Hasil Pencarian  ::  Simpan CSV :: Kembali

"Cadangan migas semakin sulit ditemukan, hal ini dikarenakan kondisi geologi yang lebih kompleks. Kondisi yang kompleks ini menyebabkan kesulitan dalam menentukan persebaran reservoir. Maka dari itu diperlukan metode yang lebih bagus untuk mengatasi kondisi geologi yang kompleks tersebut. Penelitian ini menggunakan metode multiatribut dan Probabilistic Neural Network (PNN) yang dapat mencari hubungan antara atribut seismik dengan data yang dicari, untuk prediksi nilai properti dari batuan sekitarnya. Dari metode ini dihasilkan persebaran pada data porositas dengan nilai korelasi 0,52, saturasi air dengan nilai korelasi 0,73, dan shale content dengan nilai korelasi 0,58. Dimana gabungan dari data porositas, saturasi air, shale content, dan data impedansi akustik (AI) hasil inversi dapat menjadi petunjuk untuk identifikasi persebaran reservoir. Dari nilai porositas dan saturasi dapat dibuat persebaran hidrokarbon, dimana pada penelitian ini didapatkan nilai antara 0,01 – 0,03. Lapangan FA ini memiliki reservoir yang berada di antara sumur F-06, FA-05, FA-15, dan FA-18 dan menyebar ke arah barat dari sumur FA-05, FA-15 & FA-18.

---

Oil and gas reserves are increasingly difficult to find due to more complex geological conditions. This complex condition causes difficulties in determining reservoir distribution. Therefore a better method is needed to overcome these complex geological conditions. This study uses a multi-attribute method and Probabilistic Neural Network (PNN) that can search for correlation between seismic attributes and the data sought, for the prediction of property values ​​from surrounding rocks. From this method the distribution of porosity data with a correlation value of 0.52 was generated, water saturation with a correlation value of 0.73, and shale content with a correlation value of 0.58. Where the combination of porosity data, water saturation, shale content, and acoustic impedance (AI) data of inversion results can be a clue to identify reservoir distribution. From the porosity and saturation values, hydrocarbon dispersion can be made, where in this study values ​​were obtained between 0.01 - 0.03. This FA field has a reservoir between wells F-06, FA-05, FA-15, and FA-18 and spreads westward from wells FA-05, FA-15 & FA-18."

"Lapangan ‘B’ merupakan lapangan prospek hidrokarbon yang berlokasi di offshorecekungan Kutai, Kalimantan Timur. Untuk mengetahui karakterisasi reservoir lapangan‘B’, dilakukan pemodelan porositas dan saturasi air menggunakan inversi AI, multiatributseismik dan probabilistic neural network. Penelitian ini menggunakan data seismik 3DPSTM dan data sumur (AND-1, AND-2, AND-3 dan AND-4). Pada data seismik dan datasumur dilakukan inversi AI untuk mengetahui sifat litologi area penelitian. Kemudian,hasil AI ditransformasikan untuk mendapatkan model porositas. Metode multiatributseismik menggunakan beberapa atribut untuk memprediksi model porositas dan saturasiair. Setelah itu, diaplikasikan sifat non-linear dari probabilistic neural network sehinggamenghasilkan model porositas dan saturasi air hasil probabilistic neural network (PNN).Model porositas dan saturasi air transformasi AI, multiatribut seismik dan PNN divalidasidengan nilai porositas dan saturasi air data sumur untuk mengetahui apakah modelporositas dan saturasi air tersebut merepresentatifkan nilai data sumur. Validasi dilakukanpada sumur AND-1 dan AND-2. Nilai porositas dan saturasi air data sumur untuk AND-1 adalah 25.3 – 35.9% dan 45 – 60%, dan nilai porositas dan saturasi air AND-2 adalah11 – 35% dan 15 – 82%. Nilai porositas AND-1 hasil transformasi AI sekitar 16 – 67%,multiatribut seismik sekitar 11.5 – 27% dan PNN sekitar 11.5 – 27%. Nilai saturasi airAND-1 hasil multiatribut seismik sekitar 4 – 63% dan PNN sekitar 18 – 63%. Nilaiporositas AND-2 hasil transformasi AI sekitar 52 – 72%, multiatribut seismik sekitar 11– 21.5% dan PNN sekitar 11 – 21.5%. Nilai saturasi air AND-2 hasil multiatribut seismiksekitar 63 – 85% dan PNN sekitar 63 – 85%. Kemudian, metode multiatribut seismik danPNN didapatkan nilai korelasi antara parameter target dengan parameter prediksi. Modelporositas multiatribut seismik memiliki korelasi 0.840836 dan PNN memiliki korelasi0.936868. Model saturasi air multiatribut seismik memiliki korelasi 0.915254 dan PNNmemiliki korelasi 0.994566. Model porositas transformasi AI memiliki rentang yanglebih tinggi dibandingkan dengan data sumur. Model porositas dan saturasi air metodePNN memiliki rentang nilai yang cukup dekat dengan data sumur dan memiliki korelasiyang lebih tinggi dibandingkan dengan metode multiatribut seismik. Oleh sebab itu,model porositas dan saturasi air metode PNN merupakan model prediksi terbaik.Berdasarkan model PNN, reservoir zona target lapangan ‘B’ memiliki nilai impedansiakustik 25384 – 26133 ((ft/s)*(g/cc)), porositas sekitar 15 – 27% dan nilai saturasi airsekitar 11 – 63%.

