Neural network merupakan suatu proses pengubahan data seismik dan atribut-atributnya ke dalam volume log properti. Neural network dilatih untuk menemukan hubungan antar input data seismik dengan input log sumur dan kemudian mengaplikasikan hubungan tersebut ke data seismik untuk membuat volume properti log (Gambar 1).Berbeda dengan inversi impedansi akustik konvensional yang menggunakan model konvolusi sebagai hubungan antara AI (properti log) dan trace seismik, neural network menggunakan pendekatan statistik yang mencoba untuk mengestimasi hubungan pada lokasi sumur dan mengaplikasikannya ke lokasi yang lain. Metode ini dilakukan karena ingin mengetahui penyebaran nilai properti log diluar sumur, sejauh mana bodi reservoir tersambung maupun terpisah sehingga dapat digunakan sebagai masukan dalam usulan pengeboran. Log sumur yang lazim untuk diprediksi diantaranya adalah log porositas dan log gamma ray.

Neural network dapat diklasifikasikan sesuai dengan cara bagaimana ia di latih, dengan menggunakan supervised learning atau unsupervised learning. Dalam supervised learning, neural network mulai dengan data training untuk nilai input dan output yang kita ketahui. Algoritma neural network lalu mempelajari hubungan antara input dan output dari data training ini, dan akhirnya mengaplikasikan hubungan yang telah dilatih ke dataset yang lebih besar yang mana nilai outputnya tidak diketahui. Contoh yang paling umum untuk neural network jenis ini adalah multi-layer preceptron (MLP), sinonim dengan istilah ANN (Artificial Neural Network). Sedangkan untuk unsupervised learning, kita memberikan inputnya dan membiarkan neural network untuk mencari bentuknya sendiri. Oleh karena itu, output spesifik tidak diperlukan. Keuntungan dari metode ini adalah kita tidak perlu untuk mengetahui jawabannya. Sedangkan kelemahan dari metode ini adalah hasil output seringkali sulit untuk diinterpretasi.Neural network beroperasi dalam dua tahapan. Tahap pertama adalahtraining step, sedangkan tahap kedua adalahapplication step.Training stepdilakukan pada semua lokasi sumur yang telah dipilih. Operator yang mentransform data seismik ke properti log yang diinginkan diperoleh dengan menganalisis input data seismik berupa atribut-atribut seismik -baik precalculated attributes: AI, atribut AVO, coherency; maupun complex trace attribute yang dihitung secaraon the fly- di lokasi sumur yang kemudian memberikan bobot yang terus diupdate sehingga dapat menghasilkan data output terbaik. Sedangkan padaapplications step, neural network diaplikasikan ke data seismik yang telah terpilih untuk mendapatkanpseudovolume log.Hasil output yang diperoleh dikelompokkan ke dalamtraining resultdanvalidation result(Gambar 2), di manatraining resultmerupakan hasil prediksi log dengan melibatkan semua sumur yang ada, sedangkanvalidationresultmerupakan prediksi log dengan tanpa melibatkan log sumur yang sedang diprediksi. Oleh karena itu,validationresultmemiliki nilai koefisien korelasi yang lebih kecil dibandingkan dengantrainingresult.

Setelah mendapatkan kedua hasil di atas, kita dapat memilah atribut data seismik yang mana yang baikuntuk digunakan dan data seismik yang mana yang perlu dikeluarkan dari perhitungan neural network dengan cara membandingkan error antaratraining resultdanvalidation result.