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.
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-RussellGambar 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).
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-RussellHasil 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
3 comments:
Salam kenal Pak Agus...artikelnya bagus2 sekali.
Saya maih belajar sih..tapi coba menjawab pertanyaan di akhir artikel.
Untuk EOR kita taruh sumur injeksi di sebelah kanan penampang seismic ya?
Alasannya apa?
Saya juga setuju mungkin dari XLine 39. Karena dari penyebaran porositasnya dan lebih dalam dari kedalaman targetnya (well)
Post a Comment