---

The 'B' field is a hydrocarbon prospect field located in the offshore Kutai Basin, East

Kalimantan. To determine the characterization of the ‘B’ field reservoir, porosity and

water saturation modeling was carried out using AI inversion, seismic multiattribute and

probabilistic neural network. This study uses 3D PSTM seismic data and wells data

(AND-1, AND-2, AND-3 and AND-4). In seismic data and wells data, AI inversion was

carried out to determine the lithological characteristics of the research area. Then, the AI

results were transformed to obtain a porosity model. The seismic multiattribute method

uses several attributes to predict the porosity and water saturation model. After that, the

non-linear properties of the probabilistic neural network were applied to produce the

porosity and water saturation model of the probabilistic neural network (PNN). The

porosity and water saturation model of AI transformation, seismic multiattribute and PNN

were validated with the porosity and water saturation values of the wells data to determine

whether the porosity and water saturation models represent the wells data values.

Validation was carried out on AND-1 and AND-2 wells. The porosity and water

saturation value of the well data for AND-1 around 25.3 - 35.9% and 45 - 60%, and the

porosity and water saturation value of AND-2 around 11 - 35% and 15 - 82%. The

porosity value of AND-1 as a result of AI transformation is around 16 - 67%, the seismic

multiattribute about 11.5 - 27% and the PNN about 11.5 - 27%. The water saturation value

of AND-1 resulted from seismic multiattribute around 4 - 63% and PNN around 18 - 63%.

The porosity value of AND-2 transformed by AI around 52 - 72%, the seismic

multiattribute around 11 - 21.5% and the PNN around 11 - 21.5%. The water saturation

value of AND-2 result from the seismic multiattribute around 63 - 85% and PNN around

63 - 85%. Then, the multiattribute seismic and PNN methods obtained the correlation

value between the target parameter and the predicted parameter. The seismic

multiattribute porosity model has a correlation of 0.840836 and PNN has a correlation of

0.936868. The multiattribute seismic water saturation model has a correlation of 0.915254

and PNN has a correlation of 0.994566. The AI transformation porosity model has a

higher range than the wells data. The PNN method of porosity and water saturation model

has a fairly close range of values to wells data and has a higher correlation than the

multiattribute seismic method. Therefore, the porosity and water saturation model of the

PNN method is the best prediction model. Based on the PNN model, the field target zone

reservoir 'B' has an acoustic impedance value about 25384 – 26133 ((ft/s) * (g/cc)), a

porosity of 15 - 27% and a water saturation of 11 - 63%."

"Lapangan “DEWI”, yang berlokasi di Cekungan Bonaparte Maluku Tenggara merupakan lapangan gas dengan reservoir utama yang terletak pada Formasi Plover, yang didominasi oleh batu pasir. Berdasarkan analisa struktur didapatkan bahwa lapangan ini memiliki satu sesar utama yang membagi blok utara dan blok selatan. Berdasarkan analisis petrofisika didapatkan bahwa zona prospek hidrokarbon dari lapangan ini terletak di formasi Plover dan Zona A. Penelitian ini bertujuan untuk menganalisis distribusi parameter petrofisika seperti porositas, volume shale, dan saturasi air yang penting dalam karakterisasi reservoir. Penelitian ini menggunakan analisis seismik multiatribut dan probabilistic neural network untuk memprediksi parameter petrofisika berdasarkan atribut dari data seismik. Hasil menunjukkan bahwa pada penelitian ini probabilistic neural network memiliki keunggulan dalam memprediksi parameter petrofisika untuk karakterisasi reservoir dibanding multiatribut konvensional. Berdasarkan hasil dari pemetaannya ditemukan variasi yang menarik dalam persebaran parameter petrofisika pada formasi Plover dan Zona A. Hasil dari penelitian ini dapat digunakan untuk menyediakan pemahaman baru dalam karakterisasi daerah berpotensi hidrokarbon di Lapangan “DEWI”.

