Dynamic Range dan Bit

Sebagaimana yang kita ketahui, data seismik memiliki rentang frekuensi tertentu (lihat Frekuensi Gelombang Seismik) yakni 10 sampai 70Hz dengan frekuensi dominan sekitar 30Hz. Selain memiliki rentang frekuensi tertentu, data seismik memiliki rentang amplitudo tertentu pula.

Didalam terminologi seismik, rentang amplitudo ini dikenal dengan dynamic range.
Besaran dynamic range, dapat dideskripsikan dengan bilangan, bit, decibel dan magnitudo.
Hubungan antara bit, dynamic range (bilangan), decibel (dB) dan magnitudo adalah sbb:

Dynamic range (bilangan)= 2^bit
Decibel= (bit-1) X 6
Magnitudo = decibel/20

Berikut contohnya:

Tipikal data seismic pada proses pengolahan (seismic processing), memiliki dynamic range antara 40 s/d 60dB. Pada perekaman data seismic (recording) memiliki dynamic range sekitar 120dB dan plot data seismik memiliki dynamic range sekitar 12 s/d 24dB.

Semakin tinggi dynamic range yang dipilih didalam loading maupun saving, maka 'resolusi ' data seismik tersebut semakin tinggi. Sayangnya, dynamic range yang tinggi akan memakan space pada hard disk dan mengakibatkan computation time yang lebih lambat.

Dengan demikian, pemilihan dynamic range yang tepat sesuai dengan kebutuhannya merupakan hal yang penting. Sebagai contoh untuk sebuah project interpretasi regional, mungkin data seismic dengan 8 bit saja sudah cukup memadai. Sedangkan untuk interpretasi detail atau komputasi seismic attribute misalnya, minimal data yang digunakan memiliki 16 bit.

Gambar dibawah ini menunjukkan perbandingan data seismik dengan format 32 bit dan 8 bit. Terlihat bahwa jika data seismic format 32 bit dengan rentang amplitudo sekitar -13000 s/d 13000, lalu menyimpannya kembali dengan format 8 bit, maka rentang amplitudo data tersebut menjadi 256/2= 128, atau antara -127 s/d 128, sehingga amplitudo yang lebih kecil dari -127 akan di-clip menjadi -127 dan ampitudo yang lebih besar dari 128 akan di-clip menjadi 128. Akibat adanya clipping di atas, maka reflektor pada zona tersebut akan terdistorsi secara signifikan.

Modified from James H. et al, 1994

Secara praktis, jika kita memiliki data dengan format tertentu, ada baiknya untuk meng-QC pada display wiggle traces terlebih dahulu, untuk memastikan apakah terjadi clipping atau tidak, jika terjadi clipping dan itu mengganggu interpretasi, maka kita harus loading data dengan bit yang lebih tinggi.

Yang sering dilakukan juga dalam praktek loading dan writing data seismik, jika dynamic range data seismik kita tidak memungkinkan untuk menulisnya ke dalam bit size tertentu (mis. 8 bit), maka data seismik tsb akan kita scale down sehingga dynamic range-nya menjadi 8 bit. Caranya, kita scan seluruh data seismik kita dan kita hitung absolute amplitudo maksimum, kemudian kita tentukan suatu skalar untuk scale down data seismik kita dengan cara [max dynamic range/abs max amplitude]. Misalkan absolute amplitudo maksimum dari data seismik kita adalah 2000, sedangkan kita mau menulis data seismik tsb dgn format 8 bit, maka scalar yg kita pakai agar data tidak ter-clip adalah: 127/2000=0.0635 [Tambahan dari Befriko Murdianto , Chevron Indonesia Company (befriko@gmail.com)]

SELMA

SELMA merupakan kependekan dari Statics Estimation for Long and Medium wavelength Anomalies atau "Koreksi Statik untuk Anomali dengan Panjang Gelombang Besar dan Menengah"

Seperti yang kita ketahui, koreksi statik 'konvensional' biasanya digunakan untuk mengkoreksi perbedaan waktu tempuh gelombang seismik karena perbedaan posisi sumber dan penerima akibat topografi permukaan pada data seismik yang direkam di darat.

Untuk data seismik yang direkam di laut, karena posisi sumber dan penerimanya berada pada suatu kedalaman tertentu dari permukaan laut, maka koreksi statik di laut menjadi relatif lebih mudah karena prosesnya hanya berupa pergeseran waktu konstan sesuai kedalaman sumber dan penerima dari permukaan laut.

Pada beberapa kasus, misalnya pada daerah permafrost atau pun daerah yang banyak terdapat shallow gas pockets, dapat terjadi perbedaan waktu tempuh gelombang seismik akibat anomali kecepatan dari keadaan geologi tersebut.

Untuk lebih jelasnya, lihat Gambar 1 di bawah ini yang menggambarkan suatu medium bawah permukaan dengan kecepatan medium konstan yakni 2000m/s. Sumber seismik berada pada kedalaman 10 meter dari permukaan dan serangkaian penerima berada di permukaan dengan jarak antar penerima 40 meter dan near-offset (jarak dari sumber ke penerima terdekat) 80 meter.

Gambar 1. Konfigurasi sumber seismik (bintang merah) dan rangkaian penerima gelombang seismik (segitiga biru) pada medium dengan kecepatan konstan 2000m/s.

Gambar 2 di bawah ini menunjukkan bagaimana perjalanan sinar gelombang seismik pada medium tersebut (panel atas). Terlihat bahwa tidak ada anomali pada kurva waktu tempuh gelombang seismik (panel bawah), di mana kurva waktu tempuhnya berbentuk hiperbolik akibat konfigurasi sumber dan penerima.

Gambar 2. Sinar gelombang seismik pada medium di Gambar 1 (panel atas) dan kurva waktu tempuhnya (panel bawah).

