:: UI - Tesis Open :: Kembali

UI - Tesis Open :: Kembali

Identifikasi litologi dan porositas menggunakan analisa inversi dan multi-atribut seismik, studi kasus lapangan Blackfoot = Identification of lithology and porosity distribution using seismic inversion and multi-attribute analyses, case study on Blackfoot field

Fitriyanie Bren; Abdul Haris, supervisor; Suprayitno Munadi, examiner; ; Charlie Wu, examiner ([Publisher not identified] , 2011)

 Abstrak

ABSTRAK
Integrasi data seismik dan log sumur dilakukan pada dataset lapangan Blackfoot
untuk mengidentifikasi penyebaran litologi dan porositas pada zona target
reservoar tipis di lapangan ini. Integrasi dilakukan menggunakan analisa inversi
dan multi-atribut seismik. Dengan inversi seismik, tras seismik dapat diubah
menjadi volume impedansi akustik yang kemudian dikonversikan menjadi
porositas dengan suatu asumsi sedangkan dengan multiatribut seismik, volume
porositas dapat diprediksi dengan transformasi linier dan non-linier antara properti
log sumur dengan serangkaian atribut seismik.
Tiga jenis metoda inversi impedansi akustik diterapkan pada dataset yaitu inversi
rekursif, linear programming sparse-spike (LPSS) dan model-based. Hasil inversi
kemudian dibandingkan satu sama lain melalui parameter cross correlation dan
error log. Hasil dari inversi yang berbeda-beda ini secara konsisten menunjukkan
reservoar dengan impedansi rendah didalam channel pada kedalaman kurang lebih
1060ms pada domain waktu. Inversi berbasiskan model menunjukkan pencitraan
yang lebih baik dan koefisien korelasi yang paling tinggi (99.8%) dibandingkan
kedua jenis inversi lainnya. Karenanya, hasil inversi impedansi akustik modelbased
ini kemudian digunakan sebagai atribut eksternal pada analisa multi-atribut.
Volume pseudo porositas dibuat dari fungsi regresi dari crossplot hubungan
impedansi akustik hasil inversi dengan log porositas yang tersedia pada setiap
sumur.
Analisa multi-atribut digunakan untuk menghasilkan transformasi linier maupun
non-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) yang
diperoleh dari minimisasi least-square. Untuk mode non-linier probabilistic
neural networks (PNN) di-training menggunakan atribut pilihan dari transformasi
SWR sebagai input. PNN dipilih sebagai network yang akan diterapkan pada
dataset karena umumnya menunjukkan korelasi yang lebih baik dan mempunyai
algoritma matematis yang lebih sederhana.

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

 File Digital: 1

 Metadata

No. Panggil : T31945
Entri utama-Nama orang :
Entri tambahan-Nama orang :
Entri tambahan-Nama badan :
Subjek :
Penerbitan : [Place of publication not identified]: [Publisher not identified], 2011
Program Studi :
Bahasa : ind
Sumber Pengatalogan : LibUI ind rda
Tipe Konten : text
Tipe Media : unmediated ; computer
Tipe Carrier : volume ; online resource
Deskripsi Fisik : xviii, 52 Pages : illustration ; 28 cm + appendix
Naskah Ringkas :
Lembaga Pemilik : Universitas Indonesia
Lokasi : Perpustakaan UI, Lantai 3
  • Ketersediaan
  • Ulasan
No. Panggil No. Barkod Ketersediaan
T31945 15-18-121076450 TERSEDIA
Ulasan:
Tidak ada ulasan pada koleksi ini: 20317866