Neural network merupakan suatu proses pengubahan data seismik dan atribut-atributnya ke dalam volume log properti.

Neural network dilatih untuk menemukan hubungan antar input data

seismik dengan input log sumur dan kemudian mengaplikasikan hubungan tersebut ke data seismik untuk membuat volume properti log (Gambar 1). Berbeda dengan inversi impedansi
akustik konvensional yang menggunakan model konvolusi sebagai hubungan antara AI (properti log) dan trace seismik, neural network menggunakan pendekatan statistik yang mencoba untuk
mengestimasi hubungan pada lokasi sumur dan mengaplikasikannya ke lokasi yang lain. Metode ini dilakukan karena ingin mengetahui penyebaran nilai properti log diluar sumur, sejauh
mana bodi reservoir tersambung maupun terpisah sehingga dapat digunakan sebagai masukan dalam usulan pengeboran. Log sumur yang lazim untuk diprediksi diantaranya adalah log
porositas dan log gamma ray.

Neural network dapat diklasifikasikan sesuai dengan cara bagaimana ia di latih, dengan menggunakan supervised learning atau unsupervised learning. Dalam supervised learning, neural
network mulai dengan data training untuk nilai input dan output yang kita ketahui. Algoritma neural network lalu mempelajari hubungan antara input dan output dari data training ini, dan
akhirnya mengaplikasikan hubungan yang telah dilatih ke dataset yang lebih besar yang mana nilai outputnya tidak diketahui. Contoh yang paling umum untuk neural network jenis ini adalah
multi-layer preceptron (MLP), sinonim dengan istilah ANN (Artificial Neural Network). Sedangkan untuk unsupervised learning, kita memberikan inputnya dan membiarkan neural network
untuk mencari bentuknya sendiri. Oleh karena itu, output spesifik tidak diperlukan. Keuntungan dari metode ini adalah kita tidak perlu untuk mengetahui jawabannya. Sedangkan kelemahan
dari metode ini adalah hasil output seringkali sulit untuk diinterpretasi.

Neural network beroperasi dalam dua tahapan. Tahap pertama adalah training step, sedangkan tahap kedua adalah application step. Training step dilakukan pada semua lokasi sumur yang
telah dipilih. Operator yang mentransform data seismik ke properti log yang diinginkan diperoleh dengan menganalisis input data seismik berupa atribut-atribut seismik -baik precalculated
attributes: AI, atribut AVO, coherency; maupun complex trace attribute yang dihitung secara on the fly- di lokasi sumur yang kemudian memberikan bobot yang terus diupdate sehingga dapat
menghasilkan data output terbaik. Sedangkan pada applications step, neural network diaplikasikan ke data seismik yang telah terpilih untuk mendapatkan pseudo volume log.

Hasil output yang diperoleh dikelompokkan ke dalam training result dan validation result(Gambar 2), di mana training result merupakan hasil prediksi log dengan melibatkan semua sumur
yang ada, sedangkan validation result merupakan prediksi log dengan tanpa melibatkan log sumur yang sedang diprediksi. Oleh karena itu, validation result memiliki nilai koefisien korelasi
yang lebih kecil dibandingkan dengan training result.

Setelah mendapatkan kedua hasil di atas, kita dapat memilah atribut data seismik yang mana yang baik untuk digunakan dan data seismik yang mana yang perlu dikeluarkan dari perhitungan
neural network dengan cara membandingkan error antara training result dan validation result.