Selanjutnya bayangkan seandainya medium yang sama seperti Gambar 1 tetapi memiliki anomali slow-velocity seperti terlihat di Gambar 3. Sinar gelombang seismik untuk Gambar 3 terlihat di Gambar 4 (panel atas). Terlihat bahwa kurva waktu tempuhnya kini memiliki semacam diskontinuitas untuk penerima yang sinarnya melalui anomali dan yang tidak (panel bawah).

Seandainya kita melakukan koreksi NMO dan partial stacking antara near-offset dan far-offset, maka dapat kita hitung berapa besar koreksi pergeseran waktu yang diperlukan untuk mengoreksi perbedaan waktu tempuh ini berdasarkan prinsip kroskorelasi. Ini adalah prinsip dari koreksi statik untuk anomali dengan panjang gelombang besar dan menengah. Di WesternGeco, metode ini dikenal dengan istilah SELMA (Statics Estimation for Long and Medium wavelength Anomalies).

Gambar 3. Sama seperti gambar, tapi dengan anomali slow-velocity pada kedalaman 200m dengan ketebalan 100m dan panjang 280m.

Gambar 5 menunjukkan suatu contoh shot record dari data seismik laut di Indonesia yang memiliki shallow gas pockets. Terlihat bahwa pada shot gather ini terdapat diskontinuitas yang mirip dengan pemodelan yang kita buat. Hal ini menandakan bahwa pada daerah ini kemungkinan terdapat shallow velocity anomaly seperti pada model yang kita buat.

Gambar 4. Sinar gelombang seismik untuk model pada Gambar 3 (panel atas) dan kurva waktu tempuhnya (panel bawah).

Gambar 5. Contoh shot record dari salah satu data seismik laut di Indonesia. Terlihat anomali yang mirip dengan model di atas.

Perbedaan selisih waktu antara near-offset dengan far-offset stack dapat digunakan untuk memperkirakan berapa besar koreksi statik yang diperlukan untuk mengoreksi perbedaan waktu tempuh ini. Hal ini dapat dilakukan dengan mudah melalui analisa kroskorelasi antara near-offset stack dengan far-offset stack. Gambar 6 menunjukkan kroskorelasi antara near-offset stack dengan far-offset stack untuk daerah yang memiliki anomali. Idealnya, kroskorelasi ini merupakan garis lurus karena tidak ada perbedaan waktu tempuh antara near dan far-offset stack setelah koreksi nmo. Namun, karena ada perbedaan waktu tempuh akibat shallow velocity anomaly, maka kroskorelasinya berundulasi sesuai besarnya selisih waktu tempuh antara near dan far-offset stack. Terlihat bahwa kroskorelasi ini memiliki panjang gelombang besar hingga menengah sehingga disebut anomali statik dengan panjang gelombang besar dan menengah. Gambar 7 menunjukkan kroskorelasi seperti Gambar 6, namun setelah dilakukan koreksi statik. Terlihat bahwa perbedaan waktu tempuh antara near dan far-offset stack telah dapat dikoreksi dengan cukup baik.

Gambar 6. Kroskorelasi antara near dengan far-offset stack untuk daerah yang memiliki anomali.

Gambar 7. Kroskorelasi antara near dengan far-offset stack setelah koreksi statik. Terlihat bahwa perbedaan waktu tempuh telah dapat dikoreksi dengan cukup baik.

Gambar 8. CMP gathers sebelum koreksi statik. Terlihat event yang tidak flat akibat efek statik (elips).

Gambar 8 dan Gambar 9 menunjukkan CMP gathers sebelum dan setelah koreksi statik. Terlihat bahwa event pada CMP gather yang tadinya tidak flat akibat adanya anomali kini menjadi flat setelah dilakukan koreksi statik.

Gambar 9. CMP gathers setelah koreksi statik. Terlihat event sekarang menjadi flat setelah koreksi statik (elips).

Teks dan gambar-gambar untuk topik SELMA ini merupakan kontribusi dan courtesy Befriko Murdianto , Chevron Indonesia Company (befriko@gmail.com)

Multiattribute Analysis

Adalah sebuah analisis seismik untuk memprediksi sifat reservoir seperti porositas, vshale, water saturation, dll., berdasarkan masukan data atribut seismik. Algoritma didalam multiatribut analisis cukup beragam.

Software komersial seperti Hampson-Russell menggunakan Multi Linear Regression (MLR) dan Artificial Neural Network Analysis (ANN) sebagai algoritma untuk analisis multiatribut ini.

Tahapan-tahapan didalam studi ini meliputi: well seismic tie, log filtering (lihat penjelasan dibawah), pemilihan atribut yang sesuai, krosploting, analisis multiatribut untuk ‘training data’ (yakni data disekitar well), penerapan multiatribut untuk seluruh volume data. Jika memungkinkan melakukan ‘normalisasi’ hasil akhir jika kita tidak setuju dengan persamaan yang ditunjukkan oleh hasil krosplotting.

Gambar-gambar dibawah ini menunjukkan contoh penerapan ANN pada multiattribut analysis untuk memprediksi porositas reservoir berdasarkan data impedance (hasil seismik inversi), Amplitude Weighted Frequency, Cosine Instantaneous Phase, Integrate, Y-Coordinate, Integrated Absolute Amplitude.

Courtesy Hampson-Russell

Gambar diatas menunjukkan penerapan multi attribute analysis untuk training data. Perhatikan hasil prediksi porositas (merah) memiliki kemiripan dengan porositas target dari well (hitam). Hal penting didalam menerapkan analysis ini adalah kita harus melakukan band-pass filter untuk data log sehingga memiliki rentang frekuensi yang sama dengan rentang frekuensi seismik, katakanlah band pass dengan 2-10-45-65Hz.