---

The “DEWI” field, which is located in the Bonaparte Basin, Southeast Maluku, is a gas field with the main reservoir located in the Plover Formation, which is dominated by sandstone. Based on structural analysis, it was found that this field has one main fault that divides the northern block and the southern block. Based on petrophysical analysis, it was found that the hydrocarbon prospect zone of this field is located in The Plover Formation and Zone A. This research aims to analyze the distribution of petrophysical parameters such as porosity, shale volume, and water saturation which are important in reservoir characterization. This research uses multi-attribute seismic analysis and probabilistic neural networks to predict petrophysical parameters based on attributes from seismic data. The results show that in this study the probabilistic neural network has advantages in predicting petrophysical parameters for reservoir characterization compared to conventional multi-attributes. Based on the results of the mapping, enticing variations were found in the distribution of petrophysical parameters in The Plover Formation and Zone A. The results of this research can be used to provide new insights into the characterization of potential hydrocarbon areas in the "DEWI" Field."

"Reservoir karbonat diperkirakan mengandung hampir 60% dari total cadangan hidrokarbon dunia dan diperkirakan memiliki 50% dari total produksi hidrokarbon. Hidrokarbon umumnya terdapat pada batuan berpori. Porositas batuan karbonat umumnya memiliki heterogenitas yang tinggi, kompleksitas, dan random. Salah satu metode yang efektif untuk mengatasi heterogenitas adalah metode neural network. Sehingga penelitian ini bertujuan untuk menetukan distribusi porositas dengan neural network pada batuan karbonat dengan menggunakan 2 data sumur dan data seismik 2D post stack time migration (PSTM) pada lapangan T. Seismik atribut yang digunakan sebagai input proses probabilistic neural network berupa data seismik dan hasil inversi serta log yang akan diprediksi penyebarannya. Digunakan step wise regression dan validation error untuk menentukan atribut terbaik yang akan digunakan. Hasil prediksi nilai porositas menggunkan probabilistic neural network dengan input atribut terbaik yang telah terpilih menghasilkan korelasi yang lebih baik 0.81 dengan error 0.03 dibanding dengan metode multiatribut yang menggunakan persamaan linier yaitu 0.66 dengan error 0.04 dan hasil model log prediksi mendekati log aktual. Hasil distribusi porositas dapat dianilisis bahwa nilai porositas pada sumur C1 memiliki nilai porositas efektif yang rendah dibandingkan dengan sumur C4.

---

Reservoir carbonate mostly contains 60% of total hydrocarbon preserves in the world, and it is predicted about 50% which is produced hydrocarbon. Commonly, hydrocarbon is found in the rock pores. The porosity of carbonate, generally, has high heterogeneity, complexity, and random. One of effective methods to solve the problem is neural network. The aim of this study is to determine the distribution of porosity using neural network for carbonate in T field. Seismic attribute is used as input in neural network process which is seismic data, inversion result, and well log. Step wise regression and validation error are used to determine the best attributes that will be used to.

The prediction result of porosity using probabilistic neural network with the best attribute has better correlation than using multi attributes for linier method. The correlation and error value using neural network are 0.08% and 0.03%, while the value of correlation and error using multi attribute for linier method are 0.06% and 0.04%, respectively. The predicted log model is approaching the actual log. The result of porosity distribution shows that the porosity value of well C1 has lower effective porosity than well C4."

"Analisis petrofisika dilakukan untuk mendapatkan parameter-parameter petrofisika seperti kandungan lempung, porositas dan saturasi air, yang berguna untuk karakterisasi batuan reservoar. Berdasarkan data sumur 17 dan 50, Reservoar yang akan diteliti berada pada kedalaman 3328.50 hingga 3469 feet yang merupakan formasi missisauga tengah yang batuannya didominasi oleh batuan pasir. Dari perhitungan analisis petrofisika, didapatkan nilai kandungan lempung berkisar antara 13%-36%, porositas berkisar antara 16%-23% dan saturasi air berkisar antara 39%-53%. Analisis petrofisika hanya mampu memberikan informasi tentang karakter reservoar secara vertikal. Untuk itu itu perlu dilakukan analisis multiatribut seismik. Dengan analisis mulitatribut seismik persebaran parameter petrofisika seperti kandungan lempung, porositas dan saturasi air pada volum seismik bisa didapatkan. Atribut yang digunakan adalah sampled-based attributes dan inversi seismik sebagai eksternal atribut. Penggunaan Neural network dapat meningkatkan korelasi antara nilai log prediksi dengan nilai log sebenarnya hingga mencapai nilai 0.98.

