Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSebagai area frontier, cekungan Selatan Jawa masih diyakini memiliki potensi hidrokarbon. Namun berdasarkan kegiatan eksplorasi yang ada sebelumnya, belum ada bukti yang menujukkan kemampuan cekungan ini untuk memproduksi dan memerangkap hidrokarbon. Tesis ini membahas mengenai metode AVO yang diaplikasikan pada beberapa target yang diprediksi sebagai daerah yang mempunyai prospek hidrokarbon.Telah dilakukan analisis AVO terhadap 9 lintasan data seismik 2D di area frontier cekungan Selatan Jawa dengan spasi antar lintasan 40 km. Atribut AVO berupa intercept dan gradient dihitung menggunakan data pre stack dan stacking velocity untuk membuat penampang atribut AVO yaitu product A B dan A B. Sementara itu kecepatan gelombang S dihitung dari persamaan Castagna untuk menurunkan atribut AVO yang lain yaitu Rp, Rs untuk membuat penampang Rp-Rs serta fluid factor pada seluruh lintasan seismik. Berdasarkan analisis terhadap penampang atribut AVO, terdapat beberapa daerah yang diduga mempunyai prospek hidrokarbon yang ditunjukkan dengan nilai nilai positif dari product A B dan atribut yang lain, dugaan ini semakin diperkuat karena lokasi anomali konsisten dengan struktur dan stratigrafi yang dapat dikenali dari data seismik.Berdasarkan hasil analisis AVO ini, masih terlalu dini untuk memberikan kesimpulan bahwa Cekungan Selatan Jawa mempunyai prospek hidrokarbon yang menjanjikan, mengingat adanya beberapa batasan karena faktor keterbatasan data yang digunakan di dalam penelitian ini. Selain itu masih memiliki resiko keekonomian yang besar di dalam eksplorasi di Cekungan Selatan Jawa karena berdasarkan analisis, belum ditemukan suatu struktur yang cukup besar dengan anomaly AVO, mengingat kedalaman air rata-rata lebih dari 3.500 meter. Hasil penelitian menyarankan bahwa eksplorasi lebih lanjut untuk daerah ini masih diperlukan untuk membuktikan potensi hidrokarbon pada daerah penelitian.

---

ABSTRACTAs a frontier area, South Java Basin is believed to have hydrocarbon potential. However, based on pre existing exploration activities, there is no evidence that shows the ability of the basin to produce and trap hydrocarbons. This thesis discusses the AVO method applied to several targets that were predicted as regions with hydrocarbon prospects.AVO analysis has been carried out on 9 2D seismic lines data in the frontier area South Java basin which have 40 km in spacing. AVO attributes such as intercept and gradient were calculated using pre stack and stacking velocity data to create AVO attributes sections product A B and A B. While the S wave velocity is calculated from Castagna equation to produce another AVO Rp, Rs attributes to make Rp Rs sections as well as fluid factor sections. Based on cross sectional analysis of AVO attributes, there are some areas that have allegedly shown hydrocarbon prospects of positive attributes, this conjecture is strengthened because it is consistent with the structure and stratigraphy that can be identified from seismic data.Based on the AVO analysis, it is still too early to give the conclusion that the South Java Basin has the promising hydrocarbons, given some constraints because of the limited data used in the study. In addition there are still major economic risks in the exploration of South Java Basin, because based on the analysis, yet to be found a structure which quite large with AVO anomaly, considering that the depth of water column is in average of more than 3,500 meters.The results suggest that further exploration of this area is still needed to prove the potential of hydrocarbons in the study area."

"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."

"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."

"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%."

"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."