Pemodelan Fisika Batuan Menggunakan Metode Particle Swarm Optimization: Studi Kasus Reservoir Shale Gas

Abstract

Fisika Batuan adalah metode yang harus dilakukan dalam studi karakterisasi reservoir pada analisa data seismik refleksi. Pemodelan fisika batuan membutuhkan data komposisi mineralogi dari data core serta nilai modulus elastik mineral yang umumnya diperoleh dari literatur. Namun jika diimplementasikan pada lapangan, data komposisi mineralogi tidaklah kontinu pada setiap kedalaman. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan untuk memprediksi parameter fisika batuan seperti modulus elastik dari mineral serta bentuk pori batuan dengan menggunakan metode Particle Swarm Optimization (PSO). Dalam penelitian ini model fisika batuan yang digunakan adalah teori Gassmann, teori medium efektif Kuster-Toksöz, maupun kombinasi dari keduanya. Data sintetik pada penelitian ini digunakan untuk memvalidasi hasil dari algoritma PSO dengan parameter bounds tertentu yang kemudian parameter tersebut akan diimplementasikan untuk data real guna memprediksi parameter fisika batuan yang akan diestimasi. Terdapat empat skenario pemodelan yang dilakukan pada penelitian ini, skenario pertama memanfaatkan kombinasi Kuster-Toksöz dan Gassmann relation, lalu skenario kedua memanfaatkan persamaan Kuster-Toksöz dengan inklusi penny cracks, skenario ketiga menggunakan Kuster-Toksöz dengan inklusi sphere, dan skenario keempat dilakukan hanya menggunakan model Gassmann. Hasil Studi menunjukan bahwa model Kuster-Toksöz dengan inklusi sphere menunjukan hasil prediksi parameter fisika batuan yang paling baik pada data sintetik yang disebabkan oleh jumlah parameter yang diestimasi lebih sedikit. Selain itu, hasil prediksi parameter fisika batuan pada data real menunjukan bahwa model Kuster-Toksöz dengan inklusi penny cracks adalah model yang paling optimum untuk mendapatkan nilai modulus efektif dari solid rock serta aspek rasio dari batuan karena model ini memiliki persamaan yang lebih sederhana daripada skenario pertama.