Upload
ngohanh
View
223
Download
0
Embed Size (px)
Citation preview
V. HASIL DAN PEMBAHASAN
5.1 Penerapan Cadzow Filtering
Cadzow filtering adalah salah satu cara untuk menghilangkan bising dan
meningkatkan strength tras seismik yang dapat dilakukan setelah koreksi NMO
(Normal Move Out). Metode ini lebih sering digunakan pada data seismik darat
untuk meredam bising acak (seperti angin dan kendaraan yang lewat saat
rekaman). Dalam kasus data seismik laut, Cadzow filtering dapat diterapkan untuk
menghilangkan bising acak (seperti gelombang laut) serta efek stretching. Efek
stretching adalah penurunan frekuensi gelombang seismik akibat koreksi NMO
dan untuk menghilangkannya dilakukan muting. Namun, cara tersebut dianggap
kurang efektif karena dapat membuat sinyal yang diinginkan ikut terbuang.
Dengan Cadzow filtering, tras seismik yang mengalami stretching dapat
dikembalikan ke posisi semula. Setelah diterapkan Cadzow filtering, data seismik
yang masih berbentuk gather dapat dianalisis secara inversi pre stack atau
melakukan proses stacking terlebih dahulu, baru dianalisis secara inversi post
stack (AI). Berdasarkan data yang tersedia, penulis melakukan analisis inversi
post stack untuk mengidentifikasi endapan channel dengan data yang telah
diterapkan Cadzow filtering.
27
.
Gambar 5.1 Data Gather Pre Stack Orisinil
Gambar 5.2 Data Gather Pre Stack Setelah Dilakukan Cadzow filtering
28
Pada penampang stack orisinil terlihat bahwa ada beberapa kemenerusan lapisan
yang tidak terlihat begitu detail sedangkan pada penampang stack Cadzow
filtering kemenerusan lapisan tersebut dapat terlihat lebih mendetail.
Gambar 5.3 Data Stack Orisinil
29
Gambar 5.4 Data Stack Setelah Dilakukan Cadzow filtering
30
5.2 Analisis Keberadaan Zona Target dan Inversi IA
Setelah data diterapkan Cadzow filtering, maka selanjutnya adalah menganalisis
zona target berdasarkan data marker formasi sumur serta dengan membandingkan
nilai beberapa log seperti gamma ray, porositas, dan densitas. Formasi zona target
adalah di bawah Formasi Missisauga dari kedalaman 2000 – 2200 ms (sekitar 200
ms perkiraan window zona target). Besarnya window yang digunakan sangat
berpengaruh dalam proses pengikatan data sumur dan data seismik (well seismic
tie) dan window tersebut dibatasi oleh horizon. Proses pembuatan horizon disebut
dengan picking horizon.
.
Gambar 5.5 Picking Horizon Arbitrary Line Sumur AND-30 dan AND-41
31
Gambar 5.6 Peta Time Structure Horizon 1
Seismik inversi adalah proses pemodelan geofisika yang dilakukan untuk
memperkirakan informasi sifat fisis bumi berdasarkan hasil rekaman seismik.
Secara sederhana, proses inversi merupakan proses pembagian rekaman seismik
terhadap wavelet yang diprediksi. Salah satu hal terpenting dalam seismik inversi
adalah ekstraksi wavelet.
Gambar 5.7 Ekstraksi Wavelet
32
Wavelet terbaik yang digunakan adalah hasil ekstraksi use well dengan wavelet
length 120 ms dan taper length 20 ms. Berikutnya adalah tahapan well seismic tie.
Well seismic tie adalah suatu cara untuk mengikatkan data sumur pada penampang
seismik. Hal pertama yang harus dilakukan adalah koreksi checkshot untuk
mengubah domain kedalaman sumur menjadi domain waktu. Proses stretch -
squeeze dilakukan untuk mencocokkan tras seismik dengan tras sintetik. Proses
ini memiliki batas toleransi pergeseran sekitar 10 ms. Batas pergeseran tersebut
perlu diperhatikan karena jika melebihi 10 ms akan menyebabkan data sumur
mengalami shifting. Hal ini akan berpengaruh saat menentukan nilai fasa dari data
sumur, dimana nilai fasanya akan mengalami pergeseran dari nilai fasa
sebenarnya.
