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.