Jbptitbpp GDL Novriantop 30960 4 2008ta 3 PDF
Jbptitbpp GDL Novriantop 30960 4 2008ta 3 PDF
TEORI DASAR
Gambar 3.1 Penjalaran Gelombang Melalui Batas Dua medium Menurut Hukum Snellius
Akustik. Impedansi Akustik (IA) adalah produk dari densitas () dan kecepatan
IA = .V (3.1)
8
Perubahan Impedansi Akustik dapat digunakan sebagai indikator perubahan
Refleksi seismik terjadi bila ada perubahan atau kontras pada AI. Untuk Koefisien
Refleksi pada sudut datang nol derajat dapat dihitung menggunakan persamaan berikut:
AI 2 AI 1
Rc = (3.2)
AI 2 + AI 1
Wavelet adalah sinyal transien yang mempunyai interval waktu dan amplitudo
yang terbatas. Ada empat jenis wavelet yang umum diketahui, yaitu zero phase, minimum
phase, maximum phase, dan mixed phase. Seismogram sintetik adalah rekaman seismik
buatan yang dibuat dari data log kecepatan dan densitas. Data kecepatan dan densitas
9
3.2 Metode Seismik Inversi
Pengertian secara lebih spesifik tentang seismik inversi dapat didefiniskan sebagai
suatu teknik pembuatan model bawah permukaan dengan menggunakan data seismik
sebagai input dan data sumur sebagai kontrol (Sukmono, 2000). Definisi tersebut
menjelaskan bahwa metoda inversi merupakan kebalikan dari pemodelan dengan metoda
ke depan (forward modelling) yang berhubungan dengan pembuatan seismogram sintetik
berdasarkan model bumi. Russel (1988) membagi metoda seismik inversi dalam dua
kelompok, yaitu inversi pre-stack dan inversi post-stack. Pada penelitian ini akan dibahas
inversi post-stack yang berhubungan dengan inversi amplitudo, dimana dalam inversi ini
terdiri dari beberapa algoritma, yaitu inversi bandlimited (rekursif), inversi berbasis
model (blocky) dan inversi sparse spike (maximum likelihood).
koefisien refleksi yang telah difilter oleh wavelet fasa nol. Metoda ini paling awal
digunakan untuk menginversi data seismik dengan persamaan dasar (Russel, 1988) :
i +1 Vi +1 i Vi Z Zi
ri = = i +1 (3.3)
i +1 Vi +1 + i Vi Z i +1 + Z i
ditentukan secara rekursif dan tergantung nilai impedansi akustik lapisan di atasnya
10
1 + ri
Z i +1 = Z i * (3.4)
1 - ri
dengan data rill seismik. Hasil perbandingan tersebut digunakan secara iteratif
metode rekursif. Teknik ini dapat dijelaskan melalui diagram alur berikut.
Keuntungan penggunaan metoda inversi berbasiskan model adalah metode ini tidak
Permasalahan potensial menggunakan metoda inversi berbasis model adalah Sifat sensitif
11
terhadap bentuk waveletdan Sifat ketidak-unikan (non-uniqueness) untuk wavelet
tertentu.
dapat diasumsikan sebagai seri dari spike-spike besar yang bertumpukan dengan spike-
spike yang lebih kecil sebagai background. Kemudian dilakukan estimasi wavelet
yang besar yang penting. Inversi ini mencari lokasi spike yang besar dari tras seismik.
Spike-spike tersebut terus ditambahkan sampai tras dimodelkan secara cukup akurat.
Amplitudo dari blok impedansi ditentukan dengan menggunakan algoritma inversi Model
Based. Input parameter tambahan pada metoda ini adlah menentukan jumlah maksium
spike yang akan dideteksi pada tiap tras seismik dan treshold pendeteksian seismik.
