LAPORAN TUGAS

TM-4031 ARTIFICAL INTELLIGENCE

A SEISMIC DATA PROCESSING BASED EXPERT SYSTEM FOR

PREDICTIVE DECONVOLUTION

Oleh :
Anjelia Defani Muszagia 12314029
Daniel Maynard 12314038
M. Afif Alfaro A. 12314046

PROGRAM STUDI TEKNIK GEOFISIKA

FAKULTAS TEKNIK PERTAMBANGAN DAN PERMINYAKAN
INSTITUT TEKNOLOGI BANDUNG
2018
 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

Abstrak

Metode seismik refleksi merupakan salah satu metode geofisika yang menggunakan perambatan gelombang
elastik yang dihasilkan oleh suatu sumber pada permukaan kemudian berpropagasi ke bawah permukaan dan
sebagian energinya direfleksikan dan direkam oleh penerima di permukaan. Secara umum, metode seismik
refleksi terbagi atas tiga bagian penting yaitu akuisisi data seismik, pengolahan data dan interpretasi data
seismik. Salah satu tujuan dari pengolahan data seismik tersebut adalah untuk menghilangkan atau mengurangi
noise dalam bentuk reverberasi dan multiples. Dalam pengolahan data seismik, konsep dekonvolusi dengan tipe
predictive deconvolution memiliki peran yang sangat penting dan dapat dikembangkan lebih lanjut untuk
pengolahan data seismik lainnya, misalnya untuk inversi seismik dalam karakterisasi reservoir. “A Seismic Data
Processing Based Expert System for Predictive Deconvolution” merupakan suatu sistem dengan program
“Predictive Deconvolution Simulation” yang secara umum akan menunjukkan wavelet, reflektivitas dan sinyal
seimik.
Kata Kunci: Seismik refleksi, multiples, dekonvolusi, predictive deconvolution, wavelet, reflektivitas, sinyal.

1 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

A. Problem Definition

Metode seismik refleksi merupakan salah satu metode geofisika yang

menggunakan perambatan gelombang elastik yang dihasilkan oleh suatu sumber pada
permukaan kemudian berpropagasi ke bawah permukaan dan sebagian energinya
direfleksikan dan direkam oleh penerima di permukaan. Secara umum, metode seismik
refleksi terbagi atas tiga bagian penting yaitu akuisisi data seismik, pengolahan data dan
interpretasi data seismik. Salah satu bagian yaitu pengolahan data, memiliki tujuan dasar
untuk mengonversi imformasi yang terekam di lapangan menjadi bentuk lain yang dapat di
interpretasi secara geologi. Salah satu tujuan dari pengolahan data seismik tersebut adalah
untuk menghilangkan atau mengurangi noise dalam bentuk reverberasi dan multiples (Egbai
and Ekpekpo, 2003).
Gelombang seismik yang merambat dari sumber seismik melalui medium akan
mengalami konvolusi hingga terekam oleh geophone. Oleh karena itu, medium (bumi)
memiliki sifat sebagai filter terhadap energi gelombang seismik sehingga mengakibatkan
wavelet dari sumber seismik yang semula tajam dan memiliki amplitudo tinggi (dalam fungsi
waktu) menjadi lebih lebar dan amplitudonya berkurang. Dekonvolusi merupakan suatu
tahapan untuk mengoreksi efek filter bumi tersebut sehingga diperoleh hasil dimana wavelet
yang terekam dapat dikembalikan menjadi tajam dengan amplitudo tinggi. Salah satu tipe
dekonvolusi adalah predictive deconvolution. Predictive deconvolution menggunakan
informasi dari bagian awal dan mendekonvolusikannya dengan bagian akhir trace seismik.
Tipe dekonvolusi ini digunakan dalam multi-trace seismik, satu percobaan untuk
memprediksi sebuah trace dari trace sebelahnya, juga dapat digunakan untuk mengatenuasi
multiples/noise yang melibatkan reflektor permukaan atau reflektor dekat permukaan.
Multiple merupakan pengulangan refleksi akibat terperangkapnya gelombang seismik dalam
air laut atau dalam lapisan batuan lunak (Yilmaz, 1987). Predictive deconvolution melibatkan
desain suatu filter prediksi yang membutuhkan hanya autokorelasi dari seri inputnya.
Dalam pengolahan data seismik, konsep dekonvolusi dengan tipe predictive
deconvolution memiliki peran yang sangat penting dan dapat dikembangkan lebih lanjut
untuk pengolahan data seismik lainnya, misalnya untuk inversi seismik dalam karakterisasi
reservoir. Judul yang penulis buat yaitu “A Seismic Data Processing Based Expert System
for Predictive Deconvolution” merupakan suatu sistem dengan program “Predictive
Deconvolution Simulation” yang secara umum akan menunjukkan wavelet, reflektivitas dan
sinyal seimik.

