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
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
Top Related