Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tesis ini membahas mengenai perbaikan data stack seismik yang jelek. Permasalahan utama mengapa data seismik bisa menjadi jelek adalah disebabkan karena noise - noise yang masih terekam didalam data seismik. Noise - noise ini sangat mengganggu karena menyebabkan data seismik sangat susah untuk diinterpretasi. Struktur seismik, reflektor lapisan, dan fault menjadi kabur karena noise yang masih terkandung didalam data seismik. Tesis ini bertujuan untuk menghilangkan noise yang mengganggu data seismik dengan menggunakan 1D time-varying median filter (TVMF), sehingga reflektor, fault, dan struktur dari seismik bisa menjadi lebih jelas untuk diinterpretasi. Penelitian dilakukan dengan menggunakan software komputasi MATLAB untuk menganalisa sinyal seismik dan membuat program filtering 1D TVMF. Hasil yang diharapkan dari tesis ini adalah hilangnya noise - noise yang mengganggu data seismik, sehingga data seismik bisa diinterpretasi. Kesimpulan akhir adalah bahwa filter 1D time-varying median filter sangat efektif untuk menghilangkan noise - noise yang terkandung didalam data seismik, serta menguatkan gambaran struktur geologinya.

---

The thesis study about enhancement of bad stack seismic data. The reason for seismic data being bad is because of noises that still remain in the seismic data. These noises causing the seismic data become very difficult to interpret. Events such as structure, bed, and fault become blurred because of noises that remain in the seismic data. The objective of this thesis is to repair seismic data by reducing the noise using 1D time-varying median filter (TVMF), so that interpreter could see more clearly of the reflector, fault, and structure. The research is done by using MATLAB as its main tools to analyze seismic signal and to make the 1D TVMF filtering programme. The expected result of this thesis is that the noise of seismic data is completely removed. We can conclude then, the 1D TVMF is very efective to remove noises in seismic data and strengthen the sturcture geology."

"ABSTRAKProsesing 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.

---

ABSTRACTSeismic 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.  "

"Transformasi Hartley (HT) telah diaplikasikan pada filter kontinuasi. HT mempunyai banyak sifat yang sama dengan transformasi Fourier (FT). Algoritma yang digunakan pada FT bisa dimodifikasi untuk digunakan pada HT. Akan tetapi, HT merupakan transformasi ke bilangan riil sehingga transformasi Hartley diskrit bisa lebih cepat dan menggunakan lebih sedikit memori komputer daripada transformasi Fourier diskrit (DFT), karena DFT menghasilkan bilangan kompleks. Penggunaan DHT pada filter kontinuasi untuk analisis data gravitasi dan magnetik memberikan beberapa keuntungan seperti yang telah disebutkan sebelumnya.

---

The Hartley transform (HT) has been used to continuation filter. The HT is similar to the Fourier transform (FT). It has most of the characteristics of the FT. An Algorithms can be constructed for the HT using the same structure as for the FT. However, the HT is real transform and for this reason, since one complex multiplication requires four real multiplications, the discrete HT (DHT) is computionally faster and need less memory space than the discrete FT (DFT). Using DHT in continuation filter for gravity and magnetic analysis gives some advantages like describe before."

"ABSTRAKPada tesis ini diajukan sebuah metode baru untuk pendeteksian anomali pada citra hiperspektral, bernama algoritma morphological profile dan attribute filter. Metode ini terdiri dari tiga langkah. Pertama, menyeleksi sebuah pita spektral yang mengandung banyak informasi untuk pendeteksian anomali menggunakan sebuah algoritma baru berbasis entropi dan histogram count. Kedua, menghapus background pada pita spektral yang telah diseleksi menggunakan morphological profile. Kemudian memfilter false anomali menggunakan attribute filter. Sebuah algoritma baru juga diajukan pada tesis ini untuk menentukan luas maksimum area anomali. Eksperimen yang telah dilakukan dengan dataset citra hiperspektral riil menunjukkan bahwa metode yang diajukan memiliki rata-rata AUC sebesar 0.9916, lebih bagus dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata AUC secara berturut-turut sebesar 0.9657, 0.9757, dan 0.9872. Metode yang diajukan pada tesis ini memiliki rata-rata waktu komputasi sebesar 0.25 detik, lebih cepat dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata waktu komputasi secara berturut-turut sebesar 31.37, 0.55, dan 3667.2 detik.

---

ABSTRACTIn this thesis, a novel hyperspectral anomaly detection method, called morphological profile and attribute filter algorithm, is proposed. This method consists of three steps. First, select a band containing rich information for anomaly detection using a novel band selection algorithm based on entropy and histogram counts. Second, remove the background of the selected band with morphological profile. Then, filter the false anomaly with attribute filter. A novel algorithm is also proposed in this thesis to define the maximum area of anomalous objects. Experiments conducted on real hyperspectral datasets show that the average AUC of the proposed method is 0.9916, better than the average AUC of FrFE-RX, AED, and SDBP-D methods which are 0.9657, 0.9757, and 0.9872, respectively. Moreover, the average computing time of the proposed method is 0.25 seconds, faster than the average computing times of FrFE-RX, AED, and SDBP-D which are 31.37, 0.55, dan 3667.2 seconds, respectively."

"Telah dilakukan pengolahan data multicomponent seismic pada komponen radial untuk menganalisis kualitas data yang dihasilkan oleh S-Wave. Data seismik yang digunakan pada penelitian ini adalah data multicomponent seismic pada Zona Transisi yaitu data Ocean Bottom Cable. Pengukuran multicomponent seismic dengan menggunakan tiga komponen (X, Y, Z) dari geophone beserta satu komponen dari hydrophone akan merekam Wavefield seismik lebih lengkap dari pada pengukuran secara konvensional. Penelitian ini dilakukan untuk menganalisis hasil pengolahan data multicomponent seismic pada komponen radial yaitu komponen Y pada Geophone. Pengolahan data pada komponen radial dilakukan dari reformat sampai dengan geometri. Untuk mendapatkan penampang seismik dari gelombang S tidak bisa digunakan pengolahan data menggunakan alur kerja secara konvensional. ACP (Asymptotic Conversion Point) adalah salah satu proses pengolahan data gelombang S yang paling penting. ACP berhasil menentukan nilai Vp/Vs pada data multicomponent seismic ini. Sehingga dapat digunakan untuk melakukan CCP (Commont Conversion Point) Binning. Sehingga menghasilkan data yang lebih bersih dari noise-noise yang menunjukkan adanya berbedaan litologi dibawah permukaan bumi, hal ini ditandai oleh perbedaan kecepatan perambatan gelombang pada waktu yang sama.

---

We have processed seismic multi-component data especially on radial component to analyze data qualities of FractureS-Wave. In this study, the seismic data are multi-component seismic data on the transition zone. Multi-component seismik measurements using three components (X, Y, and Z) of geophones and hydrophones component, they will record seismik wave field more complete than the conventional measurements.

This study does to analyze the results of multicomponent seismic data processing in the radial component, of the Y component Geophone. The processed on radial component conducted from reformat to geometry. To get a section of the S wave seismic refraction is not use conventional workflow. ACP (Asymptotic Conversion Point) is the most important one of the S- Wave data processing.

ACP succeeded in determined the Vp/Vs value of multicomponent seismic data. So it can be used to perform the CCP (commont Conversion Point) binning. So was produced data was cleaner than noises that were shows different lithology of subsurface, it is characterized by wave velocity different in the layer at the same TWT."