MODUL KE – 03
GEOSTATIKA-VARIOGRAM
Oleh:
Muhamad Arif Samsudin 120120158
Asisten :
df = pd.read_csv('/content/34-29 (1).DAT',
skiprows=7, header=None, delim_whitespace=True,
names = ["depth", "perm", "poro", "logperm"], in
dex_col=False)
print(df.head())
print(df.describe().transpose())
df = pd.read_csv('/content/34-29 (1).DAT',
skiprows=7, header=None, delim_whitespace=True,
names = ["depth", "perm", "poro", "logperm"], in
dex_col=False)
print(df.head())
print(df.describe().transpose())
lags = np.array(lags)
lags = lags[np.array(range(len(lags)))]
plt.scatter(range(len(lags)), lags)
plt.plot(range(len(ycalc)), ycalc, color='r')
plt.show()
V = skg.Variogram(list(range(len(data))), data, n_lags=56)
print(V.bins)
print("skg = range : %.2f sill: %.f nugget: %.2f" % (V.cof[0],
V.cof[1], V.data()[0][0]))
print(V.data())
V.plot()
plt.show()
HRS
1. Mendownload dan menginstal software HRS (Hampson-Russel)
2. Mendownload data yang ingin diolah
3. Buat New data base lalu input data 34-29 dengan format txt
4. Klik new project, lalu masukkan penamaan project
5. Klik processes dan tekan ISMAP dan Old Versions. Lalu pada Old
Versions, pilih Geostatistical Analysis (ISMAP).
6. Kemudian keluar gambar tabel, lalu klik Select Data dan pilih New
Well Log Data, lalu klik Ascii File
7. Lalu klik Variograms, lalu pilih Well to Well, kemudian muncul
persebaran data dan kemudian kita menamai setiap well dengan klik
View lalu pilih Show Well Names
8. Selanjutnya set parameter (untuk di input nilai nugget beserta model
variogram yang diinginkan kemudian hasil sill dan range nya)
9. Mengubah metode (spherical, gaussian, exponential, dan power),
dan variasikan nilai sill, range, dan nugget nya
10. Apabila ingin mengubah grafik variogram ke covariance klik
analisis data kemudian klik calculation method dan ubah menjadi
covariance
11. Apply Data
12. Selesai
HASIL DAN PEMBAHASAN
1. Model Exponential
1.1 Poro
1.2 Perm
1.3 logperm
2. Model Spherical
2.1 Poro
2.2 Perm
2.3 logperm
3. Model Gaussian
3.1 Poro
3.2 Perm
3.3 logperm
4. Model Cubic
4.1 Poro
4.2 Perm
4.3 Logperm
5. Data Awal
6. Histogram
7. Variogram spherical
8. Variogram gaussian
9. Variogram Exponential
PEMBAHASAN
Kurva model Exponential, Spherical, Gaussian, dan Cubic semuanya
merupakan model semivariogram yang digunakan dalam analisis geostatistik. Semua
model ini memiliki keunikan dan karakteristik masing-masing yang dapat dianalisis
dalam konteks khusus. Namun, dalam konteks pemilihan model yang paling cocok
untuk data geostatistik tertentu, pilihan terbaik dapat ditentukan dengan
membandingkan hasil kesalahan prediksi model untuk data validasi. Dalam
prakteknya, pemilihan model yang paling cocok untuk data geostatistik dapat
dilakukan dengan menghitung nilai R-squared atau nilai Root Mean Squared Error
(RMSE) antara nilai prediksi dan nilai sebenarnya pada data validasi. Model yang
memiliki nilai R-squared yang lebih tinggi atau nilai RMSE yang lebih rendah
dianggap sebagai model yang lebih baik. Namun, tidak selalu ada satu model yang
paling cocok untuk semua data geostatistik. Beberapa data mungkin cocok dengan
model spherical, sementara data lainnya mungkin cocok dengan model gaussian atau
cubic. Oleh karena itu, pemilihan model yang tepat harus dilakukan berdasarkan
karakteristik unik dari data geostatistik yang dianalisis.
Untuk melihat hasil kurva terbaik dari model Exponential, Spherical, Gaussian,
dan Cubic pada variogram, Anda dapat melakukan beberapa hal berikut:
https://colab.research.google.com/drive/12xj-
5RD07S7v3LfhnUkl9FHnsOFRMjZ0?usp=sharing
Foto praktikum