Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No.

Estimasi Porositas Efektif Menggunakan Supervised Neural Network

dari Multi Atribut Seismik dan Data Sumur

Studi Kasus : Reservoar Batu Karbonat Lapangan “Adhita”

Wahyu Tri S 1*

, Septian Prahastudhi 1, A Syaeful Bahri

1, Yulia Putri W

2

Jurusan Fisika Fakultas MIPA, ITS, Surabaya, Indonesia 1

wahyutri_sutrisno@yahoo.com*

Departemen Eksplorasi Cekungan Salawati, Petrochina,Jakarta, Indonesia2

Abstrak

Indonesia merupakan salah satu negara yang memiliki cadangan minyak dan gas yang

melimpah, dimana sebagian besar lapangan eksplorasi adalah lapangan jenis reservoar batu

pasir. Namun seiring dengan bertambahnya kebutuhan maka diperlukan konsep baru yang

salah satunya adalah pengembangan reservoar karbonat. Dalam pengembangan reservoar

karbonat salah satu yang dibutuhkan adalah estimasi dari porositas efektif reservoar

tersebut karena porositas efektif memiliki hubungan langsung terhadap permeabilitas

batuan reservoar. Hal ini dibutuhkan untuk menentukan rencana eksplorasi dan produksi ke

depannya. Dalam penelitian ini akan dilakukan estimasi porositas efektif pada sumur YN

dan MS lapangan “Adhita”. Porositas efektif dapat diketahui melalui perhitungan empiris

antara densitas, neutron porosity dan gamma ray. Didapat nilai di kisaran 0.02 s/d 0.26 dari

perhitungan log sumur YN dan MS. Multi atribut seismik digunakan sebagai input dalam

proses neural network dan data log digunakan sebagai target. Jenis neural network yang

digunakan adalah supervised back propagation neural network. Persebaran porositas efektif

yang diperoleh dari model BPNN dapat memberikan informasi tambahan mengenai kondisi

upper carbonate reservoir yang selanjutnya akan digunakan sebagai prakiraan kondisi

geologinya. Dari hasil paper ini dapat menghasilkan gambaran persebaran yang lebih

relistis tentang estimasi persebarn porositas efektif dan membantu dalam mempelajari

gambaran kondisi bawah permukaan. Implikasinya, dapat digunakan untuk kegiatan

eksplorasi dan pengembangan hidrokarbon dari lapangan target.

Katakunci: Porositas efektif, BPNN, Multi atribut, karbonat reservoar.

1. Pendahuluan

Mayoritas lapangan minyak bumi di Indonesia

adalah berupa reservoar batu pasir, kebanyakan

dari lapangan tersebut sudah merupakan

lapangan tua dan mengalami penurunan

produksi. Sepanjang tahun 2006, rata-rata

produksi minyak dan gas bumi di Indonesia

adalah 1.1 juta barel per hari, dimana 81% dari

nilai totalnya atau sekitar 894 ribu barel berupa

crude oil. Total produksi minyak bumi Indonesia

telah menurun sekitar 32% sejak tahun 1996

(IEA, 2007).

Seiring dengan bertambahnya kebutuhan

manusia akan energi dan menurunnya produksi

minyak bumi, konsep konvensional (reservoar

batu pasir) harus diganti dengan sebuah konsep

baru untuk mengatasi masalah ini. Solusi lain

adalah dengan optimalisasi lapangan lain tua

untuk meningkatkan kapasitas produksi.

Porositas efektif, merupakan properti fisis paling

penting dalam batu reservoar, secara fisis

porositas efektif adalah porositas dalam batuan

yang mampu mengalirkan fluida di dalamnya.

Reservoar batu karbonat, memiliki sistem multi-

porosity yang disebabkan adanya fracture,

dimana fracture tersebut sering disebut sebagai

porositas sekunder.

Dalam dunia seismik, metode neural network

sudah cukup popular diaplikasikan untuk

prediksi properti fisis reservoir dimana biasanya

data log digunakan sebagai model awal. Salah

satu jenis neural network adalah supervised

network. Supervised network merupakan fully-

connected Multi Layer Perceptron dengan satu

hidden layer.

2. Dasar Teori .

2.1 Batuan Karbonat

Batuan karbonat adalah batuan dengan

kandungan material karbonat lebih dari 50%

yang tersusun atas partikel karbonat klastik yang

tersemenkan atau karbonat kristalin hasil

presipitasi langsung (Friedman dan Reeckman,

1982).

