atribut seismik yang mampu memberikan kontribusi untuk clustering. Cluster analisis dari attribut seismik merupakan suatu metode yang digunakan untuk mengelompokkan litologi dari data seismic yang telah direkam dan diproses. Secara prinsip, cluster analisis memproyeksikan N attribut seismik ke sistem koordinat dengan N-dimensi yang menghasilkan K cluster yang merepresentasikan litologi yang berbeda. Penentuan pusat awan data (centroid) dapat dilakukan melalui proses yang iteratif (unsupervised). Algoritma clustering yang dipakai adalah Kmeans clustering. Hasil clustering yang didapat menunjukkan konsistensi dengan peta litologi yang sudah ada yang di intrepetasi dari korelasi data sumur.

---

There are a lot of seismic attributes that can be generated from seismic data and choosing attributes that mainly affect the distribution of the lithology clouds is not a simple task to do due to the fact that some attributes may not contribute to the separation of the clusters. To reduce that difficulty, the authors implemented a principal component analysis (PCA) of seismic data and a generalized principal components analysis (GPCA) of seismic attributes. This GPCA analyisis consists of two steps : First, increasing the variation of data points using the principal component method such that better cluster separation can be obtained, and second, selecting contributing rotated attributes based on the rank of previously calculated eigen values. The aim of PCA analysis is to reduce noise effect which random in seismic data while the aim of GPCA analysis is to result seismic attributes which give contribution to clustering. Cluster analysis of seismic attributes is a tool to classify lithologies brought by recorded and processed seismic data. In principal, cluster analysis projects N seismic attributes into Ndimension coordinate system resulting with K groups of clouds representing different lithologies. Identification of the center of the clouds and its related samples can be done differently by iterative process (unsupervised). Clustering algorithm is Kmeans clustering. The results of clustering show consistency with existing lithology map interpreted from well correlation.

Abstrak :
Cluster analisis dari atribut seismik merupakan suatu metode yang digunakan untuk mengelompokkan litologi dari data seismik yang telah direkam dan diproses. Secara prinsip, cluster analisis memproyeksikan N atribut seismik ke sistem koordinat dengan N-dimensi yang menghasilkan K cluster yang merepresentasikan litologi yang berbeda. Penentuan center dari data dapat dilakukan melalui proses iterasi yang centernya tidak ditentukan (unsupervised), atau dengan menentukan posisi awal center dari informasi yang diketahui yang kemudian berubah-rubah karena proses iterasi (semi-supervised). Informasi yang diketahui ini misalnya dapat berasal dari atribut yang diekstrak pada posisi sumur. Ada banyak atribut-atribut yang dapat diekstrak dari data seismik dan pemilihan atribut yang hanya dapat mempengaruhi distribusi litologi ini secara dominan bukan merupakan hal yang mudah karena pada kenyataannya beberapa atribut tidak memberikan kontribusi dalam pengelompokkan litologi. Untuk mengurangi hal itu, penulis menggunakan generalized principal component analysis pada atribut seismik. Metode ini terdiri dari dua langkah; Pertama, meningkatkan variasi data dengan menggunakan metode principal komponen sehingga pemisahan data yang lebih baik bisa didapatkan, dan kedua, memilih atribut yang telah terotasi yang memberikan kontribusi untuk clustering berdasarkan urutan nilai eigen valuenya. Dalam penelitian ini penulis menggunakan metode semi-supervised. Alasan penggunaan metode tersebut adalah posisi sumur-sumur yang di bor mungkin saja berada pada tepi reservoar yang tidak mencerminkan sifat fisis batuan secara ratarata pada daerah reservoir tersebut. Kemudian jika posisi center dibuat tetap dapat mengakibatkan distorsi informasi secara umum mengenai sifat fisis batuan. Data sesimik full stack dengan beberapa sumur yang ada diproses untuk menghasilkan litologi map dari area tersebut. Hasil yang didapatkan menunjukkan konsistensi dengan peta litologi yang sudah ada yang di intrepetasi dari korelasi data sumur.

---

Cluster analysis of seismic attributes is a tool to classify lithologies brought by recorded and processed seismic data. In principal, cluster analysis projects N seismic attributes into N-dimension coordinate system resulting with K groups of clouds representing different lithologies. Identification of the center of the clouds and its related samples can be done differently by iterative process (unsupervised), or by defining initial centers from known information and then updating them through iterative process (semi-supervised). The information may come, for example, from attributes at well locations. There are a lot of seismic attributes that can be generated from seismic data and choosing attributes that mainly affect the distribution of the lithology clouds is not a simple task to do due to the fact that some attributes may not contribute to the separation of the clusters. To reduce that difficulty, the authors implemented a generalized principal components analysis of seismic attributes. This method consists of two steps : First, increasing the variation of data points using the principal component method such that better cluster separation can be obtained, and second, selecting contributing rotated attributes based on the rank of previously calculated eigen values. In this work, the authors using the semi-supervised methods. The reason to use those methods is that wells may be drilled at the edge of the reservoir where the rock property at that location shows deviation from the average rock property of the reservoir. Hence, fixing the center may distort the general information of rock property of the reservoir. Full stack seismic data from Boonsville area with some existing wells were processed to generate lithology map of that area. Results show consistency with existing lithology map interpreted from well correlation.

