bab iv perhitungan cadangan - · pdf filesuatu reservoir yang dibor dan dilakukan well...
Post on 02-Feb-2018
216 Views
Preview:
TRANSCRIPT
68
BAB IV Perhitungan Cadangan
Perhitungan cadangan minyak yang ada di dalam Reservoir “X” akan
menggunakan parameter-parameter yang ada dalam model Reservoir “X”,
misalnya porositas dan Sw. Dalam perhitungan cadangan dengan menggunakan
model tersebut, akan dilihat sensitifitas parameter yang mengontrol OOIP.
Mengenai klasifikasi cadangan minyak, PT. CPI menyebutkan bahwa cadangan
minyak dalam Reservoir “X” sampai sekarang masih termasuk ke dalam kategori
Contingency Resources, yaitu kategori P4-P6 Resources (Gambar IV.1 a).
Contingent Resources (P4-P6) adalah perkiraan jumlah crude oil, natural gas, dan
natural gas liquids yang mana data geoscience dan engineering menunjukkan
(hidrokarbon tersebut) dapat diperoleh (recoverable) pada masa yang akan datang
dari reservoir tersebut, tapi sekarang tidak komersial dalam kondisi ekonomi dan
operasi yang ada (Chevron Corporate Reserves Manual, 2006).
Dalam penelitian ini, penamaan klasifikasi contingency resources akan mengacu
kepada Petroleum Resources Management System yang disusun oleh Komite Oil
and Gas Reserves dalam Society of Petroleum Engineers (SPE) tahun 2007, yang
juga di-review dan secara bersama disponsori oleh the World Petroleum Council
(WPC), the American Association of Petroleum Geologist (AAPG), dan the
Society of Petroleum Evaluation Engineers (SPEE).
Contingency Resource yang disebutkan dalam klasifikasi reserves dan resource
tersebut dinamakan sebagai Contingent Resources 1C, 2C, dan 3C (Gambar IV. I
b). 1C adalah ekuivalen dengan P4, 2C sebagai P5, dan 3C sebagai P6 pada
klasifikasi Chevron.
69
(a)
(b) Gambar IV.1 (a) Klasifikasi 6P Reserves dan Resources Chevron (Chevron Corporate,
2006), dan (b) Klasifikasi menurut SPE (WPC, SPE, AAPG, SPEE, 2007).
70
Parameter yang dipakai dalam perhitungan OOIP adalah volume, porositas, serta
saturasi minyak atau So, yang diperoleh dari ”1-Sw”. Volume yang dipakai
adalah berdasarkan total volume sel pada model Reservoir “X” yang masuk dalam
kategori region yang ditentukan. Untuk region pay, tergantung cut-off dari rock
properties yang dipakai). Sedangkan porositas dan Sw diperoleh dari model.
IV.1 Penentuan Paramater
Penentuan parameter porositas (phie) dan Sw telah disebutkan pada bagian II.2.5.
Khusus untuk Lapangan Duri dan dalam penelitian ini, ketebalan pay (net pay)
adalah ketebalan dimana batuan tersebut mempunyai Sw<=0.8 dan Phie >= 0.24
(Gambar IV.2). Sedangkan untuk perhitungan cadangan minyak (OOIP), net pay
ditentukan berdasarkan sel-sel yang mempunyai cut-off Sw dan Phie sebagai pay,
sehingga sel tersebut masuk dalam pay region (Gambar IV.3).
Gambar IV.2 Log sumur yang mempelihatkan penentuan pay dengan cut-off Sw
<= 0.8 dan Phie >= 0.24.
Pay
Cut-off Sw
Cut-off phie
71
Gambar IV.3 Pay cells yang merupakan bagian dari pay region, mempunyai
property Sw <= 0.8 dan Phie >= 0.24, di atas OWC.
IV.2 Penentuan Batas Hidrokarbon
Dalam penenelitian ini dan secara spesisifk yang diterapkan di Lapangan Duri,
interpretasi batas hidrokarbon yang meliputi OWC, LKO, dan HKW (Gambar
IV.4), ditentukan berdasarkan data log sumur yang meliputi log-log gamma ray,
resistivitas, porositas, dan Sw.
