Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDaerah penelitian lapangan HN ini berada pada Sub Cekungan Jambi yang secara regional termasuk wilayah Cekungan Sumatera Selatan. Fokus penelitian ini berada pada lapisan L formasi Air Benakat yang merupakan reservoir pada lapangan HN ini. Dikarenakan tingginya water cut dari beberapa sumur produksi, sehingga dibutuhkan evaluasi baru untuk mengetahui arah penyebaran reservoir yang baik dan mengetahui besar geometri reservoir lapisan L. Salah satu metodeyang dapat dilakukan adalah dengan melakukan pemodelan. Pemodelan fasies menggunakan metode TGS (Truncated Gaussian Simulation) sedangkan Pemodelan properti menggunakan metode SGS (Sequential Gaussian Simulation).Pembuatan model properti, secara umum akan mengikuti model fasies yang telah dibentuk, dengan melihat karakteristik batuan reservoar yaitu porositas, permeabilitas, Net to Gross (NTG), dan Saturasi Air (Sw). Dari hasil pemodelan properti ini dilakukan prediksi cadangan hidrokarbon pada lapisan L5. Dari hasilpenelitian ini menunjukkan lapangan “HN” berada pada lingkungan pengendapan Shallow Marine Delta Front dengan pembagian fasies menjadi Mouthbar dan Interdistributary Channel dan karakter reservoir yang baik yaitu porositas 22%, permeabilitas 31.42 mD, serta saturasi air 40%. Daerah yang direkomendasikan berada pada bagian selatan lapangan “HN”, dimana dari hasil perhitungan cadangan diprediksikan memiliki minyak 13 MMSTB dan gas 2 BCF.

---

ABSTRACTHN field study is located at Jambi Sub Basin which is regionally located at South Sumatera Basin. This study focuses on L layer Air Benakat Formation which is areservoir at HN Field. Because of high water cut from some of production wells, it needs a new evaluation to know the distribution and the geometry of reservoirlayer L. One of the methods that can be use is modeling. Facies modeling using TGS (Truncated Gaussian Simulation) method while property modeling usingSGS (Sequential Gaussian Simulation) method. Property modeling follows the facies model schema by looking the rock characteristics such as porosity, permeability, Net to Gross (NTG), and Water Saturation (Sw). Calculation reserve is predicted from property modeling for layer L. The result from this study indicates that “HN” Field locates at Shallow Marine Delta Front Deposition whichare consist of facies Mouthbar and Interdistributary Channel and a good reservoir characterictic which are 22% porosity, 31,42 mD permebility and 40% WaterSaturation. Recommendation area is located in South of “HN” Field, which is from volume calculation of hydrocarbon is predicted still have 13 MMSTB oildan 2 BCF gas"

"ABSTRAKPemodelan seismik adalah suatu teknik yang digunakan untuk mensimulasikan pergerakan gelombang seismik didalam bumi. Tujuan pemodelan adalah didapatkanya asumsi keadaan struktur bawah tanah dan sebagai salah satu cara dalam mendesain survey lapangan yang sebenarnya. Pemodelan seismik dibuat dengan program matlab yang mengkombinasikan fungsi finite difference dengan general user interface (gui). Keakuratan Metode ini sangat dipengaruhi oleh interval grid yang digunakan, orde, dan geometri dari model geologi yang dibuat. Selain itu, data hasil perekaman seismik sangat dipengaruhi parameter filter, panjang perekaman, clip level, dan Metode akuisisi yang digunakan. Pemilihan parameter yang tepat, akan menghasilkan respon sinyal seismik yang lebih jelas.

---

ABSTRACTSeismic modelling is a technique that use to simulating wave propagation in the earth. The purposes are to predict/assumed the structure of subsurface and also to design of seismic survey. The seismic modelling program created by matlab programming that combine finite difference function and general user interface (GUI). The accuracy of its method influenced by grid interval that used, order of finite difference, and geometry from the artificial geological model. Besides that, seismic data record influenced by filtering, duration of record data, clip level and acquisition method. The right parameter option will produce respond of seismic signal clearly."

"Penelitian yang dilakukan di lapangan Abiyoso pada formasi gumai bertujuan untuk memperkirakan daerah yang berpotensi sebagai shale reservoir berdasarkan parameter impendansi akustik dan analisa log. Log gamma ray, neutron (NPHI) dan density (RHOB) secara efektif dapat mengidentifikasi kandungan material organik pada batu serpih. Terdapat hubungan antara Vp pada porositas rendah terhadap kematangan kerogen. Vp meningkat dengan meningkatnya tingkat kematangan kerogen. Hasil inversi menunjukkan bahwa pada daerah Top Horizon 3, 4 dan 5 kerogen telah matang, dengan nilai AI (21000 - 25000) (ft/s)*(g/cc).

