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

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.