Gambar dibawah menunjukkan krossplotting antara porositas prediksi dengan porositas target. Ini merupakan contoh data yang ideal karena kita memiliki nilai koefisien korelasi 92%. Umumnya nilai korelasi setinggi ini sangat sulit untuk didapatkan. Berapakah nilai korelasi yang bisa diterima? Didalam teori statistik, nilai korelasi dibawah 10-30% dikatakan kecil, 30-50% disebut medium dan diatas 50% disebut besar (Wikipedia).

Courtesy Hampson-Russell

Hasil akhir penampang porositas yang dihasilkan melalui analisis multiattribut ditunjukkan pada gambar di bawah ini. Perhatikan porositas reservoir channel cukup berkorelasi dengan baik dengan kurva P-wave.

Berdasarkan penampang dibawah ini, jika kita ingin melakukan steam injection untuk proyek EOR (Enhance Oil Recovery), di manakah kita harus menempatkan sumur injeksi? Sebelah kiri atau kanan ?

Courtesy Hampson-Russell

Multi Linear Regression (MLR)

MLR merupakan metoda untuk memprediksi sebuah nilai target berdasarkan beberapa variable masukan.

Secara matematis MLR dapat dituliskan sbb:
Persamaan diatas menunjukkan multi linear regresi untuk mencari nilai y berdasarkan input x₁, x₂ dan seterusnya sampai x_i . Penyelesaian persamaan ini adalah mencari nilai koefisien b dan konstanta α

Untuk memperoleh nilai α dan koefisien b, maka langkah matematis yang dilakukan adalah dengan meminimalkan selisih antara nilai target dengan nilai prediksi. Nilai selisih tersebut biasanya dituliskan dalam R²
Definisi meminimalkan adalah turunan pertama dari R² terhadap masing-masing variable input sama dengan nol.

Didalam dunia seismik, metoda ini populer digunakan seperti untuk memprediksi sifat porositas, vshale, permeabilitas (?) berdasarkan input seperti quadrature, near, mid, far stack, instantaneous phase, instantaneous frequency, reflection strength, dll.

Didalam memilih variabel input untuk memprediksi suatu target output tertentu haruslah memiliki alasan adanya hubungan sifat fisis diantara keduanya.

Artificial Neural Network (ANN)

Artificial Neural Network (ANN) atau jaringan syaraf tiruan adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan perilaku jaringan syaraf manusia (Wikipedia).

Algoritma ANN lahir dari gagasan seorang psikolog Warren McCulloch dan Walter Pitts pada 1943 yang menjelaskan cara kerja jaringan syaraf dengan perangkat jaringan elektronik.

Didalam dunia seismik eksplorasi, algoritma ANN sudah cukup populer diaplikasikan, diantaranya untuk identifikasi noise, estimasi wavelet, analisa kecepatan, analisis gelombang geser, autotracking reflector, prediksi hidrokarbon, karakterisasi reservoir, dll.

Konfigurasi sederhana algoritma ANN dapat dijelaskan pada gambar dibawah ini:

Courtesy Hampson Russell

Dari gambar di atas terlihat bahwa, prinsip dasar ANN adalah sejumlah parameter sebagai masukan (input layer) diproses sedemikian rupa didalam hidden layer (perkalian, penjumlahan, pembagian, dll.), lalu diproses lagi didalam output layer untuk menghasilkan sebuah output.

Courtesy Hampson Russell

Gambar diatas menunjukkan contoh penerapan ANN untuk data seismik, katakanlah kita memiliki beberapa input seperti impedance (x1), reflection strength (x2), instantaneous frequency (x3),… dll . yang akan digunakan untuk memprediksi porositas reservoir sebagai output. Maka secara sederhana porositas reservoir akan didapatkan dengan mengkalikan setiap sampel data input dengan suatu pembobotan (weight) lalu dijumlahkan, lalu hasil penjumlahan tersebut menjadi input untuk fungsi aktivasi untuk menghasilkan parameter porositas.

Fungsi aktivasi tersebut dapat berupa sigmoid function ataupun hyperbolic tangent function (perhatikan keterangan dibawah ini).

Courtesy Hampson Russell

Tentu kita menginginkan agar nilai porositas yang diprediksi semirip mungkin dengan nilai porositas yang sesungguhnya, dengan kata lain kita harus memiliki nilai selisih (baca error) antara nilai prediksi dengan nilai sesungguhnya yang sekecil mungkin, untuk tujuan ini didalam algoritma ANN di atas, kita harus melakukan updating nilai weight untuk masing-masing input.

Tau-P

Pengolahan data seismic pada domain τ-p sudah cukup lama digunakan didalam industri migas. Sebelum memahami konsep dasar transformasi data seismic dalam gerbang CDP (CDP gather) dari domain t-x (waktu-offset) ke domain τ-p, marilah kita pelajari terlebih dahulu definisi τ dan definisi p.

Hubungan τ dengan waktu (t) dan offset (x) dapat dijelaskan berdasarkan hubungan τ=t-px, p adalah ray parameter atau slowness atau phase velocity dimana p= sin (θ)/v, θ adalah sudut tembak sinar seismic untuk offset (x) dan waktu (t) tertentu.

Gambar dibawah ini mengilustrasikan tiga buah sinar seismic (a, b, c) pada offset x1, x2, x3 dengan sudut θ1, θ2, θ2 dan medium dengan kecepatan v1. Masing-masing sinar akan memiliki ray parameter p1,p2,p3 dan τ1 ,τ2 , τ3.

Untuk konfigurasi diatas, kita akan mendapatkan sebuah rekaman seismic seperti yang diilustrasikan pada gambar (kiri) dibawah ini, demikian juga dengan hasil transformasinya gambar (kanan) [click untuk memperbesar]. Dengan kalkulasi:

p1=sin(θ1)/v1 dan τ1=t1-p1.x1 (trace a)
p2=sin(θ2)/v1 dan τ2=t2-p2.x2 (trace b)
p3=sin(θ3)/v1 dan τ3=t3-p3.x3 (trace c)

Gambar di bawah ini menunjukkan contoh aplikasi transformasi τ-p untuk data real.