Persamaan mengandung tiga variabel yang tidak diketahui sehingga sulit untuk
12
3.3 Metoda Multi-Atribut
lebih dari satu atribut untuk memprediksi beberapa properti fisik dari bumi. Pada analisa
ini dicari hubungan antara log dengan data seismik pada lokasi sumur dan menggunakan
hubungan tersebut untuk memprediksi atau mengestimasi volum dari properti log pada
mensimulasikan hubungan spasial variabel pada nilai yang diinginkan pada lokasi yang
tidak mempunyai data sampel terukur. Hal ini didasarkan pada kenyataan yang sering
terjadi di alam bahwa pengukuran suatu variabel di suatu area yang berdekatan adalah
sama. Kesamaan antara dua pengukuran tersebut akan menurun seiring dengan
Schultz et al. (1994) mengidentifikasi tiga sub-kategori utama pada teknik analisa
1. Perluasan dari co-kriging untuk melibatkan lebih dari satu atribut sekunder untuk
parameter dari atribut input yang telah diberi bobot secara linear.
13
Analisa multi-atribut pada penelitian ini menggunakan kategori yang kedua.
Prosesnya sendiri melibatkan pembuatan dari volum pseudolog yang nantinya akan
Dalam kasus yang paling umum, kita mencari sebuah fungsi yang akan
mengkonversi m atribut yang berbeda ke dalam properti yang diinginkan, ini dapat ditulis
sebagai :
dimana :
P = properti log, sebagai fungsi dari koordinat x,y,z
properti log
Untuk kasus yang paling sederhana, hubungan antara log properti dan atribut
dimana :
tras output lainnya dengan jumlah yang sama dengan tras input (nilainya dihitung
14
Hubungan linier antara log target dan atribut ditunjukkan oleh sebuah garis lurus
prediction error :
1 N (3.9)
E2 =
N i =1
(y i a b * x i ) 2
garis regresi tersebut kita dapat memberikan prediksi untuk atribut target.
1 N (3.10)
xy = (x i m x )(yi m y )
N i =1
Dimana mean nya adalah:
1 N (3.11)
mx = xi
N i =1
1 N
my = yi
N i =1 (3.12)
=
xy
(3.13)
x y
Nilai ini merupakan prediksi eror, yaitu hasil pengukuran kecocokan untuk garis regresi.
Prediksi eror ini merupakan perbedaan RMS antara target log sebenarnya dan target log
prediksi.
15
3.3.1 Regresi Linear Multi-Attribute
multiple-attribute
(a) (b)
Gambar 3.4 Ilustrasi Cross-plot dengan menggunakan (a) satu atribut dan (b) dua atribut
Dalam metoda ini, tujuan kita adalah untuk mencari sebuah operator, yang dapat
memprediksi log sumur dari data seismik didekatnya. Pada kenyataannya, kita
menganalisa data atribut seismik dan bukan data seismik itu sendiri. Salah satu alasan
kenapa kita melakukan hal ini karena menggunakan data atribut seismik lebih
menguntungkan dari pada data seismik itu sendiri, banyak dari atribut ini bersifat non
16
Gambar 3.5 Contoh kasus tiga atribut seismik, tiap sampel log target dimodelkan sebagai
kombinasi linier dari sampel atribut pada interval waktu yang sama.
Pada tiap sampel waktu, log target dimodelkan oleh persamaan linier :
1 N
E2 = ( Li wo w1 A1i w2 A2i w3 A3i )
2
(3.15)
N i= j
w2 A2i (3.16)
A1i A2i A 2i A2i A3i A2 i Li
2
w3 A3i A1i A3i A2 i A3i A 3 i A3i Li
2
tersebut, dimana sekarang koordinat x merupakan nilai log yang diprediksi dan koordinat
17
Lalu bagaimana caranya memilih kombinasi atribut yang paling baik untuk
memprediksi log target? Dilakukan sebuah proses yang dinamakan step-wise regression:
1. Dicari atribut tunggal pertama yang paling baik dengan menggunakan trial and
error. Untuk setiap atribut yang terdapat pada software dihitung error prediksinya.
Atribut terbaik adalah atribut yang memberikan eror prediksi terendah. Atribut ini
pasangan yang pertama adalah atribut-a. Pasangan yang paling baik adalah
pasangan yang memberikan eror paling kecil. Atribut ini selanjutnya akan disebut
atribut-b.
