Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Klasifikasi fluida serta estimasi porositas berdasarkan teorema Bayes telah dilakukan dengan menggunakan hasil inversi seismik simultan sebagai inputnya pada karbonat formasi Kujung di cekungan Jawa Timur, Indonesia. Banyak literatur yang menjelaskan ambiguitas dari karakterisasi batuan karbonat berdasarkan anomali AVO. Studi ini dilakukan untuk menghasilkan klasifikasi dan estimasi yang memiliki tingkat kepastian berdasarkan teorema Bayes. Kami melakukan dua fasa karakterisasi, kualitatif dan kuantitatif. Dalam karakterisasi secara kualitatif, 2 kelas/tipe fluida didefinisikan, yaitu gas dan wet. Sebelum ada informasi baru, diasumsikan probabilitas prior dua kelas ini adalah sama, 50:50. Distribusi probabilitas awal dari dua kelas ini kemudian ditentukan melalui data sumur, distribusi ini akan menjadi likelihood function. Impedansi akustik, rasio Vp/Vs, dan densitas kemudian diturunkan dari inversi seismik simultan. Atribut ini adalah informasi baru yang akan digunakan untuk mengupdate probabilitas prior tadi menjadi probabilitas posterior dengan menggunakan teorema Bayes, probabilitas posterior ini merepresentasikan klasifikasi fluida pada setiap tras seismik. Dalam proses lainnya untuk karakterisasi secara kuantitatif, distribusi porositas dan saturasi didefinisikan menggunakan hubungan dasar kecepatan terhadap porositas dan saturation. Probabilitas prior didefinisikan berdasarkan data sumur, kemudian simulasi stokasik dilakukan untuk menghasilkan likelihood function yang membentuk probabilitas bersama antara porositas dan saturasi, sebelum akhirnya diaplikasikan untuk estimasi porositas dan saturasi berdasarkan skema Bayes. Hasil akhir dari langkah kerja ini adalah data 3D dari tipe fluida yang berasoasi dengan probabilitas dan ketidakpastian untuk tiap posisi. Data 3 dimensi ini terdiri atas probabilitas wet, probabilitas gas, dan juga estimasi kuantitatif dari porositas dan saturasinya. Hasil langkah kerja pada area studi kami menunjukkan potensi pay zone berada pada flank dari buildup carbonate tersebut. ......Bayesian fluid classification and Bayesian porosity-saturation estimation has been done using simultaneous seismic inversion result as the input in Kujung carbonate from East Java Basin, Indonesia. Many literatures described the limitation of carbonate characterization based on AVO anomaly. This study carried out to present the classification and estimation result with level of confidence based on Bayesian theorem. We have done two phases of characterization, qualitative and quantitative. In qualitative characterization, two classes of fluid were defined, these are gas and wet. Before any new information, it is assumed that the prior probability density function (PDF) of these two classes is the same, 50:50. Initial distribution of each wet and gas filled carbonate were then estimated from well log data, these are the likelihood function. Acoustic impedance, Vp/Vs ratio, and density were then derived from 3D multi stacks seismic data using simultaneous AVO inversion. These attributes are the new information required to update our prior distribution to have final posterior PDF using Bayesian theorem that represent fluid classification for each traces. In the other process for quantitative characterization, the porosity and saturation distribution were defined using basic velocity to porosity & saturation relationship (rock physics analysis). The prior PDF is defined based on analyzed well data, and stochastic simulation was done to generate likelihood function to form joint PDF between porosity and saturation, before finally applied to estimate porosity and saturation cube using Bayesian Scheme. The final product of the proposed workflow is 3D fluid cube of reservoir with associated probabilities and uncertainties which consist of probability of wet carbonate and gas carbonate, also quantitative estimation of porosity and saturation. The result shows that potential pay zone for this particular carbonate was lying on the flank of the buildup carbonate.

Abstrak :
Buku ini membahas masalah dan solusi yang berhubungan dengan analisis statistik ketika variabel penjelasannya tidak dapat diukur.