---

Research conducted in the filed Abiyoso at gumai formation aims to estimate the potential area as a shale reservoir based on parameters acoustic impedance and log analysis. Gamma ray log, neutron (NPHI) and density (RHOB) is efective to organic matter identification of shale. The maturity of kerogen can be related to Vp at low-porosity.Vp increas with increasing maturity. Inversion result show that kerogen is mature on the area of Top Horizon 3, 4 and 5 with AI value (21000 - 25000) (ft/s)*(g/cc)."

"Korelasi sumur pada reservoir batugamping seringkali menjadi sangat rumit. Korelasi menggunakan data log saja dapat mengakibatkan terjadinya korelasi yang salah. Data biostratigrafi dapat membantu untuk memecahkan masalah tersebut. Batu gamping formasi Mundu-Selorejo tersusun oleh butir-butiran foraminifera plakntonik, sedikit klastik dan mineral lempung. Pembagian reservoir dapat dilakukan dengan membagi zona nano fosilnya, dikenal dengan nama zonasi MSNZ. Interpretasi zona MSNZ ini sangat sulit dilakukan pada seismik konvensional. Zonasi MSNZ merupakan peristiwa pengendapan kronografi, dan peristiwa ini dapat tercermin dalam sifat fisik batuan. Pada studi ini dilakukan interpretasi horizon MSNZ ini melalui perubahan impedansi akustik pada lapangan Sphenolithus ini. Horizon MSNZ ini kemudian menjadi input model pengendapan. Hasil dari korelasi sumur dan interpretasi impedansi akustik adalah sebuah model yang menunjukan bahwa batugamping bioklastik ini diendapkan secara progradasi di dasar laut. Endapan progradasi ini disebabkan oleh arus konturit. Hasil dari model ini menunjukan bahwa perkembangan fasies reservoir baik terbatas hanya berada pada daerah tinggian pada saat pengendapan.

---

Well correlation in limestone reservoir often become very complicated. Correlation using log data only, could cause missed correlation. Biostratigraphy data are able to solve the problems. Mundu-Selorejo Formation limestone was consisting of foraminifera planktik grain, few clastic grain and clay minerals. Reservoir zonation was done by dividing the nano fossil zones, known as MSNZ zonation. The MSNZ interpretation are hard to done in conventional seismic cube. The MSNZ zonation was a chronographic depositional event, and this event could be shown in rock physical properties. Within this study the MSNZ horizons is interpreted through the acoustic impedance changes within Sphenolithus field. These MSNZ horizons then become an input for depositional model. The outcome of the correlation and acoustic impedance interpretation is a model that shown the bioclastic limestone was deposited progrades on the sea bed. The progradation was caused by contourite current. The result of this model shown that the development of good reservoir facies was only limited to paleo-bathymetric high during deposition."

"Lapangan BOS, berlokasi di daerah onshore blok Malacca Strait, cekungan Sumatera Tengah, telah dilakukan pengeboran 3 sumur di tahun 2006 - 2007, yaitu sumur BOS-01, BOS-02, dan BOS-03. Pada lapangan ini memiliki kasus yang unik karena pada dua sumur, BOS-01 (yang berada di crestal structure) dan BOS-03 (berada di flange structure, sebelah selatan dari BOS-01), mendapatkan hidrokarbon berupa gas pada formasi Lower Pematang yang menampakkan feature brighspot. Sedangkan sumur BOS-02 (berada di flange structure, sebelah utara sumur BOS-01), yang juga memiliki target pada feature brighspot pada formasi Lower Pematang, ternyata mendapatkan litologi shale. Untuk menganalisis lebih lanjut, dilakukan analisis dan interpretasi Geofisika, yaitu karakterisasi reservoir dengan menggunakan Impedansi Akustik untuk membedakan zona reservoar dan non-reservoar, dan analisis AVO untuk memprediksi kandungan fluida pada Formasi Lower Pematang tersebut. Hasil studi menunjukkan bahwa litologi shale yang berada di sumur BOS-02, kemungkinan terbentuk/tersedimentasi karena secara posisi struktur sumur BOS- 02 lebih rendah daripada sumur BOS-01, dimana suplai sedimentasi berasal dari arah North-East ke South-West.

---

BOS field, located in the onshore of block Malacca Strait, Central Sumatra basin, have 3 wells, were drilled in 2006-2007, there are BOS-01, BOS-02, and BOS-03. This field has unique case, because in two wells, BOS-01 (located at crestal structure) and BOS-03 (located at the flange, south of BOS-01), got hydrocarbon gas at Lower Pematang formation with brighspot feature. But at BOS-02 well (located at the flange, north of BOS-01), with same target at brighspot feature, got shale and categorized as wet.

