BAB V

BAB V
ANALISIS DAN INTERPRETASI
5.1.
Analisis Litologi dari Crossplot
Formasi Bekasap yang merupakan target dari penelitian ini sebagian besar
tersusun oleh litologi sand dan shale, dengan sedikit konglomerat (Cook et al. 2002)
yang terbagi lagi menjadi beberapa litofacies. Namun dalam penelitian ini tidak
membahas detail dari litofacies tersebut, hanya mengamati litologi sand dan shale.
Sand terbagi menjadi porous sand dan tight sand berdasarkan densitas, porositas dan
impedansi. Minyak pada lapangan ini terdapat dalam reservoar sand yang porous,
sehingga nilai impedansi P dan S tidak dapat memisahkan nilai porous sand dengan
shale seperti terlihat pada gambar 4.2 dan gambar 4.3.
Untuk
itu,
penulis
mencari
parameter
apa
yang
sensitif
untuk
mendiskriminasi porous sand dengan shale. Dari hasil crossplot, parameter Lambda
Mu Rho (LMR) yang diturunkan dari log density, log sonic P dan log sonic S
ternyata dapat memisahkan porous sand dengan shale secara lebih baik, secara fisis
parameter Lambda Rho dapat menunjukkan perubahan volume pori jika medium
dikenai suatu stress dan strain. Maka makin rendah nilai Lambda Rho diinterpretasi
sebagai suatu medium yang mengandung fluida, dalam hal ini kemungkinan minyak.
Crossplot Mu Rho dengan Gamma Ray dapat memisahkan sand dengan shale,
namun hasilnya belum bisa membedakan porous sand, hanya sebatas sand saja, dan
kemungkinan tight sand yang dapat dibedakan Mu Rho karena nilai densitas sand
nya tinggi (gambar 4.6). Crossplot Vp/Vs dengan Gamma Ray juga menunjukkan
85
hasil yang baik dalam memisahkan porous sand yang dianggap reservoar dengan
cutoff < 1.75, sedangkan Vp/Vs diatas 1.75 dianggap batuan nonreservoar/ shale.
Untuk memisahkan oil sand dengan porous sand, kemudian dibagilah
parameter Lambda dengan Mu sehingga menghasilkan zona oil sand yang diperkuat
dengan crossplot antara Lambda per Mu dengan Gamma Ray (Gambar 4.7), Water
Saturation (Gambar 4.9), dan dengan Resistivity (Gambar 4.10). Ditentukan cut off
Water Saturation adalah < 0.8 untuk batuan reservoar, sedangkan diatas 0.8 adalah
batuan berisi air/nonreservoar. Resistivitas naik pada kisaran Lambda per Mu
dibawah 1, hal ini menandakan adanya oilsand karena resistivitas minyak > air.
Dengan bekal crossplot antar log inilah maka penulis memastikan parameter
LMR ini akan ampuh untuk mengkarakterisasi reservoar yang dilakukan dalam
proses inversi LMR.
