Multi-attribute Analysis

Metoda Multiatribut seismik adalah salah satu metoda statistik menggunakan lebih dari satu atribut untuk memprediksi beberapa properti fisik dari bumi. Pada analisa ini dicari hubungan antara log dengan data seismik pada lokasi sumur dan menggunakan hubungan tersebut untuk memprediksi atau mengestimasi volume dari properti log pada semua lokasi pada volume seismik.

Statistik dalam karakteristik reservoir digunakan untuk mengestimasi dan mensimulasikan hubungan spasial variabel pada nilai yang diinginkan pada lokasi yang tidak mempunyai data sampel terukur. Hal ini didasarkan pada kenyataan yang sering terjadi di alam bahwa pengukuran suatu variabel di suatu area yang berdekatan adalah sama. Kesamaan antara dua pengukuran tersebut akan menurun seiring dengan bertambahnya jarak pengukuran. Schultz et al. (1994) mengidentifikasi tiga sub-kategori utama pada teknik analisa multi-atribut geostatistik, yaitu:

1. Perluasan dari co-kriging untuk melibatkan lebih dari satu atribut sekunder untuk memprediksi parameter utama.
2. Metode yang menggunakan matriks kovariansi untuk memprediksi suatu parameter dari atribut input yang telah diberi bobot secara linear.
3. Metode yang menggunakan Artificial Neural Network (ANN) atau teknik optimisasi non-linear untuk mengkombinasikan atribut-atribut menjadi perkiraan dari parameter yang diinginkan.

Langkah-langkah yang harus dilakukan dalam multiatribut seismik:
1. Melakukan pengikatan data sumur dengan data seismik (well-seismic tie) dan menentukan properti log yang akan digunakan.
2. Log filtering, agar data log memiliki rentang frekuensi yang sama dengan rentang frekuensi seismik, contoh dilakukan bandpass filtering dengan frekuensi 2-10-45-65 Hz.
3. Menentukan atribut mana saja yang akan digunakan dalam prediksi log ini, sehingga dilakukan training terhadap log target dengan beberapa atribut seismik. Parameter untuk menentukan kelompok atribut seismik terbaik yang akan digunakan untuk memprediksi log target adalah nilai prediksi error dan validasi error. Nilai prediksi error akan menurun sejalan dengan jumlah atribut yang digunakan (semakin banyak jumlah atribut yang digunakan maka nilai prediksi errornya akan semakin kecil).
4. Krosploting antara log prediksi dengan log target.
5. Membuat volume multiatribut.

Courtesy Hampson Russel Software (Emerge Workshop)

Gambar 1, dilakukan analisa multiatribut untuk memprediksi atau mengestimasi volume properti log p-wave, dipilih maximum number of attributes sebanyak 7 buah.
Gambar 2, nilai training error menurun sejalan dengan jumlah atribut yang digunakan, sebagaimana yang diharapkan. Saat kita menggunakan lebih dari more 6 attributes, validasi Error meningkat, berarti data atribut tambahan menyebabkan data mengalami over-fitting.
Gambar 3, krosplot antara predicted p-wave vs actual p-wave, dengan nilai koefisien korelasi 71 %.
Gambar 4, hasil multi-attribute transform disetiap log target.
Gambar 5, hasil akhir volume p-wave yang dihasilkan melalui analisis multiattribut. Perhatikan fitur channel terlihat dengan baik pada bagian tengah dan fit dengan kurva p-wave.