ABSTRAK RINO ISMA ADITYA S 22018031
PUBLIC Dedi Rosadi COVER RINO ISMA ADITYA S 22018031
PUBLIC Dedi Rosadi BAB 1 RINO ISMA ADITYA S 22018031
PUBLIC Dedi Rosadi BAB 2 RINO ISMA ADITYA S 22018031
PUBLIC Dedi Rosadi BAB 3 RINO ISMA ADITYA S 22018031
PUBLIC Dedi Rosadi BAB 4 RINO ISMA ADITYA S 22018031
PUBLIC Dedi Rosadi BAB 5 RINO ISMA ADITYA S 22018031
PUBLIC Dedi Rosadi DAFTAR PUSTAKA RINO ISMA ADITYA S 22018031
PUBLIC Dedi Rosadi LAMPIRAN RINO ISMA ADITYA S 22018031
PUBLIC Dedi Rosadi
Batupasir pada Formasi Mungaroo diyakini mempunyai kualitas reservoir yang
berbeda-beda di setiap titik lokasi penelitian. Pemetaan properti batupasir secara
3D seperti volume lempung, porositas, dan saturasi air penting untuk melihat
penyebaran kualitas batupasir. Penggunaan machine learning yang berkembang
pesat dalam bidang geosains akan sulit dilakukan untuk mencapai tujuan tersebut,
khususnya pada data area penelitian ini. Hal ini dikarenakan salah satu tantangan
utama dalam machine learning (supervised neural network) adalah adanya jumlah
data input (data sumur) yang mencukupi untuk training data agar dapat menentukan
operator statistik yang berguna untuk melakukan prediksi suatu nilai. Semakin
banyak jumlah data input akan semakin dapat dipercaya operator statistik yang
dipakai untuk menghasilkan properti yang diinginkan.
Untuk mengatasi masalah data input tersebut, penelitian ini memperkenalkan
pendekatan baru theory guided data science atau rock physics-guided machine
learning. Hal yang dimaksud theory dari pendekatan tersebut adalah model fisika
batuan dan memakai model tersebut sebagai data input untuk data science/machine
learning. Terdapat 2 data sumur yang ada pada penelitian ini; WTR-4A yang akan
dipakai untuk rock physics simulation dan data training, sedangkan WTR-2 akan
digunakan sebagai sumur validasi/blind well dan tidak dilibatkan sama sekali di
dalam prosesnya. Pertama, sumur WTR-4A akan digunakan sebagai data input
untuk mensimulasikan pseudo-wells berdasarkan analisis statistik, sehingga
properti petrofisika seperti ketebalan, saturasi air dan porositas semuanya akan
divariasikan skenarionya sesuai kondisi geologi area penelitian untuk mendapatkan
hasil simulasi yang representatif. Berdasarkan teori fisika batuan yang ada, data
petrofisika yang disimulasikan akan dipakai sebagai input untuk membuat sintetik
elastic log dan sintetik seismik. Data sintetik tersebut dapat dipakai sebagai input
training neural network untuk menentukan operator statistik yang berguna untuk
melakukan prediksi properti batuan. Operator statistic tersebut yang nantinya
diaplikasikan ke data seismik yang asli untuk prediksi secara 3D volume lempung,
porositas, dan saturasi air.
iii
Hasil dari rock physics-guided machine learning ini menghasilkan properti elastik
(impedansi akustik dan Vp/Vs) untuk dibandingkan dengan metode yang telah
umum dipakai untuk karakterisasi reservoir dari data seismik (inversi seismik
simultan). Hasil perbandingan tersebut menunjukan hasil dari rock physics-guided
machine learning mempunyai kontinuitas yang lebih menerus pada lapisan
batupasir, korelasi yang baik pada sumur validasi, dan detail yang lebih terlihat
jelas. Kombinasi dari properti elastik (impedansi akustik dan Vp/Vs) mempunyai
karakteristik properti yang dapat memisahkan batupasir reservoir utama berisi gas
(batupasir M, N, dan O) dan batupasir berisi air (batupasir T).
Setelah melakukan prediksi properti elastik, properti yang dihasilkan secara 3
dimensi lainnya adalah properti petrofisika seperti volume lempung, porositas, dan
saturasi air. Volume yang dihasilkan tersebut juga divalidasi terhadap blind well
dan mempunyai korelasi yang baik dan senada dengan tren dari properti elastik.
Selain itu peta untuk setiap properti petrofisika tersebut dianalisis untuk batupasir
M, N, dan O. Untuk lapisan O mempunyai nilai volume lempung yang rendah di
seluruh area, tetapi nilai porositas yang tinggi dan saturasi air yang rendah hanya
berada pada bagian selatan, khususnya barat daya. Pada lapisan N, reservoir yang
baik berada pada bagian tenggara, akan tetapi salah satu area dengan volume
lempung yang rendah pada bagian utara mempunyai porositas yang rendah dan
saturasi air tinggi. Hasil dari rock physics-guided machine learning menunjukan
bahwa pada lapisan M berdasarkan ketiga properti petrofisika tersebut (volume
lempung, porositas, dan saturasi air) mempunyai pola yang saling berhubungan satu
dengan yang lain dan reservoir yang memiliki kualitas yang baik berada pada
bagian selatan dari peta tersebut dengan tren berarah barat daya-timur laut.