penampang seismik saja. Sehingga, pada proses inversi digunakan model low frequency model awal yang didapat dari data sumur untuk mengembalikan lagi
informasi yang hilang. Model ini menggambarkan model struktur kecepatan yang akan digunakan untuk membatasi inversi.
Terdapat beberapa metode yang berkembang untuk mendapatkan nilai inversi
seismik, misalnya metode model based, sparse spike, dan rekursif. Selain itu, terdapat metode inversi yang dikembangkan oleh Lancaster dan Whitcombe 2000
dari BPA yang disebut Coloured Inversion CI. Metode ini bukan metode yang paling baik di kelasnya, tetapi metode ini cukup cepat dan lebih mudah digunakan.
Hasil inversi dengan metode CI ini juga masih lebih handal dibandingkan dengan ‘metode cepat’ lainnya seperti inversi rekursif. Bahkan hasil inversinya cukup mirip
dengan hasil inversi dengan metode sparse spike yang membutuhkan waktu lebih lama dalam pengerjaannya. Penerapan metode ini dengan menggunakan operator
inversi yang didesain berdasarkan fakta bahwa trend dari spektrum log impedansi akustik di suatu reservoar mempunyai bentuk konstan. Hal ini mengindikasikan
bahwa sebuah operator konvolusi dapat digunakan untuk melakukan proses inversi.
3.6 Neural Network
Penggunaan multiatribut pada dasarnya dilakukan dengan mencari hubungan statik antara data log dan set dari atribut seismik pada lokasi sumur, lalu memanfaatkan
hubungan tersebut untuk membuat suatu volum properti log yang diinginkan. Multiatribut merupakan suatu proses ekstraksi beberapa atribut dari data seismik
yang mempunyai korelasi yang baik terhadap data log yang pada akhirnya digunakan untuk memprediksi data log pada setiap lokasi di volum seismik. Untuk
menentukan atribut seismik yang akan digunakan dalam proses tersebut, dilakukan uji statistik antara kedua data tersebut data log dan atribut seismik, sehingga dapat
diketahui hubungan antara keduanya. Regresi multiatribut dapat berjalan dengan baik apabila ada relasi linear fungsional yang baik di antara log yang diprediksi dan
atribut seismik. Pada kasus hubungan yang non-linear kita dapat mengaplikasikan transformasi tersebut dengan metoda neural network sebagai algoritma prediksi.
Dalam penelitian ini, neural network yang digunakan adalah Probabilistic Neural
Network PNN. Transformasi multi-atribut menggunakan Probabilistic Neural Network merupakan skema interpolasi secara matematis yang menggunakan
arsitektur neural network dalam penerapannya. Dalam pendekatan PNN, bobot dikalkulasikan m
enggunakan konsep “jarak” dalam spasi atribut antara titik yang diketahui nilainya dan titik yang tidak diketahui. Ide dasar di balik PNN adalah
menggunakan kumpulan dari satu atau lebih nilai terukur variabel independen untuk memprediksi nilai variabel dependen tunggal.
Pemecahan masalah dengan cara membandingkan atribut baru dan atribut yang
telah diketahui. Nilai yang diestimasi merupakan kombinasi linear dari nilai training yang diketahui:
Ø = W
1
Ø
1
+ W
2
Ø
2
+ W
3
Ø
3
17
dimana adalah konvolusi , Ø = nilai porosity, dan W= bobot.
Bobot ini tergantung pada jarak antar titik yang dicari dengan titik training. Output
Ø ?
Dalam prakteknya, penggunaan PNN dapat dibagi menjadi empat langkah:
a Analisis regresi stepwise multi linier dan validasi b Training neural network untuk menentukan hubungan non-linier antara
atribut seismik dan properti reservoar di lokasi sumur c Menerapkan neural network yang telah di-training pada data volume seismik
d Validasi hasil dengan satu sumur dan memprediksi dari sumur lainnya.
3.7 Tinjauan Umum Well-logging
Data well-logging merupakan data yang diperoleh dari pengukuran langsung pada lubang borsumur yang ditampilkan pada rekaman berupa log. Log adalah suatu
grafik kedalaman atau waktu dari satu set data yang menunjukan parameter yang diukur secara berkesinambungan di dalam sebuah sumur. Kurva log memberikan
informasi geologi bawah permukaan dalam bentuk parameter tertentu di lubang bor dengan resolusi yang cukup tinggi.
Karena tingkat akurasinya yang tinggi, maka data log dijadikan sebagai kontrol
terhadap data seismik untuk identifikasi litologi, sebaran fasies, dan evaluasi formasi terutama dalam identifikasi hidrokarbon. Dalam penelitian ini, data log
utama yang digunakan adalah log Gamma Ray, log Bulk Density, log Sonik DT P-
wave dan log DTS S-wave, log Neutron Porosity, log Resistivity.
3.7.1 Log Gamma-ray GR
Rekaman dalam log yang ditampilkan oleh alat device yang menangkap sinar Gamma menunjukkan tingkat radioaktivitas beberapa unsur yang terkandung dalam
mineral batuan. Radioaktivitas yang dicatat pada log GR berasal dari 3 unsur
radioaktif yang yaitu Uranium-U, Thorium-Th dan Potasium-K. Unsur-unsur ini secara terus menerus memancarkan GR dalam bentuk pulsa-pulsa energi radiasi.
Sinar Gamma ini mampu menembus batuan dan terdeteksi dalam bentuk pulsa listrik. Parameter yang direkam adalah jumlah dari pulsa yang tercatat per satuan
waktu. Log GR diskala dalam satuan API GAPI. Satu GAPI adalah 1200 dari respon
yang didapat dari caliber standar suatu formasi tiruan yang berisi Uranium, Thorium, dan Potassium dengan kuantitas yang diketahui dengan tepat dan diawasi
oleh American Petroleum Institute API di Houston Texas. Umumnya log disajikan dengan skala 0-100 atau 0-150 GAPI. Hasil analisis dari North American
Shale Composite NASC melaporkan bahwa standar referensi nilai dari Th 12.3 ppm, U 2.66 ppm, dan K 3.2 sebanding dengan pembacaan log 121.7 API.
Biasanya unsur U, Th, dan K merupakan kandungan alami dari mineral lempung
atau serpih. Umumnya batupasir, batugamping, dan dolomit memiliki konsentrasi isotop radioaktif U, Th, K dengan jumlahnya relatif lebih sedikit daripada
lempung. Dengan demikian semakin besar respon radiasi yang dicatat pada log menunjukkan makin banyak pula mineral lempung yang terdapat pada formasi.
Namun tidak selalu nilai Gamma ray tinggi akan berasosiasi dengan batuan lempungserpih.
Dari sifat tersebut fungsi utama Log GR dalam aplikasi stratigrafi dan geologi minyak bumi adalah sebagai “log lempung” untuk membedakan antara lempung
dan formasi “bersih” dan juga untuk mengevaluasi proporsi lempung V-shale dalam shaly formations.
