Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."