Hasil Pencarian  ::  Simpan CSV :: Kembali

"Menampilkan data seismic dalam bentuk probabilitas merupakan cara yang umum dilakukan untuk mengikutsertakan informasi ketidak-pastian dari pekerjaan pemetaan prospek hidrokarbon. Hal tersebut memberikan interpreter peluang untuk mengukur seberapa yakin mereka terhadap prospek yang sudah dibuat dengan memanfaatkan informasi nilai ?most-probable?. Pada sisi lain, ketersediaan pre-stack data sudah sangat umum dijumpai sehingga hal ini merubah cara pandang terhadap inversi seismic yang semula hanya dilakukan terhadap data post-stack menjadi inversi pre-stack. Hal tersebut memang beralasan karena dengan inversi pre-stack, interpreter tidak hanya dimungkinkan mendapatkan informasi litologi namun juga informasi tentang fluida. Aturan Bayes adalah merupakan bentuk lain dari probabilitas terkondisi, aturan ini telah banyak dimanfaatkan oleh berbagai disiplin ilmu seperti penginderaan jauh, peramalan cuaca, pemasaran dan ilmu medis untuk membantu dalam meminimalkan resiko saat pengambilan keputusan. Hal yang sama juga bias kita terapkan pada bidang ilmu bumi dimana keluaran dari proses inversi pre-stack dapat ditransformasi menjadi bentuk volum probabilitas dengan supervisi data sumuran. Penelitian ini menggunakan P-impedance dan VP/VS sebagai input karena kombinasi keduanya merupakan indikator yang baik untuk memisahkan litologi maupun hidrokarbon. Dengan menggunakan supervisi dari data sumuran kedua volume tersebut kemudian di transformasi menjadi bentuk kelas most-probable: (1) shale, (2) wet sand, (3) compacted sand, dan (4) hydrocarbon sand.

---

Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.

The Bayes Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.

This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand."

"Dekomposisi spektral lanjutan dengan menggunakan metode Continous Wavelet Transform (CWT) dilakukan dengan mencari estimasi nilai atenuasi pada data seismik. Penggunaan dekomposisi spektral dengan metode CWT memperlihatkan hasil yang lebih baik dibandingkan dengan metode dekomposisi spektral yang lain. Obyek penelitian adalah lapisan shale prospektif pada formasi Talang Akar. Daerah penelitian terletak di Lapangan X yang berada di cekungan south sumatera offshore. Sebelum dilakukan dekomposisi spektral, penelitian difokuskan terlebih dahulu pada analisis petrofisika untuk menentukan lapisan shale prospektif. Selain itu, dilakukan pula overlay kurva DlogR dengan kurva Transit time sonic dan Resistivitas. Lapisan zona target shale diinterpretasikan sebagai zona shale yang prospektif. Dan data-data ini diperkuat dengan analisis lanjutan dekomposisi spektral dengan nilai atenuasi dari faktor Q yang telah diestimasi."

"Monitoring proses hydraulic fracturing merupakan langkah penting untuk memastikan keberhasilan dan efisiensi stimulasi reservoar. Dalam pelaksanaannya, monitoring dilakukan menggunakan hasil rekaman seismik yang mendeteksi rekahan yang terjadi di ujung bawah wellbore. Sistem ini dibangun untuk mengidentifikasi event mikroseismik akibat rekahan, berdasarkan hasil sinyal seismik yang direkam selama proses berlangsung. Penelitian ini bertujuan mengembangkan sistem deteksi event mikroseismik secara otomatis menggunakan pendekatan deep learning. Konsep transfer learning dimanfaatkan karena telah banyak diterapkan dalam konteks seismologi, seperti pada model pre-trained PhaseNet, U-GPD, dan EQTransformer untuk keperluan klasifikasi event maupun phase picking gelombang P dan S. Penelitian ini bertujuan untuk mengembangkan pre-trained model, khusus untuk data mikroseismik dari wilayah Formasi Talang Akar. Arsitektur CNN yang digunakan, dilatih menggunakan data hasil pengukuran seismometer dari Lapangan X dan menghasilkan akurasi sebesar 75,63%. Lapisan fitur dari pre-trained model ini kemudian dibekukan (frozen) untuk mengekstraksi fitur dari data target, yaitu data selama proses Step Rate Test (SRT) di lokasi yang sama. Fitur tersebut selanjutnya diklasifikasikan menggunakan algoritma machine learning konvensional, dengan pendekatan ini dihasilkan akurasi terbaik sebesar 76,92% dalam mendeteksi event mikroseismik akibat proses SRT.

