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.