Bentuk dan karakter seismic waveform dapat menentukan facies dan reservoir parameters dengan lebih detail daripada time dan amplitude mapping. Waveform classification dapat juga dikombinasikan dengan analisa multi-attribute dengan mengevaluasi secara bersamaan tren pengukuran seismik seperti instantaneous attributes, semblance, acoustic impedance dan AVO.
Gambar dibawah menunjukkan Amplitude Map yang dihasilkan dari interpretasi survey seismik 3D. Terdapat 3 buah well : interior reef well (Well #1) menghasilkan gas dari reef yang mengalami dolomitisasi, limestone reef margin well (Well #2), yang juga merupakan gas well tapi tidak seporous Well #1 dan basin well (Well #3). Meskipun terdapat indikasi suatu tepi reef, tidak ada perbedaan mencolok antara reef dan basin amplitude dan tepi utara dari reef sulit untuk dilihat.
Terdapat dua tipe metoda klasifikasi : Unconstrained (Unguided atau Unsupervised) dan Constrained (Guided atau Supervised). Klasifikasi unconstrained memberikan interpreter pemahaman dengan menunjukkan bagaimana waveform berubah dalam suatu survey. Terlepas dari menentukan analisa interval, unconstrained classification tidak menggunakan informasi untuk menentukan bagaimana tras seismik diklasifikasikan, dan hasilnya sepenuhnya berdasarkan data.
Histogram diatas menunjukkan bahwa survey didominasi dengan tras yang termasuk pada satu dari dua kategori. Tras yang tersisa, termasuk didalam area disekitar reef yang mengalami dolomitisasi, adalah pada 'lain' kategori. Dari well control, kita dapat membuat penilaian bahwa hijau adalah reef dan biru adalah basin. Namun, pembagian diantara mereka tidaklah tepat karena Well #2, porous margin, berada di area biru. Terdapat juga daerah yang terlihat sebagai potential reef buildup yaitu di sudut tenggara dari survey 3D.
Unconstrained waveform classification menggunakan tiga kategori, yaitu reef, basin dan facies “lainnya”, menghasilkan peta pada gambar dibawah. Kita hanya meminta neural network untuk membagi waveform dalam tiga kelompok, tanpa guidance dari data bawah permukaan mengenai dimana karakter ini harus terjadi. Hasil unconstrained classification menunjukkan perbedaan yang cukup besar antara on-reef dan off-reef dan bentuk umumnya konsisten dengan basin dan reef environment.
Constrained classification menggunakan informasi yang diketahui pada lokasi spesifik well untuk mengelompokkan data seismik. Daripada berkata, "Ambil semua tras didalam survey 3D dan pisahkan mereka kedalam 3 (atau 8, atau 12) kategori, kita berkata "Saya tahu bahwa geologi adalah pada wellbore, lihat dan cari untuk matching terhadap respon seismik." Untuk mencapai ini, seismic waveforms yang diekstrak dari lokasi sumur disekitar (tras model) dibandingkan dengan tras seismik (tras target) menggunakan algoritma neural network. Tras dikorelasikan untuk mendapatkan kecocokan yang baik.
Gambar dibawah menunjukkan hasil constrained classification menggunakan waveforms extracted disekitar lokasi 3 well. Dapat dilihat bahwa hasilnya berbeda dengan unconstrained classifications sebagaimana kita memberitahukan sistem, wavelet apa yang digunakan. Namun, posisi dari tepi reef dan bentuk pada umumnya masuk akal dan ini tidak terjadi kecuali ada konsistensi pada karakter waveform. Keuntungan constrained classification adalah mungkin untuk menyampaikan arti geologi cluster analysis. Sedangkan dalam unconstrained classification hasilnya berdasarkan bagaimana tras individual pada survey 3D dikelompokkan oleh respective similarity (atau perbedaannya), pada constrained classification, hasilnya berdasarkan pada bagaimana tras target dibandingkan dengan tras model.
