- Super Gather
Super gather merupakan proses penggabungan beberapa CDP yang berdekatan untuk mengurangi noise random sehingga reflektor seismik zona target menjadi
lebih jelas. Hasil dari proses super gather dapat dilihat pada Gambar 4.3
- Mute
Setelah dilakukan super gather, reflektor masih terlihat noisy pada far offset-nya. Proses muting dilakukan untuk memotong data gather pada far offset yang noisy
dan akan mengganggu perhitungan atribut AVO. Proses ini dilakukan berdasarkan incident angle yang dianggap cukup optimal, yaitu 0-32° seperti yang ditunjukkan
Gambar 4.4 dan Gambar 4.5
- Trim Static
Proses ini membantu menyelesaikan masalah migrasi move-out pada data seismik
pre-stack Gambar 4.6. Hal ini dilakukan untuk meratakan reflektor pada zona
target. Trim static dengan menentukan optimal shift dengan cara cross- correlating untuk diaplikasikan pada trace lain dalam sebuah gather.
Gambar 4.2 Pre-stack Gather
Gambar 4.3 Super Gather
Gambar 4.4 Incident Angle Mute
Gambar 4.5 Muted Gather
Gambar 4.6 Trims Static
2. Analisis AVO - Pick AVO
Pick AVO dilakukan pada data sintetik AVO dari sumur dan pre-stack gather yang sudah dilakukan pre-conditioning trim static untuk mengetahui respon
amplitudo seismik di zona target yang ditunjukkan oleh kurva gradient terhadap offset gradient analysis. Serta dilakukan juga crossplot atribut AVO intercept vs
gradient untuk mendukung penentuan kelas anomali AVO. - Volume Atribut AVO
Atribut AVO dapat dibuat sebagai volume atribut yang mempermudah dalam melihat produk AVO seperti: intercept, gradient, dan product AB.
4.3.3 Pengolahan Data Tahap 3
1. Well-seismic Tie Proses well-seismic tie merupakan pengikatan antara data log sumur dan data
seismik, sehingga data seismik dalam domain waktu dapat berkorelasi dengan data log sumur dalam domain kedalaman. Data log yang digunakan untuk well-
seismic tie ini berupa log sonic yang telah dikoreksi kedalaman dengan data checkshot.
Pada well-seismic tie diperlukan wavelet untuk membuat seismogram sintetik dari
data log. Wavelet ini diperoleh dari ekstraksi dari data seismik di kedalaman dan lebar window tertentu terutama pada zona target. Kemudian diikuti dengan
ekstraksi wavelet dari data sumur untuk mendapatkan korelasi yang lebih baik dengan data seismik.
2. Interpretasi Horizon
Tahapan ini merupakan penelusuran kemenerusan horizon batas perlapisan yang ditandai dengan amplitudo refleksi dari data seismik. Adapun horizon yang
digunakan pada penelitian ini yaitu top Carbonate dan top Belumai SS. 3. Inversi Seismik
- Model Inisial Initial Model Model inisial merupakan model geologi dengan melibatkan horizon daerah target
dan komponen frekuensi rendah dari data sumur sebagai tren efek kompaksi sehingga diperoleh hasil inversi impedansi absolut. Model ini juga berguna untuk
mengetahui batas litologi secara umum dari nilai Acoustic Impedance AI dan Shear Impedance SI pada tiap lapisan.
- Analisis Inversi
Analisis inversi bertujuan untuk menentukan parameter yang akan digunakan pada proses inversi. Hal ini dilakukan agar didapatkan korelasi maksimum antara
seismogram sintetik dan data real seismik, dengan nilai error yang relatif kecil.
4. Transformasi Lambda-Mu-Rho Proses transformasi ini menggunakan data input hasil inversi Acoustic Impedance
AI dan Shear Impedance SI untuk mendapatkan volume Lambda-Rho dan Mu- Rho.
4.3.4 Pengolahan Data Tahap 4
1. Probabilistic Neural Network Tahap ini bertujuan untuk memprediksi properti reservoar seperti distribusi
porositas dan saturasi air berdasarkan training neural network. Proses ini menggunakan data input log porositas, log saturasi air, data seismik, volume
inversi AI sebagai atribut eksternal. Hasil dari proses ini adalah volume pseudo porositas dan pseudo saturasi air.
4.4 Diagram Alir
Gambar 4.7 Diagram Alir Penelitian