3. Dicari tiga buah atribut yang berpasangan paling baik, dengan mengasumsikan
dua buah anggota yang pertama atribut-a dan atribut-b. Tiga buah atribut yang
Eror prediksi, En, untuk n atribut selalu lebih kecil atau sama dengan En-1 untuk
3.3.2 Validasi
Pertanyaan selanjutnya yang harus dijawab adalah kapan kita harus berhenti
jumlah atribut N+1 selalu mempunya prediksi eror lebih kecil atau sama dengan
transformasi dengan N atribut. Menambah jumlah atribut, serupa dengan mencari kurva
18
regresi yang cocok untuk sebuah plot data, dengan menggunakan polinomial yang
Apabila jumlah atribut yang digunakan semakin banyak, maka eror prediksi akan
semakin berkurang. Masalah yang kemudian timbul adalah, biasanya data yang
dihasilkan akan buruk bila diterapkan pada data baru (yang tidak termasuk dalam data
training), karena atribut tersebut terlalu dicocokan dengan data training. Hal ini biasa
Untuk mengukur validitas dari jumlah atribut yang digunakan, dilakukan prosedur
sebagai berikut. Misalnya, terdapat tiga buah atribut dan lima buah well. Untuk
perhitungan pertama, sumur pertama tdak diikutkan. Lalu dihitung koefisien regresinya,
tanpa menggunakan data dari sumur pertama. Dengan nilai koefisien yang dihasilkan,
1 N (3.17)
E2 =
N i =1
( i w 0 w 1 * I i w 2 * E i w 3 * Fi ) 2
19
Ini adalah eror validasi untuk sumur satu. Proses ini kemudian diulang untuk sumur 2,
EA =
(E1 + E2 + E3 + E4 + E5 ) (3.18)
5
Analisa muli-atribut yang telah dijelaskan di atas melakukan korelasi dari setiap
sampel target dengan sampel seismik atribut pada titik yang sama. Pendekatan ini sangat
Gambar 3.7 Perbedaan frekuensi antara data seismik dan data log
Alternatif lain untuk menyelesaikan masalah ini yaitu dengan mengasumsikan tiap
sampel pada log target berhubungan dengan sejumlah sampel yang berdekatan pada
atribut seismik.
20
Gambar 3.8 Pengunaan 5 titik operator konvolusi untuk menghubungkan atribut seismik
L = w0 + w1 * A1 + w2 * A2 + w3 * A3 (3.19)
dimana * operator konvolusi, dan w1 adalah operator jarak tertentu. Perlu dicatat jumlah
1 N
E2 =
N
( Li w
i= j
o + w1 * A1i + w2 * A2i + w3 * A3i ) 2 (3.21)
21
3.4 Neural Network
Regresi Multi attribute dapat berjalan dengan baik apabila ada relasi linear
fungsional yang baik di antara log yang di prediksi dan atribut seismik. Pada kasus
hubungan yang non-linear kita dapat mengaplikasikan transformasi tersebut dengan
metoda neural network sebagai algoritma prediksi. Dalam pengertian umum artificial
neural network (ANN) adalah sekumpulan kumpulan komponen elektronik atau program
komputer yang di desain untuk memodelkan kerja sistem otak. Otak manusia
dideskripsikan sebagai suatu system yang kompleks, tidak linear dan mempunyai system
informasi dan proses yang pararel. Komponen struktural otak manusia adalah sel-sel
syaraf yang disebut neuron yang tersambung dengan jumlah besar koneksi yang disebut
sinapsis. Sistem yang kompleks ini mempunyai kemampuan yang luar biasa untuk
membangun cara kerjanya dan menyimpan informasi.
Prosedur yang digunakan dalam proses training disebut algoritma training. Algoritma
ini berfungsi untuk memodifikasi bobot sinaptik dari sebuah network untuk mendesain
sebuah objek yang diinginkan. Meskipun neural network tergolong baru dalam dunia
industri perminyakan, secara sejarah algoritma ini sudah dikenal sejak tahun 1940 dimana
pada saat itu para psikolog mencoba untuk memodelkan cara otak manusia dalam belajar.
