Dokumen ini membahas dekonvolusi prediktif dalam pemrosesan data seismik, menjelaskan teori dasar dan aplikasi dalam industri minyak, serta dampaknya terhadap pengurangan gelombang multiple. Metode ini menggunakan informasi dari awal jejak seismik untuk memprediksi dan menghilangkan gangguan dari noise, seperti gema. Contoh data dari prospek di sungai Atala, Nigeria, menunjukkan hasil pengolahan dekonvolusi prediktif yang efektif dalam meningkatkan resolusi temporal data seismik.

1. Fajar Abdurrof’i Nawawi 12309054
PREDICTIVE DECONVOLUTION IN
SEISMIC DATA PROCESSING

2. OUTLINE
• Pendahuluan
• Teori Dasar
• Contoh Data Lapangan dan Diskusi
• Kesimpulan

3. PENDAHULUAN
• Apa arti dekonvolusi prediktif ?
Metode dekonvolusi prediktif, dengan jarak prediksi
lebih besar daripada satu, secara luas digunakan dalam
industri minyak untuk menghilangkan beberapa refleksi dari
data seismik refleksi. Dalam hal ini output dari dekonvolusi
menjadi deret reflektifitas bawah permukaan untuk wavelet
minimum-fase. Untuk jarak prediksi lebih besar daripada
satu, filter prediksi terkait secara rekursif (Ulrych et al.,
1973).
• Kegunaan dekonvolusi prediktif ?
1. Mengatenuasi gelombang multiple
2. Multitrace Sensing
3. Prediksi noise berupa gelombang multiple dan gema

4. • Prinsip Metode
1. Prinsip Levinson
Untuk dekonvolusi single-channel tanpa filter digital
2. Filter Prediksi Wiener
Deverberation data stasioner dan menghilangkan gelombang
multiple untuk data non-stasioner
3. Zhang (2009)
Penentuan panjang prediktif perlu dilakukan dalam menghilangkan efek gelombang
multiple
dan nilainya lebih besar dari periode gelombang multiple.
4. Robinson (2006)
Perhitungan spektrum spektrum energi transmisi dalam perhitungan prediksi error.
5. Margrave dan Lamoreux (2010)
Spiking deconvolution untuk non stasioner dalam domain Gabor.
6. Taner (1980)
Dekonvolusi prediktif dalam domain τ-p untuk memperbaiki noise awal.

5. TEORI DASAR
• Matriks Robinson & Treitel
Digunakan untuk memfilter data untuk estimasi nilai x(t+ γ ). Dengan
asumsi x(t) adalah input dan (t+γ) adalah nilai prediksi pada waktu
tertentu, dimana γ adalah prediksi lag.

6. • Misalnya untuk data input Xi , dimana i = 0,1,2,3,4 dan γ =2, dilakukan autokorelasi
data input [X0, X1, X3, X4] dan korelasi silang antara output x(t+2) dengan input x(t),
kita akan mendapatkan matriks Robinson berikut
Dengan ai adalah koefisien filter dimana i = 0,1,2,3,4
• Lalu dilakukan dekonvolusi prediksi antara filter prediksi γ(t) dengan data input untuk
menghasilkan output aktual y(t)

7. • Perhitungan prediksi error βi+2 = Xi+2 - yi
• Hasil ini juga bisa didapatkan dengan konvolusi langsung data input Xi
, dengan koefisien filter [1,0,-ai ] dimana i = 0,1,2,3,4
• Deret (a0,a1,a2,a3,a4) adalah filter prediksi dan deret (1,0, -a0,-a1,-
a2,-a3,-a4) adalah filter prediksi error.
• Prediksi filter menghasilkan komponen terprediksi yaitu
gelombang multiple dari trace seismik, dan untuk komponen tak
terprediksi, deret koefisien refleksi berperan sebagai deret
error.

8. • Bentuk akhir persamaan untuk filter prediksi sebanyak –n
dan lag prediksi γ adalah sebagai berikut

9. • Design dari filter prediksi membutuhkan autocorrelation dari
input series saja.Ada dua pendekatan untuk predictive
deconvolution. Design ini dibuat menggunakan persamaan 3 dan
diterapkan pada input serries yang seperti ditunjukkan di figure 1.
• Aternatif lain yakni untuk mendisign dan convolve input serries,
filter prediksi error seperti yang ditunjukkan pada figure 2.
• Figure3 menunjukkan flowchart untuk hubungan antara berbagai
filter deconvolusi. Ini menunjukkan bahwa ini dapat digunakan
untuk menyelesaikan rentangan/range yang lebar dari suatu
problem dan predictive deconvolution itu merupakan suatu bagian
integral dari data seismik prosesing yang ditujukan pada kompresi
seismik wavelet, sehingga meningkatkan temporal resolusi.

10. Beberapa asumsi yang dibuat dalam predictive doconvolution
selama proses prosesing. Asumsi ini bedasarkan Yilmaz (1987) :
• Bumi merupakan lapisan horizontal dengan kecepatan
konstan.
• Gelombang bidang kompresi yang mengenai bidang batas
lapisan pada normal incidence dihasilkan pada source. Pada
kasus ini tidak ada gelombang shear yang dihasilkan.
• Waveform sumber tidak berubah saat melewati subsurface.
• Komponen noise n(t) adalah zero.
• Reflectivity merupakan proses acak/random yang berarti
seismogram memiliki karakteristik seismik wavelet tertentu.
• Seismik wavelet merupakan minimum phase karena memiliki
minimum-phase inverse.

