Perpustakaan Digital ITB

Karakterisasi reservoir melalui inversi seismik membutuhkan kelengkapan data log densitas (RHOB) dan sonik (DT). Namun, kendala biaya dan kondisi lubang bor buruk sering menyebabkan kekosongan data. Penelitian ini menerapkan algoritma Machine Learning (ML), yaitu Random Forest (RF) dan XGBoost, untuk mengimputasi nilai hilang log DT dan RHOB menggunakan skema cross-feature. Model dilatih dengan data 8 sumur KGS di Kabupaten Cheyenne dan divalidasi menggunakan skema Leave-One-Well-Out Cross-Validation (LOWO-CV) untuk menguji generalisasi pada sumur baru. Sebagai pembanding, digunakan Persamaan Wyllie dan Gardner terkalibrasi lokal serta Regresi Linear (LR) sebagai baseline statistik multi-variat. Hasil LOWO-CV menunjukkan pendekatan ML jauh lebih superior. Pada prediksi DT, RF mencapai rata-rata R 2 = 0,806 dan XGBoost mencapai R 2 = 0,796. Pada prediksi RHOB, XGBoost mencapai R 2 = 0,693 dan RF mencapai R 2 = 0,690. Dekomposisi nilai ?R 2 membuktikan peningkatan akurasi model ensemble bersumber utama dari kemampuan menangkap hubungan petrofisika non-linear. Profil Impedansi Akustik (AI) sintetik dari RF memberikan akurasi tertinggi (R 2 = 0,9452; RMSE = 2.626,6 g/cc·ft/s), mengungguli metode tradisional (R 2 = 0,8973) dan mencegah akumulasi galat multiplikatif ekstrem dari LR (R 2 = 0,7234). Rekonstruksi berbasis ML ini terbukti andal untuk menyediakan profil properti batuan sintetik bagi studi geofisika lanjutan.