• Login
    View Item 
    •   DSpace Home
    • FACULTY OF EXPLORATION AND PRODUCTION TECHNOLOGY
    • GEOPHYSICAL ENGINEERING (TEKNIK GEOFISIKA)
    • STUDENTS INTERNSHIP REPORT (GP)
    • View Item
    •   DSpace Home
    • FACULTY OF EXPLORATION AND PRODUCTION TECHNOLOGY
    • GEOPHYSICAL ENGINEERING (TEKNIK GEOFISIKA)
    • STUDENTS INTERNSHIP REPORT (GP)
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    PERBANDINGAN PREDIKSI SHEAR-WAVE VELOCITY MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK DENGAN PERSAMAAN CASTAGNA

    Thumbnail
    View/Open
    SAMPUL (190.5Kb)
    BAB I (142.8Kb)
    BAB II (135.8Kb)
    BAB III (665.6Kb)
    BAB IV (803.0Kb)
    BAB V (371.5Kb)
    BAB VI (152.6Kb)
    DAFTAR PUSTAKA (588.7Kb)
    Date
    2024-08-19
    Author
    KRATES, HYPO
    Metadata
    Show full item record
    Abstract
    Kecepatan gelombang S merupakan salah satu parameter penting untuk melakukan analisis parameter fisis batuan Menambahkan informasi gelombang S ke informasi gelombang-P sering memungkinkan kita untuk memisahkan seismic signature lithology, jenis cairan pori, dan tekanan pori dengan lebih baik, salah satu penggunaan gelombang S adalah untuk AVO modelling. Pada fisika batuan terdapat sebuah hubungan empirikal antara Vp dengan Vs. Salah satunya adalah hubungan empirikal Castagna untuk kecepatan. Atas dasar pengukuran dari data sumur log, Castagna et al. (1985). Melakukan estimasi nilai Vs menggunakan Castagna diperlukan banyak pertimbangan seperti data log yang lengkap, data mineral dan rasio aspek dari jarak antar pori, konten volume clay. Oleh karena itu, diperlukan suatu pendekatan lain dengan ekspektasi didapatkan sebuah solusi alternatif dari metode Castagna. Prediksi Vs menggunakan Neural network tidak membutuhkan pengetahuan apriori dari mineral matriks batuan dan fluida pada pori batuan(Singh & Kanli, 2016), Bahkan pada keadaan tertentu dengan terbatasnya informasi sehingga mengakibatkan perhitungan yang kurang akurat pada beberapa parameter seperti aspek rasio pada pori, interpretasi kandungan mineral pada batuan dan perhitungan moduli elastik batuan, model neural network mampu memberikan prediksi yang lebih baik dibandingkan model Xu-Payne(Zhang et al., 2020). Melalui pendekatan ini, Perhitungan tersebut dilakukan menggunakan bahasa pemrograman Python yang diharapkan mampu menciptakan model guna menghasilkan prediksi Vs dengan parameter log sebagai input yang optimal.
    URI
    https://library.universitaspertamina.ac.id//xmlui/handle/123456789/12973
    Collections
    • STUDENTS INTERNSHIP REPORT (GP)

    DSpace software copyright © 2002-2015  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    @mire NV
     

     

    Browse

    All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

    My Account

    LoginRegister

    DSpace software copyright © 2002-2015  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    @mire NV