2 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

B. Project Description - Knowledge Base

Dalam pengolahan data seismik, teori pengolahan sinyal merupakan hal yang harus
dipahami. Oleh karena itu dasar-dasar teori seperti teori konvolusi dan korelasi umumnya
digunakan dalam pengolahan data seismik.
Secara umum konvolusi didefinisikan sebagai cara untuk mengombinasikan dua buah
deret angka yang menghasilkan deret angka yang ketiga. Didalam dunia seismik deret-deret
angka tersebut adalah wavelet sumber gelombang, reflektivitas bumi dan rekaman
seismik. Secara matematis, konvolusi adalah integral yang mencerminkan jumlah lingkupan
dari sebuah fungsi a yang digeser atas fungsi b sehingga menghasilkan fungsi c. Konvolusi
dilambangkan dengan asterisk ( *). Sehingga, a*b = c , berarti fungsi a dikonvolusikan
dengan fungsi b menghasilkan fungsi c. Konvolusi dari dua fungsi a dan fungsi b dalan
rentang terbatas [0, t] diberikan oleh:

Contoh:
a = [1, 2, 3] dan b = [4,5,6] maka a*b :

Sehingga a*b adalah [4,13,28,27,18]

Dari contoh diatas terlihat bahwa jumlah elemen c adalah jumlah elemen a ditambah
jumlah elemen b dikurangi 1 (3+3-1 = 5).
Korelasi merupakan proses membandingkan dua kelompok data untuk dicari
kemiripan yang maksimal dengan cara menggeser salah satu kelompok data tersebut.
Kuantisasi dari kemiripan ini dinyatakan dalam koefisien korelasi. Ada dua jenis korelasi
yaitu korelasi silang (cross-corelation) dan auto korelasi (korelasi dengan dirinya sendiri).
(Sheriff and Geldart, 1995).
Dengan asumsi x(t) adalah input yang diinginkan dan (t+𝛾) merupakan nilai yang
diprediksi pada suatu waktu, dimana 𝛾 merupakan prediksi lag. Filter yang digunakan untuk

3 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

mengestimasi x(t+𝛾) dapat dikomputasikan dengan menggunakan sebuah bentuk special dari
persamaan matriks (Robinson and Treitel, 1980). Sebagai output yang diinginkan, x(t+𝛾)
adalah versi waktu dari input x(t) sehingga bagian kanan persamaan harus di spesialisasi
untuk masalah prediksi. Persamaan 1:

Jika input berupa x, dimana i = 0,1,2,3,4 dan g = 2 . Autokorelasinya sebagai berikut:

Membandingkan tabel 1 dan 2, dan i 0,1,2,3,4 . Persamaan 2:

4 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

Koefisien filter prediksi, ai dimana i = 0,1,2,3,4 dapat dikomputasikan dari persamaan

2. Output yang sebenarnya dapat dikomputasikan sebagai berikut:

Output yang sebenarnya adalah estimasi dari seri dimana 𝛾 = 2.

Prediksi seri eror sebagai berikut:

The series a0,a1,a2,a3,a4sebagai filter prediksi dan seri (1,0,-a0,-a1,-a2,-a3,-a4) disebut prediksi
filter eror. Persamaan 3 :

5 Tugas Artificial Intelligence

Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

6 Tugas Artificial Intelligence

Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

7 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

C. Project Description - Decision Tree Analysis

START TIME
START

Figure 4. Project Description - Decision Tree Analysis

END TIME

INCREMENT Memasukkan Parameter Input

TIDAK
Start time (-)
– End time
(+) = 500

YA

Memilih Proses yg digunakan

Dekonvolusi
Konvolusi Dekonvolusi dengan Filter Formula
Formula Optimum
Formula Wiener
Konvolusi
Dekonvol
usi Filter +
Dekonvol
usi

 Ricker  Ricker  Ricker

Wavelet Wavelet Wavelet
 Reflectivity  Reflectivity  Reflectivity
 Signal  Signal  Signal

FINISH

8 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

D. Implementation : Project Software

Program dibuat menggunakan software Matlab R2015a dengan menggunakan GUI

Matlab disertai dengan koding program simulasi.

