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."

"ABSTRAKLapangan Penobscot berada pada Cekungan Scotian, Canada. Cekungan tersebut merupakan salah satu mega area penghasil hidrokarbon di dunia yang telah dieksplorasi dan diproduksi selama lebih dari 50 tahun. Salah satu tahapan penting setelah eksplorasi lapangan adalah melakukan karakterisasi reservoar untuk pengembangan lapangan. Pengidentifikasian reservoar berdasarkan kandungan fluida, porositas, dan ketebalan menggunakan data seismik sangat krusial dalam bidang geologi dan geofisika.Penelitian ini menggunakan metoda analisa AVO dan inversi simultan pada data seismik pre-stack CDP gather lapangan Penobscot. Inversi dan analisa AVO digunakan untuk membedakan batuan reservoar yang megandung hidrokarbon dari batuan lain disekitarnya. Goodway mengajukan suatu terobosan baru terhadap metoda AVO inversion yang didasarkan atas Lamé parameters λ dan μ, dan density ρ, atau Lambda-Mu-Rho (LMR). Penampang reflektivitas yang menunjukkan kontras parameter Lambda dan Mu dapat membedakan secara optimal antara fluida dan litologi suatu reservoir. Pada kasus ini penampang reflektifitas dari kontras parameter Mu-Rho dapat digunakan sebagai litologi indikator. Sedangkan interpretasi penampang reflektivitas Lambda-Rho dapat menunjukkan identifikasi fluida, dalam hal ini gas.Hasil analisa pada lapangan Penobscot menunjukkan bahwa pada kedalaman antara 2478?3190 m (formasi Missisauga) didominasi oleh Sandstone terdapat indikasi adanya hidrokarbon berupa gas. Hasil analisa AVO, terlihat adanya anomali AVO kelas III pada TWT 2000 ms dan kehadiran gas pada zona tersebut. Lambda-Rho pada zona tersebut bernilai 33,5 - 35 Gpa*g/cc, nilai Mu-Rho pada zona tersebut bernilai 32 - 35 Gpa*g/cc. Analisa crossplot well menunjukkan bahwa pada area target mempunyai harga Lamda-Rho 35 ? 40 GPa*g/cc dan harga Mhu-Rho 49 ? 71 GPa*g/cc.

---

ABSTRACTPenobscot field located at Scotian Basin, Canada. Scotian basin is one of the mega-producing areas of hydrocarbon in the world that have been explored and produced for over 50 years. One of important steps after exploration of the field is to conduct a Reservoir Characterization for field development. The identification of reservoirs rocks using seismic reflection data is a very important topic in geology as well as geophysics area.In this study, AVO analysis and simultaneous inversion methods gained to pre-stack CDP gather seismic data of Penobscot field. Inversion and AVO analysis gained to distinguish the reservoir rocks that contained hydrocarbon with the surrounding rocks. Goodway proposed a new approach to AVO inversion based on the Lamé parameters λ and μ, and density ρ, or Lambda-Mu-Rho (LMR). The reflectivity section showing Lambda parameter and Mu contrast will be able to differentiate between litology and fluid reservoir optimally. In this case, reflectivity section of parameter contrast of Mu-Rho can be used as litology indicator. Reflectivity interpretation of Lambda-Rho section can predict fluid indicator, in this case gas.Analysis result for Penobscot field indicate that the depth of 2478?3190 m (Missisauga Formation) dominated by Sandstone and have gas indication. Based on AVO analysis, there is Class III AVO anomaly on TWT 2000 ms and the existence of gas on that zone. Lambda-Rho value on that zone is between 33,5 - 35 Gpa*g/cc. Mu-Rho value on that zone is between 32 - 35Gpa*g/cc. Based on well crossplot analysis in target area, Lamda-Rho value is between 35 ? 40 GPa*g/cc and Mhu-Rho value is between 49 ? 71 GPa*g/cc."

"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."

"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%."

