< prev

Page 1Page 2Page 3Page 4Page 5Page 6Page 7Page 8Page 9Page 10Page 11Page 12

Page 8 of 12
next >

Majalah Ilmiah UNIKOM

Vol.12, No. 1

10

H a l a m a n

KESIMPULAN DAN SARAN

Ada beberapa kesimpulan yang di dapat

dalam penelitian ini, diantaranya :

backpropagation

(terdiri dari 6 hidden layer, tiga target,

serta 10 vektor input) mampu

mengenali mineral Dolomite, mineral

Calcite, dan pori pada batuan karbonat

berdasarkan warna. Jaringan ini dapat

belajar dengan baik (konvergensi pada

epoch ke-25). Output pengujian jaringan

berupa matrik 384x521dengan nilai 1

untuk pori, 2 untuk Dolomite, dan 3

untuk Calcite. Nilai matriks ini kemudian

dikonversi dengan nilai kecepatan

gelombang elastik di dalam pori (1500

m/s), dolomite (6927 m/s), dan calcite

(6265 m/s). Matriks hasil subtitusi

kemudian diolah menjadi citra berupa

peta kecepatan gelombang elastik.

Dengan menggunakan Seismic Unix

(SU), matriks diolah menjadi model

kecepatan dan dirambatkan gelombang

elastik.

finite difference

movie

perambatan gelombang elastik untuk

berbagai frekuensi. Fenomena Difraksi

dan Dispersi Gelombang teramati

melalui pemodelan. Difraksi terjadi

akibat gelombang melalui medium pori

dengan ukuran kecil dan impedansi

elastik yang rendah relatif terhadap

medium di sekitarnya. Fenomena

dispersi yang terjadi adalah dispersi

positif, di mana kecepatan gelombang

meningkat seiring peningkatan

frekuensi sumber.

Saran

1. Sebaiknya suatu hidrokarbon dikenali

sendiri sebagai bagian terpisah

sehingga pola yang digunakan untuk

latihan terdeterminasi dengan baik.

hidden layer

dalam jumlah yang lebih banyak

sehingga jaringan mampu belajar

John Adler

dengan lebih baik lagi.

REFERENSI

Microstructure Analyze

of Carbonate Reservoir Rock at Parigi

Formation (Area Palimanan-Cirebon),

The 3

rd

Asian Physics Symposium (APS

2009), ITB

Implementasi Reser-

voir Management untuk Reservoir Kar-

bonat : Studi kasus Lapangan Sopa

Pertamina OEP Prabumulih.

,

Porosity Prediction from

Wireline Logs Using Artificial Neural

Networks: a Case Study in north-east of

Iran,

221-233

Eskandaria, H., Rezaee, M. R., and Moham-

Application of Multi-

ple Regression and Artificial Neural

Network Technique to Predict Shear

Wave Velocity from Wireline Log Data

for a Carbonate Reservoir, South-West

Iran

Pemodelan Fractal Untuk

Karbonat

Kursus Reef

Carbonate Exploration

Migas, Jakarta.

Mavko, G., Mukerji, T., dan Dvorkin, J.,

The Rock Physics Handbook :

Tools for Seismic Analysis in Porous

Media

Carbonate Reservoirs.

Porosity Evolution and Diagenesis in a

Sequence Straiggraphic Framework

Penerbit Elsevier.

Permeability prediction

based on fractal pore-space geometry

Geophysics, Vol. 64, No. 5, P. 1447–

1460.

Rezaee, M. R., Jafari, A., and Kazemzadeh,

Relationships between per-

meability, porosity and pore throat size

in carbonate rocks using regression

analysis and neural networks,

phys. Eng., 3, 370-376.