Deteksi Struktur Patahan Pada Data Seismik 3D Menggunakan Metode Convolutional Neural Network (CNN)

Franciliano, Andrea (2023) Deteksi Struktur Patahan Pada Data Seismik 3D Menggunakan Metode Convolutional Neural Network (CNN). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03411940000043-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Deteksi struktur patahan merupakan bagian penting untuk menganalisis karakteristik reservoir. Metode seismik merupakan salah satu metode geofisika yang dapat menggambarkan struktur geologi dibawah permukaan. Untuk mengidentifikasi patahan pada data seismik secara konvensional seringkali bersifat subyektif dan memiliki bias sehingga mengakibatkan sulit untuk menentukan keberadaan patahan secara akurat. Mengatasi hal tersebut, digunakan kecerdasan buatan atau Artificial Intelligence (AI) yang memiliki kemampuan manusia untuk mendeteksi patahan pada data seismik 3D. Salah satu cabang AI yang cocok untuk melakukan hal tersebut yaitu Convolutional Neural Network (CNN) dikarenakan metode tersebut khusus digunakan untuk data berbentuk citra. Pemodelan CNN dilakukan dan mendapatkan tingkat akurasi sebesar 95%. Hasil dari pengolahan dengan metode CNN akan dibandingkan dengan atribut seismik dan kondisi geologi pada daerah penelitian untuk memvalidasi hasilnya. Setelah dilakukan perbandingan, terdapat persamaan dari hasil estimasi patahan dari metode CNN dengan metode atribut seismik maupun kondisi geologi daerah penelitian dalam mendeteksi patahan mayor, bahkan hasil estimasi dari metode CNN terlihat dengan lebih jelas dibandingkan dengan atribut seismik. Hasil estimasi dengan menggunakan metode CNN mengestimasi patahan mayor yang berorientasi selatan-utara.
=================================================================================================================================
Fault structure detection is an important part of analyzing reservoir characteristics. The seismic method is one of the geophysical methods that can describe the geological structure below the surface. To identify faults in conventional seismic data is often subjective and biased, making it difficult to determine the presence of faults accurately. To overcome this, artificial intelligence (AI) is used which has the human ability to detect faults in 3D seismic data. One branch of AI that is suitable for doing this is the Convolutional Neural Network (CNN) because this method is specifically used for image data. CNN modeling was carried out and obtained an accuracy rate of 95%. The results of processing with the CNN method will be compared with the seismic attributes and geological conditions in the study area to validate the results. After comparison, there are similarities in the results of the estimation of the fault from the CNN method with the seismic attribute method and the geological conditions of the study area in detecting major faults, even the estimation results from the CNN method are seen more clearly than the seismic attributes. Estimation results using the CNN method estimate a major fault with a south-north orientation.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, Patahan, Seismik 3D, Faults, 3D Seismic
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QE Geology > QE539.2.S4 Seismic models Q Science > QE Geology > QE601 Geology, Structural
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis
Depositing User:	Andrea Franciliano
Date Deposited:	09 Oct 2023 07:38
Last Modified:	09 Oct 2023 07:38
URI:	http://repository.its.ac.id/id/eprint/104035

Actions (login required)

View Item