Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Lapangan ‘B’ merupakan lapangan prospek hidrokarbon yang berlokasi di offshore cekungan Kutai, Kalimantan Timur. Untuk mengetahui karakterisasi reservoir lapangan ‘B’, dilakukan pemodelan porositas dan saturasi air menggunakan inversi AI, multiatribut seismik dan probabilistic neural network. Penelitian ini menggunakan data seismik 3D PSTM dan data sumur (AND-1, AND-2, AND-3 dan AND-4). Pada data seismik dan data sumur dilakukan inversi AI untuk mengetahui sifat litologi area penelitian. Kemudian, hasil AI ditransformasikan untuk mendapatkan model porositas. Metode multiatribut seismik menggunakan beberapa atribut untuk memprediksi model porositas dan saturasi air. Setelah itu, diaplikasikan sifat non-linear dari probabilistic neural network sehingga menghasilkan model porositas dan saturasi air hasil probabilistic neural network (PNN). Model porositas dan saturasi air transformasi AI, multiatribut seismik dan PNN divalidasi dengan nilai porositas dan saturasi air data sumur untuk mengetahui apakah model porositas dan saturasi air tersebut merepresentatifkan nilai data sumur. Validasi dilakukan pada 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 adalah 11 – 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 air AND-1 hasil multiatribut seismik sekitar 4 – 63% dan PNN sekitar 18 – 63%. Nilai porositas 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 seismik sekitar 63 – 85% dan PNN sekitar 63 – 85%. Kemudian, metode multiatribut seismik dan PNN didapatkan nilai korelasi antara parameter target dengan parameter prediksi. Model porositas multiatribut seismik memiliki korelasi 0.840836 dan PNN memiliki korelasi 0.936868. Model saturasi air multiatribut seismik memiliki korelasi 0.915254 dan PNN memiliki korelasi 0.994566. Model porositas transformasi AI memiliki rentang yang lebih tinggi dibandingkan dengan data sumur. Model porositas dan saturasi air metode PNN memiliki rentang nilai yang cukup dekat dengan data sumur dan memiliki korelasi yang 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 impedansi akustik 25384 – 26133 ((ft/s)*(g/cc)), porositas sekitar 15 – 27% dan nilai saturasi air sekitar 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%.

Abstrak :
Metode well-logging merupakan salah satu metode yang digunakan oleh geofisikawan dalam mendelineasi zona prospek hidrokarbon yang meliputi informasi lapisan dan zona penyebaran hidrokarbon. Akan tetapi dalam data well-logging acapkali nilai well-logging hilang atau tidak lengkap pada interval kedalaman tertentu akibat masalah operasional dalam proses pengeboran. Sehingga untuk mengatasi hal ini diperlukan suatu pendekatan yang dapat dilakukan dengan cepat dan tepat dengan menggunakan metode data mining. Berdasarkan komponen log yang lengkap, nilai log yang hilang dapat diprediksi dengan salah satu algoritma, yaitu regresi random forest. Algoritma ini bekerja dengan cara membuat ensemble pohon keputusan yang dimodelkan dan dilatih dengan parameter yang disesuaikan dan dikombinasikan dengan antarmuka pengguna grafis. Pengombinasian antarmuka grafis dilakukan dalam mempermudah pengguna dalam mengoperasikan dan menginterpretasikan hasil prediksi. Adapun log yang diprediksi merupakan log gamma ray (GR), log bulk density (RHOB), log neutron (NPHI), log sonic (DT), dan log deep resistivity (ILD) pada wilayah kerja Cekungan Sengkang dengan divariasikan prediksi antara per formasi dan blind well. Hasil prediksi yang dihasilkan regresi random forest dalam metode data mining menunjukkan hasil yang akurat untuk log porositas (densitas, sonic, dan neutron) dengan rentang akurasi dari 89% hingga 94%. Sedangkan untuk log lainnya seperti log gamma ray dan resistivitas diperlukan penyusunan parameter dan data latih kembali. ......Well-logging method is one of the methods used by geophysicists in delineating the hydrocarbon prospect zone which includes information about layer and distribution zone of hydrocarbons. However, in well-logging data, some values ​​are often missing or incomplete at certain depth intervals due to operational problems in the drilling process. To overcome this we need an approach that can be done quickly and precisely by data mining methods. Based on the complete log component, the missing log value can be predicted using one of the algorithms, namely random forest regression. This algorithm works by creating an ensemble of modeled and trained decision trees with adjusted parameters and combined with a graphical user interface. The combination of a graphical interface is done to make it easier for users to operate and interpret the predicted results. The predicted logs are gamma ray log (GR), bulk density log (RHOB), neutron log (NPHI), sonic log (DT), and deep resistivity log (ILD) in the Sengkang Basin area with varied predictions between formation and blind well. Prediction results generated by random forest regression in the data mining method show accurate results for porosity logs with an accuracy range from 89% to 94%. Meanwhile, for other logs such as gamma ray and resistivity logs, it is necessary to compile parameters and data train.