Courtesy UCSD

Referensi
Yilmaz, 1987,Seismic Data Processing, Society of Exploration Geophysicists

Controlled Beam Migration (CBM)

Sebelum mempelajari konsep CBM, marilah kita tengok terlebih dahulu konsep migrasi yang cukup populer di industri migas, yakni migrasi Kirchhoff.

Konsep migrasi Kirchhoff terlihat paga Gambar (a) dibawah ini, (click untuk memperbesar) dimana setiap sampel data seismik pada common offset gather dengan domain t-x (waktu-offset) dipetakan disepanjang ‘isochrone’. Isochrone adalah garis/bidang semu dimana jumlah total waktu tempuh ke sumber (ts) dan ke penerima (tr) sama dengan waktu tempuh sampel yang dipetakan.

Untuk memperoleh nilai tp dan ts, langkah pertama yang harus dilakukan adalah melakukan ray-tracing pada model kecepatan tertentu. Proses diatas dilakukan untuk semua sampel waktu pada setiap trace seismik, kemudian amplitudonya dijumlahkan untuk setiap kedalaman.

Courtesy Vinje et al., Firstbreak, Sep. 2008

Mirip dengan migrasi Kirchhoff, Konsep CBM dilakukan pada common offset gather akan tetapi pada domain Tau-P. Transformasi t-x mejadi tau-P, adalah memetakan data pada domain midpoint Xm menjadi domain ray-parameter Pm.

Pada Gambar (b) di atas, terlihat bahwa konsep CBM adalah dengan melakukan pemetaan kembali untuk sampel data pada setiap trace pada daerah yang biru (kanan), dimana jumlah total waktunya sama dengan ts+tr dan jumlah total parameter sinarnya sama dengan Ps+Pr. Pada metoda CBM, konsep ray-tracing nya dilakukan untuk semua kemungkinan jejak sinar.

Gambar dibawah ini menunjukkah perbandingan hasil migrasi metoda Kirchoff dengan metoda CBM, menakjubkan?

Hasil migrasi Kirchhoff

Courtesy Vinje et al., Firstbreak, Sep. 2008

Hasil migrasi CBM

Courtesy Vinje et al., Firstbreak, Sep. 2008

Referensi:
Vinje et al., 2008, Controlled beam migration: a versatile structural imaging tool, first break volume 26, EAGE.

Poisson Impedance

Adalah sebuah atribut yang diturunkan dari kombinasi P Impedance (ρ Vp) dan S Impedance (ρ Vs). Poisson Impedance diklaim sebagai atribut yang berhubungan langsung dengan indicator hidrokarbon.

Ide dasar dari Poisson Impedance dapat dilihat pada gambar dibawah ini:

Courtesy Quakenbush et al. [2006]

Pada gambar diatas, terlihat bahwa dari sifat AI (Acoustic Impedance = P Impedance) dan SI (shear Impedance) , oil sand tidak begitu jelas terpisahkan dari brine sand dan shale.

Untuk memisahkan litologi tersebut, Quakenbush et al. [2006], mengusulkan untuk mengekstrak sifat PI (Poisson Impedance) dengan cara melakukan ‘rotasi’ dari krosplot tersebut .

Secara matematis, hubungan PI, SI dan AI dapat dituliskan sbb:
PI=AI-cSI,

dimana c merupakan parameter rotasi.

Pada prakteknya parameter c adalah inverse dari kemiringan hubungan litologi dan fluida [Hampson-Russell]. Sehingga jika kita mengadopsi persamaan Castagna [1996] untuk batupasir yang tersaturasi air i.e. Vs=0.8042Vp-0.8559 (lihat artikel Vp/Vs pada blog ini), maka c=1/0.8042 = 1.24.

Gambar dibawah ini menunjukkan log Poisson Impedance, Acoustic Impedance, Shear Impedance. Dari gambar tersebut terlihat bahwa, level reservoir yang megandung gas lebih mudah diamati pada log Poisson Impedance.

Courtesy Hampson-Russell

Vp/Vs

Vp/Vs merupakan salah satu sifat fisis yang penting didalam mendeterminasi litologi dari data log maupun data seismik. Disamping itu Vp/Vs merupakan indicator untuk fluida pori (baca hidrokarbon) dalam suatu reservoir.

Idealnya, Vp dan Vs diperoleh dari data sonic P dan sonic S dan seismic multikomponen. Akan tetapi, pengukuran sonic S dan survey seismic multikomponen sangatlah terbatas dibandingkan dengan sonic P dan seismic ‘single’ komponen (P saja).

Oleh karena itu untuk memperoleh informasi Vs, biasanya diperoleh dengan pengukuran empirik suatu sampel batuan ataupun dengan mengadopsi persamaan-persamaan yang dihasilkan oleh peneliti lain.

Berikut ini persamaan Vp dan Vs untuk berbagai jenis litologi yang diperoleh dari pengukuran empirik dari Castagna(1993), Picket (1963) dan Han (1986). Jika kita mengadopsi persamaan tersebut kita harus menyadari bahwa persamaan tersebut belum tentu sesuai dengan kondisi litologi dari daerah yang anda teliti. Karena besarnya rasio Vp/Vs tergantung pada komposisi mineral, porositas, kandungan shale, tekanan, temperatur, dll.