Sedimen karbonat dihasilkan dari proses organik

biokimia pada lingkungan laut bersih dan hangat.

Daerah tropikal dan subtropis dapat

mencerminkan kondisi tersebut. Keadaan

tertentu bisa ditunjukkan sebagai faktor sedimen

karbonat, misalkan karena adanya produksi

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No.

sedimen yang tinggi dan akumulasi kalsium

karbonat dari cangkang organisme.

2.2 Seismik Atribut

Seismik attribut telah menjadi suatu

bagian dalam tahapan interpretasi seismik. Sejak

pertama kali dikenalkan pada tahun 1970an,

berbagai macam attribut seismik telah banyak

membantu para interpreter untuk membuat

keputusan tentang eksplorasi dan pengembangan

lapangan migas. Seismik attribut kompleks,

seismik inversi dan neural network/jaringan

syaraf buatan adalah beberapa contoh dari

perkembangan attribut seismik. Hingga saat ini

ada lebih dari 100 jenis attribut seismik yang

digunakan. Attribut seismik telah banyak

digunakan dalam industri migas untuk

identifikasi litologi dan prediksi properti fisis

batuan (Oki, 2009).

Seismik attribut diklasifikasikan berdasarkan

informasi dasar (fitur) gelombang seismik yang

digunakan. Informasi dasar dari gelombang

seismik adalah waktu, amplitudo, frekuensi dan

attenuasi (Brown, 2000). Pada penelitian ini,

attribut seismik yang digunakan adalah : average

frequency, energy, instantaneous amplitude,

maximum spectral amplitude dan cosine of

instantaneous phase.

2.3 Porositas efektif

Porositas efektif, adalah perbandingan antara

volume pori-pori yang saling berhubungan

terhadap volume batuan total (bulk volume) yang

dinyatakan dalam persen. Secara empiris

porositas efektif dapat diperoleh dari :

2.4 Neural Network

Neural network, telah banyak digunakan dalam

ilmu kebumian untuk memprediksi sifat fisis

suatu reservoir (porositas, permeabilitas,

densitas, dll) menggunakan data well-log dan

data seismik. Banyak penelitian yang telah

mengindikasikan bahwa neural network bisa

memprediksi sifat fisis reservoar yang memiliki

tingkat heterogenitas yang tinggi dengan akurasi

yang bagus (Saemi, 2007).

Dalam prediksi sifat fisis reservoar, jenis neural

network yang biasa digunakan adalah multi layer

perceptron dengan tipe back-propagation

menggunakan satu hidden layer. Pada neural

network jenis ini, setiap neuron pada sebuah

layer, terhubung dengan neuron pada layer di

depannya.

Secara garis besar, algoritma neural network

multi layer perceptron dengan tipe

backpropagation terdiri atas tiga lapis, yaitu,

input, hidden layer dan output. Lapisan input dan

hidden layer dihubungkan dengan pembobot w

dan antara lapisan hidden layer dan output

dihubungkan dengan pembobot w’. Ketika

sebuah pola diberikan kepada input, dimulailah

langkah yang dinamakan forward-propagation.

Level aktivasi dihitung dan hasilnya dikirim

melalui hidden layer hingga mencapai output

layer. Setiap unit pemrosesan menjumlahkan

input masing-masing kemudian digunakan

sebuah fungsi sigmoid untuk menghitung output

(Saemi, 2007).

Fungsi sigmoid yang digunakan dalam neural

network dengan interval nilai output antara 0

sampai 1 adalah fungsi sigmoid biner. Fungsi

sigmoid biner dirumuskan sebagai:

Fase backward propagation dimulai dari output

layer, kembali input layer melewati hidden

layer. Fase ini dilakukan karena ketidaksamaan

nilai antara keluaran sementara dari fungsi

sigmoid dengan nilai keluaran yang diharapkan

(target). Selisih eror dari hasil ini dirumuskan

sebagai:

Dimana

O : output yang diharapkan (target)

T : output dari forward propagation

n : total data yang dihitung

Fase ini juga mengubah nilai pembobot antara

input, hidden layer dan output. Untuk

mempercepat proses, diberikan parameter

tambahan berupa momentum yang nilainya

dijaga antara 0.5-0.9. Proses ini dilakukan

berkali-kali hingga mencapai target yang

diinginkan

Gambar 1 Lapisan dan aliran sinyal dalam

algoritma multi perceptron layer

back propagation.