Histogram diatas menunjukkan bahwa survey didominasi dengan tras yang termasuk pada satu dari dua kategori. Tras yang tersisa, termasuk didalam area disekitar reef yang mengalami dolomitisasi, adalah pada 'lain' kategori. Dari well control, kita dapat membuat penilaian bahwa hijau adalah reef dan biru adalah basin. Namun, pembagian diantara mereka tidaklah tepat karena Well #2, porous margin, berada di area biru. Terdapat juga daerah yang terlihat sebagai potential reef buildup yaitu di sudut tenggara dari survey 3D.
Unconstrained waveform classification menggunakan tiga kategori, yaitu reef, basin dan facies “lainnya”, menghasilkan peta pada gambar dibawah. Kita hanya meminta neural network untuk membagi waveform dalam tiga kelompok, tanpa guidance dari data bawah permukaan mengenai dimana karakter ini harus terjadi. Hasil unconstrained classification menunjukkan perbedaan yang cukup besar antara on-reef dan off-reef dan bentuk umumnya konsisten dengan basin dan reef environment.
Unconstrained classification, 3 categories
Gambar dibawah menunjukkan hierarchical classification (masih unconstrained). Catat bagaimana reef margin lebih jelas terlihat dan dapat ditempatkan pada posisi yang benar pada Well #2. Area disekitar Well #1 lebih dapat ditentukan pada area dimana terjadi kemungkinan dolomite development, dengan karakter waveform mirip dengan karakter basinal. Well #2 sekarang berada pada tepi reef dan Well #3 terletak pada basin. Selain itu, daerah disudut tenggara dari survey sekarang terlihat basinal dan tepi utara dari reef tampak lebih baik.Proses yang dikenal dengan “Hierarchical Classification” dapat meningkatkan resolusi dan selanjutnya mengidentifikasi geologic changes. Setelah dipisahkan tras-tras didalam survey 3D kedalam 3 kategori on-reef, off-reef dan lainnya, lebih detail dapat dilakukan dengan membagi setiap klasifikasi umum kedalam bagian-bagian yang lebih kecil, dan selanjutnya kita dapat bilang “Ini reef, ini basin, detail apalagi yang dapat dilihat dalam reef".
Constrained classification menggunakan informasi yang diketahui pada lokasi spesifik well untuk mengelompokkan data seismik. Daripada berkata, "Ambil semua tras didalam survey 3D dan pisahkan mereka kedalam 3 (atau 8, atau 12) kategori, kita berkata "Saya tahu bahwa geologi adalah pada wellbore, lihat dan cari untuk matching terhadap respon seismik." Untuk mencapai ini, seismic waveforms yang diekstrak dari lokasi sumur disekitar (tras model) dibandingkan dengan tras seismik (tras target) menggunakan algoritma neural network. Tras dikorelasikan untuk mendapatkan kecocokan yang baik.
Gambar dibawah menunjukkan hasil constrained classification menggunakan waveforms extracted disekitar lokasi 3 well. Dapat dilihat bahwa hasilnya berbeda dengan unconstrained classifications sebagaimana kita memberitahukan sistem, wavelet apa yang digunakan. Namun, posisi dari tepi reef dan bentuk pada umumnya masuk akal dan ini tidak terjadi kecuali ada konsistensi pada karakter waveform. Keuntungan constrained classification adalah mungkin untuk menyampaikan arti geologi cluster analysis. Sedangkan dalam unconstrained classification hasilnya berdasarkan bagaimana tras individual pada survey 3D dikelompokkan oleh respective similarity (atau perbedaannya), pada constrained classification, hasilnya berdasarkan pada bagaimana tras target dibandingkan dengan tras model.
Waveform Correlation Map dapat dihasilkan dengan menunjukkan dimana tras target mempunyai korelasi terbesar terhadap waveform yang diketahui. Memproyeksikan hasil klasifikasi kedalam 2D section memberikan interpreter bagaimana data seismik telah dikategorikan (Gambar dibawah).
(Courtesy of "Seismic Waveform Classification: Techniques and Benefits", Eric Andersen and John Boyd, PetroSearch, Calgary, Canada)
(Courtesy of "Seismic Waveform Classification: Techniques and Benefits", Eric Andersen and John Boyd, PetroSearch, Calgary, Canada)
No comments:
Post a Comment