14. Two channel deconvolution of common-
offset gather

15. Supressing The Multiple

16. Contoh hasil pengolahan data

17. Output of Predictive Deconvolution
1. Wavelet fasa minimum
Output yang dihasilkan oleh unit gap atau dekonvolusi spiking
hanyalah deret reflektifitas. Output dekonvolusi prediktif adalah
konvolusi dari seri reflektifitas dengan wavelet terpotong oleh lag

18. 2. Wavelet fasa non-minimum
Kenyataannya wavelet seismik yang sebenarnya mungkin bukan
fase minimum. Gambar di bawah menunjukkan bahwa output dari
dekonvolusi prediktif diaplikasikan pada wavelet fase non-minimum
adalah bahwa wavelet terpotong pada panjang gap diikuti oleh
bentuk mengekor yang bergantung pada sifat dari input.

19. LOKASI
• Lokasi dari data yang kita proses adalah Suatu prospek di
sungai Atala Nigeria.
• Area yang prospek adalah sekitar 256 kilometer
persegi.elevasina meningkat dari utara keselatan
• Bagian area yang prospek melingkupi lapangan Burigbene
dan Ogbotobo.

20. CONTOH DATA LAPANGAN DAN DISKUSI
• Figure 4 menunjukkan CMP gather yang
berisikan 5 refleksi pada 1.1, 1.35, 1.85,
2.15, dan 3.05s. Terdapat noise (gema) yang
berasosiasi dengan refleksi-refleksi tsb.
• Figure 4 menunjukkan tes autocorrelation
window yang digunakan untuk mendesign
operator deconvolusi. Solid bar
menunjukkan batas window. Keseluruhan
panjang 6s ditunjukkan di a.
Autocorrelograms ditampilkan dibawah
records. Pada umunya, autocorrelacaiton
window berisikan bagian dari record yang
mengandung sinyal refleksi yang berguna
dan tidak mengikutsertakan coherent atau
incoherent noise. (Yilmaz,1988)
• Window yang digunakan dalam estimasi
auto korelasi ditunjukkan pada figure 4c

21. • Figure 5 menunjukkan tes operator length.
Kesamaan autocorelasi ditunjukkan dibawah
masing-masing record.
• Figure 5a menunjukkan input gather
deconvolusi menggunakan lag 4 ms (spiking
deconvolusi), 0,1 persen prewhitening dan filter
prediksi panjang operator b=40 ms c=80 ms
d=160ms e=240 ms. Dari analisi single spike,
sparse spike dan model reflektivity, short
operator(40ms) meninggal energi residual yang
sesuai dengan wavelet dasar dan gelombang
gema kereta dalam record. Untuk
operator(60ms) tidak ada sisa energi yang
diasosiasi dengan wavelet dasar dan gema.
Operator yang lebih panjang dari 60ms tidak
merubah hasil secara signifikan.

22. • Figure 6 merupakan efek dari prediksi
lag yang diujikan
• 160 ms panjang operator dan 0,1 %
prewhitening ditetapkan sementara
prediksi lag di variasikan.
Peningkatan dalam prediksi leg akan
menghasilkan pada proses
dekonvolusi yang membuat itu kurang
efektif dalam pelebaran spektrum.
Proses dekonvolusi tidak efektif untuk
128 ms predisi lag. Ini sangat umum
jika prediksi lag bersatu(spiking
dekonvolusi) atau first atau second
zero crossing dari fungsi auto
korelasi(predictive deconvolusi)

23. • Figure 7 merupakan tes persen
prewhitening. Dengan proses
dekonvolusi ini menjadi kurang
efektif ketika persen
prewhithening dinaikan.
Deconvolusi menggunakan panjang
filter prediksi operator 160 ms

24. Gambar 8 menunjukkan signature processing
dimana filter digunakan untuk mengkonversi
hasil rekaman ke fasa minimum ekivalen dan
mengaplikasikannya pada rekaman input awal
(a) Rekaman input awal
(b) Hasil yang sudah diproses dengan
dekonvolusi prediktif dengan panjang operator
160ms dan prediksi lag.
(c) Spiking deconvolution 4ms
(d) Spiking deconvolution 12ms
(e) Spiking deconvolution 32ms

25. KESIMPULAN
• Dekonvolusi prediktif adalah proses pengaplikasian
informasi dari bagian awal trace seismik untuk memprediksi
sistem noise seperti gema dan gelombang multiple. Selain
itu digunakan untuk mengatenuasi gelombang multiple yang
reflektornya berada di permukaan maupun dekat
permukaan.
• Secara formal bahwa pada nilai lag besar, metode koreksi
fasa yang digunakan identik dengan dekonvolusi prediktif.
• Metode ini kuat dalam arti bahwa ia tidak mengubah data
jika asumsi modelnya tidak valid.

26. Daftar Pustaka
 Egbai, J. C, Atakpo, E and Aigbogun C.O. Predictive Deconvolution In
Seismic Data Processing In Atala Prospect Of Rivers State, Nigeria.
Pelagia Research Library. ISSN: 0976-8610 CODEN (USA): AASRFC.
(tersedia http://pelagiaresearchlibrary.com/advances-in-applied-
science/vol3-iss1/AASR-2012-3-1-520-529.pdf)
 Morley, Larry and Claerbout, Jon. Predictive Deconvolution In Shot-
receiver Space. GEOPHYSICS, VOL. 48. NO. 5 (MAY 1983); P. 515-
531, 22 FIGS.(tersedia
http://terra.rice.edu/department/faculty/niu/GUCASseismicImaging/R
eading/MorleyClaerbout83Geophysics.pdf)
 Ulrych, T. J. and Matsuoka, T. The Output Of Predictive Deconvolution.
GEOPHYSICS, VOL. 56, NO. 3 (MARCH 1991); P. 371-377. 1 FIG.
(tersedia
http://www.eos.ubc.ca/research/cdsst/Tad_home/GPY000371.pdf)