Tugas KBR Lanjut

GEOSTATISTIC
Dosen Mata kuliah : Suryo Prakoso
Mahasiswa : Yosua Pandapotan (071.15.154)
Bahan : Geophysics for Petroleum Engineers [F. Aminzadeh & S.N. Dasgupta,
2013] (develop. in petrol. science 60) @Geo Pedia.
Reservoir secara intrinsik bersifat deterministik. Dalam proses deskripsi reservoir, kita
berurusan dengan data yang terbatas dan tidak lengkap. Kita terus mencoba
mengekstrapolasikan informasi dari pengukuran yang jarang (misalnya, data sumur dan data core
yang terbatas di satu sisi dan volume besar dari data seismik dengan resolusi spasial terbatas di
sisi lain). Maka kita menggunakan metode statistik untuk mengekstrapolasikan data-data ini.
Metode statistik tradisional untuk ekstrapolasi spasial dan temporal telah digunakan dalam E & P
selama beberapa dekade. Di antara metode statistik konvensional yang digunakan antara lain
adalah

1. Matriks Plot & Korelasi,

2. Regresi,
3. Principal component analysis,
4. Variogram,
5. Kriging, dan
6. Clustering.
7. Fractal Methods
Salah satu kegunaan utama statistik adalah untuk karakterisasi reservoir melalui
pengintegrasian informasi dan data dari berbagai sumber dengan berbagai tingkat
ketidakpastian, seperti data log dan seismik. Aplikasi lain termasuk membangun hubungan antara
pengukuran dan sifat reservoir; dan antara estimasi cadangan dan keekonomi lapangan dengan
faktor risiko terkait. Teknik stokastik diterapkan pada reservoir deterministik karena

1. informasi tidak lengkap tentang reservoir pada semua skala,

2. spasial deposisi fasies kompleks,
3. variabilitas sifat batuan,
4. hubungan tidak diketahui antara properti,
5. kelimpahan relatif dari potongan informasi tunggal dari sumur, dan
6. convenience dan kecepatan.
Selama dua dekade terakhir, sebuah metode statistik baru, yang disebut sebagai soft
computing (SC), telah digunakan ke banyak aplikasi praktis termasuk dunia perminyakan. Di
mana statistik konvensional dianggap tidak memadai untuk mengatasi masalah praktis, kita dapat
menggunakan metode SC non-tradisional seperti artificial neural networks, fuzzy logic, dan
algoritma genetika.
A. MATRIX PLOT Dan KORELASI
Pada banyak kasus diperlukan pemahaman adanya hubungan antara parameter-
parameter dalam reservoir, dan informasi yang sangat penting dapat diperoleh dari “cross-
plotting” banyak parameter terhadap parameter-parameter lainnya.

Titik-titik pada setiap cross plot menunjukkan sekumpulan parameter yang diperoleh dari
berbagai sumur berbeda pada satu lapisan tertentu yang diteliti. Nilai amplitudo RMS diperoleh
dari potongan seismic pada sumur dan lokasi kedalaman terkait. Matrix dibagian bawah
menunjukan korelasi antara parameter berbeda.
Semakin dekat nilai matriks ke 1, maka akan semakin baik korelasi yang ada antar
parameter ini. Korelasi yang bernilai negative mengindikasikan peningkatan pada nilai suatu
parameter dan berkurangnya nilai parameter lain. Biasanya tanda kuadrat koefisien korelasi (R2)
sigunakan untuk berbagai perbandingan. Nilai R2 yang lebih tinggi menunjukkan korelasi yang
lebih kuat. Pada contoh gambat diatas ada nilai positif dan memiliki korelasi yang relative kuat
antara nilai sand thickness dan porositas. Kebalikannya, ada korelasi negative antara sand
thickness dan Vshale
B. Regresi Linier
Analisa regresi liner mencoba untuk membangun hubungan liner antara suatu parameter
dengan satu atau lebih parameter lain. Ini merupakan teknik statisktik yang unik untuk
mengestimasi hubungan antar variabel-variabel. Pada gambar di atas, garis lurus dicocokkan
pada titik-titik yang menunjukkan hubungan liner terbaik antar nilai net sand dan porositas, Vshale
dan Amplitudo RMS.
Regresi juga digunakan untuk menyatakan kuantitas pada banyak variabel lainnya.
Sebagai contoh Kaiser dan Yu (2012) menggunakan Analisa regresi untuk mengekspresikan nilai
Market Capitalization (CAP) dari berbagai perusahaan minyak dan gas terhadap cadangan gas,
rasio produksi/cadangan, dan debt-ewuity ratio. Gambar di bawah ini menunjukkan korelasi yang
baik antara CAP dan cadangan untuk beberapa Oil Company yang besar. Pada gambar ini
korelasinya kuat (R2 = 0.75). Korelasi ini semakin menguat ketika dua parameter lainnya (R/P)
dan (D/E) diikutsertakan pada Analisa regresi (R2 = 0.83)
C. FACTOR ANALYSIS AND PRINCIPAL COMPONENT ANALYSIS
Satu syarat agar regresi analisis bekerja secara efektif adalah variabel-variabel pada
regresi need to be uncorrelated with each other. Untuk memastikan hal ini, maka digunakanlah
Facrtor Analysis (FA) atau PCA. PCA menggunakan transformasi orthogonal untuk mengkonversi
sejumlah parameter berkorelasi dan mengubahnya menjadi suatu set variabel tidak berkorelasi
yang disebut dengan “Principal Components”.
PCA biasanya mengahasilkan sejumlah kecil variabel baru terhadap yang asli, dengan
benefit extra dari “dimensionality reduction”. PCA diartikan sedemikan rupa sehingga First
Principal Components memiliki kemungkinan varian terbesar atau “eigenvalues”
(memperhitungkan sebanyak varian di dalam data). Karena PCA sangat sensitive pada relative
scaling dari variabel-variabel utama, biasanya akan dilanjutkan dengan tasnfromasi data. PCA
sangat erat hubungannya dengan FA. FA biasanya menganggap asumsi domain-spesific tentang
struktur dasar (underlying structure) dan menyelesaikan eigenvector dengan matriks yang sedikit
berbeda. Aminzadeh dan Chatterjee menggunakan FA untuk mengelompokkan seismic attributes
yang menghasilkan prediksi yang lebih baik pada Bright Spot.
Data Transformation. Pada banyak situasi, kita perlu melakukan transformasi data,
sebagai contoh skala dari berbagai sifat reservoir seperti permeabilitas memiliki range nilai yang
luas. Ketika melakukan PCA, korelasi, atau Analisa statistic lainnya seperti clustering atau
perhitungan variogram. Transformasi yang baik akan mencegah distribusi data yang tidak
simetris/tidak ssuai/condong/miring. Pada kasus transformasi data permeabilitas biasanya
digunakan tipe transformasi dari logaritmanya
Y= log (k)
Tipe transformasi data lainnya adalah membuat skala terhadap data, sehingga data
terbesar dan terkecil ada di dalam rentang nilai skala. Setelah transformasi seperti itu, seorang
dapat membuat Analisa statistika pada data yang sudah ditransformasi, dan mentrasform data
tersebut ke nilai yang sebenarnya pada akhir Analisa.
Variogram. Elemen penting dalam geostatistic adalah variogram atau correlogram.
Metode ini memberikan pengukuran pada data dengan variabilitas spasial. Variogram untuk jarak
tempuh (Lag distance) h didefinisikan sebagai rata-rata selisih kuadrat dari nilai yang berseparasi
sejauh h persamaan di bawah ini memberikan ekspresi analitikal untuk nilai variogram , ɣ(h):
1
ɣ(ℎ) = ∑ [𝑧(𝑢) − 𝑧(𝑢 + ℎ)]2
2𝑁(ℎ)
𝑁(ℎ)