Johansen (2006) mendefinisikan OWC sebagai kedalaman batupasir berkualitas
reservoir yang mengandung minyak yang mobile.. Air merupakan fluida yang
mobile dalam batupasir berkualitas reservoir di bawah OWC. Sedangkan untuk
suatu reservoir yang dibor dan dilakukan well logging, LKO adalah titik paling
bawah pada perpotongan lubang sumur pada suatu unit lapisan yang mengandung
mobile oil. HKW adalah titik paling tinggi di perpotongan lubang sumur pada
reservoir yang mengandung movable water dan no movable oil. Contoh
interpretasi dalam log sumur diperlihatkan pada gambar IV.5.
U
Legenda:
Pay Cells Area
Non Pay Cells Area
72
Gambar IV.4 Kartun yang memperlihatkan hubungan antara OWC, LKO, dan HKW dalam tiga sumur yang menembus kedalam satuan reservoir yang sama.
Gambar IV.5 Log sumur yang memperlihatkan contoh penentuan batas hidroharbon: OWC, LKO, dan HKW (Johansen, 2006).
LKO
HKW
OWC
Sumur A Sumur B
Sumur C
LKO
HKW
OWC Air
Minyak
73
Di daerah penelitian, LKO diinterpretasikan rata-rata pada kedalaman -382 feet,
OWC pada kedalaman -396 feet , HKW pada kedalaman -443 feet di bawah
permukaan rata-rata air laut (sub-sea). LKO ditentukan berdasarkan kedalaman
LKO paling dalam yang ditemukan pada sumur. Tipe LKO ini ditemukan pada
sumur B. Tipe OWC ditemukan pada sumur C, sedangkan HKW ditemukan pada
sumur A (Gambar IV.6). Cara penentuan OWC di Duri adalah khas. Secara
tradisional, penentuan OWC berdasarkan gamma ray dan vsh untuk menentukan
litologi, sedangkan untuk menentukan pay atau wet adalah dengan resistivitas.
Data porositas, permeabilitas, dan Sw hasil evaluasi formasi, membantu dalam
proses interpretasi. Cut-off pay dan non pay interval ditentukan berdasarkan studi
evaluasi formasi Duri yang diterangkan pada Bab II.
Legenda:
LKO
OWC
HKW
Top dan Bottom Reservoir “X”
Gambar IV.6 Tipe LKO, OWC, dan HKW di daerah penelitian.
Sumur A Sumur C Sumur B Sumur D Sumur E
U
A B
C
D E
74
IV.3 Deskripsi mengenai Metode Perhitungan
Pada prinsipnya, perhitungan volumetrik menggunakan rumusan:
OOIP = A (Luas) x h (Ketebalan Net Pay) x Ф (Porositas) x (1-Sw) x 7758 Bbl
Untuk mendapatkan STB (Stock Tank Barrel), digunakan nilai Boi atau FVF
(Formation Volume Factor) yang konstan, yatu 1.022 untuk Duri. Hasil diskusi
dengan Reservoir Engineer, data Boi reservoir ini dianggap sama dengan reservoir
di bawahnya, yaitu Reservoir Rindu, dan perbedaanya tidak berarti. Oleh karena
itu akan diasumsikan sama.
Proses perhitungan volumetrik pada proses ini adalah dengan menggunakan
modul yang sudah tersedia dalam aplikasi perangkat lunak GOCAD. Hanya
dengan memasukkan nilai porositas dan Sw bersama dengan masing-masing cut-
off dan probabilistic range serta region yang digunakan, Kita akan mendapatkan
OOIP dari suatu reservoir pada region tertentu
Karena perhitungan OOIP menggunakan beberapa case dari masing-masing
parameter dan jumlahnya banyak serta membutuhkan waktu yang lama, maka
perhitungan dilakukan dengan menggunakan program script.
Hubungannya dengan 1C, 2C, dan 3C case OOIP, berikut adalah deskripsi untuk
penentuan 1C, 2C, dan 3C case dari OWC, sifat batuan, dan cut-off yang dipakai
untuk perhitungan OOIP probabilistik. Metode untuk melakukan analisis
sensitifitas terhadap parameter yang berkontribusi terhadap OOIP, dilakukan
pendekatan dengan menggunakan metode DoE.
