Perbandingan Nilai Estimasi Impedansi Akustik Menggunakan Algoritma Light Gradient Boosting Machine dan Neural Networks Dengan Hasil Model-based Inversion

Abstract

Dalam menentukan keberadaan hidrokarbon di bawah permukaan dapat dilakukan dengan melakukan analisis pada data seismik refleksi salah satunya adalah analisis hasil inversi seismik. Untuk mendapatkan nilai impedansi akustik tersebut maka diperlukan data sumur yaitu density log dan sonic log. Namun setiap sumur tidak selamanya memiliki data log yang lengkap. selain itu proses inversi juga memerlukan pemilihan parameter-parameter inversi yang tepat untuk mendapatkan hasil inversi yang baik. Penelitian ini ingin menerapkan machine learning sebagai solusi lain dan otomisasi untuk mendapatkan penampang persebaran nilai impedansi akustik. Algoritma machine learning yang digunakan pada penelitian ini adalah Light Gradient Boosting Machine, Long Short Term Memory, dan Convolutional Neural Network. Data atribut seismic seperti quadrature, amplitude envelope, low frequency model, dan data seismik yang diperoleh dari 3 sumur digunakan sebagai data fitur untuk menghasilkan nilai prediksi impedansi akustik pada sumur yang lain. Setelah terbentuk, model kemudian diterapkan untuk memprediksi impedansi akustik di sepanjang penampang seismik dan dihitung tingkat kemiripan hasil penampang seismik sintetik dengan seismik asli. Berdasarkan hasil yang diperoleh menunjukkan bahwa Model-based Inversion memberikan hasil yang lebih baik daripada menggunakan algoritma machine learning dalam memperoleh impedansi akustik dan algoritma machine learning terbaik dalam memprediksi nilai impedansi akustik adalah Long Short-Term Memory (LSTM).