Neural Network: Pseudo Log Volume

Neural network merupakan suatu proses pengubahan data seismik dan atribut-atributnya ke dalam volume log properti. Neural network dilatih untuk menemukan hubungan antar input data seismik dengan input log sumur dan kemudian mengaplikasikan hubungan tersebut ke data seismik untuk membuat volume properti log (Gambar 1). Berbeda dengan inversi impedansi akustik konvensional yang menggunakan model konvolusi sebagai hubungan antara AI (properti log) dan trace seismik, neural network menggunakan pendekatan statistik yang mencoba untuk mengestimasi hubungan pada lokasi sumur dan mengaplikasikannya ke lokasi yang lain. Metode ini dilakukan karena ingin mengetahui penyebaran nilai properti log diluar sumur, sejauh mana bodi reservoir tersambung maupun terpisah sehingga dapat digunakan sebagai masukan dalam usulan pengeboran. Log sumur yang lazim untuk diprediksi diantaranya adalah log porositas dan log gamma ray.

Gambar 1. Ilustrasi perhitungan metode neural network, dimana x adalah input (attribut), w adalah nilai pembobotan, y adalah hidden layer, dan z merupakan hasil outputnya

Neural network dapat diklasifikasikan sesuai dengan cara bagaimana ia di latih, dengan menggunakan supervised learning atau unsupervised learning. Dalam supervised learning, neural network mulai dengan data training untuk nilai input dan output yang kita ketahui. Algoritma neural network lalu mempelajari hubungan antara input dan output dari data training ini, dan akhirnya mengaplikasikan hubungan yang telah dilatih ke dataset yang lebih besar yang mana nilai outputnya tidak diketahui. Contoh yang paling umum untuk neural network jenis ini adalah multi-layer preceptron (MLP), sinonim dengan istilah ANN (Artificial Neural Network). Sedangkan untuk unsupervised learning, kita memberikan inputnya dan membiarkan neural network untuk mencari bentuknya sendiri. Oleh karena itu, output spesifik tidak diperlukan. Keuntungan dari metode ini adalah kita tidak perlu untuk mengetahui jawabannya. Sedangkan kelemahan dari metode ini adalah hasil output seringkali sulit untuk diinterpretasi.

Neural network beroperasi dalam dua tahapan. Tahap pertama adalah training step, sedangkan tahap kedua adalah application step. Training step dilakukan pada semua lokasi sumur yang telah dipilih. Operator yang mentransform data seismik ke properti log yang diinginkan diperoleh dengan menganalisis input data seismik berupa atribut-atribut seismik -baik precalculated attributes: AI, atribut AVO, coherency; maupun complex trace attribute yang dihitung secara on the fly– di lokasi sumur yang kemudian memberikan bobot yang terus diupdate sehingga dapat menghasilkan data output terbaik. Sedangkan pada applications step, neural network diaplikasikan ke data seismik yang telah terpilih untuk mendapatkan pseudo volume log.

Hasil output yang diperoleh dikelompokkan ke dalam training result dan validation result (Gambar 2), di mana training result merupakan hasil prediksi log dengan melibatkan semua sumur yang ada, sedangkan validation result merupakan prediksi log dengan tanpa melibatkan log sumur yang sedang diprediksi. Oleh karena itu, validation result memiliki nilai koefisien korelasi yang lebih kecil dibandingkan dengan training result.

Gambar 2. perbandingan antara (a) training result dengan (b) validation result

Setelah mendapatkan kedua hasil di atas, kita dapat memilah atribut data seismik yang mana yang baik untuk digunakan dan data seismik yang mana yang perlu dikeluarkan dari perhitungan neural network dengan cara membandingkan error antara training result dan validation result.

Tabel atribut beserta nilai training error dan validation error

Gambar 3. Crossplot antara nilai training error (all well error) dan validation error dengan nomor (jenis) atributnya

Dari Gambar 3 crossplot di atas, nilai all well error yang mengecil diikuti dengan nilai validation error yang mengecil juga kecuali atribut nomor 7. Pada atribut nomor 7, nilai all well error nya mengecil namun nilai validation error nya membesar, fenomena seperti ini disebut overtraining dan sebaiknya atribut seperti ini tidak digunakan di dalam perhitungan neural network.

Setelah nilai training error dan validation error yang kita peroleh bagus serta tidak ada lagi overtraining, maka saatnya mengaplikasikannya ke semua data seismik sehingga dihasilkan output berupa volume propeti log yang kemudian di slice atau diekstrak nilainya dengan menggunakan horizon pada top-top reservoir untuk mengetahui penyebaran nilai properti log tersebut (Gambar 4). Gambar 4 merupakan salah satu contoh hasil ekstraksi nilai properti log (log sonic) yang telah diprediksi. Terlihat bahwa titik-titik lokasi sumur dominan berada pada zona-zona dengan nilai log sonic tinggi yang dapat diartikan dengan zona berporositas tinggi.

Gambar 4. Peta slice dari volume log sonic (P-wave) hasil neural network

Referensi:

• Russell, B. H. 2004. The application of multivariate statistics and neural networks to the prediction of reservoir parameters using seismic attributes. University of Calgary

Posted in: Seismic Attribute