75
IV.3.1 Parameter 1C, 2C, dan 3C Case untuk OOIP
Batas Hidrokarbon meliputi: P10_owc = LKO sebagai 1C Case P50_owc = OWC sebagai 2C Case P90_owc = HKW sebagai 3C Case Hasil interpretasi dari LKO, OWC, dan HKW pada sumur, selanjutnya dibuat
surface untuk pembuatan region 1C, 2C, dan 3C case. Data ini diperlukan untuk
membuat region di atas dan di bawah batas hidrokarbon, yang akan dipakai untuk
perhitungan OOIP sebagai region volume.
Model Property ( Modifikasi dari Johansen dkk., 2005) Phie P10 Phie= well phie - 0.015 = (1C Case model phie untuk OOIP) P50 Phie= well phie P90 Phie= well phie + 0.015 = (3C Case model phie untuk OOIP) Sw = (1-So) P90 Sw= well sw + 0.06 = (1C Case model sw untuk OOIP) P50 Sw = well sw P10 Sw= well sw - 0.06 = (3C Case model sw untuk OOIP) Cut-off zona pay (Johansen dkk., 2005) Phie P90= 0.235 (3C Case cut-off porositas untuk OOIP) P50= 0.24 (2C Case) P10= 0.255 (1C Case cut-off porositas untuk OOIP) Sw P10= 0.77 (1C Case cut-off sw untuk OOIP) P50= 0.80 (2C Case) P90= 0.87 (3C Case cut-off sw untuk OOIP) Penentuan case pada batas hidrokarbon, model property, dan cut-off, diringkas
dalam bentuk tabel (Tabel IV.1). Penentuan setiap case pada kurva dan cut-off
diperlihatkan pada gambar IV.7.
76
Tabel IV.1 Ringkasan parameter untuk DoE
Parameter* 1C Case 2C Case 3C Case owc lko owc hkw phie model phie_model_1C phie_model_2C phie_model_3C sw model sw_model_1C sw_model_2C sw model 3C phie cut-off 0.255 0.24 0.235 sw cut-off 0.77 0.80 0.87
*Parameter yang berkontribusi terhadap OOIP Gambar IV.7 Penerapan 1C (low case), 2C (base case), dan 3C(high case) pada
kurva dan cut-off, untuk menentukan Pay.
1C Net Pay 3C Net Pay
77
Masing masing model dan cut-off pada setiap case akan digunakan untuk
penentuan OOIP dengan beberapa kombinasi, sehingga hasil OOIP akan berbeda-
beda tergantung kombinasinya. Kombinasi kelima parameter dengan case: 1C,
2C, dan 3C, bisa lebih dari 90 kombinasi (Tabel IV.2). Kombinasi lainnya adalah
-1 dengan 0 and 1; 0 dengan -1 and 1; 1 dengan -1 and 0.
Tabel IV.2 Skema model beberapa kemungkinan kombinasi antar parameter (dua
parameter). 1C = -1; 2C = 0; 3C = 1
Combination owc phie swcut phie
cut sw
-1 and 0 -1 -1 -1 -1 -1 -1 -1 -1 0 0 -1 -1 0 -1 0 -1 0 -1 -1 0 -1 -1 0 0 0 -1 0 0 -1 0-1 -1 -1 -1 0 -1 -1 0 0 -1 -1 0 -1 0 -1 -1 -1 -1 -1 -1 -1 0 0 0 -1 -1 0 -1 0 0-1 -1 -1 0 -1 -1 0 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 0 0 0-1 -1 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1-1 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
