Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Dalam geofisika dan reservoir engineering, metode neural network lazim digunakan untuk melakukan prediksi hubungan antara data log dengan data seismik atau data log lainnya, sehingga dengan data log yang tersedia dapat diperkirakan log lain yang tidak tersedia datanya, bahkan dipergunakan juga untuk melakukan karakterisasi reservoir. Namun metode ini juga memiliki sejumlah kekurangan dalam penerapannya guna memprediksi hubungan antara satu jenis data dengan jenis data yang lain. Masalah umum yang ditemui adalah metode ini sulit diterapkan pada data yang terbatas. Para praktisi pasar modal menggunakan metode wavelet transform untuk meningkatkan kemampuan jaringan pada neural network untuk mengenali deret data yang polanya belum pernah ditemui dalam dataset pelatihan. Metode ini telah terbukti efektif dalam prediksi pergerakan harga dan permintaan yang kerap mengalami perubahan trend maupun pola pergerakannya. Kami menerapkan metode ini untuk meningkatkan nilai validasi dari log hasil estimasi dengan data yang terbatas. Studi ini menunjukkan hasil proses wavelet transform pada data log yang diklasifikasikan dengan jaringan kompetitif akan menjadi bagian yang dapat memberikan arti penting untuk meningkatkan kemampuan generalisasi jaringan backpropagation.

---

ABSTRACT
In geophysics and reservoir engineering, the neural network method commonly used to predict the relationship between log data and seismic data or another log data, thus with the available log data, we can expect any logs which have no data, even also can be used to perform reservoir characterization. However this method has some lacks in its application to predict the relationship between one data with the other data types. The common problem encountered is the reduction of network ability for data prediction if its applied on limited input data. Practitioners of capital market use wavelet transform methods to increases the network ability in neural network to recognized data series, which never found in training dataset. This method has been effectively proven to predict price and demand movement, which usually changes both in trend or movement pattern. We applied this method to increase the validation value of the estimated log on limited input data. This study shows that the classified result of wavelet transform using competitive network will be an important part to enhance generalization of backpropagation network.

Abstrak :
Data seismik merupakan data yang secara alami tidak stasioner, karena mempunyai berbagai kandungan frekuensi dalam domain waktu. Salah satu atribut seismik yang bertujuan untuk mencirikan tanggap frekuensi yang tergantung waktu dari batuan dan reservoir bawah permukaan adalah dekomposisi waktu-frekuensi atau sering disebut sebagai dekomposisi spektral. Dengan dekomposisi spektral diharapkan lapisan-lapisan sedimen yang tidak tampak terpisah (berada di dalam satu wiggle wavelet) dengan menggunakan data seismik konvensional, akan tampak terpisah jelas. Salah satu metode dari dekomposisi spektral yaitu Continous Wavelet Transform (CWT). CWT adalah metoda dekomposisi waktu-frekuensi (time-frequency decomposition) yang ditujukan untuk mengkarakterisasi respon seismik pada frekuensi tertentu. Studi ini dilakukan dengan mengaplikasikan CWT pada wavelet dan frekuensi tertentu untuk melihat resolusi dari seismik .Wavelet yang digunakan pada studi ini adalah wavelet morlet, complex Gaussian-4, daubechies-5, coiflet-3 dan symlet-2 pada frekuensi 20 Hz, 40 Hz, 60 Hz dan 80 Hz (pada data sintetik 2D seismik) serta 40 Hz, 60 Hz, 80 Hz (pada data real 2D seismik) Dan hasil yang diperoleh dari penelitian ini menunjukkan bahwa pada data seismik sintetik 2D seismik dilakukan aplikasi CWT dengan time sample 3s dan 50 CDP trace menunjukkan bahwa semakin tinggi frekuensi maka pemisahan lapisan tipis yang dapat dilakukan semakin baik. Pada data seismik real 2D, pemisahan lapisan tipis pada batubara terjadi pada tuningfrequency 80 Hz dengan menggunakan wavelet symlet-2. ......Seismic data is naturally a non-stationary data, because it has many frequencies information in time domain. One of seismic attributes, which is used to characterize the frequency response as function of time and reservoir rock, is time-frequency decomposition or commonly known as spectral decomposition. By using spectral decomposition, it is expected that thin sedimentary layers (in one wiggle wavelet) can be separated rather than using conventionally seismic data. CWT is one of time-frequency decomposition method to decompose the seismic signal into single frequency. This study had been carried out by implementing CWT in certain wavelet and frequency to analyze the seismic resolution. The various wavelets had been used this study, they are morlet, complex Gaussian-4, daubechies- 5, coiflet-3 and symlet-2. The various frequencies of 20 hz, 40 Hz, 60 Hz dan 80 Hz frequency (for 2D synthetic seismic data) and 40 Hz, 60 Hz, 80 Hz frequency (for 2D real seismic data) are applied. The application of 2D synthetic seismic data that is implemented with CWT, 0.3 s time sample and 50 trace, shows that the use of higher frequency shows better separation. In addition, the application of 2D real seismic data shows that the best separation is in the frequency of 80 Hz with wavelet symlet-2.

