Dalam disiplin ilmu petrofisika, teknologi komputer telah jamak digunakan untuk melakukan evaluasi formasi (analisis, interpretasi, dan integrasi log) sejak tahun 1980an. Saat ini, kemajuan teknologi data analytics yang didukung dengan big data, interkoneksi antar jaringan, dan sistem komputasi berkinerja tinggi pada era revolusi industri 4.0 menyebabkan mulai berkembangnya penggunaan metode-metode machine learning (MI) dan artificial intelligence (AI) dalam Petrophysical Data-Driven Analytics (PDDA). Implementasi metode PDDA pun belakangan ini cukup populer dalam integrasi alur kerja evaluasi formasi.

Pada salah satu implementasi metode ini, model-model deep learning digunakan untuk mengintegrasikan dan menginterpretasikan data-data berbentuk gambar untuk analisis geologi-petrofisika, seperti data-data sayatan tipis, foto outcrop/core, gambar log, cross-section seismik, dan peta geologi. Implementasi lain melibatkan interpretasi geologi yang konsisten terhadap data-data operasional dan properti formasi, yang kemudian diikuti dengan aplikasi data analytics untuk kegiatan-kegiatan operasional seperti kegiatan pemboran, komplesi, serta akuisisi data yang lebih efektif dan efisien. Selain itu, metode berbasis data juga diimplementasikan dalam evaluasi formasi untuk kebutuhan rekonstruksi database, noise filtering, dan pendeteksian anomali. Aplikasi lain yang cukup populer adalah untuk mengurangi pekerjaan-pekerjaan repetitif seperti pembersihan data, penyesuaian kedalaman, sintesis data yang hilang, dan picking horizon. Analisis berbasis data juga dapat digunakan pada kegiatan karakterisasi reservoir, seperti klasifikasi fasies dan rock typing.

Secara umum, petrofisika bertujuan untuk menyelesaikan permasalahan evaluasi formasi dan deskripsi reservoir yang berdasarkan data bawah permukaan multiscale yang meliputi fluida dan core reservoir, log, well test, seismik, serta data produksi. Penggunaan algoritma ML untuk menyelesaikan permasalahan petrofisika digambarkan dalam alur kerja generik yang meliputi tiga komponen utama: data petrofisika (data mentahan atau hasil derivasi), algoritma ML, dan hasil properti petrofisika.

Gambar 1 – Alur Kerja Generik terhadap Implementasi PDDA untuk Memprediksi Properti Geologi-Petrofisika sebagai Input untuk Model Reservoir (Xu, 2019)

Model alur kerja generik tersebut dapat bervariasi dengan mempertimbangkan keberagaman tipe data petrofisika dan ketersediaan algoritma. Secara umum, kegiatan-kegiatan petrofisika yang dapat menggunakan metode machine learning dapat dibagi menjadi lima jenis kegiatan.

1. Automasi quality control data log seperti bad-hole flagging, efek lumpur dan invasi filtrat lumpur, serta penyesuaian kedalaman untuk jumlah sumur yang banyak.
2. Rock typing dan prediksi permeabilitas dari hasil integrase core-log pada studi lapangan multi sumur.
3. Klasifikasi litofasies, fasies sedimen, atau tekstur Dunham dari gambar log serta analisis data petrologi dan mekanika batuan (sayatan tipis, SEM, mineralogy, property mekanika batuan).
4. Distribusi fasies dalam model reservoir 3D berdasarkan data core, log, dan seismik.
5.  Pemanfaatan database operasional untuk menganalisis penyebab utama permasalahan operasional tertentu saat logging atau coring, dan memprediksi kemungkinan terjadi kembalinya permasalahan tersebut pada kondisi operasional yang akan dilakukan.

Jenis kegiatan di atas tentunya akan terus bertambah seiring dengan berkembangnya aplikasi PDDA pada industri.

Referensi:

• Jobe, T. D., Vital-Brazil, E., and Khaif, M. (2018). Geological feature prediction using image-based machine learning. Society of Petrophysicists and Well-Log Analysts.
• Koryabkin, V., Stishenko, S., Kolba, P., and Tatur, O. (2018). Application of the combined real-time petrophysical and geosteering model to increase drilling efficiency. Society of Petroleum Engineers. doi: 10.2118/191689-18RPTC-MS.
• Ozkan A., Cumella S.P., Milliken K.L., Laubach S.E. (2011) Prediction of lithofacies and reservoir quality using well logs, Late Cretaceous Williams Fork Formation, Mamm Creek field, Piceance Basin, Colorado. AAPG Bulletin, 95(10), 1699-1723.
• Xu, C., and Misra, S. (2018). Petrophysics Data-Driven Analytics: Theories and Applications. SPWLA 2018 STC Panel Discussions Summary. April 16-17, Houston TX. SPWLA Newsletter September 2018.
• Xu, C., Misra, S., Srinivasan, P., & Ma, S. (2019, March 15). When Petrophysics Meets Big Data: What can Machine Do? Society of Petroleum Engineers. doi:10.2118/195068-MS.
• Zimmermann, T., Liang, L., and Zeroug, S. (2018). Machine-learning-based automatic well-log depth matching. Society of Petrophysicists and Well-Log Analysts.