0 and -1 0 0 0 0 0 0 0 0 -1 -1 0 0 -1 0 -1 0 -1 0 0 -1 0 0 -1 -1 -1 0 -1 -1 0 -10 0 0 0 -1 0 0 -1 -1 0 0 -1 0 -1 0 0 0 0 0 0 0 -1 -1 -1 0 0 -1 0 -1 -10 0 0 -1 0 0 -1 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -1 -1 -1 -10 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 and 0 1 1 1 1 1 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 1 1 0 0 0 1 0 0 1 01 1 1 1 0 1 1 0 0 1 1 0 1 0 1 1 1 1 1 1 1 0 0 0 1 1 0 1 0 01 1 1 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 01 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 and -1 1 1 1 1 1 1 1 1 -1 -1 1 1 -1 1 -1 1 -1 1 1 -1 1 1 -1 -1 -1 1 -1 -1 1 -11 1 1 1 -1 1 1 -1 -1 1 1 -1 1 -1 1 1 1 1 1 1 1 -1 -1 -1 1 1 -1 1 -1 -11 1 1 -1 1 1 -1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 -1 -11 1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
-1 and 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 1 -1 1 -1 1 -1 -1 1 -1 -1 1 1 1 -1 1 1 -1 1-1 -1 -1 -1 1 -1 -1 1 1 -1 -1 1 -1 1 -1 -1 -1 -1 -1 -1 -1 1 1 1 -1 -1 1 -1 1 1-1 -1 -1 1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1-1 -1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1-1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
0 and 1 0 0 0 0 0 0 0 0 1 1 0 0 1 0 1 0 1 0 0 1 0 0 1 1 1 0 1 1 0 10 0 0 0 1 0 0 1 1 0 0 1 0 1 0 0 0 0 0 0 0 1 1 1 0 0 1 0 1 10 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 10 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Mulyadi - Thesis ITB 2007 IV.3.2 Perhitungan OOIP dengan menggunakan Script Formula dasar untuk perhitungan OOIP adalah seperti yang disebutkan di bagian awal: OOIP = A (area) x h (thickness) x Phie x (1-Sw) FVF Untuk melakukan perhitungan OOIP dalam berbagai kombinasi 1C-2C-3C cases
pada kelima parameter adalah dengan menggunakan script dalam program linux
78
yang di-run dalam aplikasi perangkat lunak GOCAD (Lampiran 6 dan 7). Kelima
parameter tersebut adalah sebagai berikut:
a. Region batas hidrokarbon (region lko,owc,hkw)
b. Phie = SGS_simulation_phie
c. Sw = Colcok_simulation_sw
d. Phie cut-off
e. Sw cut-off
IV.3.3 Analisis Ketidakpastian dengan DoE
Setelah menentukan parameter-parameter yang akan digunakan, maka dilakukan
proses DoE dengan metode D-Optimal. Experiment tabel berikut adalah
kombinasi case dari kelima parameter yang dilakukan oleh perangkat lunak DoE
dalam GOCAD dengan jumlah run yang ditentukan Peneliti sebanyak 25, yang
dianggap mewakili semua kombinasi (Tabel IV.3).
Tabel IV.3 Tabel eksperimental dalam desain D-Optimal.
79
IV.4 Hasil Perhitungan
IV.4.1 1C, 2C, dan 3C case OOIP dari Script
Hasil perhitungan OOIP dengan menggunakan 1C, 2C, dan 3C case yang berbeda
pada setiap parameter bisa dihasilkan lebih dari 90 kombinasi. Berikut adalah
contoh hasil perhitungan OOIP untuk 1C Case region batas hidrokarbon (LKO)
dengan 1C, 2C dan 3C Case dari beberapa kombinasi antar parameter lainnya: 2_pg_Layer_6_AOI_above_p10_owc_co_sw_hi= 170814207,49672845
Hasil perhitungan OOIP dari kombinasi parameter sebanyak 25 run dalam DoE
untuk Lapisan A, B, dan C diringkas pada table IV.4 dan diperlihatkan dalam
bentuk grafik (Gambar IV.8). Contoh salah satu hasil perhitungan di atas hasilnya
adalah 170.814.207, dimasukkan pada tabel DoE adalah dalam Run 1 pada OOIP
Lapisan A.
Tabel IV.4 Hasil perhitungan OOIP Lapisan A, B, C berdasarkan kombinasi parameter.