Figure 5. Logo Matlab

Program “Predictive Deconvolution Simulation” secara umum akan menunjukkan

wavelet, reflektivitas dan sinyal seimik. Program ini dengan sederhana akan melakukan
proses konvolusi antara wavelet dan reflektivitas sehingga didapat sinyal seismik,
dekonvolusi wavelet dan sinyal seismik sehingga didapat reflektivitas, dan dekonvolusi
menggunakan filter optimum wiener. Dari hasil konvolusi dan dekonvolusi tersebut,
pengguna bisa melihat respon keluaran yang dihasilkan dan dapat membandingkan respon
hasil dekonvolusi tanpa filter dengan dekonvolusi menggunakan filter.
Input yang digunakan adalah waktu awal dan waktu akhir serta increment waktu. Input
ini digunakan pada wavelet. Limitasi dari program ini adalah, input waktu awal harus negatif
dan waktu akhir harus positif dengan jumlah data 500. Hal ini terjadi karena wavelet yang
digunakan adalah wavelet Mexican Hat dengan default matriks reflektivitas berjumlah 500
data. Proses yang dilakukan adalah konvolusi, dekonvolusi dan dekonvolusi menggunakan
filter optimum wiener. Sedangkan output berupa grafik wavelet, reflektivitas dan sinyal
seismik.

9 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

Berikut merupakan tampilan program “Predictive Deconvolution Simulation”:

Figure 6. Tampilan awal program “Predictive Deconvolution Simulation”

Pengguna dapat memasukkan parameter berupa waktu awal, waktu akhir dan
increment pada bagian berikut.

Figure 7. Bagian yang di input oleh pengguna

Selanjutnya, pengguna akan memilih proses yang akan dilakukan oleh program dan
menjalankan program dengan menekan “Kuy” sehingga output akan keluar.

Figure 8. Bagian proses dan tombol untuk menjalankan program

10 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

Output yang dihasilkan bergantung pada input dan proses yang telah dipilih oleh
pengguna. Berikut merupakan output dari masing-masing proses yang dipilih.

Figure 9. Tampilan program setelah di input dan memilih proses

11 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

Berikut merupakan beberapa screenshot koding program.

12 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

E. Conclusion
Metode seismik refleksi terbagi atas tiga bagian penting yaitu akuisisi data seismik,
pengolahan data dan interpretasi data seismik. Dalam pengolahan data seismik, konsep
dekonvolusi dengan tipe predictive deconvolution memiliki peran yang sangat penting dan
dapat dikembangkan lebih lanjut untuk pengolahan data seismik lainnya, misalnya untuk
inversi seismik dalam karakterisasi reservoir.
“A Seismic Data Processing Based Expert System for Predictive Deconvolution”
merupakan suatu sistem dengan program “Predictive Deconvolution Simulation” yang secara
umum akan menunjukkan wavelet, reflektivitas dan sinyal seimik.

13 Tugas Artificial Intelligence

 Anjelia D.M/Daniel M./M. Afif A.
Teknik Geofisika ITB

DAFTAR PUSTAKA

[1] Claerbout, J. F. (1976), Fundamentals of geophysical data processing. McGraw-Hill Book Co.
[2] Dobrin, M. B. (1976), Introduction to geophysical prospecting, 3rd Ed.
[3] Egbai, J. C. and Ekpekpo, A. (2003), Journal of NAMP. Vol. 7.
[4] Gibson, B and Learner, K. L. (1982), Comparison of spectral flattening techniques. Unpublished technical
document, Western Geophysical Company.
[5] Margrave , G.F and Lamoureux,M. 2001, Gabor deconvolution: the CREWES Project Research Report ,Vol.
13,241-276.
[6] Margrave ,G.F Gubson, P.C. , Grossman , J.P. , Henley, D.C. , lleiescu, V., and Lamoureux, M.P. , 2004, The
Gabor Transform, Pseudodiffrential operators, and seismic deconvolution, Integrated computer-Aided Engineering ,
vol. 19 pp1-13.
[7] Margrave,G.F and Lamoureux, M.P 2010, Nonstationary predictive deconvolution. GeoCanada 2010- working
with Earth , pp1-4
[8] Milton J. Porsan and Bjorn Ursin,2007, Geophysics, Vol. 72; No. 2 p. H11-H27.
[9] Perez , M.A; and Henley,D.C 2000, Multiple atteneuation via predictive deconvolution in the radial domain: in
the 12th Annual Research Report of the CREWES Project.
[10]Robinson , E.A 2006, European Association of Geophysicists, Vol. 23 pp779-797.
[11]Robinson, E. A. and Treitel, S. (1980), Geophysical signal analysis: Prentice – Hall, Inc.
[12]Taner, M.T 1980, Long-period sea-floor multiples and their suppression: Geophysical Prospecting , Vol. 28,
30-48.
[13]Wang R.J 2006, Geophysical prospecting Vol. 25 Issue 2, pp 342-381
[14]Yilmaz, O. (1988), Seismic data processing Investigations in Geophysics, SEG.
[15]Zhang Jun-hua, Miao,Zheng xu-gang,2005, China Journal of Geophysics 2005-01.

14 Tugas Artificial Intelligence