JENIS PARAMETER
Lambda Rho - porous sand
Lambda Rho - tight sand
Lambda Rho - shale
Mu Rho - tight sand
Mu Rho - shale
Vp/Vs - porous sand
Vp/Vs - non reservoar
LambdaperMu - oil sand
LambdaperMu-nonreservoar
ES-124
< 23,75
> 31
23,75 - 31
> 26,5
< 26,5
< 1,75
> 1,75
< 1,07
> 1,07
ES-185
< 21,5
> 33
21,5 – 33
> 27
< 27
< 1,7
> 1,7
< 1,07
> 1,07
SUMUR
ES-188
< 21
> 34
21 - 34
> 29
< 29
< 1,75
> 1,75
< 1,09
> 1,09
ES-191
< 20,4
> 32,4
20,4 - 32,4
> 26,25
< 26,25
< 1,77
> 1,77
< 1,15
> 1,15
ES-203
< 22
> 33,3
22 - 33,3
> 28
< 28
< 1,78
> 1,78
< 1,13
> 1,13
Tabel 5.1
Jenis parameter yang dianalisis dengan crossplot dan ditentukan cut
off nya pada tiap sumur, untuk mendapatkan zona porous sand, oil sand dan shale/
nonreservoar
5.2
Analisis Petrofisika Parameter AVO
Dari data petrofisika tiap sumur yang menunjukkan keberadaan minyak di
zona kedalaman tertentu (Tabel 4.2) kemudian dicocokkan dengan cut off parameter
LMR, Vp/Vs, poisson’ ratio apakah bisa membedakan litologi tight sand, porous
sand, dan oilsand pada 4 sumur tersebut, seperti pada gambar berikut :
86
SUMUR ES-124
SUMUR ES-185
Gambar 5.1 Validasi parameter Lambda Rho, Mu Rho, Lambda per Mu, Vp/Vs, dan poisson’s ratio dalam membedakan litologi tight
sand, porous sand dan shale dengan menggunakan cutoff Tabel 5.1 pada sumur ES-124 dan sumur ES-185. Zona hitam adalah minyak
87
SUMUR ES-188
SUMUR ES-203
Gambar 5.2 Validasi parameter Lambda Rho, Mu Rho, Lambda per Mu, Vp/Vs, dan poisson’s ratio dalam membedakan litologi tight
sand, porous sand dan shale dengan menggunakan cutoff Tabel 5.1 pada sumur ES-188 dan sumur ES-203. Zona hitam adalah minyak.
88
Pada gambar 5.1 dan 5.2 dapat dilihat kecocokkan parameter AVO (LMR
dan Vp/Vs) dalam melihat litologi dan fluida. Zona oil (hitam) yang dioverlay
dengan cut off Sw < 0.8 menunjukkan litologi oilsand pada kisaran cut off Lambda
per Mu < 1 (warna merah) ditandai dengan naiknya nilai log resistivity, dan cross
over density dengan NPHI. Untuk zona porous sand (kuning) dengan nilai Lambda
Rho < 22 dan nilai Vp/Vs < 1.75 serta nilai Poisson’s Ratio < 0.26, serta zona tight
sand dengan nilai Lambda Rho > 32 Gpa*gr/cc, dan nilai Mu Rho > 28 Gpa*gr/cc.
5.3
Analisis Fluida Reservoar
Berdasarkan analisis data geokimia yang dilakukan PT.CPI, diketahui bahwa
fluida hidrokarbon yang mengisi reservoar Bekasap A, B dan C pada Lapangan
TERRA ini adalah minyak (oil) dengan derajat API sebesar 34 0 API.
BASIC FIELD DATA
Average Gravity of Oil
34 degrees API
Average GOR
44 SCF/STB
Average Injected Water Salinity
1651.58 mg/l
Reservoir Depth (Bekasap A)
4500 - 4700 feet
Reservoir Temperature (Bekasap A)
280-300 degrees F
Reservoir Pressure (Original)
2060 psig
700 psig (some areas with 2000
Reservoir Pressure (Current)
psig
Bubble Point
243 psig
Oil Viscosity, res
2.4 cp
Water Viscosity, res
0.24 cp
Tabel 5.2 Data fluida minyak pada Lapangan TERRA
Density 0API
> 45
34 - 45
20 - 34
< 20
Tabel 5.3
Classification
Condensate
Light
Medium Heavy
Heavy
Klasifikasi minyak bumi berdasarkan berat jenisnya (William, 2006,
opcite Patra, 2006)
Dengan demikian fluida yang terkandung pada reservoar Bekasap adalah Light Oil
(minyak ringan). Dengan informasi inilah dapat dijelaskan bahwa analisis AVO
menampakkan hasil yang tidak jauh berbeda dengan fluida gas yang dilakukan oleh
89
Fatti (1994) dan Goodway (2001). Sehingga inversi AVO yang dihasilkan dapat
diandalkan untuk memetakan litologi dan fluida pada lapangan ini.
