Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDalam geofisika dan reservoir engineering, metode neural network lazim digunakanuntuk melakukan prediksi hubungan antara data log dengan data seismik atau data loglainnya, sehingga dengan data log yang tersedia dapat diperkirakan log lain yang tidaktersedia datanya, bahkan dipergunakan juga untuk melakukan karakterisasi reservoir.Namun metode ini juga memiliki sejumlah kekurangan dalam penerapannya gunamemprediksi hubungan antara satu jenis data dengan jenis data yang lain. Masalah umumyang ditemui adalah metode ini sulit diterapkan pada data yang terbatas.Para praktisi pasar modal menggunakan metode wavelet transform untuk meningkatkankemampuan jaringan pada neural network untuk mengenali deret data yang polanyabelum pernah ditemui dalam dataset pelatihan. Metode ini telah terbukti efektif dalamprediksi pergerakan harga dan permintaan yang kerap mengalami perubahan trendmaupun pola pergerakannya. Kami menerapkan metode ini untuk meningkatkan nilaivalidasi dari log hasil estimasi dengan data yang terbatas.Studi ini menunjukkan hasil proses wavelet transform pada data log yang diklasifikasikandengan jaringan kompetitif akan menjadi bagian yang dapat memberikan arti pentinguntuk meningkatkan kemampuan generalisasi jaringan backpropagation.

---

ABSTRACTIn geophysics and reservoir engineering, the neural network method commonly used topredict the relationship between log data and seismic data or another log data, thus withthe available log data, we can expect any logs which have no data, even also can be usedto perform reservoir characterization. However this method has some lacks in itsapplication to predict the relationship between one data with the other data types. Thecommon problem encountered is the reduction of network ability for data prediction if itsapplied on limited input data.Practitioners of capital market use wavelet transform methods to increases the networkability 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, whichusually changes both in trend or movement pattern. We applied this method to increasethe validation value of the estimated log on limited input data.This study shows that the classified result of wavelet transform using competitivenetwork will be an important part to enhance generalization of backpropagation network."

"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."

"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."

"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."

"ABSTRAKDekomposisi kepstrum telah berhasil dilakukan untuk meningkatkan resolusi vertikal data seismik. Dalam aplikasi data sintetik, dekomposisi kepstrum dapatmengidentifikasi lapisan dengan ketebalan kurang dari /8. Penggunakan lifter kotak dapat mendekomposisi wavelet dan impuls reflektifitas dari sinyal seismikdengan sangat baik, namun lifter tersebut dapat memberikan hasil yang valid hanya jika kandungan S/N sinyal input tidak kurang dari 35. Penggunaan liftereksponensial dapat dimanfaatkan dengan baik jika kandungan S/N kurang dari 35 hingga 5, namun lifter eksponensial tidak dapat merekonstruksi wavelet denganbaik. 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 dekonvolusikonvensional"

"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."

"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.  "