Abstrak :
Sensor geophone memiliki peranan yang sangat penting dalam memperoleh data seismik tersebut. Sensor ini berfungsi mengubah besaran mekanik (getaran seismik) menjadi sinyal listrik. Kualitas dari transformasi ini secara keseluruhan akan memberikan informasi tentang kandungan fluida dan struktur lapisan batuan dibawah permukaan bumi. Pabrik pembuat geophone telah menetapkan batas-batas nilai parameter ketika memproduksi geophone. Akan tetapi karena faktor usia dari geophone, serta faktor keseringan dipakai, para pengguna geophone harus melakukan kalibrasi terlebilih dahulu terhadap semua parameter sebelum geophone tersebut digunakan. Padahal alat kalibrator geophone komersial relatif mahal karena masih impor. Disisi lain perkembangan teknologi komputer PC (personal computer) dewasa ini, sangat memungkinkan ntuk diimplementasikan menjadi kalibrator yang handal dalam menguji parameter-parameter geophone. Atas dasar tersebut, penelitian uji ini bertujuan untuk mendapatkan salah satu parameter penting geophone, yaitu frekuensi alamiah, dimana layak tidaknya geophone dipakai dilapangan sangat ditentukan dari seberapa jauh simpangan antara nilai frekuensi alamiah aktual dan frekuensi alamiah pada spesifikasi yang ditetapkan oleh pabrik.

Abstrak :
ABSTRAK
Dekomposisi kepstrum telah berhasil dilakukan untuk meningkatkan resolusi vertikal data seismik. Dalam aplikasi data sintetik, dekomposisi kepstrum dapat mengidentifikasi lapisan dengan ketebalan kurang dari /8. Penggunakan lifter kotak dapat mendekomposisi wavelet dan impuls reflektifitas dari sinyal seismik dengan sangat baik, namun lifter tersebut dapat memberikan hasil yang valid hanya jika kandungan S/N sinyal input tidak kurang dari 35. Penggunaan lifter eksponensial dapat dimanfaatkan dengan baik jika kandungan S/N kurang dari 35 hingga 5, namun lifter eksponensial tidak dapat merekonstruksi wavelet dengan baik. Penerapan data real menunjukkan hasil dekomposisi menyediakan data yang memungkinkan interpretasi geologi secara lebih detil, dimana pada penelitian ini, setting geologi yang dipilih merupakan suatu lingkungan pengendapan zona transisi yang pengendapannya dikontrol oleh naik-turunnya permukaan air laut, sehingga membentuk suatu bentuk geologi yang memerlukan analisa identifikasi lapisan tipis. Penerapan data real juga menunjukkan bahwa dekomposisi tidak memerlukan asumsi wavelet berfasa minimum seperti halnya pada dekonvolusi konvensional