5.4
Analisis Pre-Inversion
5.4.1
Atribut AVO
Setelah melalui tahapan super gather untuk meningkatkan S/N to ratio, lalu
dilakukan angle gather didapatkan sudut optimum untuk input atribut AVO adalah
270 ditandai dengan penurunan gradient yang drastis dan kemudian naik kembali
(lihat gambar 4.17).
Top Bekasap A yang merupakan salah satu target dari penelitian ini,
memperlihatkan anomali yang menarik, dengan adanya perubahan amplitudo peak
menjadi through, dan kenaikan impedansi akustik yang tinggi ketika melewati sand,
denga efek pelemahan amplitudo seiring bertambahnya offset dan sudut. Maka zona
reservoar pada Top Bekasap A, B, dan C ini adalah merupakan Anomali AVO kelas
1 yang berada di kuadran IV (gambar 4.18).
Penampang Rp dan Rs stack dihasilkan dari persamaan Fatti menggunakan
input regresi hasil crossplot antara Vp dan Vs pada kelima sumur, karena hanya 5
sumur yang memiliki log Vs. Hasil persamaannya adalah y = 0.809799x – 885.779.
Penulis juga melakukan regresi tiap sumur dan hasilnya tidak jauh berbeda dari
regresi kelima sumur, sehingga input untuk Rp dan Rs stack sudah cukup baik
SUMUR
ES-124
ES-185
ES-188
ES-191
ES-203
Persamaan Regresi Crossplot VP vs VS
y = 1,062820x – 1691,93
y = 0,785827x – 807,724
Y = 0,942537x – 1351,66
y = 0,930663x – 1288,18
y = 0,863686x – 1087,86
Tabel 5.4 Regresi Vp vs Vs pada kelima sumur yang memiliki log Vp dan Vs
90
5.4.2
Analisis Well Seismik Tie
Pengikatan data seismik dengan kedelapan sumur pada penampang Seismik
Rp dan Rs stack dilakukan dengan wavelet Ricker. Dikarenakan wavelet Ricker
memiliki korelasi terbaik dengan sintetik seismogram dan bentuk yang mirip dengan
tras seismik riil. Untuk penampang Rp stack digunakan wavelet Ricker 20 Hz dengan
panjang gelombang 150 ms memberikan korelasi 0,776 dengan perhitungan statistik
dan 0,721 dengan metoda multiwell analisis yang keduanya merupakan angka
tertinggi dari wavelet jenis lainnya. Sedangkan untuk penampang Rs stack
menggunakan wavelet Ricker 19 Hz panjang gelombang 150 ms dengan korelasi
0,677 untuk perhitungan statistik dan 0.695 dengan multiwell analisis. Dari analisis
amplitude spectrum juga didapatkan frekuensi dominan seismik Rp stack dan Rs
adalah pada kisaran 17- 24 Hz, sehingga pemilihan wavelet Ricker ini sudah penulis
rasakan tepat untuk input inversi nantinya.
5.4.3
Analisis Metoda Inversi
Setelah dilakukan analisis inversi untuk menentukan metoda terbaik yang
akan digunakan sebagai input inversi LMR, penulis memilih metoda inversi
Modelbased softconstrain. Selain memiliki korelasi tinggi, dari segi tampilan metoda
ini memberikan hasil yang bagus, baik dari kecocokan warna impedansi di sekitar
sumur, dan dari segi kemenerusan lapisan yang dihasilkan lebih terlihat dengan jelas,
terutama pada warna-warna yang memiliki impedansi tinggi, sesuai dengan hasil
crossplot AI, SI mampu membedakan nilai impedansi tinggi berkorelasi dengan
tightsand.
