ABSTRAK
Integrasi data seismik dan log sumur dilakukan pada dataset lapangan Blackfootuntuk mengidentifikasi penyebaran litologi dan porositas pada zona targetreservoar tipis di lapangan ini. Integrasi dilakukan menggunakan analisa inversidan multi-atribut seismik. Dengan inversi seismik, tras seismik dapat diubahmenjadi volume impedansi akustik yang kemudian dikonversikan menjadiporositas dengan suatu asumsi sedangkan dengan multiatribut seismik, volumeporositas dapat diprediksi dengan transformasi linier dan non-linier antara propertilog sumur dengan serangkaian atribut seismik.Tiga jenis metoda inversi impedansi akustik diterapkan pada dataset yaitu inversirekursif, linear programming sparse-spike (LPSS) dan model-based. Hasil inversikemudian dibandingkan satu sama lain melalui parameter cross correlation danerror log. Hasil dari inversi yang berbeda-beda ini secara konsisten menunjukkanreservoar dengan impedansi rendah didalam channel pada kedalaman kurang lebih1060ms pada domain waktu. Inversi berbasiskan model menunjukkan pencitraanyang lebih baik dan koefisien korelasi yang paling tinggi (99.8%) dibandingkankedua jenis inversi lainnya. Karenanya, hasil inversi impedansi akustik modelbasedini kemudian digunakan sebagai atribut eksternal pada analisa multi-atribut.Volume pseudo porositas dibuat dari fungsi regresi dari crossplot hubunganimpedansi akustik hasil inversi dengan log porositas yang tersedia pada setiapsumur.Analisa multi-atribut digunakan untuk menghasilkan transformasi linier maupunnon-linier antara properti log sumur?dalam hal ini adalah log impedansi akustik,densitas dan porositas?dengan serangkaian atribut seismik. Untuk model linier,dipilih transformasi pembobotan linear step-wise regression (SWR) yangdiperoleh dari minimisasi least-square. Untuk mode non-linier probabilisticneural networks (PNN) di-training menggunakan atribut pilihan dari transformasiSWR sebagai input. PNN dipilih sebagai network yang akan diterapkan padadataset karena umumnya menunjukkan korelasi yang lebih baik dan mempunyaialgoritma matematis yang lebih sederhana.

---

Abstract
Integration of seismic and well log data of Blackfoot field dataset was conductedto identify the distribution of lithology and porosity of an interest thin reservoirzone in this field. The integration has been done using seismic and multiattributeanalyses. With seismic inversion, seismic trace can be changed into acousticimpedance which represent the physical property of the reservoir layer and thenconverted to be a porosity volume. With seismic multiattribute, log propertyvolumes are predicted using linear or non-linear transformations between logproperties and a set of seismic atrributes.Three types of seismic inversion have been applied to the dataset i.e. recursiveinversion, linear programming sparse-spike (LPSS) inversion and model-basedinversion. The results then were compared each other through cross correlationand error log parameters. The difference inversion results show clearly thereservoir with its related low impedance within a channel at the depth of 1550m ormoreless at 1060ms in time domain. The model-based inversion result showssmoothed image and the highest correlation coefficient (99.8%) compared to twoother inversions. Therefore, the acoustic impedance of model-based inversionresult was used for external attribute in multiattribute analyses. Pseudo-porosityvolume was produced from regression function of a crossplot between theacoustic impedance as an inversion result with the original porosity log.Multiattribute analyses were used to derive a relationship between well logproperties i.e. acoustic impedance, density and porosity logs?and a set of seismicattributes. The derived relationship can be linear (using step-wise regressiontransformation) or non-linear (using probabilistic neural network transformation).PNN is chosen as a network trained for final dataset because in general it showsbetter correlations and simpler matematic algorithms. The reliability of derivedrelationship is determined by cross-validation test.