Jaringan back propagation neural network

dengan 1 hidden layer (unit Z (Z1 …Zp)) tampak

pada gambar 1. Unit output (unit Y (Y1 …Ym)

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No.

dan unit tersembunyi memiliki bobot masing

masing. Bobot bias pada unit keluaran Yk

dinyatakan dengan w0k, bobot bias pada unit

tersembunyi Zj dinyatakan dengan v0j, vij

merupakan bobot garis dari unit Xi ke unit

tersembunyi Zj, dan wjk merupakan bobot garis

dari Zj ke unit output Yk. Berikut adalah contoh

algoritma back propagation neural network yang

biasa digunakan dalam prediksi sifat fisis

reservoar menggunakan fungsi sigmoid biner (de

Groot, 2009).

3. Metodologi

Langkah-langkah yang dilakukan dalam

penelitian ini adalah :

1. Penentuan porositas efektif dari data log

2. Perhitungan atribut

3. Penentuan horizon

4. Analisa cross-plot

5. Running Neural network

6. Analisa hasil

4. Pembahasan Hasil

Data yang digunakan dalam penenlitian ini

adalah data 3D seismik lapangan

“Adhita”dengan wavelet polarity negatif dan dua

data sumur, yaitu sumur YS dan MN. Berikut

adalah data seismik yang digunakan dalam

penampang 2D.

Gambar 2. Penampang seismik dan data log

Penentuan porositas efektif didapatkan

menggunakan rumus yang ada pada bab 2.3,

Volume shale didapatkan dari gamma ray, data

inilah yang digunakan sebagai target dalam

supervised neural network yang digunakan. Input

yang digunakan adalah data multi atribut seismik

dengan attribut yang digunakan adalah : average

frequency, energy, instantaneous amplitude,

maximum spectral amplitude dan cosine of

instantaneous phase. Pemilihan atribut ini adalah

berdasarkan tingkat sensitivitas attribut terhadap

nilai porositas efektif. Dari sini dilakukan analisa

cross-plot untuk mendapatkan koefisien korelasi

antara input dan target dalam proses neural

network. Maka didapatkan :

Tabel 1: Koefisien korelasi antara log porositas efektif dan multi attribut seismik.

Attribut Korelasi

Instantaneous amplitude 0.43

Average frequency 0.52

Cosine instantaneous phase 0.41

Energy 0.38

Maximum Spectral 0.48

Dalam penelitian ini, digunakan neural network

jenis back propagation dengan paradigma

pembelajaran terawasi (supervised), dimana log

target digunakan sebagai hal yang berfungsi

seperti kunci jawaban. Proses ini hanya

dilakukan pada lingkup lapisan karbonat saja,

sehingga horizon harus ditentukan lebih dahulu.

Dalam sistem neural network ini, sebelum data

input yang berupa 5 jenis attribut seismik ini,

harus dinormalisasi karena nilai tiap-tiap attribut

memiliki interval nilai angka yang sangat

berbeda. Sebagai contoh, attribut average

frequency, memiliki nilai interval dari angka 0

sampai 90, sedangkan attribut instantaneous

amplitude memiliki nilai interval angka -6000

sampai 6000. Maka semua angka tersebut

dinormalisasi dari 0 sampai 100. Setelah semua

data sudah ternormalisasi maka data akan

dimasukkan ke dalam sistem.

Dalam sistem neural network ini, dibutuhkan

data yang akan dilatih (mengikuti proses dalam

sistem sampai menemukan solusi hubungan

antara log porosity-density dan multi attribut

seismik) dan data yang akan digunakan sebagai

data test, dimana yang dimaksud dengan data test

adalah data yang langsung dikenakan hasil solusi

hubungan antara multi attribut seismik dan log

porosity-density. Penelitian ini dilakukan

menggunakan 3 data log dengan lokasi yang

berdekatan, dan ketiganya berada di sekitar

puncak dari reefal build-up carbonate reservoir.

Untuk memenuhi syarat dari sistem ini yang

menggunakan dua jenis data (data train dan data

test), maka setelah data terkumpul semua, baik

dari sampling data log dan data seismik, maka

data dibagi menjadi dua dengan komposisi 30%

untuk data test dan 70% untuk data train.

