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.
0. 863
Gambar 5.8 Well Seismic Tie Sumur AND-30 Dengan Korelasi 0.863
33
0. 874
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
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
Channel
Gambar 5.14 Hasil Inversi Metode Model Based Pada Sumur AND-30
Gambar 5.15 Hasil Slice Impedansi Akustik
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. Low
High
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
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. Low
High
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.
Low
Gambar 5.20 Amplitudo Sesaat
High
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.
Daerah Prospek Gambar 5.24 Slice Gamma Ray Hasil Aplikasi PNN
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.
Daerah Prospek 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.
Daerah Prospek Gambar 5.26 Slice Porositas Hasil Aplikasi PNN
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.