Abstrak :
Data seismik merupakan data yang secara alami tidak stasioner, karena mempunyai berbagai kandungan frekuensi dalam domain waktu. Salah satu atribut seismik yang bertujuan untuk mencirikan tanggap frekuensi yang tergantung waktu dari batuan dan reservoir bawah permukaan adalah dekomposisi waktu-frekuensi atau sering disebut sebagai dekomposisi spektral. Dengan dekomposisi spektral diharapkan lapisan-lapisan sedimen yang tidak tampak terpisah (berada di dalam satu wiggle wavelet) dengan menggunakan data seismik konvensional, akan tampak terpisah jelas. Salah satu metode dari dekomposisi spektral yaitu Continous Wavelet Transform (CWT). CWT adalah metoda dekomposisi waktu-frekuensi (time-frequency decomposition) yang ditujukan untuk mengkarakterisasi respon seismik pada frekuensi tertentu. Studi ini dilakukan dengan mengaplikasikan CWT pada wavelet dan frekuensi tertentu untuk melihat resolusi dari seismik .Wavelet yang digunakan pada studi ini adalah wavelet morlet, complex Gaussian-4, daubechies-5, coiflet-3 dan symlet-2 pada frekuensi 20 Hz, 40 Hz, 60 Hz dan 80 Hz (pada data sintetik 2D seismik) serta 40 Hz, 60 Hz, 80 Hz (pada data real 2D seismik). Dan hasil yang diperoleh dari penelitian ini menunjukkan bahwa pada data seismik sintetik 2D seismik dilakukan aplikasi CWT dengan time sample 3s dan 50 CDP trace menunjukkan bahwa semakin tinggi frekuensi maka pemisahan lapisan tipis yang dapat dilakukan semakin baik. Pada data seismik real 2D, pemisahan lapisan tipis pada batubara terjadi pada tuning frequency 80 Hz dengan menggunakan wavelet symlet-2. ......Seismic data is naturally a non-stationary data, because it has many frequencies information in time domain. One of seismic attributes, which is used to characterize the frequency response as function of time and reservoir rock, is time-frequency decomposition or commonly known as spectral decomposition. By using spectral decomposition, it is expected that thin sedimentary layers (in one wiggle wavelet) can be separated rather than using conventionally seismic data. CWT is one of time-frequency decomposition method to decompose the seismic signal into single frequency. This study had been carried out by implementing CWT in certain wavelet and frequency to analyze the seismic resolution. The various wavelets had been used this study, they are morlet, complex Gaussian-4, daubechies-5, coiflet-3 and symlet-2. The various frequencies of 20 hz, 40 Hz, 60 Hz dan 80 Hz frequency (for 2D synthetic seismic data) and 40 Hz, 60 Hz, 80 Hz frequency (for 2D real seismic data) are applied. The application of 2D synthetic seismic data that is implemented with CWT, 0.3 s time sample and 50 trace, shows that the use of higher frequency shows better separation. In addition, the application of 2D real seismic data shows that the best separation is in the frequency of 80 Hz with wavelet symlet-2.

Abstrak :
Dekomposisi spektrum merupakan salah satu attribut seismik yang menggunakan domain frekuensi dalam analisanya. Metode ini sangat berguna untuk mendeteksi lapisan tipis dengan ketebalan sekitar ¼ λ dimana pada ketebalan tersebut terjadi efek tuning. Metode ini juga dapat digunakan untuk mendeteksi patahan, channel (sungai), dan hidrokarbon. Untuk menggunakan metode ini dibutuhkan data seismik dalam domain waktu yang dengan menggunakan persamaan Short Time Fourier Transform (STFT), akan diubah ke dalam domain frekuensi. Hasil akhirnya berupa peta struktur dalam domain frekuensi. Metode ini akan diaplikasikan pada data seismik yang telah mengalami tahap processing pada Lapangan X seluas 10 km x 10 km di daerah Cekungan Sunda. Dari data sumur permboran yang berupa data log, diperoleh 5 sand yang memiliki ketebalan yang berbeda-beda dan akan dianalisis penyebarannya dengan menggunakan metode ini. Setelah mengalami tahap interpretasi, data seismik akan diubah ke dalam domain frekuensi dengan Short Time Fourier Transform. Hasil yang diperoleh berupa penampang seismik secara lateral dalam domain frekuensi antara 5-65 Hz yang menunjukkan lapisan sand yang ketebalannya mendekati efek tuning dapat terdeteksi penyebarannya, sedangkan untuk lapisan sand yang ketebalannya di bawah resolusi seismik, pola penyebarannya tidak terlihat.