Limestone yang tersaturasi air:
Vs=-0.05508 Vp² +1.0168 Vp-1.0305 [Castagna et al., 1993]
Vs=Vp/1.9 [picket, 1963]

Dolomite yang tersaturasi air:
Vs=0.05832Vp-0.07776 [Castagna et al, 1993]
Vs=Vp/1.8 [picket, 1963]

Batupasir yang tersaturasi air:
Vs=0.8042Vp-0.8559 [Castagna et al, 1993]
Vs=0.7936Vp-0.7868 [Han, 1986]

Batulempung yang tersaturasi air:
Vs=0.8042Vp-0.8559 [Castagna et al, 1993]
Vs=0.7936Vp-0.79 [Han, 1986]

Untuk contoh kasus Indonesia, dalam hal ini Lapangan Kotabatak di Sumatera tengah, makalah Hoehn et al [2005] menunjukkan bahwa Vp/Vs memiliki kisaran 1.65-2.13 untuk batupasir yang poros, 1.58-2.01 untuk batupasir kompak dan 1.82-2.28 untuk batulempung dll. Perhatikan gambar dibawah ini:

Courtesy Hoehn et al., 2005

Adakah diantara pembaca yang dapat sharing informasi Vp/Vs untuk daerah yang lain di tanah air?

Referensi:
Hoehn et al , 2005, Combine geostatistical inversion and simultaneous AVA inversion: extending the life of a mature area, Kotabatak Field, Central Sumatera Basin, Indonesia , Proceedings Indonesian Petroleum Association, 30th Annual Convention & Exhibition, August 2005

Mavko et al, The Rock Physics Handbook: Tools for Seismic Analysis of Porous Media, Cambridge University Press, 2003, ISBN 0521543444, 9780521543446.

Persamaan Faust

Adalah sebuah persamaan yang menguhubungkan sifat kecepatan gelombang (Vp) dengan sifat resistivity.

Hubungannya adalah sbb:

Courtesy CGG Veritas – Hampson Russell

Gambar dibawah ini adalah contoh real dari hubungan antara log sonic dengan log resistivity. Dari sini kita dapat mengetahui koefisien persamaan Faust (a dan c).

Courtesy CGG Veritas – Hampson Russell

Jika kita menganggap data log diatas sebagai sumur bor referensi, yang akan digunakan untuk memprediksi sumur bor lain (yang menjadi target) yang tidak memiliki log sonic tetapi memiliki log resistivity , maka tentu saja kita harus mempertimbangkan ‘kemiripan’ karakteristik geologi sumur bor target dengan sumur bor referensi.

Berikut contoh perbandingan log sonic yang diperoleh dari log resistivity dengan log sonic yang sebenarnya.

Courtesy CGG Veritas – Hampson Russell

Well Seismic Tie

Adalah proses pengikatan data sumur (well) terhadap data seismik. Data sumur yang diperlukan untuk well seismic tie adalah sonic (DT), density (RHOB), dan checkshot. Sebelum diproses, data well tersebut harus dikoreksi terlebih dahulu untuk menghilangkan efek washout zone, cashing shoe, dan artifak-artifak lainya.

Sebagaimana yang kita ketahui, data seismic umumnya berada dalam domain waktu (TWT) sedangkan data well berada dalam domain kedalaman (depth). Sehingga, sebelum kita melakukan pengikatan, langkah awal yang harus kita lakukan adalah konversi data well ke domain waktu. Untuk konversi ini, kita memerlukan data sonic log dan checkshot.

Data sonic log dan checkshot memiliki kelemahan dan keunggulan masing-masing. Kelemahan data sonic diantaranya adalah sangat rentan terhadap perubahan lokal di sekitar lubang bor seperti washout zone, perubahan litologi yang tiba-tiba, serta hanya mampu mengukur formasi batuan sedalam 1-2 feet.

Sedangkan kelemahan data checkshot adalah resolusinya tidak sedetail sonic. Untuk ‘menutupi’ kelemahan satu sama lain ini, maka kita melakukan koreksi dengan memproduksi ‘sonic corrected checkshot’. Besarnya koreksi checkshot terhadap sonic disebut dengan ‘DRIFT’.

Contoh proses matematis koreksi sonic oleh chekshot adalah sbb:
Checkshot data:
Kedalaman 1 = 1000 ft, Waktu 1 = 140 msec
Kedalaman 2 = 1250 ft, Waktu 2 = 170 msec
Checkshot time = 170 - 140 = 30 msec

Jika kecepatan sonic dari 1000 sampai 1250 ft adalah 125 usec/ft, maka waktu tepuhnya (1250 - 1000) x 0.125 = 31.25 msec
DRIFT = 30 - 31.25 = -1.25 msec.

Tahapan berikutnya adalah membuat reflectivity log (dari data sonic dan density), lalu membuat seismogram sintetik dengan cara meng-konvolusi-kan reflectivity log dengan sebuah wavelet.

Berikut contoh nya:

Courtesy Dutch Thompson, Landmark Graphics Corporation, 2003

Pemilihan wavelet merupakan hal yang sangat penting. Karena fasa data seismic akan berubah sejalan dengan bertambahnya kedalaman. Pada SRD (Seismic Reference Datum) mungkin kita akan memiliki wavelet dengan fasa nol (setelah di-zero phase kan dalam prosesing, yang sebelumnya mengikuti signature sumber gelombang sebagai minimum phase), akan tetapi pada kedalam tertentu fasanya dapat berubah.

Dalam membuat sintetik, untuk pertama kali kita dapat menggunakan wavelet sederhana seperti zero phase ricker dengan frekuensi tertentu katakanlah 25Hz. Lalu dengan membandingkan trace sintetik dan trace-trace seismic disekitar bor, kita meng-adjust apakah frekuensi wavelet lerlalu besar atau terlalu kecil. Setelah itu lihatlah fasanya, dan perkirakan fasa wavelet di sekitar zona target.