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No.

Gambar 3. Langkah kerja dalam sistem BPNN

Jenis back propagation neural network ini mirip

dengan rangkaian proses iterasi.

. Gambar 3 Proses iterasi neural network. Gambar

kiri adalah proses scatter,).Gambar

sebelah kanan adalah grafik eror.

Proses iterasi dilakukan hingga nilai dari eror

dari data train dan data test sudah baik (lebih

kecil dari 0.6, De Groot, 2010) sehingga secara

otomatis, gradien garis pada proses scatter

menjadi dekat dengan nilai tangen 450 (1).

Dalam proses neural network menggunakan

OpendTect, ketika sistem sudah mengalami

tingkat kejenuhan dalam iterasi, maka sistem

hanya akan peduli pada tingkat korelasi pada

train data, sehingga eror total akan menjadi lebih

besar, dalam penelitian tugas akhir ini, nilai dari

RMS eror yang didapatkan adalah 0.05 untuk

data test dan 0.056 untuk data train. Kemudian,

solusi hubungan antara target log data dan input

yang berupa multi attribut seismik, disebarkan ke

seluruh bodi reservoir. Dengan kata lain,

prediksi porositas tidak disebarkan ke semua data

cube seismik, dimana di dalam data cube seismik

yang digunakan terdapat lapisan shale yang

berada di atas lapisan carbonate reservoar. Hal

ini dikarenakan secara fisika batuan, tren

hubungan porositas antara multi attribut seismik

pada tiap jenis batuan pasti berbeda. Korelasi

total akhir antara porositas efektif terestimasi dan

porositas efektif asli (yang diturunkan dari data

log densitas) adalah 0.72.

. Gambar 4 Perbandingan antara porositas

efektif dan porositas terprediksi

NN

Kemudian, hasil estimasi neural network

disebarkan ke seluruh data seismik, sehingga

didapatkan

. Gambar 5 Cube porositas efektif dari data

seismik 3D.

5. Kesimpulan

Metode multi attribut seismik yang terdiri dari

average frequency, energy, instantaneous

amplitude, maximum spectral amplitude dan

cosine of instantaneous phase.yang menjadi

input dalam estimasi porositas efektif

menggunakan sistem supervised back

propagation neural network dengan data log

porosity density pada reservoar model 3D

carbonate layer memiliki korelasi antara

porositas terukur dan porositas prediksi adalah

0.72, dengan nilai rata-rata eror antara data test

dan data train adalah 0.055%.

Lokasi well baru berdasarkan kualitas porositas

batuan adalah : (1) well yang berupa deviated

well dengan pada titik perpotongan inline 6402

dan crossline 12784 dengan pembelokan sebesar

sekitar 30% yang dimulai pada kedalaman

sekitar 1850ms dan (2) deviated well pada inline

6429 dan crossline 12944, dengan sudut deviated

sekitar 30% yang dimulai pada kedalaman

1650ms.

Data

seismik

dan sumur

Estimasi

porositas

Hasil

latihan

Applikas

i

Pelatihan

network

Penentuan

attribut

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No.

6. Penghargaan

Penulis berterimakasih sebesar-besarnya pada

Laboratorium Geofisika jurusan Fisika ITS yang

telah meberikan dukungan terhadap penulis,

Dgbes Belanda atas lisensi software yang

diberikan dan Petrochina Int atas data yang

digunakan dan diijinkan untuk dipublikasikan.

7. Pustaka

Brown, AR., 2000, Interpretation of 3

Dimensional Seismic Data.

Asscociation Petroleum Geology

Memoir: New York, USA.

Barnes, Arthur., 2001, Seismic Attribut in Your

Facies, CSEG Recordery: Coloado,

USA.

Haidar, Andry, 2008, Studi Kasus Aplikasi Multi

Layer Perceptron Neural Network Pada

Sistem Pendeteksi Gangguan

Berdasarkan Anomali Suatu Jaringan,

Tugas Akhir Universitas Gunadarma:

Jakarta, Indonesia.

Sugiri, Oki., 2010, Fracture Basement

Delineation using Seismic Multi

Attribut, Master Thesis, Jurusan

Geofisika Eksplorasi, Universitas

Curtin: Melbourne, Australia.

dGB Earth Science, 2009, Opendtect User

Documentary