Abstrak :
Salah satu upaya yang dapat dilakukan untuk memenuhi kebutuhan energi, khususnya gas dan minyak bumi adalah dengan giat untuk melakukan eksplorasi hidrokarbon. Cekungan Sengkang merupakan salah satu cekungan yang terletak di Sulawesi Selatan yang memiliki potensi cadangan hidrokarbon yang cukup besar yaitu berupa gas bumi. Menurut Pertamina (1995) terdapat cadangan gas bumi yang terkandung di Cekungan Sengkang dengan total mencapai 750 Billion Standart Cubic Feet (BSCF). Pengkarakterisasian reservoir sangat penting untuk dilakukan dalam eksplorasi hidrokarbon karena dapat mengetahui karakteristik sifat fisika maupun batuan dari suatu reservoir itu sendiri. Salah satu metode yang sangat membantu dalam menganalisis reservoir adalah inversi seismik impedansi akustik (AI). Pada penelitian ini menggunakan 6 buah sumur yaitu S1, S2, S4, S5, S6, dan S7 serta 15 data lintasan seismik 2D Post Stack Time Migration (PSTM) yang kemudian dilakukan inversi impedansi akustik model based. Berdasarkan hasil yang diperoleh dari peta distribusi memperlihatkan persebaran reservoar karbonat berupa batu gamping yang porous pada zona penelitian yang mempunyai nilai impedansi akustik yang rendah yaitu berkisar antara 22.000 - 27.000 ((ft/s)*(g/cc)) dan mempunyai nilai persebaran porositas 26% - 28%. ......One of the ways that can be done to meet energy needs, especially gas and oil, is to actively explore hydrocarbons. The Sengkang Basin is one of the basins located in South Sulawesi which has a large potential for hydrocarbon reserves in the form of natural gas. According to Pertamina (1995) there are natural gas reserves contained in the Sengkang Basin with a total of 750 Billion Standard Cubic Feet (BSCF). Reservoir characterization is very important in hydrocarbon exploration because it can determine the physical and rock characteristics of a reservoir itself. One method that is very helpful in analyzing reservoirs is acoustic impedance seismic inversion (AI). In this study, 6 wells were used, namely S1, S2, S4, S5, S6, and S7 as well as 15 2D Post Stack Time Migration (PSTM) seismic trajectories which were then performed with model-based acoustic impedance inversion. Based on the results obtained from the distribution map, it shows that the distribution of carbonate reservoirs in the form of porous limestone in the study zone has a low impedance value ranging from 22.000 - 27.000 ((ft/s)*(g/cc)) and has a porosity distribution value of 25% - 28%.

Abstrak :
Interpretasi patahan merupakan tahapan penting dalam memodelkan kondisi geologi suatu daerah. Wilayah lepas pantai Kepulauan Tanimbar terletak pada zona fold thrust belt (FTB) yang terbentuk akibat tumbukan antara Lempeng Sunda dan Australia. Karena kondisi geologi yang kompleks ini, interpretasi patahan secara manual akan bersifat subjektif dan membutuhkan waktu yang lama. Saat ini, interpretasi patahan dapat dibantu dengan penggunaan atribut seismik. Penelitian ini membandingkan atribut variance dan fault likelihood dalam menggambarkan patahan penyusun zona FTB di Kepulauan Tanimbar. Penggunaan structural oriented filters juga diterapkan untuk memaksimalkan hasil atribut. Fault Enhancement Filter merupakan filter terbaik yang mampu menghaluskan reflektor dan meningkatkan diskontinuitas pada data seismik. FEF ini akan dijadikan input untuk atribut variance dan fault likelihood. Atribut variance tidak menunjukkan hasil yang kontras antara zona patahan dan bukan patahan. Namun, fault likelihood mampu membedakan zona patahan dan bukan patahan dengan kontras yang signifkan. Oleh sebab itu, fault likelihood adalah atribut yang terbaik dalam menggambarkan patahan penyusun zona FTB di Kepulauan Tanimbar ......Fault interpretation is an important step in modeling the geological conditions of an area. The offshore area of the Tanimbar Islands is located in the fold thrust belt (FTB) zone which was formed due to the collision between the Sunda and Australia plate. Due to this complex geological condition, manual fault interpretation will be subjective and takes a long time. Currently, fault interpretation can be assisted by using seismic attributes. This study compares the variance and fault likelihood attributes in describing the faults that construct the FTB zone in the Tanimbar Islands. The use of structural oriented filters is also applied to maximize attribute results. Fault Enhancement Filter is the best filter for smoothing reflectors and increasing discontinuities in seismic data. This FEF will be used as input for the variance and fault likelihood attributes. The variance result does not show a contrast between fault and non-fault zones. However, the fault likelihood was able to distinguish fault and non-fault zones with significant contrast. Therefore, fault likelihood is the best attribute in describing the faults that construct the FTB zone in the Tanimbar Islands

