FACIES-GUIDED SEISMIC INVERSION DENGAN VALIDASI CNN UNTUK PREDIKSI RESERVOIR DI LAPANGAN AMAIHA

Muhlisin, Haris (2025) FACIES-GUIDED SEISMIC INVERSION DENGAN VALIDASI CNN UNTUK PREDIKSI RESERVOIR DI LAPANGAN AMAIHA. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_115210081_Haris Muhlisin.pdf Download (297kB)
	Text 3_Abstrak_115210081_Haris Muhlisin.pdf Download (183kB)
	Text 4_Lembar Pengesahan_115210081_Haris Muhlisin.pdf Download (240kB)
	Text 5_Daftar Isi_115210081_Haris Muhlisin.pdf Download (332kB)
	Text 6_Daftar Pustaka_115210081_Haris Muhlisin.pdf Download (208kB)
	Text 1_Skripsi Full_115210081_Haris Muhlisin.pdf Restricted to Repository staff only Download (21MB)

Abstract

Lapangan Amaiha, yang terletak di Cekungan Natuna Barat, memiliki potensi
hidrokarbon yang signifikan, terutama dalam bentuk gas, yang berasosiasi dengan
fasies fluvio-deltaik pada Formasi Keras, Gabus Atas, dan Barat. Tingginya
heterogenitas litologi serta keterbatasan resolusi metode seismik konvensional
menjadi tantangan utama dalam pemodelan reservoir. Studi ini menerapkan metode
Facies-Guided Seismic Inversion (FGSI) berbasis Convolutional Neural Network
(CNN) dan membandingkannya dengan pendekatan inversi konvensional. Model
fasies dibangun dari integrasi data log empat sumur dan atribut seismik, kemudian
dijadikan batasan dalam proses inversi impedansi akustik. Hasil menunjukkan
bahwa CNN memberikan prediksi impedansi akustik beresolusi tinggi dengan nilai
RMSE lebih rendah dan R² lebih tinggi dibanding metode model based. Zona
prospektif berhasil diidentifikasi pada Formasi Keras, Gabus Atas, dan Barat,
ditandai oleh anomali AI rendah (< 6.500 m/s·g/cc), porositas efektif >10%, volume
serpih <50%, dan saturasi air <70%. AI dan model deteksi fluida menunjukkan
keandalan model CNN dalam delineasi sweet spot dan estimasi cadangan.
Pendekatan hibrid ini terbukti meningkatkan akurasi prediksi reservoir dan
mendukung keputusan eksplorasi dengan ketidakpastian lebih rendah.
Kata kunci: Facies Guided Seismic Inversion, Convolutional Neural Network
(CNN), Impedansi Akustik, Karakterisasi Reservoir, Cekungan Natuna Barat.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Haris Muhlisin (Penulis - 115210081); Indriati Retno Palupi (Pembimbing)
Uncontrolled Keywords:	Facies Guided Seismic Inversion, Convolutional Neural Network (CNN), Impedansi Akustik, Karakterisasi Reservoir, Cekungan Natuna Barat.
Subjek:	T Technology > TN Mining engineering. Metallurgy
Divisions:	Fakultas Teknologi Mineral dan Energi > (S1) Teknik Geofisika
Depositing User:	UPA Perpustakaan
Date Deposited:	09 Oct 2025 04:31
Last Modified:	09 Oct 2025 04:48
URI:	http://eprints.upnyk.ac.id/id/eprint/44163

Actions (login required)

View Item