For further analysis, this study use analysis and geophysical interpretation, used to characterize reservoir at Lower Pematang Formation, there are Acoustic Impedance to differentiate reservoir zone and non-reservoir, and the AVO Analysis to predict fluid content on the Lower Pematang Formation. Result of this study shown that lithology shale on BOS-02 well, sedimented because BOS-02 well located on the lower position (flange) than BOS-01, while sedimentation supply have direction North-East to South-West."

"Hasil dekomposisi spektral dengan menggunakan metode Smoothed Pseudo Wigner-Ville Distribution (SPWVD) digunakan untuk mengestimasi nilai atenuasi pada data seismik. Tujuan tugas akhir ini adalah untuk mengkarakterisasi reservoar shale pada formasi Gumai yang terletak di Lapangan Abiyoso yang berada di sub cekungan Jambi, cekungan Sumatera Selatan dengan menggunakan dekomposisi spektral. Tahapan pertama yang dilakukan adalah analisis petrofisika dan analisis crossplot untuk mengarakterisasi lapisan reservoar shale. Karakterisasi lebih lanjut dilakukan dengan overlay kurva DlogR dan kurva Transit time sonik. Dari ketiga zona shale yang diprediksi, diperlihatkan bahwa lapisan batuan lempung pada zona Shale 1 merupakan lapisan batuan lempung yang diduga reservoar. Hasil tersebut didukung pula oleh estimasi nilai atenuasi dari dekomposisi spektral. Selanjutnya dekomposisi spektral diteruskan untuk data seismik secara keseluruhan sehingga didapatkan estimasi persebaran reservoar lapisan batuan lempung pada data seismik.

---

The results of spectral decomposition using Smoothed Pseudo Wigner-Ville Distribution (SPWVD) is used to estimate the value of attenuation on seismic data. The purpose of this thesis is to characterize shale reservoir in Gumai Formation at Abiyoso Field in Jambi Sub Basin, South Sumatera Basin. The first stage, it is carried out petrophysical analysis and crossplot analysis to characterize shale reservoir layer. Further characterization is done by overlaying DlogR and Sonic transit time curve. Based on the three predicted shale zone, it is shown that shale layer at Shale zone 1 is estimated the layer of shale reservoir. These results are confirmed also by the estimated value of the attenuation of spectral decomposition. Further spectral decomposition is applied to seismic data set to map distribution of shale reservoir."

"Monitoring proses hydraulic fracturing merupakan langkah penting untuk memastikan keberhasilan dan efisiensi stimulasi reservoar. Dalam pelaksanaannya, monitoring dilakukan menggunakan hasil rekaman seismik yang mendeteksi rekahan yang terjadi di ujung bawah wellbore. Sistem ini dibangun untuk mengidentifikasi event mikroseismik akibat rekahan, berdasarkan hasil sinyal seismik yang direkam selama proses berlangsung. Penelitian ini bertujuan mengembangkan sistem deteksi event mikroseismik secara otomatis menggunakan pendekatan deep learning. Konsep transfer learning dimanfaatkan karena telah banyak diterapkan dalam konteks seismologi, seperti pada model pre-trained PhaseNet, U-GPD, dan EQTransformer untuk keperluan klasifikasi event maupun phase picking gelombang P dan S. Penelitian ini bertujuan untuk mengembangkan pre-trained model, khusus untuk data mikroseismik dari wilayah Formasi Talang Akar. Arsitektur CNN yang digunakan, dilatih menggunakan data hasil pengukuran seismometer dari Lapangan X dan menghasilkan akurasi sebesar 75,63%. Lapisan fitur dari pre-trained model ini kemudian dibekukan (frozen) untuk mengekstraksi fitur dari data target, yaitu data selama proses Step Rate Test (SRT) di lokasi yang sama. Fitur tersebut selanjutnya diklasifikasikan menggunakan algoritma machine learning konvensional, dengan pendekatan ini dihasilkan akurasi terbaik sebesar 76,92% dalam mendeteksi event mikroseismik akibat proses SRT.

---

Monitoring the hydraulic fracturing process is a crucial step to ensure the success and efficiency of reservoir stimulation. In practice, monitoring is carried out using seismic recordings that detect fractures occurring at the bottom tip of the wellbore. This system is designed to identify microseismic events caused by fracturing, based on the seismic signals recorded throughout the process. This study aims to develop an automatic microseismic event detection system using a deep learning approach. Transfer learning is utilized, as it has been widely applied in seismology, for example in pre-trained models such as PhaseNet, U-GPD, and EQTransformer for event classification and P- and S-phase picking. This research focuses on developing a pre-trained model specifically for microseismic data from the Talang Akar Formation. The proposed CNN architecture was trained using seismic data recorded at Field X and achieved an accuracy of 75.63%. The feature layers of this pre-trained model were then frozen to extract features from the target data, which were obtained during the Step Rate Test (SRT) process at the same location. These features were subsequently classified using conventional machine learning algorithms, resulting in the best accuracy of 76.92% in detecting microseismic events induced by the SRT process. "