Abstrak :
Dalam tesis ini, penulis mengemukakan metode sederhana untuk menguraikan jenis-jenis batuan dari data seismik full stack. Untuk mencapai hal tersebut, pertama, korelasi-silang antara well traces dan data seismik dikalkulasi. Trace-trace yang ada pada setiap sumur-sumur diambil sebagai trace referensi. Setiap well traces di-korelasi-silang dengan data seismic yang telah ada, dimana hasilnya dapat digunakan sebagai atribut seismik. Semua atribut yang telah dikalkulasi dari tracetrace referensi kemudian digunakan sebagai input untuk proses analisis gugus. Metode clustering yang telah digunakan dalam tesis ini adalah kmeans clustering. Kedua, perubahan kemiringan, intercept, korelasi koefisien, dan, deviasi standar, dari setiap sumur-sumur yang telah di-PCA(Principal Component Analysis) digunakan sebagai input untuk proses analisis gugus. Mengimplementasikan metode ini telah memunculkan horizon based analysis dengan mudah. Metode ini telah diterapkan pada data seismic fullstack dan informasi sumur pada lapangan Boonsville. Hasil menunjukkan konsistensi dengan keberadaan peta jenis-jenis batuan yang diinterpretasikan dari well correlation.

---

In this thesis, the authors present a simple method to extract the lithotypes from fullstack seismic data. To achieve that, first the cross-correlation between well traces and seismic data was calculated. The traces at the wells were taken as reference traces. Each well trace was then cross-correlated with the existing seismic data in which the result can be treated as a seismic attribute. All calculated attributes from all reference traces were then used as inputs for a cluster analysis process. The method of cluster analysis which has been used in this thesis is k-means clustering. Second, a gradient, an intercept, a correlation coefficient, and deviation standard from the well that have been PCA-ed (Principal Component Analysis) is used as input for cluster analysis. Implementing this method has simply allowed for a horizon based analysis. The method has been applied to fullstack seismic data and wells information in Boonsville field. Results show consistency with existing litho logy map interpreted from well correlation.

Abstrak :
Integrasi antara data log dengan data seismik merupakan salah satu metode untuk melakukan prediksi terhadap suatu parameter log dalam area survei seismik. Analisa data dalam metode ini terdiri atas serangkaian data target log, yang dalam hal ini adalah log porositas dari beberapa sumur yang dikorelasikan dengan beberapa atribut seismik dari volume seismik 3D untuk menurunkan transformasi multi atribut dalam bentuk linear maupun non linear yang menghasilkan pemodelan terhadap parameter target log. Dalam transformasi linear, dihasilkan serangkaian konstanta bobot melalui metode least-square. Sedangkan pada transformasi non-linear diperlukan aplikasi Artificial Neural Network yang salah satunya adalah Probabilistic Neural Network (PNN). Untuk mengkalkulasi keberhasilan dari penurunan transformasi multi atribut, digunakan metode validasi silang. Nilai error yang dihasilkan melalui proses validasi ini menggambarkan nilai prediksi error ketika hasil transformasi multi atribut tersebut diaplikasikan kedalam volume seismik. Setelah didapatkan nilai korelasi yang optimum antara pemodelan log dengan log sebenarnya, selanjutnya dapat dibuat peta sayatan data (data slicing) yang menunjukkan penyebaran pororitas secara lateral yang dapat membantu menentukan zona persebaran porsitas tinggi yang merupakan indikasi prospek area reservoir hidrokarbon.

---

Integration between log data and seismic data is one of the method to predict log properties in seismic survey area. Data analysis in this method consists of series of target log data, which in this case is porosity log from some wells which correlate with seismic attributes from 3D seismic volume to derive linear or non linear multi attribute transform to product a predicted target log properties. In linear mode, the transformation consists of series of wheights derived by Least Square minimization. In non linear mode, application of Artificial Neural Network (ANN) is needed. One of the ANN which used in this research is Probabilistic Neural Network (PNN). To estimate the reliability of the derived multi attribute transform, crossvalidation method is used. Error that product from this validation method illustrate like prediction error when the transform is applied to seismic volume. After correlation value between predicted log and actual log obtained optimumly, a data slicing map showing the spreading of porosity lateraly can be made. This data slicing map abble to assist to determine high porosity spreading zone which is indicates the prospect area of hydrocarbon reservoir.