Perpustakaan Digital ITB

Prediksi log Vp/Vs merupakan langkah krusial dalam analisis potensi penyimpanan karbon dioksida (Carbon Capture and Storage/CCS), khususnya dalam mengevaluasi karakteristik mekanik reservoir bawah permukaan. Penelitian ini bertujuan untuk mengembangkan model prediktif log Vp/Vs berdasarkan data log sumur sekitarnya, seperti log densitas, log resistivitas, dan log kecepatan gelombang kompresi (Vp). Data log ini digunakan sebagai parameter input untuk memodelkan hubungan non-linear antara sifat fisik batuan dan kecepatan gelombang geser. Dalam penelitian ini, metode machine learning diterapkan untuk membangun model prediksi yang andal dan akurat. Dengan memanfaatkan optimizer adam dan Activation ReLU, diharapkan model machine learning ini mampu mengintegrasikan data log multi-dimensional untuk menghasilkan estimasi log Vp/Vs yang sesuai dengan karakteristik geologi lokal. Studi kasus dilakukan pada area dengan data log yang lengkap, dan hasil validasi menunjukkan bahwa model yang dikembangkan mampu menghasilkan prediksi log Vp/Vs dengan tingkat akurasi tinggi. Dalam penelitian ini juga akan digunakan Machine Learning untuk membantu dalam melakukan prediksi Log tersebut. Didapatkan korelasi sebesar 0.8024 pada log Vs saat dibandingkan dengan data log asli pada sumur KTB-2. Hasil penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam mendukung analisis reservoir untuk CCS, termasuk evaluasi kapasitas injeksi dan kestabilan mekanik formasi batuan. Pendekatan ini juga berpotensi untuk diterapkan pada wilayah lain dengan kondisi geologi yang serupa, sehingga mendukung pengembangan teknologi CCS yang berkelanjutan