Perpustakaan Digital ITB

Skripsi ini membahas evaluasi multiatribut dari data seismik atribut dan data log. Hasil yang telah di capai akan di bandingkan dengan hasil seismik inversi konvensional untuk memodelkan penyebaran channel dan distribusi porositas. Data yang digunakan adalah set data training daerah Blackfoot dari Hampson Russell Software Service. Metode multiatribut dalam penelitian ini dilakukan untuk memprediksi log porositas. Jumlah atribut yang digunakan di tentukan oleh proses step wise regression. Operator konvolusi digunakan untuk menyelesaikan masalah perbedaan frekuensi antara data seismik dan data log. Metode multiatribut yang linier transformasinya terdiri dari deret bobot yang diperoleh dari minimalisasi least square. Pada metoda non linier, Neural Network di gunakan dalam proses training dengan menggunakan atribut yang sudah ditentukan sebelumnya. Tiga tipe Neural Network yang dilakukan dalam studi ini adalah MLFN, PNN, dan RBF. PNN menjadi pilihan neural network utama karena mempunyai korelasi yang paling tinggi. Untuk mengetahui tingkat kepercayaan dari transformasi multi atribut dilakukan proses crossvalidasi. Dalam proses ini, setiap sumur secara sistematis tidak dipakai dalam proses training, dan transformasi diturunkan kembali dari well yang tersisa. Error validasi adalah rata-rata error dari semua well yang tidak digunakan. Error validasi mengukur error prediksi pada saat transformasi digunakan pada volume seismik. Metoda model based digunakan pada inversi seismik konvensional. Hasil yang diperoleh menunjukkan bahwa Metoda multiatribut Neural Network menghasilkan prediksi distribusi porositas pada top channel dan hasil seismik inversi AI dapat menggambarkan model distribusi channel.