Lalu anda dapat melakukan shifting dan mungkin (stretching atau squeezing) dari data sumur. Akan tetapi proses shifting janganlah terlalu excessive, katakanlah ~20ms (?), demikian juga dengan proses stretching-squeezing, janganlah melebihi 5-10% (?) dari perubahan sonic atau kecepatan interval.

Jika anda memiliki data well-tops dan seismic horizon yang diperoleh dari interpreter, anda dapat menggunakannya sebagai guidance didalam melakukan well-seismic tie. Jadi sebelum melakukan proses detail di atas, anda dapat melakukan korelasi well-tops terhadap horizon terlebih dahulu.

Untuk kasus sumur bor miring, prosesnya serupa dengan sumur bor vertical, akan tetapi anda harus membandingkan sintetik seismogram dengan data seismic disepanjang sumur bor. Lebih detail lagi, anda dapat melakukan koreksi ‘anisotropi’ terutama untuk log sonic. Ingat ‘penembakan’ sonic dilakukan tegak lurus dengan sumur bor, jadi untuk sumur bor horizontal, kita mengukur sonic kearah vertical. Sedangkan data seismik diasumsikan mengukur secara horizontal.

Berikut contoh hasil well-seismic tie untuk sumur bor miring (deviated). Trace synthetic ditunjukkan dengan warna pink, perhatikan peak pada sintetik cukup berkorelasi dengan baik dengan peak seismik, demikian juga dengan trough-nya.

Petroleum System (Sistem Minyak dan Gas Bumi)

Faktor-faktor yang menjadi perhatian studi Petroleum System adalah batuan sumber (source rocks), pematangan (maturasi), reservoir, migrasi, timing, perangkap (trap), batuan penyekat (sealing rock) dan fracture gradient.

SOURCE ROCKS
Source rocks adalah endapan sedimen yang mengandung bahan-bahan organik yang dapat menghasilan minyak dan gas bumi ketika endapan tersebut tertimbun dan terpanaskan.

Bahan-bahan organik yang terdapat didalam endapan sedimen selanjutnya dikenal dengan kerogen (dalam bahasa Yunani berarti penghasil lilin).

Terdapat empat tipe kerogen:

Tipe I: bahan- bahan organic kerogen Tipe I merupakan alga dari lingkungan pegendapan lacustrine dan lagoon.Tipe I ini dapat mengkasilkan minyak ringan (light oil) dengan kuallitas yang bagus serta mampu menghasilkan gas.

Tipe II: merupakan campuran material tumbuhan serta mikroorganisme laut. Tipe ini merupakan bahan utama minyak bumi serta gas.

Tipe III: Tanaman darat dalam endapan yang mengandung batu bara. Tipe ini umumnya menghasilkan gas dan sedikit minyak.

Tipe IV: bahan-bahan tanaman yang teroksidasi. Tipe ini tidak bisa menghasilkan minyak dan gas.

Kandungan kerogen dari suatu source rock dikenal dengan TOC (Total Organic Carbon), dimana standar minimal untuk 'keekonomisan' harus lebih besar dari 0.5%.

Implikasi penting dari pengetahuan tipe kerogen dari sebuah prospek adalah kita dapat memprediksikan jenis hidrokarbon yang mungkin dihasilkan (minyak, gas, minyak & gas bahkan tidak ada migas).

MATURASI
Maturasi adalah proses perubahan secara biologi, fisika, dan kimia dari kerogen menjadi minyak dan gas bumi.

Proses maturasi berawal sejak endapan sedimen yang kaya bahan organic terendapkan. Pada tahapan ini, terjadi reaksi pada temperatur rendah yang melibatkan bakteri anaerobic yang mereduksi oksigen, nitrogen dan belerang sehingga menghasilkan konsentrasi hidrokarbon.

Proses ini terus berlangsung sampai suhu batuan mencapai 50 derajat celcius. Selanjutnya, efek peningkatan temperatur menjadi sangat berpengaruh sejalan dengan tingkat reaksi dari bahan-bahan organik kerogen.

Karena temperatur terus mengingkat sejalan dengan bertambahnya kedalaman, efek pemanasan secara alamiah ditentukan oleh seberapa dalam batuan sumber tertimbun (gradien geothermal).

Gambar dibawah ini menunjukkan proporsi relatif dari minyak dan gas untuk kerogen tipe II, yang tertimbun di daerah dengan gradien geothermal sekitar 35 °C km ^-1 .

from OpenLearn - LearningSpace

Terlihat bahwa minyak bumi secara signifikan dapat dihasilkan diatas temperature 50 °C atau pada kedalaman sekitar 1200m lalu terhenti pada suhu 180 derajat atau pada kedalaman 5200m. Sedangkan gas terbentuk secara signifikan sejalan dengan bertambahnya temperature/kedalaman.

Gas yang dihasilkan karena factor temperatur disebut dengan termogenic gas, sedangkan yang dihasilkan oleh aktivitas bakteri (suhu rendah, kedalaman dangkal <600m) disebut dengan biogenic gas.

Gambar di bawah ini merupakan contoh penampang kedalaman dari lapisan-lapisan batuan sumber, serta prediksi temperatur dengan cara menggunakan contoh kurva di atas. Dari penampang ini dapat diprediksikan apakah source tersebut berada dalam oil window, gas window, dll. Metoda ini dikenal dengan metoda Lopatin ( 1971). Terlihat jelas, metoda Lopatin hanya berdasarkan temperature dan mengabaikan efek reaksi kimia serta biologi.

Courtesy Fettes College

RESERVOIR
Adalah batuan yang mampu menyimpan dan mengalirkan hidrokarbon. Dengan kata lain batuan tersebut harus memiliki porositas dan permeabilitas.

Jenis reservoir umumnya batu pasir dan batuan karbonat dengan porositas 15-30% (baik porositas primer maupun sekunder) serta permeabilitas minimum sekitar 1 mD (mili Darcy) untuk gas dan 10 mD untuk minyak ringan (light oil).