"ABSTRACTSkripsi ini membahas mengenai reduksi suatu kumpulan data menggunakan metode penggabungan data. Kumpulan data yang digunakan dalam penelitian ini adalah data bunga iris dengan 3 macam kelas dan data aroma dengan 18 macam kelas. Hasil penggabungan kumpulan data tersebut akan menjadi data masukan dalam pembelajaran algoritma jaringan saraf tiruan propagasi balik dan jaringan saraf probabilistik yang dipergunakan dalam penelitian ini. Hasil pembelajaran menggunakan data hasil penggabungan tersebut akan dibandingkan dengan hasil pembelajaran menggunakan data tanpa penggabungan. Hasil penelitian ini menyatakan bahwa penggunaan data hasil penggabungan akan mempercepat pembelajaran dan meningkatkan kestabilan keluaran sistem, namun mengurangi akurasi tingkat pengenalan

---

ABSTRACTThis thesis discusses about reduction of a data set using data merging method. The data set used in this study are iris set data with 3 kinds of classes and odor set data with 18 kinds of classes. The result of merging the data set become the input data in the learning algorithm backpropagation neural network and probabilistic neural network on learning part. Learning output using data with merging method will be compared with the results of the learning using data without merging. The results of this study suggest that the use of data resulting from this combination will accelerate learning and improve stability of output system, but reduces the level of recognition accuracy."

"Proses optimasi pada Probabilistic Neural Network (PNN) dapat dilakukan terhadap nilai smoothing parameter maupun struktur neuron. Setiap permasalahan memiliki nilai smoothing parameter optimal yang berbeda. Optimasi struktur neuron bertujuan untuk mereduksi banyak neuron yang digunakan sehingga dapat mempersingkat waktu komputasi. Skripsi ini membahas proses pencarian nilai smoothing parameter optimal menggunakan algoritma genetika dan struktur neuron optimal menggunakan algoritma ortogonal dalam sistem pengenal wajah. Terdapat dua jenis teknik optimasi yang akan dibahas, lalu membandingkan hasilnya dengan PNN struktur utuh dan backpropagation. Data wajah yang digunakan berupa foto infra merah dan cahaya tampak.

---

Optimization of Probabilistic Neural Network (PNN) can be performed to the value of smoothing parameter and neuron structure. Every problem has different value of smoothing parameter. Optimization of neuron structure aims to reduce the number of neurons used, in order to shorten computation time.

This thesis discusses the process of finding the optimal value of smoothing parameter using genetic algorithms and optimal neuron structure using orthogonal algorithms in face recognition system. Two types of optimization techniques which will be discussed, then the results are compared with full structure PNN and backpropagation. Face data used in the form of infrared and visible light images."

"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."

"Lapangan “X” merupakan salah satu lapangan yang terletak di Cekungan Sunda. Lapangan ini merupakan salah satu zona potensi hidrokarbon di Indonesia, dengan salah satu zona potensi hidrokarbon terletak pada batuan reservoir karbonat build-up yang berada di Formasi Upper Baturaja. Studi ini akan menghasilkan volume petrofisika semu untuk properti petrofisika volume shale, porositas, dan saturasi air menggunakan lima kombinasi atribut seismik yang ditentukan melalui analisis multi-atribut, yang kemudian nilai korelasi dan errornya akan ditingkatkan probabilistic neural network (PNN). Integrasi dari ketiga metode ini bertujuan untuk memberikan gambaran dan pemahaman baru terhadap karakterisasi daerah yang berpotensi hidrokarbon di Lapangan ”X”.

---

”X” Field is one of the fields located in Sunda Basin. “X” Field is one of the hydrocarbon potential zones in Indonesia, with one of its hydrocarbons potential zones located in the carbonate build up reservoir in the Upper Baturaja Formation. This study will produce pseudo petrophysical volumes for petrophysical properties such as shale volume, porosity, and water saturation using five seismic attributes combination from the seismic multi-attributes method. Probabilistic neural network (PNN) is used to improve the correlation and error value from the log. The integration of these three methods aims to provide new insights and understanding of the characterization of hydrocarbon potential areas in “X” Field."