ANALISA MULTIATRIBUT

Analisis seismik multiatribut adalah metode yang menggunakan banyak atribut untuk
mengetahui beberapa property fisik dari bumi, yang dimana analisa dilakukan untuk mencari
hubungan antara log dengan data seismik pada lokasi sumur. Schultz et al. (1994)
mengindentifikasi 3 subkategori utama pada teknik analisa multiatribut geostatistik, yaitu:

1. Perluasan dari co-kriging untuk melibatkan lebih dari satu atribut sekunder untuk
memprediksi parameter utama.
2. Metode yang menggunakan matriks kovariansi untuk memprediksi suatu parameter dari
atribut input yang telah diberi bobot secara linear.
3. Metode yang menggunakan Artificial Neural Networks (AANs) atau teknik optimisasi
non-linear untuk

mengkombinasikan atribut-atribut menjadi perkiraan dari parameter yang diinginkan. Analisa

multi-atribut pada penelitian ini menggunakan kategori yang kedua. Prosesnya sendiri
melibatkan pembuatan dari volum pseudolog yang nantinya akan digunakan untuk memetakan
penyebaran batu pasir dan batu lempung.

Dalam kasus yang paling umum

P(x,y,z) = F[A1(x,y,z),, Am(x,y,z)]

dimana :

P = properti log, sebagai fungsi dari koordinat x,y,z

F = fungsi yang menyatakan hubungan antara atribut seismik dan property log

Ai = atribut m, di mana i = 1,...,m.

Untuk kasus yang paling sederhana

P = w0 + w1A1 + ... + wmAm

dimana :

wi = nilai bobot dari m+1, dimana 1 = 0,...,m

Proses training ini menghasilkan nilai korelasi dan nilai training error antara log prediksi dan log
original. Validasi dilakukan dengan memeriksa validation error dari setiap kombinasi atribut. .
Jumlah atribut optimal ditunjukan dengan nilai validation error terkecil. Pada kasus ini,
sebanyak 10 atribut digunakan untuk pembuatan volum pseudo densitas, 11 atribut untuk
pembuatan volum pseudo gamma-ray, dan 8 atribut untuk pembuatan volum pseudo porositas
(Gambar 5). Volum pseudo densitas hasil multiatribut yang paling baik akan digunakan sebagai
eksternal atribut untuk analisa multiatribut selanjutnya dalam pembuatan volum pseudo gamma-
ray dan porositas (Gambar 6).

NEURAL NETWORK

Regresi multiatribut 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. Neural network meniru cara kerja otak dalam dua aspek, yaitu pengetahuan atau data
dan kekuatan koneksi inter-neuron yang digunakan untuk menyimpan pengetahuan tersebut. Ide
dasar di balik Probabilistic Neural Network (PNN) adalah menggunakan satu data atau lebih
yang disebut variabel independen untuk memprediksi variabel dependen tunggal. Variabel
independen di representasikan sebagai vektor x = [x1, x2,, xp] dimana p adalah jumlah
variabel independen. Sedangkan variabel dependen adalah y. Tujuan algoritma ini adalah untuk
memprediksi variable y yang tidak diketahui. Neural network digunakan untuk meningkatkan
prediksi densitas, porositas, maupun gamma-ray. Dari neural network ini diharapkan akan
didapatkan peningkatan korelasi antara log prediksi dengan log original pada ketiga pseudo
volum, dilihat berdasarkan nilai korelasi, error, maupun blind well test. Ternyata neural network
dapat meningkatakan nilai korelasi namun juga memperkecil hasil validasi, tapi selama
penurunan nilai validasi hanya sedikit dan masih dapat diterima dilihat berdasarkan blind well
test hasil ini dianggap layak untuk digunakan (Gambar 7). Volum pseudo densitas hasil PNN
ternyata lebih baik dari hasil multiatribut, sehingga digunakan sebagai eksternal atribut untuk
analisa multiatribut pseudo gamma-ray dan porositas. Analisa neural network untuk pseudo
gammaray ternyata memberikan nilai korelasi yang terlalu kecil (< 0.5), sehingga volum pseudo
gamma-ray hasil multiatribut lebih layak untu digunakan. Volum pseudo porositas hasil PNN
ternyata lebih baik dari hasil multiatribut, sehingga digunakan dapat digunakan untuk interpretasi
akhir (Gambar 8).

