Perpustakaan Digital ITB

Segmentasi grup fasies seismik secara konvensional merupakan proses manual yang memakan waktu, subjektif, dan sulit diaplikasikan pada data seismik 3D bervolume besar. Penelitian ini mengusulkan penerapan metode deep learning untuk mengotomatisasi proses tersebut. Tujuan penelitian ini adalah mengimplementasikan dan membandingkan performa dua arsitektur Convolutional Neural Network (CNN) untuk tugas segmentasi fasies seismik. Model pertama arsitektur CNN sekuensial dasar, sedangkan model kedua mengadopsi arsitektur encoder-decoder lebih kompleks. Kedua model dilatih dan diuji menggunakan set data publik Blok F3 Lepas Pantai Belanda yang memiliki label fasies terinterpretasi. Optimasi hyperparameter, seperti laju pembelajaran dan jumlah filter, dilakukan untuk memperoleh arsitektur terbaik. Evaluasi model didasarkan pada kemampuannya dalam memvalidasi data latih dan memprediksi fasies pada data uji yang belum pernah terlihat sebelumnya. Hasil penelitian menunjukkan bahwa model dengan arsitektur encoder-decoder secara signifikan mengungguli model CNN dasar. Model encoder-decoder mampu menghasilkan peta segmentasi fasies yang lebih detail dan akurat, serta konsisten dengan label interpretasi manual. Hasil ini membuktikan potensi arsitektur encoder-decoder sebagai alat bantu yang efektif, cepat, dan objektif untuk interpretasi fasies seismik skala besar.