Gambar 5.8 Well Seismic Tie Sumur AND-30 Dengan Korelasi 0.863
0. 863
33
Gambar 5.9 Well Seismic Tie Sumur AND-41 Dengan Korelasi 0.874
Model inisial dibuat dengan window dari 2000 - 2200 ms sesuai batas horizon.
Model ini berfungsi sebagai model dasar yang akan dilakukan proses inversi.
Gambar 5.10 Initial Model
0. 874
34
Ada dua jenis metode inversi yang dilakukan penulis yaitu inversi linear sparse
spike dan inversi model based. Inversi linear sparse spike adalah metode untuk
memperkirakan koefisien refleksi dari data seismik untuk menentukan
sekumpulan besar (broad band) impedansi. Algoritma inversi linear sparse spike
menurunkan tras seismik sintetik dari log sonik. Wavelet model diekstraksi dari
tras seismik sintetik ini dan diekstrapolasikan untuk mendapatkan sekumpulan
perkiraan koefisien refleksi yang stabil (Russel, 1991). Sedangkan inversi model
based dapat mengembalikan frekuensi rendah dan tinggi yang hilang dengan cara
mengkorelasikan data seismik dengan respon seismik dari model geologi, yang
berarti memiliki cakupan frekuensi lebih luas. Pada zona target, inversi yang
paling baik ditunjukkan oleh inversi model based karena korelasi sintetik dengan
seismik riil menunjukkan angka yang lebih tinggi dibandingkan inversi linear
sparse spike. Inversi linear sparse spike memiliki korelasi sintetik dengan seismik
riil sebesar 0,975 sedangkan pada inversi model based sebelah 0,982.
Gambar 5.11 Korelasi dan Error Inversi Linear Sparse Spike
35
Gambar 5.12 Korelasi dan Error Inversi Model Based
Inversi model based yang didapatkan menunjukkan hasil slice impedansi akustik
endapan channel yang cukup baik (ditunjukan berwarna merah). Struktur dari
inversi impedansi akustik digunakan sebagai input overlay terhadap penampang
atribut dan multi atribut.
Gambar 5.13 Hasil Inversi Metode Linear Sparse Spike Pada Sumur AND-30
36
Gambar 5.14 Hasil Inversi Metode Model Based Pada Sumur AND-30
Gambar 5.15 Hasil Slice Impedansi Akustik
Channel
37
5.3 Analisis Atribut Seismik
Setelah mendapatkan inversi zona target, maka dilakukan penerapan atribut
seismik untuk mendapatkan informasi geologi lainnya. Beberapa atribut yang
digunakan adalah atribut energi, R-G-B Blending, amplitudo sesaat, dan
similarity. Atribut energi merupakan atribut respon yang menunjukan setiap
segmen tras strength. Secara matematis, atribut ini merupakan hasil akar dari
penjumlahan nilai sampel tras di time gate atau window tertentu dibagi dengan
jumlah sampel di window tersebut. Atribut energi dapat diartikan juga sebagai
pengukuran reflektivitas di window yang spesifik. Semakin besar energi,
amplitudo semakin besar. Atribut ini meningkatkan variasi lateral event seismik.
Oleh karena itu, atribut ini berguna untuk karakterisasi sifat akustik batuan dan
ketebalan lapisan.
Gambar 5.16 Atribut Energi
Berikutnya adalah menampilkan channel tersebut dengan R-G-B blending.
Penentuan input frekuensi dilihat berdasarkan spektrum frekuensi data seismik
orisinil. Nilai frekuensi rendah merupakan puncak pertama spektrum dan nilai
frekuensi tinggi merupakan puncak terakhir spektrum. Sedangkan frekuensi
High Low
38
menengah ditentukan berdasarkan rata – rata nilai frekuensi rendah dan frekuensi
tinggi. Penulis mendapatkan nilai frekuensi rendah adalah 10 Hz, frekuensi
menengah adalah 30 Hz, serta frekuensi tinggi adalah 50 Hz.
Gambar 5.17 Spektrum Frekuensi R-G-B Blending
R-G-B blending yang diterapkan menggunakan Fast Fourier Transform yang
berguna untuk mendapatkan informasi bentuk serta delineasi struktur stratigrafi
sepanjang lapisan. Daerah yang berwarna ungu diperkirakan channel.