---

Monitoring the hydraulic fracturing process is a crucial step to ensure the success and efficiency of reservoir stimulation. In practice, monitoring is carried out using seismic recordings that detect fractures occurring at the bottom tip of the wellbore. This system is designed to identify microseismic events caused by fracturing, based on the seismic signals recorded throughout the process. This study aims to develop an automatic microseismic event detection system using a deep learning approach. Transfer learning is utilized, as it has been widely applied in seismology, for example in pre-trained models such as PhaseNet, U-GPD, and EQTransformer for event classification and P- and S-phase picking. This research focuses on developing a pre-trained model specifically for microseismic data from the Talang Akar Formation. The proposed CNN architecture was trained using seismic data recorded at Field X and achieved an accuracy of 75.63%. The feature layers of this pre-trained model were then frozen to extract features from the target data, which were obtained during the Step Rate Test (SRT) process at the same location. These features were subsequently classified using conventional machine learning algorithms, resulting in the best accuracy of 76.92% in detecting microseismic events induced by the SRT process. "

"Monitoring proses hydraulic fracturing merupakan langkah penting untuk memastikan keberhasilan dan efisiensi stimulasi reservoar. Dalam pelaksanaannya, monitoring dilakukan menggunakan hasil rekaman seismik yang mendeteksi rekahan yang terjadi di ujung bawah wellbore. Sistem ini dibangun untuk mengidentifikasi event mikroseismik akibat rekahan, berdasarkan hasil sinyal seismik yang direkam selama proses berlangsung. Penelitian ini bertujuan mengembangkan sistem deteksi event mikroseismik secara otomatis menggunakan pendekatan deep learning. Konsep transfer learning dimanfaatkan karena telah banyak diterapkan dalam konteks seismologi, seperti pada model pre-trained PhaseNet, U-GPD, dan EQTransformer untuk keperluan klasifikasi event maupun phase picking gelombang P dan S. Penelitian ini bertujuan untuk mengembangkan pre-trained model, khusus untuk data mikroseismik dari wilayah Formasi Talang Akar. Arsitektur CNN yang digunakan, dilatih menggunakan data hasil pengukuran seismometer dari Lapangan X dan menghasilkan akurasi sebesar 75,63%. Lapisan fitur dari pre-trained model ini kemudian dibekukan (frozen) untuk mengekstraksi fitur dari data target, yaitu data selama proses Step Rate Test (SRT) di lokasi yang sama. Fitur tersebut selanjutnya diklasifikasikan menggunakan algoritma machine learning konvensional, dengan pendekatan ini dihasilkan akurasi terbaik sebesar 76,92% dalam mendeteksi event mikroseismik akibat proses SRT.

---

Monitoring the hydraulic fracturing process is a crucial step to ensure the success and efficiency of reservoir stimulation. In practice, monitoring is carried out using seismic recordings that detect fractures occurring at the bottom tip of the wellbore. This system is designed to identify microseismic events caused by fracturing, based on the seismic signals recorded throughout the process. This study aims to develop an automatic microseismic event detection system using a deep learning approach. Transfer learning is utilized, as it has been widely applied in seismology, for example in pre-trained models such as PhaseNet, U-GPD, and EQTransformer for event classification and P- and S-phase picking. This research focuses on developing a pre-trained model specifically for microseismic data from the Talang Akar Formation. The proposed CNN architecture was trained using seismic data recorded at Field X and achieved an accuracy of 75.63%. The feature layers of this pre-trained model were then frozen to extract features from the target data, which were obtained during the Step Rate Test (SRT) process at the same location. These features were subsequently classified using conventional machine learning algorithms, resulting in the best accuracy of 76.92% in detecting microseismic events induced by the SRT process. "