Abstrak :
ABSTRAK
Prosesing data seismik menjadi tahapan yang penting dalam meningkatkan S/N ratio dan resolusi penampang seismik dalam metode seismik. Perkembangan metode-metode baru dalam prosesing data seismik perlu diuji efektivitasnya dan implikasinya pada keseluruhan alur prosesing data seismik. Outlier-Out Stack (OlO Stack) merupakan metode stacking baru yang dikembangkan oleh Rashed pada tahun 2016. Metode ini dinilai efektif dalam mengeliminasi sampel data dengan noise yang tinggi, atau yang dinilai sebagai pencilan, sehingga membuat proses stacking menjadi lebih optimum. Penggunaan OlO Stack dalam prosesing data seismik perlu dievaluasi lebih lanjut untuk meninjau efektivitasnya dalam mereduksi seismic noise dan melihat implikasinya terhadap keseluruhan alur prosesing data seismik. Penelitian terhadap penggunaan metode OlO Stack dalam prosesing data seismik yakni dengan membandingkannya terhadap 2 metode stacking lain, yakni Straight Mean Stack dan α-Trimmed Stack. Ketiga metode stacking diujikan pada data seismik 2D laut yang melalui serangkaian variasi alur prosesing. Hasil penelitian menunjukkan penggunaan OlO Stack yang mampu mereduksi kemunculan noise lebih baik dibandingkan kedua metode lain. Penggunaannya juga mampu menekan energi multiple yang tidak teratenuasi pada prosesing, serta dapat mencegah lapisan menjadi bergelombang akibat efek koreksi NMO yang kurang sempurna.

---

ABSTRACT
Seismic data processing is an important stage to improve S/N ratio and the seismic resolution in seismic method. The invention of new methods for seismic data processing needs to be examined for its effectiveness and its implications to the whole processes in seismic data processing.  Outliers-Out Stack (OlO Stack) is a new stacking method proposed by Rashed in 2016. This method is said to be effective in eliminating bad sample data, or the outliers, and improving stacking methods to the optimum. The application of OlO Stack in seismic data processing needs to be evaluated for more to examine its effectiveness to reduce seismic noise and to review the implications to the whole processing stages. The research of OlO Stack method application is by comparing it with 2 other stacking methods, Straight Mean Stack and α-Trimmed Stack. The three methods is applied to 2D seismic marine data, which have been varied at some processing stages. The results show that the application of OlO Stack in seismic data processing is effective to reduce the occurence of seismic noise better than 2 other methods. The application of the method is also good to suppress multiple energy which has not been attenuated in the processing, and also prevent the layers becoming wavy because of the effect of imperfect NMO correction.  