Gambar 5.18 R-G-B Blending
39
Atribut similarity dapat dimanfaatkan untuk menonjolkan perubahan lateral
seismik akibat perbedaan kondisi geologi. Semakin tinggi nilainya, maka tras
seismik semakin mirip atau berada di lingkungan pengendapan yang sama.
Gambar 5.19 Similarity
Atribut amplitudo sesaat digunakan untuk menganalisis sesar atau lingkungan
pengendapan channel. Atribut ini juga merupakan alat efektif untuk
mengidentifikasi anomali direct hydrocarbon indicator. Misalnya, reservoar gas
sering muncul sebagai refleksi beramplitudo tinggi dan terang.
Gambar 5.20 Amplitudo Sesaat
High Low
High Low
40
Dengan beberapa atribut tersebut, endapan channel dapat diidentifikasi dengan
baik. Selanjutnya, melakukan karakterisasi endapan channel terutama
memperkirakan nilai sebaran porositasnya dengan analisis inversi post stack
seismik.
5.4 Karakterisasi Dengan Multi Atribut
Secara umum, karakterisasi dengan multi atribut berarti mengekstrak data log
sumur serta data inversi ke dalam data seismik awal. Hal ini bertujuan untuk
memperkirakan penampang seismik dengan citraan berdasarkan log data sumur.
Penulis menggunakan tiga log data sumur untuk karakterisasi yaitu gamma ray,
densitas, dan porositas. Metode yang digunakan adalah regresi linear multi atribut
dan neural network.
Korelasi yang dihasilkan neural network lebih besar dari regresi linear multi
atribut, karena neural network mempunyai operasi yang non linear. Neural
network cocok dilakukan untuk window analisis yang kecil karena akan memakan
waktu yang sangat lama jika diaplikasikan ke seluruh penampang. Neural network
sangat baik dalam interpolasi data, tetapi tidak untuk ekstrapolasi data. Oleh
karena itu, interval yang berada di luar window analisis akan mempunyai validasi
yang rendah. Pada penampang volume pseudo gamma ray terlihat kemiripan yang
cukup baik antara data gamma ray sumur dan prediksi penampang seismik
gamma ray.
41
Gambar 5.21 Penampang Pseudo-Gamma Ray PNN Pada Sumur AND-30
Penampang volume pseudo densitas serta pseudo porositas juga memiliki
kemiripan antara data log sumur dan data prediksi. Hasil ini menunjukkan
prediksi penampang seismik dengan menggunakan neural network cukup
mendekati nilai data log sumur.
Gambar 5.22 Penampang Pseudo-Densitas PNN Pada Sumur AND-30
42
Gambar 5.23 Penampang Pseudo-Porositas PNN Pada Sumur AND-30
Untuk mengetahui nilai gamma ray, densitas, serta porositas di daerah yang
diperkirakan sebagai endapan channel, maka dibuat sayatan horizontal (time
slice) pada window 40 ms di bawah horizon 1 (sesuai slice impedansi akustik).
Terlihat nilai gamma ray berkisar antara 50 - 58 API. Hal ini menunjukan bahwa
area tersebut sedikit mengandung shale dan cukup berpotensi sebagai reservoir.
Gambar 5.24 Slice Gamma Ray Hasil Aplikasi PNN
Daerah Prospek
43
Pada slice densitas, terlihat nilai densitas berkisar antara 2, 3 - 2, 5 gram/cm3 di
area yang diperkirakan sebagai endapan channel. Diperkirakan area tersebut
memiliki litologi batupasir yang berpotensi mengandung hidrokarbon.
Gambar 5.25 Slice Densitas Hasil Aplikasi PNN
Pada slice porositas, terlihat nilai porositas berkisar antara 15 - 18 %.
Diperkirakan area tersebut memiliki litologi batupasir yang berpotensi
mengandung hidrokarbon dengan porositas cukup baik.
Gambar 5.26 Slice Porositas Hasil Aplikasi PNN
Daerah Prospek
Daerah Prospek
44
Ketiga horizon slice di atas menunjukkan konsistensi yang cukup seragam di
daerah yang diperkirakan sebagai endapan channel, sehingga dapat dianalisis
bahwa daerah tersebut memiliki litologi batupasir yang mengandung sedikit shale
dengan densitas 2, 3 – 2, 4 g/cm3 dan porositas 15 – 18 %. Maka, daerah tersebut
memiliki potensi yang cukup baik untuk pengembangan lapangan selanjutnya.