Klasifikasi Litologi Fasies Dengan Metode Convolutional Neural Network Pada Sumur “X”

Pratiwi, Anindita Rosmelia (2021) Klasifikasi Litologi Fasies Dengan Metode Convolutional Neural Network Pada Sumur “X”. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

	Text 03411740000050-Undergraduate_Thesis.pdf Restricted to Repository staff only until August 2023. Download (2MB) | Request a copy
	Text 03411740000050-Undergraduate_Thesis.pdf Restricted to Repository staff only until August 2023. Download (2MB) | Request a copy

Abstract

Metode Convolutional Neural Network (CNN) merupakan metode dari cabang machine learning yang diadaptasi dari penggunaan cara kerja otak manusia. Metode CNN digunakan dengan mempermudah suatu data yang bersifat besar secara kuantitas dan memerlukan waktu yang cukup lama pada proses pengerjaannya. Pada penggunaan metode CNN ini digunakan untuk memprediksi litologi dan mengetahui keberadaan lapisan tipis pada data terhadap model CNN pada suatu sumur. Pada penerapannya dalam proses klasifikasi litologi, data yang digunakan menggunakan metode CNN berupa data sumur log yaitu Log Gamma Ray, Log Density (RHOB), Log Neuron Porosity (NPHI), Log Caliper, dan Log DT. Model CNN dibentuk oleh beberapa macam layer, seperti Convolutional Layer berjumlah 2, Dense Layer berjumlah 2, Dropout layer berjumlah 0.5 dan Dense Nodes berjumlah 128. Sebanyak 1791 data awal pada Well A dimasukan dan dilakukan training data yang kemudian menjadi model CNN. Setelah itu dilakukan data test dari model CNN yang sudah dibentuk sebelumnya diterapkan ke dalam data baru sebanyak 2885 data. Akurasi prediksi litologi dilakukan dengan membandingkan data facies actual dengan facies predicted dengan menggunakan accuracy_score dari modul sklearn_metrics memiliki hasil akurasi sebesar 92.51% untuk data pada Well A. Metode dari CNN dapat memprediksi litologi sesuai dengan fasies aslinya dan dapat mengidentifikasi lapisan tipis seperti Sandstone, Coal, dan Siltstone. Pada penerapan dengan metode CNN ini, data litologi awal pada bagian input untuk prediksi litologi, diharuskan untuk menggunakan data well report yang sesuai dengan data depth. Serta penggunaan tiga data well (GR, NPHI, RHOB) sangat berpengaruh pada hasil akhir prediksi dan dianjurkan untuk menambah data log asli atau data log dari proses matematis log sebelumnya dengan pembuatan Artificial Log seperti Logaritma.

=========================================================
=========================================================

Convolutional Neural Network (CNN) method is a method of the machine learning branch which is adapted from the use of the workings of the human brain. The CNN method is used to simplify data that is large in quantity and takes a long time to process. The CNN method is used to predict lithology and determine the presence of a thin layer in the data against the CNN model in a well. In its application in the lithology classification process, the data used using the CNN method are log well data, namely Gamma Ray Logs, Density Logs (RHOB), Neuron Porosity Logs (NPHI), Caliper Logs, and DT Logs. The CNN model is formed by several layers, such as 2 Convolutional Layers, 2 Dense Layers, 0.5 Dropout Layers and 128 Dense Nodes. A total of 1791 initial data in Well A were entered and training data was carried out which later became the CNN model. After that, the test data from the previously formed CNN model was applied to 2885 new data. The accuracy of the lithology prediction is done by comparing the actual facies data with the predicted facies using the accuracy_score from the sklearn_metrics module which has an accuracy of 92.51% for the data in Well A. The CNN method can predict lithology according to the original facies and can identify thin layers such as Sandstone, Coal, and Siltstone. In the application of this CNN method, the initial lithology data in the input section for lithology prediction is required to use well report data that is in accordance with the depth data. The use of three data wells (GR, NPHI, RHOB) is very influential on the final prediction results and it is recommended to add original log data or log data from the previous mathematical log process by making Artificial Logs such as Logarithms.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Convolutional Neural Network, Klasifikasi litologi, Machine Learning
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis
Depositing User:	Anindita Rosmelia Pratiwi
Date Deposited:	27 Aug 2021 01:39
Last Modified:	27 Aug 2021 01:41
URI:	http://repository.its.ac.id/id/eprint/89636

Actions (login required)

View Item