Berikut contoh-contoh reservoir berikut nilai porositas, permeabilitas, dll. (klik untuk memperbesar):

from OpenLearn - LearningSpace

MIGRASI
Migrasi adalah proses trasportasi minyak dan gas dari batuan sumber menuju reservoir. Proses migrasi berawal dari migrasi primer (primary migration), yakni transportasi dari source rock ke reservoir secara langsung. Lalu diikuti oleh migrasi sekunder (secondary migration), yakni migrasi dalam batuan reservoir nya itu sendiri (dari reservoir bagian dalam ke reservoir bagian dangkal).

from OpenLearn - LearningSpace

Prinsip dasar identifikasi jalur-jalur migrasi hidrokarbon adalah dengan membuat peta reservoir. Kebalikannya dari air sungai di permukaan bumi, hidrokarbon akan melewati punggungan (bukit-bukit) dari morfologi reservoir. Daerah yang teraliri hidrokarbon disebut dengan drainage area (Analogi Daerah Aliran Sungai di permukan bumi). Jika perangkap tersebut telah terisi penuh (fill to spill) sampai spill point, maka hidrokarbon tersebut akan tumpah (spill) ke tempat yang lebih dangkal. Berikut contohnya:

Courtesy Sintef

TIMING
Waktu pengisian minyak dan gas bumi pada sebuah perangkap merupakan hal yang sangat penting. Karena kita menginginkan agar perangkap tersebut terbentuk sebelum migrasi, jika tidak, maka hidrokarbon telah terlanjur lewat sebelum perangkap tersebut terbentuk.

TRAP
Terdapat macam-macam perangkap hidrokarbon: perangkap stratigrafi (D), perangkap struktur (A-C) dan kombinasi (E).

from OpenLearn - Learning Space

SEAL
Seal adalah system batuan penyekat yang bersifat tidak permeable seperti batulempung/mudstone, anhydrite dan garam.

FRACTURE GRADIENT
Didalam evaluasi prospek, kurva fracture gradient diperlukan diantaranya untuk memprediksi sejauh mana overburden rocks mampu menahan minyak dan gas bumi. Semakin tebal suatu overburden, maka semakin banyak volume hydrocarbon yang mampu ‘ditahan’.

Gambar dibawah ini menunjukkan kurva fracture gradient dari gas, minyak dan air formasi dari sebuah lapangan. Berdasarkan kurva ini, jika kita memiliki sebuah perangkap dengan ketebalan overburden (c), maka ketebalan kolom gas maksimal yang mampu ditahan adalah (c-a), dan ketebalan kolom minyak adalah (c-b), selebihnya hidrokarbon tersebut akan merembes keluar penyekat.

Gelombang Prisma (Prism Wave)

Adalah gelombang yang terefleksikan lebih dari satu kali. Gambar dibawah ini mengilustrasikan jejak gelombang prisma yang terefleksikan oleh Top Balder, lalu terefleksikan kembali oleh kubah garam sebelum akhirnya terekam oleh receiver.

Pada rekaman tersebut kita akan melihat jenis gelombang prisma yang dicirikan dengan waktu tempuh lebih lambat dari Top Balder (seperti interbed multiple).

Courtesy Paul A. Farmer and Ian F. Jones, ION GX Technology

Marine Geohazards Site Survey

Survey ini bertujuan untuk mengidentifikasi zona-zona berbahaya di dasar laut sebelum fasilitas pengeboran, pipa, dll. akan ditempatkan.

Zona-zona bahaya tersebut diantaranya kantung-kantung gas, arus air laut, zona sesar atau zona yang tidak stabil, kapal yang karam, bahan peledak peninggalan perang, dll.

Identifikasi zona-zona bahaya tersebut dapat dilakukan melalui analisis data seismic 2D atau pun 3D yang sebelumnya digunakan dalam eksplorasi hidrokarbon, data seismik resolusi tinggi, sonar, multi beam, coring, sampai dengan mempergunakan AUV (Autonomous Underwater Vehicle) untuk melakukan scanning kondisi dasar laut.

Gambar dibawah ini menunjukkan penampang data seismic berikut hasil interpretasi zona-zona berbahaya seperti kantung gas yang ditandai dengan bright spot, masking, chimney, atau pun push down velocity anomaly.

Courtesy Andreassen, 2007

Dibawah ini adalah penampang RMS amplitude dari data seismic 3D. Penampang tersebut hanyalah beberapa meter di bawah dasar laut. Terlihat dengan jelas zona tak stabil seperti sesar, channel, kipas delta, lobes, dan slide scars.

Courtesy Andreassen, 2007

Gambar di bawah menunjukkan citra Side Scan Sonar dari AUV. Terlihat dengan jelas sebuah bom sisa peninggalan perang.

Courtesy Samuel, 2007

Gambar di bawah ini menunjukkan sebuah platform semi-submersible seharga 350 juta dollar milik Petrobras yang tenggelam pada bulan Maret, 2001. Sebagian analisis menyebutkan bahwa penyebab tenggelamnya platform tersebut adalah gas bubble yang dihasilkan oleh kantung-kantung gas di bawah platform.

Photo courtesy Wikipedia

Referensi:

Andreassen, K, et al., 2007, Analysis of shallow gas and fluid migration within the Plio-Pleistocene sedimentary succession of the SW Barents Sea continental margin using 3D seismic data, Springer-Verlag.

Samuel, L.B., 2007, Special Session: AUVs: Groundtruthing High-Resolution AUV Side Scan Sonar Contacts for Unexploded Ordnance in a Deepwater GeoHazard Assessment, Offshore Technology Conference, Houston, Texas, U.S.A.