91
METODA
Model Based Softconstrain
Model Based Hardconstrain
Bandlimited
Colored
SparseSpike MLH
SparseSpike LP
INVERSI AI
KORELASI ERROR RMS
0,84358
378,315
0,851343
283,479
0,702956
311,488
0,568295
297,177
0,805538
408,371
0,64379
340,397
PERSEN ERROR
0.011791761
0.015736615
0.014321579
0.015011256
0.01092389
0.013105286
Tabel 5.5 Korelasi sintetik yang dihasilkan dari semua metoda inversi AI dengan
error terhadap log untuk tiap-tiap metodanya
METODA
Model Based Softconstrain
Model Based Hardconstrain
Bandlimited
Colored
SparseSpike MLH
SparseSpike LP
INVERSI SI
KORELASI ERROR RMS
0,813079
377,705
0,74694
381,608
0,582257
326,605
0,571972
372,920
0,817134
392,015
0,628113
415,505
PERSEN ERROR
0.011808157
0.011687386
0.013655639
0.01195967
0.011377116
0.010733926
Tabel 5.6 Korelasi sintetik yang dihasilkan dari semua metoda inversi SI dengan
error terhadap log untuk tiap-tiap metodanya.
Gambar 5.3 Proses analisis inversi menunjukkan log hasil inversi sudah mirip
bentuknya dengan log AI asli pada sumur ES-73
Gambar 5.4 Proses analisis inversi menunjukkan log hasil inversi sudah mirip
bentuknya dengan log SI asli pada sumur ES-188.
92
Selain itu juga dalam analisis inversi, parameter diubah-ubah untuk
menghasilkan kurva log hasil inversi yang mirip dengan log sumur (Gambar 5.3 dan
5.4). Karena inversi seismik sendiri mengandalkan data sumur sebagai pengontrolnya
dan data sumurlah yang dianggap benar (secara vertikal resolusinya sangat dapat
dipercaya). Seismik membantu sebaran lateral dari nilai-nilai yang terdapat dalam
sumur (dalam hal ini nilai AI dan SI) oleh karena itu juga perlu diperhatikan korelasi
sintetik dengan data seismik agar memiliki nilai korelasi yang besar pula.
5.5
Analisis Hasil Inversi
Sesuai dengan hasil analisis sebelum inversi, maka dibatasi analisis untuk
inversi dengan metoda model based softconstrain saja. Begitu juga dengan hasil
transformasi LMR yang berupa penurunan volume Lambda Rho, Mu Rho, Lambda
per Mu, Vp/Vs, dan Poisson’s Ratio, hasil terbaik didapatkan dalam membedakan
porous sand dan oil sand oleh parameter Lambda Rho, Vp/Vs dan Lambda per Mu,
sedangkan parameter Mu Rho hanya mampu membedakan tight sand saja, sehingga
Mu Rho tidak akan terlalu banyak dibahas lagi dalam analisis selanjutnya. Begitu
juga dengan Poisson’s Ratio sebaran sand tidak kontinu dan ketidaksesuaian warna
penampang seismik poisson’s ratio dengan warna poisson’s ratio sumur. Peta-peta
parameter AVO pada Top Bekasap A, B, C, dan Base C dengan intervalnya masingmasing hasil transformasi LMR dan Vp/Vs dapat dilihat pada gambar 5.5 - gambar
5.10. Peta-peta ini menunjukkan sebaran porous sand, tight sand, shale dan oil sand.
Pada peta Lambda Rho dan Vp/Vs dapat terlihat sebaran porous sand yang
membulat dan mengumpul (diinterpretasi sebagai endapan facies bar) dan yang
memanjang putus-putus adalah endapan facies channel.
93
Gambar 5.5 Peta Lambda Rho yang memperlihatkan sebaran porous sand warna
putih pada Top Bekasap A dengan interval 20ms (atas) dan Top Bekasap B dengan
interval 10 ms (bawah).
94