---

Analysis petrophysical result can provide vertical information about the character of the reservoir. However, this method lacking in the horizontal resolution. so we can provide 3D information from analysis multiatribut. Shaly sand rock in Norwegia field is an area that has potential as a reservoir. Petrophysical parameters that will be studied in this thesis, such as clay content, porosity and water saturation. From the petrophysical analysis calculation , the value obtained clay content ranged from 13%-36%, porosity ranged from 16%-23% and a water saturation ranged from 39%-53%. Petrophysical parameters throughout the seismic volume will be predicted using multiatribut analysis. Linear sparse spike inversion results will be used as an external atribute on multiatribut analysis. The use of Neural Network aims to improve the correlation between the log predictive value with the actual value . Results from the log input will be spread throughout the seismic volume to get a pseudo volume."

"Potensi hidrokarbon di Lapangan 'OZ', Cekungan Bonaparte belum dimanfaatkan karena risiko pengeboran yang tinggi yang disebabkan oleh heterogenitas reservoir. Karena sifat reservoir yang heterogen, maka dilakukan identifikasi dan karakterisasi untuk melihat sebaran litologi dan fluida reservoirnya. Metode Probabilistic Neural Network (PNN) adalah metode utama dalam analisis multi-atribut untuk menemukan hubungan nonlinier antara data seismik dan data sumur di Lapangan 'OZ' dan kemudian menghasilkan model untuk distribusi data sinar gamma, porositas, dan saturasi air dengan nilai koefisien korelasi masing-masing pelatihan sebesar 0,8871, 0,9778, 0,9719 dan koefisien korelasi validasi sebesar 0,7836, 0,8554, 0,8187. Integrasi antara model distribusi data sinar gamma, porositas, saturasi air, ditambah dengan hasil inversi impedansi akustik (AI), dapat menjadi sarana untuk mengklasifikasikan dan mengidentifikasi distribusi reservoir hidrokarbon. Lapangan 'OZ' memiliki karakteristik reservoir yang mengandung gas hidrokarbon dan memiliki litologi batupasir bersih dengan sesar normal sebagai traps serta batupasir rapat dan batuan serpih sebagai seal yang tersebar di bagian Selatan dan Tengah lapangan OZ.The hydrocarbon potential in the 'OZ' Field, Bonaparte Basin has not been exploited due to the high drilling risk caused by reservoir heterogeneity. Due to the heterogeneous nature of the reservoir, identification and characterization were carried out to see the distribution of lithology and reservoir fluids. The Probabilistic Neural Network (PNN) method is the main method in multi-attribute analysis to find a nonlinear relationship between seismic data and well data in the 'OZ' Field and then generate a model for the distribution of gamma ray, porosity, and water saturation data with the respective correlation coefficient values. -each training is 0.8871, 0.9778, 0.9719 and the validation correlation coefficient is 0.7836, 0.8554, 0.8187. The integration between the distribution model of gamma ray data, porosity, water saturation, coupled with the results of acoustic impedance inversion (AI), can be a means to classify and identify the distribution of hydrocarbon reservoirs. The 'OZ' field has reservoir characteristics containing hydrocarbon gas and has a clean sandstone lithology with normal faults as traps as well as dense sandstone and shale rock as seals which are scattered in the Southern and Central parts of the OZ field."

