digilib@itb.ac.id +62 812 2508 8800


Bab I Asido.pdf
PUBLIC Open In Flip Book Devi Septia Nurul

Bab II Asido.pdf
PUBLIC Open In Flip Book Devi Septia Nurul

Daftar Pustaka Asido.pdf
PUBLIC Open In Flip Book Devi Septia Nurul

Bab III Asido.pdf
PUBLIC Open In Flip Book Devi Septia Nurul

Bab IV Asido.pdf
PUBLIC Open In Flip Book Devi Septia Nurul

Bab V Asido.pdf
PUBLIC Open In Flip Book Devi Septia Nurul

Pemodelan Full Waveform Inversion (FWI) tergantung dengan banyak faktor, diantaranya model awal, wavelet sumber dan frekuensi rendah dari data seismik. Model awal dan frekuensi rendah yang terbatas dapat mempengaruhi hasil dari model FWI karena terjadinya efek cycle skipping. Ekstrapolasi frekuensi rendah menjadi salah satu faktor krusial yang harus dipenuhi sebelum melakukan pemodelan FWI, karena kehilangan frekuensi rendah data seismik dapat menghilangkan informasi tren rata-rata dari struktur geologi yang akan dimodelkan. Pada penelitian ini, kami menggunakan algoritma Convolutional Neural Network (CNN) untuk melakukan prediksi frekuensi rendah dari data seismik common shot gather (CSG) bandlimited didalam domain waktu tanpa perlu melakukan pengolahan kembali(prepocessing) data sehingga prosesnya dapat dilakukan secara otomatis. Data seismik bandlimited frekuensi tinggi merupakan data masukan untuk pelatihan model CNN dan data seismik frekuensi rendah yang akan diprediksi sebagai luaran. Model CNN yang telah dilatih kemudian diujicoba pada berbagai model data sintetis, hasil prediksi yang diperoleh sangat akurat dengan rata-rata RMSE dibawah 1 persen. Model CNN juga diaplikasikan pada data real seismik laut lapangan Sadewa, hasil prediksi frekuensi rendah yang dilakukan cukup akurat dengan RMSE dibawah 2-3 persen. Penelitian ini juga melakukan pemodelan FWI pada data sintetis Marmoussi dimana bagian frekuensi rendah data tersebut diprediksi oleh CNN, hasil model FWI yang diperoleh cukup dekat dengan model sebenarnya. Berdasarkan hasil ujicoba model CNN yang telah dilakukan memberi harapan bahwa deep learning menawarkan solusi yang baik untuk masalah inisialisasi FWI.