Abstrak :
Prediksi nilai Pore Pressure ini dilakukan dengan menggunakan metode Eaton dengan input data berupa data sonikdan data densitas. Dengan adanya data pendukung seperti leak-off test LOT dan repeat formation test RFT maka nilai prediksi ini dapat mendekati nilai tekanan aktualnya. Penelitian ini dilakukan dengan menggunakan sumur sebagai kalibrasi data, serta menggunakan neural network sebagai metode prediksinya. Nilai Pore Pressure ini mengestimasi dua jenis batuan yaitu shale dan karbonat. Karena perbedaan litologi, maka digunakan nilai konstanta empiris yang berbeda untuk setiap litologi. Nilai estimasi ini kemudian dikalibrasi dengan data RFT dan data berat jenis lumpur. Penentuan fracture pressure tekanan rekahan dilakukan dengan menggunakan data LOT dimana datanya diperoleh berdasarkan jumlah tekanan saat terjadi kebocoran pada suatu batuan. Setelah semua nilai tersebut diperoleh, maka dihasilkan nilai estimasi yang kemudian diprediksi dengan titik lain menggunakan parameter kecepatan seismik, frekuensi seismik, acoustic impedance, dan simultaneous impedance. Prediksi tersebut dilakukan dengan menggunakan data sumur sebagai data sampel. Hasil yang diperoleh menunjukan nilai error dengan menggunakan sumur relatif lebih mendekati data aktualnya. Menggunakan nilai korelasi tersebut, maka diperoleh permodelan yang kemudian dapat dimanfaatkan sebagai penentuan area pengeboran. ......Determination of drilling area is very important because it related to safety in oil and gas industry. Determination of pore pressure value can minimize the drilling hazard. Eaton method used in pore pressure prediction with sonic and density as a parameter. With leak off test LOT and repeat formation test RFT as a support data, pore pressure prediction can be more accurate. This research using well log as a parameter input and calibrator, using a neural network as a prediction method. The reservoir of the field is carbonate reef with shale above the reservoir. Because of the difference of the lithology, then we use two different empirical value in every lithology. The pore pressure prediction calibrate with RFT and mud weight data and the fracture gradient that calibrate with LOT data. Value of the pore pressure prediction then correlates with the other seismic, frequency, acoustic impedance, and simultaneous impedance attribute. The correlation is using a neural network, and the result of the prediction show good correlation with pore pressure prediction on well log data. As it shows a good correlation, so it can use as a determining factor of drilling location on field ldquo X rdquo

Abstrak :
Penelitian ini membahas tentang penggabungan data seismik high density dan low density shot menggunakan metode interpolasi 5D Matching Pursuit Fourier Interpolation (MPFI). Tujuan utama dari penelitian ini adalah untuk menghasilkan dataset seismik dengan kualitas yang lebih tinggi melalui penggabungan kedua set data yang memiliki densitas yang berbeda dan mengurangi efek leakage dan aliasing yang ada pada data seismik yang terakuisisi secara irregular. Metode MPFI dilakukan dengan menggabungkan metode Anti Leakage Fourier Transform (ALFT) dan Anti Aliasing. Metode ini melibatkan iterasi dan pemberian pembobotan (prior) pada proses interpolasi. Hasil penelitian menunjukkan bahwa metode interpolasi 5D MPFI berhasil menghasilkan dataset seismik gabungan yang memiliki resolusi spasial lebih tinggi daripada kedua set data asli. Hal ini ditunjukkan oleh tingginya signal to noise (S/N ratio), kemenerusan yang lebih koheren, patahan yang lebih terdefinisi, serta amplitudo yang lebih seimbang. Interpolasi juga berhasil mengisi celah antara data high density dan low density, serta melakukan regularisasi pada data yang terkena efek leakage dan aliasing. Selain itu, metode ini memperluas distribusi azimuth sehingga dapat digunakan untuk analisis kecepatan dalam berbagai arah, seperti AVAZ, VVAZ, dan Azimuthal PSDM. Selain menghasilkan dataset yang lebih baik, metode interpolasi ini juga memiliki keuntungan dalam hal penghematan biaya dibandingkan dengan melakukan akuisisi seismik ulang ......This research studies merging high density and low density shot seismic datasets using the 5D Matching Pursuit Fourier Interpolation (MPFI) method. The main objective of this research is to achieve a higher quality seismic dataset by merging two datasets that have different densities and reducing the leakage and aliasing effects present in irregularly acquisition seismic data. The MPFI method is performed by combining the Anti Leakage Fourier Transform (ALFT) and Anti Aliasing methods. This method involves iteration and weighting (prior) in the interpolation process. The results show that the 5D MPFI interpolation method successfully produces a combined seismic dataset that has a higher spatial resolution than the two original datasets. This is indicated by the high signal to noise (S/N ratio), more coherent continuity, well defined faults, and more balanced amplitudes. The interpolation also effectively fills the gap between the high density and low density data, and regularizes the data affected by leakage and aliasing. In addition, this method extends the azimuth distribution so that it can be used for velocity analysis in multiple directions, such as AVAZ, VVAZ, and Azimuthal PSDM. In addition to producing better datasets, this interpolation method also has benefits in terms of cost savings compared to performing another seismic acquisition