"Aplikasi metode Multiatribut pada data poststack seismik dan hasil inversinya telah dilakukan untuk mengestimasi kecepatan interval melalui pendekatan Neural Network. Estimasi kecepatan interval yang dihasilkan tersebut digunakan untuk memprediksi tekanan formasi di Lapangan Texaco 3D, Louisiana. Tujuan dari studi ini adalah untuk mengaplikasikan pendekatan geostatistik dan analisis Multiatribut dengan keterbatasan data yang dimiliki untuk memprediksi tekanan formasi. Hasil estimasi kecepatan interval menggunakan Multiatribut (10 atribut) menunjukkan korelasi yang sangat baik yaitu rata-rata korelasi prediksi log hasil atribut dan log validasi mencapai 79%, dengan tingkat kesalahan yang kecil berkisar rata-rata 175 - 292 m/s dari kecepatan validasi. Pendekatan Neural Network menghasilkan atribut polaritas semu (apparent polarity) sebagai atribut terbaik dalam estimasi kecepatan dengan error berkisar 108 m/s (berdasarkan hasil PNN) hingga 166 m/s (berdasarkan hasil MLFN). Anomali kecepatan rendah terdeteksi pada kedalaman 2800 - 2900 m dan sekitar kedalaman 3000 m, dengan gradient tekanan rata-rata mencapai 18 ? 22 ppg.

---

Application of Multiattribute to poststack seismic data and the the seismic inversion result has been carried out to estimate the interval velocity, by using Neural Network approach. The result of estimated interval velocity is used to predict formation pressure in Texaco 3D Field, Louisiana. The purpose of this study is to apply the geostatistical approach and Multiattribute analysis to predict the formation pressure.

The results of estimated interval velocity using Multiattribute (10 attributes) show excellent correlation of the average correlation between predicted log and the real log reached 79%, with an error training and validation of a fairly small range from an average of 175-292 m/s validation of the velocity. The Neural Network approachment generating apparent polarity attribute as the best attribute of velocity estimation with errors ranging from 108 m/s (based on PNN) up to 166 m/s (based on the results of MLFN). Low velocity anomaly was detected at a depth of 2800 - 2900 m and approximately 3000 m depth, with the pressure gradient averaged 18-22 ppg."

"Cekungan Sumatera Tengah merupakan salah satu daerah penghasil minyak dan gas bumi terbesar di Indonesia dengan salah satu reservoir yang potensial berada di formasi tualang dan lakat. Penelitian ini menggunakan metode multiatribut seismik dan analisis petrofisika untuk melakukan karakterisasi reservoir pada daerah penelitian. Analisis petrofisika bertujuan untuk mendapatkan parameter petrofisika yaitu volume shale, porositas, dan saturasi air. Batuan reservoir potensial pada penelitian ini memiliki nilai volume shale dengan rentang 0.1 hingga 0.3, nilai porositas efektif dengan rentang 0.144 hingga 0.253, dan nilai saturasi air dengan rentang 0.45 hingga 0.79. Analisis multiatribut bertujuan untuk melakukan penyebaran parameter petrofisika pada area penelitian. Berdasarkan analisis multiatribut seismik didapatkan persebaran zona reservoir sandstone potensial formasi tualang dan lakat terkonsentrasi di daerah tinggian antiklin di tengah dan tenggara area penelitian dengan rentang nilai volume shale dari 0.05 hingga 0.65 dan nilai porositas efektif dengan rentang 0.1 hingga 0.25. Zona tersebut berada pada daerah tinggian yang dikontrol oleh antiklin sesar yang berarah NW-SE sehingga zona tersebut memiliki potensi menjadi jebakan struktural hidrokarbon. Struktur antiklin ini juga mengendalikan proses migrasi sekunder dari formasi kelesa yang dikembangkan di graben yang terletak sekitar 15 km south east (tenggara) dari area penelitian.

---

The Central Sumatra Basin is one of the largest oil and gas-producing regions in Indonesia, with one of its potential reservoirs located in the Tualang and Lakat formations. This study uses seismic multi-attribute method and petrophysical analysis to characterize the reservoir in the study area. The petrophysical analysis aims to obtain petrophysical parameters, namely shale volume, porosity, and water saturation. The potential reservoir rock in this study has a shale volume ranging from 0.1 to 0.3, effective porosity ranging from 0.144 to 0.253, and water saturation ranging from 0.45 to 0.79. The multi-attribute analysis aims to map the distribution of petrophysical parameters across the study area. Based on the seismic multi-attribute analysis, the distribution of potential sandstone reservoir zones in the Tualang and Lakat formations is concentrated in the anticline highs in the central and southeastern parts of the study area, with shale volume values ranging from 0.05 to 0.65 and effective porosity values ranging from 0.1 to 0.25. These zones are located in high areas controlled by NW-SE trending fault anticlines, suggesting that these zones have the potential to become hydrocarbon structural traps. This anticline structure also controls the secondary migration process from the Kelesa formation, which is developed in the Binio Trough, located approximately 15 kilometers southeast of the study area."