Klasifikasi Fasies Seismik untuk Pemetaan Struktur Bawah Permukaan pada Lapangan “X” Menggunakan Convolutional Neural Network

Dayana, Muhammad Ravell (2025) Klasifikasi Fasies Seismik untuk Pemetaan Struktur Bawah Permukaan pada Lapangan “X” Menggunakan Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5017211023-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Analisis data seismik telah menjadi bagian yang integral dalam eksplorasi minyak dan gas. Salah satu teknik utama dalam analisis data seismik adalah analisis fasies seismik. Secara konvensional, klasifikasi fasies seismik sangat bergantung pada pengalaman interpreter, sehingga sangat subyektif dan tidak efisien. Kemajuan teknologi, khususnya dalam machine learning, telah membuka peluang baru dalam analisis data seismik. Deep leaarning seperti Convolutional Neural Networks (CNN) telah menunjukkan keberhasilan tinggi dalam tugas klasifikasi gambar dan pola akibat feature extraction dari setiap neural yang ada dibandingkan dengan metode machine learning yang mebutuhkan feature engineering. Kemampuan ini membuat CNN sangat cocok untuk analisis fasies seismik, di mana tujuannya adalah untuk mengklasifikasikan dan menginterpretasikan pola seismik yang kompleks. Penelitian ini berpusat pada implementasi dan analisis komparatif dari beberapa arsitektur CNN seperti model U-Net dan DeepLabV3+ yang diterapkan pada data seismik pada cekungan Asri. Penelitian ini menunjukkan bahwa model U-Net mencapai akurasi pada data pelatihan sebesar 97,78% dan akurasi pada data validasi sebesar 97,46%. Nilai loss yang dihasilkan relatif rendah, yaitu 0.0871 untuk data pelatihan dan 0.0994 untuk data validasi, serta nilai F-1 sebesar 97.36%. Sementara itu, model DeepLabV3+ memiliki akurasi pelatihan sebesar 97,44% dan akurasi validasi sebesar 97,53%, dengan nilai kerugian pelatihan dan validasi yang sangat rendah, yaitu 0,0806 dan 0,0789, serta nilai F-1 sebesar 97,45%. Model DeepLabV3+ menunjukkan kinerja yang lebih baik dalam hal kinerja pelatihan, metrik evaluasi seperti fungsi kerugian dan akurasi juga menunjukkan bahwa DeepLabV3+ lebih stabil daripada U-NET dengan keunggulan waktu pelatihan sekitar 13 menit lebih cepat, selain itu metode skip connection pada arsitektur U-Net memberikan misklasifikasi pada bagian tepi seismik yang memiliki resolusi rendah sedangkan arsitektur DeepLabV3+ memberikan hasil yang konsisten akibat atrous convolution layer yang dapat menaangkap fitur multi skala dari data seismik. Dari studi ini CNN ini dapat diusulkan sebagai metode untuk analisis fasies dalam interpretasi bawah permukaan.
=================================================================================================================================
Seismic data analysis has become an integral part of oil and gas exploration, especially in mapping subsurface structures. One of the main techniques in seismic data analysis is seismic facies analysis. Conventionally, seismic facies classification relies heavily on the experience of the interpreter, making it highly subjective. Technological advances, particularly in machine learning, have opened up new opportunities in seismic data analysis. Deep leaarning like Convolutional Neural Networks (CNN) have shown high success in image and pattern classification tasks due to feature extraction from each neural compared to machine learning methods that require feature engineering. This capability makes CNNs particularly suitable for seismic facies analysis, where the goal is to classify and interpret complex seismic patterns. This research centers on the implementation and comparative analysis of several CNN architectures such as the U-Net and DeepLabV3+ models applied to seismic data in the Asri basin. This research shows that the U-Net model achieved an accuracy on training data of 97.78% and an accuracy on validation data of 97.46%. The resulting loss value is relatively low, namely 0.0871 for training data and 0.0994 for validation data, and the F-1 value is 97.36%. Meanwhile, the DeepLabV3+ model has a training accuracy of 97.44% and a validation accuracy of 97.53%, with a training loss value of 97.36%. This research shows that the U-Net model achieves accuracy on training data of 97.78% and accuracy on validation data of 97.46%. The resulting loss value is relatively low, namely 0.0871 for training data and 0.0994 for validation data, and the F-1 value is 97.36%. Meanwhile, the DeepLabV3+ model has a training accuracy of 97.44% and a validation accuracy of 97.53%, with very low training and validation loss values, namely 0.0806 and 0.0789, and an F-1 value of 97.45%. The DeepLabV3+ model shows better performance in terms of training performance, evaluation metrics such as loss function and accuracy also show that DeepLabV3+ is more stable than U-NET with the advantage of about 13 minutes faster training time, besides the skip connection method in U-Net architecture gives misclassification on seismic edges that have low resolution while DeepLabV3+ architecture gives consistent results due to atrous convolution layer that can capture multi-scale features. From this study, CNN can be proposed as a method for facies analysis in subsurface interpretation.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CNN, Klasifikasi, Fasies Seismik, Deep Learning ============================================================ CNN, Classification, Seismic Facies, Deep Learning
Subjects:	Q Science > QE Geology > QE471 Sedimentary rocks. Sedimentology Q Science > QE Geology > QE601 Geology, Structural
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Ravell Dayana
Date Deposited:	01 Aug 2025 02:37
Last Modified:	01 Aug 2025 02:37
URI:	http://repository.its.ac.id/id/eprint/124096

Actions (login required)

View Item