RTM (Reverse Time Migration)

Adalah salah satu metoda migrasi mutakhir yang mampu menangani proses migrasi pada struktur yang kompleks (iluminasi gelombang yang terbatas, dip yang tinggi >85 derajat, gelombang prisma, dll.) - yang sebelumnya tidak bisa ditangani oleh metoda migrasi konvensional (Stolt, Wave Equation Migration -WEM, Kirchhoff, dll.).

Kelebihan RTM tersebut karena metoda ini melakukan solusi persamaan gelombang dalam dua arah (forward dan reverse):

1. Pemodelan ke depan (forward modelling) dari sumber gelombang, jadi seandainya kita memiliki sumber gelombang di permukan bumi, maka hasil modelingnya merupakan downgoing waves.
2. Reverse time modelling dari receiver dengan waktu terbalik (waktu paling akhir terlebih dahulu).
3. Kros Korelasi (Cross Correlation) dari hasil (1) dan (2).
4. Penjumlahan dari sample-sample yang dihasilkan sehingga diperoleh cube seismic.

Dengan proses (1) dan (2) di atas seolah-olah kita 'menyinari ' objek bawah permukaan dari dua arah (dari arah atas dan dari arah bawah).

Contoh di bawah ini menunjukkan kelebihan RTM (kanan) dibandingkan dengan WEM (kiri) untuk mempertajam perangkap stratigrafi akibat intrusi garam.

Untuk kasus di Indonesia, metoda RTM mungkin berguna untuk mempertajam perangkap stratigrafi dengan dip yang besar atau potensial perangkap dalam di bawah carbonate (?).

Courtesy of Paul Farmer (GX Technology), 2006.

Anomalous Amplitude noise Attenuation (AAA)

Adalah teknologi pengolahan data seismik yang merupakan multi step flow (tahapan prosesing bertingkat). AAA ditujukan untuk mengidentifikasi anomali amplitudo seismik (dalam hal ini amplitudo noise) seperti spike noise, swell noise, trace yang bernoise, dll.

AAA merupakan filter yang diterapkan pada data didalam domain frekuensi baik dalam CDP, shot maupun offset gather.

Gambar di atas adalah contoh aplikasi AAA didalam pengolahan data seismik. (A) adalah CDP gather sebelum, (B) adalah setelah proses AAA dan (C) adalah perbedaan antara A dan B. Perhatikan noise di dalam lingkaran hitam yang dapat dihilangkan dengan baik setelah proses AAA.

Teknologi AAA merupakan salah satu portofolio pengolahan data seismik yang dimiliki oleh Western Geco.

R3M (Remote Resistivity Reservoir Mapping)

Akhir-akhir ini, metodologi R3M semakin populer digunakan untuk mendeteksi apakah sebuah reservoir mengandung hidrokarbon (HC) atau tidak.

(from Srnka, 2007)

Penggunaan R3M dalam mendeteksi HC berangkat dari pemahaman bahwa terdapat perbedaan sifat fisika (dalam hal ini adalah RESISTIVITAS) antara reservoir yang mengandung HC dan tidak (saline brine). Gambar diatas (kanan) menunjukkan bahwa reservoir yang mengandung HC akan memiliki resistivitas lebih tinggi daripada reservoir yang tidak megandung HC (mengandung saline brine).

Jika kita melihat tabel diatas (kiri), survey R3M akan memiliki tantangan yang serius jika kontras resistivitas antara reservoir yang mengandung HC dan yang tidak mengandung HC
terlalu kecil. Walaupun demikian, kita masih memiliki ‘harapan’ jika kontras resistivitas tersebut cukup besar.

(modified from Srnka, 2007)

Berdasarkan tabel di atas, frekuensi sinyal R3M berkisar antara ~0.125 sampai 20Hz. Terlihat jelas bahwa R3M memiliki ‘irisan’ dengan frekuensi gelombang seismik refleksi (i.e. 10 – 120 Hz). Akan tetapi pada prakteknya, kisaran frekuensi R3M yang digunakan sangat kecil (sekitar 0.125 s.d 2.0Hz).

Teknik pengambilan data R3M serupa dengan teknik pengambilan data seismik 2D OBC (Ocean Botton Cable). Sumber listrik (Source) ditarik oleh sebuah kapal survey dengan kecepatan 1-2 knot. Posisi sumber ditempatkan berapa beberapa meter diatas dasar laut (25-30m), sedangkan penerima (receivers) ditempatkan pada dasar laut. Perhatikanlah sketsa pengambilan data R3M dan perangkat-perangkatnya pada gambar dibawah ini:

(from Amundsen, 2006)

(from Rosten et al., emgs)

Gambar dibawah menunjukkan respon data R3M untuk sebuah survey. Pada Gambar A, titik-titik MERAH menunjukkan respon untuk reservoir yang mengandung HC dan PUTIH untuk latar belakang saline brine (wet). Sementara gambar (B) adalah rasio antara kasus HC dan kasus saline brine (wet). Pada gambar B terlihat jelas bahwa kehadiran HC akan menghasilkan respon peningkatan magnitude lalu penurunan megnitudo resistivitas sejalan dengan bertambahnya offset.

Gambar A (modified from Johansen, 2008)

Gambar B (modified from Johansen, 2008)

Referensi:

Amundsen, et. al, Decomposition of electromagnetic fields into
upgoing and downgoing components, Geophysics, vol 71, no 5, October 2006.

Johansen, S., et al., How EM survey analysis validates current technology, processing and interpretation methodology, first break vol 26 June 2008.

Rosten, T., et.al, Stat Oil R&D Center, Norsk Hydro R&D Center, Electromagnetic Geoservices (emgs), Earth and Planetary Exploration Services (EPX).

Srnka, L.J. (ExxonMobil Upstream Research Company, Houston, TX), EGM 2007 International Workshop, Innovation in EM, Grav and Mag Methods: a new Perspective for Exploration
Capri, Italy, April 15 – 18, 2007.