VII. BLIND WELL TEST

Blind well test dilakukan untuk memvalidasi hasil pseudo volum yang kemudian hasil tersebut
dicocokan dengan property sumur yang tidak ikut dalam proses training. Hasil tes ini
menunjukkan bahwa volum pseudo gammaray (hasil multiatribut) , serta volum pseudo densitas
dan volum pseudo porositas (hasil neutral network) cukup sesuai dengan poperti sumur yang
dipakai untuk tes ini (Gambar 9)

INTERPRETASI PETA

Peta horizon slice dibuat dengan window 10 ms dibawah top E. Horizon slice volum pseudo-
densitas memperlihatkan bahwa nilai densitas pada bagian Selatan lebih rendah daripada nilai
densitas pada bagian Utara. Slice volum pseudo gamma-ray memperlihatkan bahwa nilai
gammaray pada bagian Selatan lebih rendah daripada nilai gamaray pada bagian Utara. Slice
volum psudo porositas memperlihatkan bahwa nilai porositas pada bagian Selatan lebih tinggi
daripada nilai porositas pada bagian Utara. Tanda posisi sumur hitam menunjukan sumur dengan
log sonic asli, tanda posisi sumur biru menunjukan sumur dengan predicted sonic, dan tanda
posisi sumur merah menunjukan sumur yang digunakan untuk blind well test. Hasil peta nilai
gammaray dan peta poropositas memperlihatkan hasil cukup seragam. Dari peta-peta di atas
dapat disimpulkan bagian Selatan dari daerah penelitian memiliki batupasir dengan densitas 2.0
2.15 g/cc dan porositas 28 32 % yang berkembang dengan baik. Pada bagian Utara dari
daerah penelitian memiliki batupasir dengan densitas 2.15 2.3 g/cc dan porositas 24 28%.
Berdasarkan analisa dari keenam peta tersebut, daerah Selatan memiliki potensi yang baik untuk
pengembangan sumur selanjutnya (Gambar 10).

KESIMPULAN
Penelitian ini memberika kesimpulan bahwa metode neural network memberikan hasil yang
lebih baik untuk pembuatan volum pseudo densitas dan pseudo porositas karena pemakaian
operasi non-linear, sedangkan metode multiatribut memberikan hasil yang lebih baik untuk
pembuatan volum pseudo gamma-ray. Metode seismik multiatribut terbukti meresolusikan
batupasir E lebih baik daripada seismik konvensional, serta dapat memetakan distrbusi dan
porositas. Reservoir pada area Selatan penelitian ini terdiri dari batupasir dengan densitas rata-
rata 2.0 2.15 g/cc dan porositas rata-rata 28 32%. Area Utara terdiri dari batupasir dengan
densitas rata-rata 2.15 2.3 g/cc dan porositas rata-rata 24 28%. Bagian Selatan dari daerah
penelitian memiliki batupasir yang lebih baik dengan densitas rendah dan porositas yang tinggi.
Untuk pengembangan lebih lanjut, sebagai saran, diperlukan lebih banyak data check-shot dan
sonic log untuk menghasilkan well-seismic tie yang lebih baik. Proses picking horizon juga
merupakan hal yang sangat penting karena kesalahan picking dapat mengakibatkan kesalahan
interpretasi. Integrasi dengan metode lain seperti AVO (Amplitude Variation with Offset), inversi
EI, maupun LMR juga diperlukan untuk karakterisasi reservoir lebih jauh. Berdasarkan hasil
penelitian ini, dapat direkomendasikan potensi pengembangan lapangan PDE berdasarkan
distribusi dan porositas batupasir E berada di bagian Selatan dari area penelitian.