Seiring dengan penemuan computer, peneliti mengembangkan sebuah program untuk
melihat simulasi kerja otak manusia yang kompleks. Pada tahun 1969 Marvin Minsky
menemukan satu metode perceptron yang dapat menyelesaikan beberapa masalah
sederhana. Tahun 1986 Rumelhart dan McClelland mempublikasi sebuah algoritma
Back-Propagation yang kemudian dikenal sebagai MLFN saat ini. Tahun 1990 Donald
specht menemukan PNN dan metoda ini menjadi popular di lingkungan geofisika sebagai
aplikasi yang cukup sukses (Huang et al., 1996; Todorov et al., 1998).
22
3.4.1 Multi Layer Feed Forward Neural Network
Neuron adalah unit informasi yang sangat penting dalam operasi algoritma neural
network. Model neuron di tunjukkan oleh gambar 3. . Kita dapat mengidentifikasi 3
proses dasar dari model neuron :
23
Secara matematika :
(3.22)
Fungsi aktivasi menentukan output dari neuron sesuai dengan inputnya. Fungsi sigmoid
adalah salah satu fungsi aktivasi yang disunakan dalam konstruksi atifisial neural
network. Fungsi yang membuat optimasi dari smoothness dan hubungan asimtotik di
berikan oleh :
(3.23)
Fungsi Logistik mempunyai interval 0 sampai 1. Pada kasus fungsi anti simetrik, fungsi
aktivasi juga bisa bernilai -1 sampai 1. Contohnya fungsi tangensial hiperbolik
(3.24)
24
Neural network didefinisi sebagai beberapa layer yang berisi neuron di setiap
layer dan factor koneksi bobot. Proses estimasi bobot disebut training. Selama proses
training neural network membangun model dengan menggunakan sampel. Setiap sampel
terdiri dari input sinyal dan respon keluaran dari neural network. Set dari sampel
merepresentasikan data. Untuk beberapa sampel kita akan membandingkan output dari
netwoek dengan output dari model.
Misalnya y=[y1,y2,yp] adalah vector yang mencakup output dengan p adalah jumlah
neuron, dan d=[d1,d2,,dp] adalah vector yang mencakup respon kita dapat menghitung
error dari k :
(3.25)
(3.26)
Tujuan algoritma neural network ini adalah untuk meminimalkan error. Ini dilakukan
dengan terus memperbaharui faktor bobot. Masters (1995) mengkombinasikan conjugate-
gradient algorithm dengan simulated annealing untuk mencari fungsi error global yang
paling minimum. Jika kita menggunakan polynomial derajat tinggi, kemungkinan kita
akan dapat mencocokkan fungsi dengan tepat.
25
(3.27)
(3.28)
D adalah jarak yang di skalakan diantara poin yang akan di estimasi, jarak tersebut yang
disebut "smoothing" parameter. Untuk sampel ke m, prediksinya :
(3.29)
Jadi nilai yang di prediksi dari sampel ke m adalah y'm. Jika tahu nilai ym, kita dapat
memprediksi error validasi
(3.30)
(3.31)
26
3.4.3 Radial Basis Function
Misalnya kita mempunyai sampel seismik atribut dan sampel log kita dapat
membuat ilustrasi skematik mengenai perbedaan antara training vektor.
Algoritma RBF dapat kita mengerti jika kita memahami algoritma PNN. Algoritma ini
berdasarkan pada konsep jarak dalam spasi atribut. Jarak pada ilustrasi yang diberikan
adalah amplitudo atribut dan kita dapat menghitung tiga kemungkinan jarak diantara
vektor tersebut, yaitu ;
(3.32)
27
Pada RBF kita akan menggunakan fungsi dari jarak yang disebut basis fungsi, kita
menggunakan fungsi Gaussian, yaitu :
(3.33)
Kemudian kita mengihitung nilai bobot dari data training menggunakan persamaan :
(3.34)
Setelah bobot dihitung kita dapat mengaplikasikannya pada set data menggunakan
persamaan :
(3.35)
28