Abstrak :
Bayesian Nonparametrics via Neural Networks is the first book to focus on neural networks in the context of nonparametric regression and classification, working within the Bayesian paradigm. Its goal is to demystify neural networks, putting them firmly in a statistical context rather than treating them as a black box. This approach is in contrast to existing books, which tend to treat neural networks as a machine learning algorithm instead of a statistical model. Once this underlying statistical model is recognized, other standard statistical techniques can be applied to improve the model. The Bayesian approach allows better accounting for uncertainty. This book covers uncertainty in model choice and methods to deal with this issue, exploring a number of ideas from statistics and machine learning. A detailed discussion on the choice of prior and new noninformative priors is included, along with a substantial literature review. Written for statisticians using statistical terminology, Bayesian Nonparametrics via Neural Networks will lead statisticians to an increased understanding of the neural network model and its applicability to real-world problems. To illustrate the major mathematical concepts, the author uses two examples throughout the book: one on ozone pollution and the other on credit applications. The methodology demonstrated is relevant for regression and classification-type problems and is of interest because of the widespread potential applications of the methodologies described in the book.

Abstrak :
Sektor konstruksi merupakan salah satu dari tiga sektor terbesar yang menyumbang pada pendapatan nasional. Namun, sektor konstruksi juga merupakan salah satu sektor yang menyumbang kecelakaan terbesar dengan rata-rata 32% per tahunnya. 87% kecelakaan konstruksi yang terjadi disebabkan oleh faktor manusia yang sering kali melakukan perilaku yang tidak aman. Mengetahui kondisi asli tentang perilaku aman pekerja konstruksi dan faktor yang mempengaruhinya menjadi sangat penting untuk meningkatkan perilaku pekerja agar menjadi aman. Terdapat sembilan faktor yang diteliti, yaitu komitmen manajemen, lingkungan pendukung, manajemen sistem keselamatan, partisipasi, alokasi sumber daya, pengetahuan keselamatan, sikap keselamatan, motivasi, dan tekanan kerja. Studi ini menggunakan data sekunder berupa hasil kuisioner yang diambil dari studi serupa yang sesuai dengan indikator-indikator yang diteliti. Data kuisioner kemudian diproses menggunakan model bayesian network. Hasil menunjukkan bahwa saat ini pekerja konstruksi terkadang bahkan jarang mempertimbangkan peraturan, norma, dan regulasi keselamatan saat bekerja. Hasil juga menunjukkan bahwa tekanan kerja, sikap keselamatan, pengetahuan keselamatan, dan alokasi sumberdaya merupakan faktor yang paling berpengaruh terhadap perilaku aman pekerja. Selain itu, peningkatan dari faktor tekanan kerja dan pengetahuan keselamatan sangat dibutuhkan untuk meningkatkan keadaan perilaku aman dari pekerja konstruksi menjadi yang tertinggi. Kemudian, diusulkan strategi untuk meningkatkan proporsi perilaku aman para pekerja. ......Construction sector is one of the three largest sectors that contribute to national GDP. However, the construction sector is also one of the sectors that contributes the largest workplace accidents with an average of 32% per year. 87% of construction accidents that occur are caused by human factors that oftentimes behave unsafely. Knowing the real conditions of construction workers’ safety behavior and the factors that influence them is very important to improve the safety behavior of workers. There are nine factors studied, including management commitment, supporting environment, safety management system, participation, resource allocation, safety knowledge, safety attitudes, motivation, and work pressure. This study uses secondary data of questionnaire result taken from the similar study which is in accordance with the indicators studied. Questionnaire data is then processed using bayesian network model. The results showed that construction workers are sometimes, even seldom, consider safety regulations, norms and regulations when working. The results also show that work pressure, safety knowledge, safety attitude, and resource allocation are the factors that highly influence safety behavior. Moreover, improving the proportion of work pressure and safety knowledge factors are needed to reach the highest proportion of safety behavior. Then, strategies are proposed to increase the proportion of safety behavior of construction workers.