"Monitoring proses hydraulic fracturing merupakan langkah penting untuk memastikan keberhasilan dan efisiensi stimulasi reservoar. Dalam pelaksanaannya, monitoring dilakukan menggunakan hasil rekaman seismik yang mendeteksi rekahan yang terjadi di ujung bawah wellbore. Sistem ini dibangun untuk mengidentifikasi event mikroseismik akibat rekahan, berdasarkan hasil sinyal seismik yang direkam selama proses berlangsung. Penelitian ini bertujuan mengembangkan sistem deteksi event mikroseismik secara otomatis menggunakan pendekatan deep learning. Konsep transfer learning dimanfaatkan karena telah banyak diterapkan dalam konteks seismologi, seperti pada model pre-trained PhaseNet, U-GPD, dan EQTransformer untuk keperluan klasifikasi event maupun phase picking gelombang P dan S. Penelitian ini bertujuan untuk mengembangkan pre-trained model, khusus untuk data mikroseismik dari wilayah Formasi Talang Akar. Arsitektur CNN yang digunakan, dilatih menggunakan data hasil pengukuran seismometer dari Lapangan X dan menghasilkan akurasi sebesar 75,63%. Lapisan fitur dari pre-trained model ini kemudian dibekukan (frozen) untuk mengekstraksi fitur dari data target, yaitu data selama proses Step Rate Test (SRT) di lokasi yang sama. Fitur tersebut selanjutnya diklasifikasikan menggunakan algoritma machine learning konvensional, dengan pendekatan ini dihasilkan akurasi terbaik sebesar 76,92% dalam mendeteksi event mikroseismik akibat proses SRT.

---

Monitoring the hydraulic fracturing process is a crucial step to ensure the success and efficiency of reservoir stimulation. In practice, monitoring is carried out using seismic recordings that detect fractures occurring at the bottom tip of the wellbore. This system is designed to identify microseismic events caused by fracturing, based on the seismic signals recorded throughout the process. This study aims to develop an automatic microseismic event detection system using a deep learning approach. Transfer learning is utilized, as it has been widely applied in seismology, for example in pre-trained models such as PhaseNet, U-GPD, and EQTransformer for event classification and P- and S-phase picking. This research focuses on developing a pre-trained model specifically for microseismic data from the Talang Akar Formation. The proposed CNN architecture was trained using seismic data recorded at Field X and achieved an accuracy of 75.63%. The feature layers of this pre-trained model were then frozen to extract features from the target data, which were obtained during the Step Rate Test (SRT) process at the same location. These features were subsequently classified using conventional machine learning algorithms, resulting in the best accuracy of 76.92% in detecting microseismic events induced by the SRT process. "

"Minyak bumi dan gas alam masih menjadi sumber energi utama yang banyak digunakan di berbagai sektor. Untuk mengoptimalkan produksi migas, berbagai upaya dan metode dilakukan. Salah satunya melalui metode hydraulic fracturing. Metode ini bertujuan untuk meningkatkan produksi atau reaktivasi sumur yang mengalami penurunan produksi dengan menghasilkan rekahan dari injeksi fluida tinggi. Proses pemantauan metode ini umumnya menggunakan gelombang mikroseismik akibat rekahan dari bawah permukaan. Sinyal mikroseismik yang terekam umumnya mengandung banyak noise akibat aktivitas di sekitar permukaan dan sulit diidentifikasi. Oleh karena itu, dibutuhkan metode untuk mendeteksi aktivitas mikroseismik tersebut. Pada penelitian ini bertujuan untuk mengembangkan model untuk mendeteksi event dan non-event pada mikroseismik menggunakan discrete wavelet transform untuk mengekstraksi fitur dari sinyal mikroseismik dan algoritma XGBoost untuk melakukan klasifikasi event dan non-event. Hasil terbaik model dengan wavelet sym3 level 5 dengan evaluasi metrik kelas event mencapai 71.43% untuk presisi dan 66.67% untuk recall.

---

Petroleum and natural gas are still the main sources of energy that are widely used in various sectors. To optimize oil and gas production, various efforts and methods are carried out. One of them is through the hydraulic fracturing method. This method aims to increase production or reactivation of wells that have decreased production by producing fractures from high fluid injection. The monitoring process of this method generally uses microseismic waves due to fracturing from the subsurface. The recorded microseismic signals generally contain a lot of noise due to activities around the surface and are difficult to identify. Therefore, a method is needed to detect the microseismic activity. This study aims to develop a model to detect events and non-events in microseismic using discrete wavelet transform to extract features from microseismic signals and XGBoost algorithm to classify events and non-events. The best results of the model with sym3 wavelet level 5 with event class metric evaluation reached 71.43% for precision and 66.67% for recall."