KARAKTERISTIK DAN PREDIKSI PERSEBARAN SHALE GAS RESERVOIR MENGGUNAKAN METODE SEISMIK INVERSI ACCOUSTIC IMPEDANCE DAN SEISMIK MULTI-ATRIBUT NEURAL NETWORKS PADA FORMASI BAONG, LAPANGAN “ORION” CEKUNGAN SUMATERA UTARA

Alim, Chandra (2016) KARAKTERISTIK DAN PREDIKSI PERSEBARAN SHALE GAS RESERVOIR MENGGUNAKAN METODE SEISMIK INVERSI ACCOUSTIC IMPEDANCE DAN SEISMIK MULTI-ATRIBUT NEURAL NETWORKS PADA FORMASI BAONG, LAPANGAN “ORION” CEKUNGAN SUMATERA UTARA. Other thesis, UPN "Veteran" Yogyakarta.

Preview	Text Cover.pdf Download (188kB) | Preview
Preview	Text ABSTRAK.pdf Download (318kB) | Preview
Preview	Text DAFTAR ISI.pdf Download (142kB) | Preview
Preview	Text Pengesahan.pdf Download (274kB) | Preview

Abstract

Lapangan “Orion” terletak di Provinsi Sumatera Utara dengan target penelitian Formasi Baong bagian bawah, Cekungan Sumatera Utara. Tujuan penelitian ini adalah menentukan persebaran, mengkarakteristik, dan menentukan zona prospek shale gas reservoir pada Lapangan “Orion” dengan menggunakan analisis sesmik multi-atribut neural networks berdasarkan data petrofisika Total Organic Carbon (TOC) dan Brittleness Index (BI) serta seismik inversi accoustic impedance. Seismik multi-atribut neural networks digunakan untuk mengetahui properti shale gas reservoir berdasarkan data petrofisika berupa TOC digunakan untuk mengetahui kandungan fosil pada lapisan shale, dan BI digunakan untuk mengetahui tingkat kerapuhan pada shale karena shale memiliki 2 tingkat kerapuhan yaitu brittle (Quartz-Rich) dan ductile (Clay-Rich). Data seismik acoustic impedance untuk mengkarakterisasi lapisan shale pada Formasi Baong. Hasil seismik multi-atribut neural networks diperoleh nilai penyebaran TOC dan BI pada target Formasi Baong bagian bawah, dengan nilai TOC yaitu berkisar 1 – 6 wt% dan nilai BI yaitu berkisar 0,475 – 0,8. Sehingga diperoleh zona prospek yang ditandai dengan “mark I” dan “mark II”. Sedangkan untuk seismik inversi acoustic impedance tidak dapat memisahkan nilai AI untuk litologi sand dengan shalysand tetapi nilai AI untuk litologi shale dapat dipisahkan dengan nilai AI 6000 hingga 8000 m/s.g/cc, sehingga seismik AI digunakan untuk attribute tambahan pada seismik multi-atribut neural networks. Kata kunci : Multi-atribut Neural Networks, Accoustic impedance, Total Organic Carbon, Brittleness Index, Karakteristik Shale Gas reservoir

Item Type:	Thesis (Other)
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	11 May 2016 01:37
Last Modified:	18 May 2016 01:47
URI:	http://eprints.upnyk.ac.id/id/eprint/589

Actions (login required)

View Item