Abstrak :
Cekungan Jawa Timur Utara membentang sepanjang lebih dari 600 km dari barat ke timur, dan memanjang sekitar 250 km dari arah utara ke selatan, serta telah menjadi tempat eksplorasi dan eksploitasi minyak sejak seratus tahun lamanya (Lunt, 2013). Pada batas antara Eosen dan Oligosen, Central Deep mulai mengalami pemekaran (rifting), kemudian terjadi subsidensi secara cepat ke kondisi laut sangat dalam dan menangkap sebagian besar sedimen yang sebelumnya tertransport jauh ke arah timur. Daerah penelitian berada di area struktur Central Deep, tepatnya pada formasi Kujung. Formasi tersebut didominasi oleh litologi claystone dengan banyak sisipan tipis karbonat dan batupasir. Penelitian ini bertujuan untuk mengarakterisasi reservoir yang ada pada formasi Kujung (middle Kujung hingga lower Kujung) menggunakan inversi seismik simultan dan transformasi LMR. Metode tersebut akan menghasilkan model properti batuan berupa Zp, Zs, densitas, rigiditas, dan inkompresibilitas, yang dapat digunakan untuk mengetahui sebaran litologi dan kandungan fluida di dalam batuan. Berdasarkan hasil analisis, dapat disimpulkan bahwa hasil inversi simultan mampu mendelineasi zona reservoir karbonat dan batupasir dengan masing-masing nilai parameter sebagai berikut. Reservoir karbonat memiliki nilai impedansi P sebesar 8823 – 11788 (m/s)*(gr/cc), impedansi S 5338 – 6636 (m/s)*(gr/cc), densitas 2.47 – 2.7 gr/cc, dan rasio VpVs paling rendah yaitu 1.63 – 1.8. Sedangkan reservoir batupasir memiliki nilai impedansi P sebesar 7764 – 8823 (m/s)*(gr/cc), impedansi S 4597 – 5338 (m/s)*(gr/cc), densitas 2.33 – 2.47 gr/cc, dan rasio VpVs sebesar 1.75 – 1.99. Hasil transformasi LMR menunjukkan bahwa reservoir yang mengandung hidrokarbon memiliki nilai parameter sebagai berikut. Zona hidrokarbon pada karbonat memiliki nilai inkompresibilitas 31.9 – 34.2 GPA*gr/cc dan riditas 22.7 – 32.1 GPA*gr/cc. Sedangkan zona hidrokarbon pada batupasir memiliki nilai inkompresibilitas 27.9 – 31.9 GPA*gr/cc dan rigiditas 17.4 – 22.7 GPA*gr/cc. ......The North East Java Basin extends more than 600 km from west to east, and about 250 km from north to south, has been a place of oil exploration and exploitation for hundred years (Lunt, 2013). At the boundary between the Eocene and the Oligocene, the Central Deep begins to rifted, then subsided rapidly to very deep sea conditions and captures most of the sediment that was previously transported far to the east. The research area is in the Central Deep structure, precisely in the Kujung formation. The formation is dominated by lithology of claystones with many thin interbeds of carbonates and sandstones. This study aims to characterize the reservoir in the Kujung formation (middle Kujung to lower Kujung) using simultaneous seismic inversion and LMR transformation. This method will produce a rock property model in the form of Zp, Zs, density, rigidity, and incompressibility, which can be used to determine the lithological distribution and fluid content of the rocks. Based on the results of the analysis, it can be concluded that the simultaneous inversion result can delineate the carbonate and sandstone reservoir zones with each of the following parameter values. The carbonate reservoir has a P-impedance value of 8823 - 11788 (m/s)*(gr/cc), S-impedance value of 5338 - 6636 (m/s)*(gr/cc), density of 2.47 - 2.7 gr/cc, and the lowest value of Vp/Vs is 1.63 - 1.8. While the sandstone reservoir has a P-impedance value of 7764 - 8823 (m/s)*(gr/cc), S-impedance value of 4597 - 5338 (m/s)*(gr/cc), density of 2.33 - 2.47 gr/cc, and the Vp/Vs of 1.75 - 1.99. The results of the LMR transformation show that the reservoir containing hydrocarbons has the following parameter values. The hydrocarbon zone in the carbonate has an incompressibility value of 31.9 - 34.2 GPA*(gr/cc) and rigidity of 22.7 - 32.1 GPA*(gr/cc). Meanwhile, the hydrocarbon zone in the sandstones has an incompressibility value of 27.9 - 31.9 GPA*(gr/cc) and rigidity of 17.4 - 22.7 GPA*(gr/cc).