dimana N(h) adalah bilangan dari sepasang jarak h. gambar di bawah ini memnunjukkan
contoh variogram, dengan tiga komponen, nugget, sill, dan range.
 Nugget n: The height of the jump
of the variogram at the origin. Sill
s: Limit of the variogram tending
to infinity lag distances. Range r:
The distance in which the
difference of the variogram from
the sill becomes negligible. In
models with a fixed sill, it is the
distance at which this is first
reached; for models with an
asymptotic sill, it is
conventionally taken to be the
distance when the variance first
reaches 95% of the sill.

Variogram atau correlogram adalah satu tampak dari data. Kita akan memperoleh
gambaran data yang agak berbeda apabila kita mengubah lag spacing dan atau range dari
distance. Juga, karakteristik univariat yang kuat dari data, seperti sejumlah besar data Porositas
0 dan banyaknya distribusi data yang tidak simetris dapat menutupi struktur spasial yang
sebenarnya ada di dalam data. Untuk itulah perlu dilakukan transformasi, seperti normal scorring,
dapat memberikan variogram/correlogram dengan struktur spasial yang penting. Secara umum
dapat dikatakan , “it is easy to mask spatial continuity by a poor choice of lag spacing, direction
angles, or a poor handling of outlier values. It is rare to generate spatial continuity that does not
exist.” (Deutsch and Journel, 1998, pp. 58–59).
Setelah penelitian pada data untuk keperluan PCA atau transformasi koordinat (agar
konisten dengan area survey atau model reservoir), kita memilih ssejumlah arah actual direction
untuk membuat variogram. Seringkali kita memilih dua arah tegak lurus dan satu (45 0) atau dua
(300,600) jumlah arah azimuth dari lag (N) dan jarak lag (h) dipilih berdasarkan tipe dan skala
data. Kita memilih jarak lag dengan hubungan terhadap data spacing. N dan h juga tergantung
dari jarak maksimum (dari level skala lapangan hingga skala core).
 Kriging adalah rata-rata berat dari nilai-nilai data – mengambil jarak, arah, dan redundansi
titik-titik sebelah menyebelah kedalam perhitungan menggunakan model yang dijelaskan oleh
variogram. Metode ini didesain untuk estimasi liner yang tidak bias. Sebagai contoh pada gambar
di atas ada 3 sumur pada suatu reservoir dengan ketebalan reservoir diketahui pada lapisan
target. Tanpa adanya informasi tambahan, berapakah estimasi ketebalan reservoir pada lokasi X
jika pada lokasi 1,2,3 adalah 30ft, 20ft, 70ft dan jarak dari X ke 1,2,3 adalah 100,200, dan 700 ft?
Jawabannya dapat diperoleh dengan menggunakan pendekatan “inverse distance” pada
persamaan :