Yusroni, Syafira Alif (2021) Persebaran Porositas Pada Lapangan 'X' Menggunakan Multi-Attributr Probabilistic Neural Network Analysis Method. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
03411740000031-Undergraduate_Thesis.pdf - Accepted Version Download (3MB) | Preview |
Abstract
Penelitian ini bertujuan untuk mendapatkan persebaran nilai porositas dengan nilai korelasi yang optimum dan representatif pada Lapangan “X” menggunakan analisis multiatribut probabilistic neural network (PNN). Analisis multiatribut seismik PNN digunakan pada penelitian ini untuk melakukan interpretasi data seismik guna mendapatkan prediksi nilai persebaran porositas daerah penelitian dengan tingkat validasi yang cukup tinggi. Pada algoritme nya PNN dibagi menjadi tiga bagian yaitu input layer, hidden layer, dan output layer. Pada bagian input layer merupakan jenis atribut yang digunakan, hidden layer merupakan kombinasi dari beberapa atribut yang digunakan, dan output layer mempresentasikan nilai porositas yang berasal dari esitimasi hidden layer. Data yang digunakan untuk melakukan penelitian ini adalah seismik 2D Post – Stack Depth Time Migration (PSTM), data sumur, dan informasi geologi. Ketiga data tersebut kemudian diintegrasikan dan diolah menggunakan perangkat lunak Hampson Russel Software (HRS) 10.3.2. Jumlah atribut yang digunakan ditentukan pada proses step wise regression. Sedangkan neural network digunakan dalam proses training dengan menggunakan atribut yang telah ditentukan sebelumnya. Dari hasil penelitian ini didapatkan nilai porositas setelah dilakukan analisis multiatribut probabilistic neural network pada 1236.43 m hingga 1972.52 m adalah berkisar antara 5% hingga 23% dengan cross – correlation 0.119573 dan error 0.153281. Hasil tersebut menujukkan bahwa metode probabilistic neural network dapat meningkatkan hubungan antara parameter atribut dengan porositas sehingga didapatkan persebaran porositas yang lebih baik pada daerah penelitian.
=====================================================================================================
This study aims to obtain the distribution of porosity value with optimum and representative correlation value in Field "X", North East Java Basin using multi-attribute probabilistic neural network (PNN) analysis. PNN seismic multi-attribute analysis is used in this study to interpret seismic data to obtain predictions of the value of porosity distribution of research areas with a high degree of validation. In the algorithm PNN is divided into three parts namely input layer, hidden layer, and output layer. In the input part of the layer is the type of attribute used, hidden layer is a combination of several attributes used, and the output layer presents the porosity value derived from the esitimasi hidden layer. The data used to conduct this study are 2D Post – Stack Depth Time Migration (PSTM) seismic, well data, and geological information. The three data are then integrated and processed using Hampson Russel (HRS) software. The number of attributes used is determined in the step wise regression process. While neural network is used in the training process using pre-defined attributes. From the results of this study obtained porosity value after multi-attribute analysis of probabilistic neural network at 1236.43 m to 1972.52 m is ranging from 5% to 23% with cross - correlation 0.119573 and error 0.153281. The results showed that probabilistic neural network methods can improve the relationship between attribute parameters and porosity so that a better porosity distribution is obtained in the research area.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Probabilistic neural network, reservoir, seismic, seismik |
| Subjects: | Q Science > QE Geology > QE538.5 Seismic tomography; Seismic waves. Elastic waves |
| Divisions: | Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis |
| Depositing User: | Syafira Alif Yusroni |
| Date Deposited: | 26 Aug 2021 11:49 |
| Last Modified: | 24 Sep 2024 03:02 |
| URI: | http://repository.its.ac.id/id/eprint/89672 |
Actions (login required)
 |
View Item |