Abstrak :
Metode Common Reflection Surface (CRS) Stack merupakan metode stack yang lebih baru dari metode konvensional atau Common Mid Point (CMP) Stack. Kedua metode ini digunakan untuk mendapatkan penampang bawah permukaan yang sesuai dengan kondisi lapangan. Operator yang digunakan pada metode CRS stack sangat berbeda dengan metode CMP stack. Pada metode konvensial dibutuhkan pembuatan model kecepatan dari proses analisis kecepatan untuk dapat melakukan koreksi NMO. Semakin tepat pemilihan kecepatan yang dilakukan maka semakin baik penampang bawah permukaan yang dihasilkan. Pada metode CRS stack, atribut yang digunakan lebih sesuai dengan keadaan lokal dari reflektor. Atribut ini berupa sudut datang gelombang normal (α), jari-jari kelengkungan gelombang Normal Incidence Point (RNIP) dan jari-jari kelengkungan gelombang normal (RN). Ketiga atribut ini dapat di ekstrak dengan melakukan penentuan dip dan luas apertur. Penggunaan atribut lokal ini menjadikan metode ini dapat melakukan imaging yang lebih baik pada reflektor yang memiliki kemiringan tajam dibandingkan metode konvensional. Parameter luas apertur dapat memperbanyak jumlah trace yang akan di stack pada metode CRS stack sehingga dapat meningkatkan rasio S/N daripada metode konvensional dikarenakan proses stack pada metode konvensional dilakukan hanya dengan beberapa gather CMP. Pada pengolahan data seismik laut ini, dilakukan proses geometri, sorting, filtering, trace editing dan dekonvolusi untuk mengkondisikan data sebelum masuk pada tahapan stacking. Metode CMP stack dimulai dengan melakukan velocity picking pada penampang semblance untuk mendapatkan model kecepatan yang menjadi syarat dalam melakukan stacking konvensional. Untuk metode CRS stack, dilakukan variasi pada parameter maksimum dip, dip increament dan lebar apertur agar menghasilkan penampang bawah permukaan yang paling sesuai. Hasil dari penelitian ini memperlihatkan bahwa metode CRS stack dapat melakukan imaging subsurface lebih baik dibandingkan metode konvensional, terutama dalam aspek kemenerusan reflektor, meningkatnya rasio S/N, imaging reflektor dalam, dan dapat menangani reflektor yang memiliki kemiringan atau dip yang curam. ......The Common Reflection Surface (CRS) Stack method is a newer stack method than the conventional method or the Common Mid Point (CMP) Stack. Both methods are used to obtain a subsurface section that is suitable for field conditions. The operators used in the CRS stack method are very different from the CMP stack method. In the conventional method, it is necessary to create a velocity model from the velocity analysis process to be able to apply NMO corrections. The more precise the selection of velocity, the better the resulting subsurface cross-section. In the CRS stack method, the attributes used are more in line with the local state of the reflector. These attributes are the emergence angle (α), the radius of curvature of the Normal Incidence Point (RNIP), and the radius of curvature of the normal wave (RN). These three attributes can be extracted by determining the dip and aperture width. The use of this local attribute makes this method able to perform better imaging on reflectors that have a steep dip than conventional methods. The aperture area parameter can increase the number of traces that will be stacked on the CRS stack method so that it can increase the S/N ratio than the conventional method because the stacking process in the conventional method is carried out only with a few CMP gathers. In this marine seismic data processing, geometry, sorting, filtering, trace editing, and deconvolution processes are carried out to condition the data before entering the stacking stage. The CMP stack method starts with velocity picking on the semblance cross-section to obtain a velocity model that is a requirement for conventional stacking. For the CRS stack method, variations are carried out on the parameters of maximum dip, dip increment, and aperture width in order to produce the most suitable subsurface section. The results of this study show that the CRS stack method can perform subsurface imaging better than conventional methods, especially in terms of reflector continuity, increased S/N ratio, deep reflector imaging, and can handle reflectors that have steep dip.