Lapisan A Lapisan B Lapisan C
owc phie_model sw_model phie_cutoff sw_cutoff OOIP (stbo) OOIP (stbo) OOIP (stbo)RUN1 Low Low Low Low High 170.814.208 20.185.123 102.876RUN2 Low Low Low High Low 158.743.054 18.550.344 63.459RUN3 Low Low High Low Low 227.364.438 26.722.145 166.172RUN4 Low Low High Middle Middle 236.467.309 27.291.934 195.452RUN5 Low Low High High High 248.555.146 28.079.309 247.524RUN6 Low Middle Low High High 181.038.950 21.050.724 107.516RUN7 Low Middle Middle Low Low 199.461.826 23.438.893 110.265RUN8 Low High Low Low Low 173.375.315 20.049.495 68.960RUN9 Low High Low Middle High 191.644.847 21.906.303 112.176RUN10 Low High Middle High High 230.469.120 26.089.554 179.138RUN11 Low High High Low High 274.726.791 30.414.127 269.149RUN12 Low High High High Low 255.572.914 29.020.509 181.032RUN13 Middle Low Middle Middle High 223.057.582 30.970.687 650.996RUN14 Middle Middle High Middle High 281.011.185 37.916.764 995.397RUN15 Middle High Low High Middle 194.588.596 26.398.935 343.380RUN16 Middle High Middle Low Middle 231.552.244 31.979.186 543.808RUN17 High Low Low Low Low 184.384.697 31.309.635 770.340RUN18 High Low Low High High 210.786.563 36.051.631 1.244.979RUN19 High Low High Low High 294.271.898 53.581.634 3.012.410RUN20 High Low High High Low 277.219.814 49.323.845 2.001.686RUN21 High Middle Middle Middle Middle 247.057.442 43.235.484 1.528.897RUN22 High High Low Low High 225.807.015 38.903.227 1.350.404RUN23 High High Low High Low 207.491.673 33.969.209 840.079RUN24 High High High Low Low 302.752.620 53.347.246 2.174.813RUN25 High High High High High 331.055.402 58.210.585 3.282.410
Run(n)
Parameter
80
Gambar IV.8 Jumlah OOIP antara Lapisan A,B, dan C dari beberapa kombinasi
parameter. Lapisan A mempunyai OOIP yang paling besar dari kombinasi parameter yang ada, sedangkan Lapisan C mempunyai OOIP yang paling kecil.
81
IV.4.2 Hasil DoE
Berikut adalah gambar hasil tabel eksperimen dari metode D-Optimal Design,
dengan memasukkan hasil OOIP dari setiap run dengan kombinasi parameter
tertentu. Nilai OOIP diperoleh dari hasil perhitungan volumetrik hidrokarbon
untuk Lapisan A atau Layer 6 (Gambar IV.9).
Kelima parameter tersebut merupakan uncertainty sources, sedangkan OOIP
merupakan response variable. Begitu juga langkah yang sama dilakukan untuk
Lapisan B dan C.
Gambar IV.9 Besaran OOIP (Lapisan A) yang merupakan input untuk setiap run dan kombinasi parameter. Satuan OOIP di atas adalah STBO (Stock Tank Barrel Oil).
82
IV.4.2.1 Analisis Sensitifitas
Setelah menentukan OOIP dari kombinasi paramater tersebut, maka dilakukan
analisis sensitifitas dari setiap parameter terhadap OOIP, yang ditunjukkan dalam
pareto chart. Proses ini bertujuan untuk menentukan significant contributors
terhadap ketidakpastian. Dari chart tersebut, Kita dapat menentukan, parameter
mana yang paling signifikan kontibusinya terhadap OOIP.
Hasil analisis pada Lapisan A menunjukkan bahwa parameter model Sw adalah
kontributor yang paling signifikan terhadap nilai OOIP (Gambar IV.10). Begitu
juga dengan cara yang sama dilakukan untuk Lapisan B dan C (Gambar IV.11
sampai IV.12).
Gambar IV.10 Hasil analisis sensitifitas Lapisan A. Model Sw merupakan kontributor paling besar terhadap OOIP.
83
Gambar IV.11 Hasil analisis sensitifitas Lapisan B. Region batas hidrokarbon
adalah kontributor paling besar terhadap OOIP.
Gambar IV.12 Hasil analisis sensitivitas Lapisan C. Region batas hidrokarbon
adalah kontributor paling besar terhadap OOIP.
84
Dari ketiga gambar pareto chart di atas, dapat disimpulkan bahwa parameter
model Sw adalah parameter sebagai kontributor yang paling signifikan terhadap
nilai OOIP. Parameter OWC lebih kecil dibanding model Sw. Hal ini
diinterpretasikan karena variasi region pay berdasarkan 3 case batas hidrokarbon
(LKO, OWC, dan HKW) kurang memberikan pengaruh dibanding model Sw
terhadap nilai OOIP. Sedangkan untuk model porositas serta cut-off porositas dan
Sw, tidak memberikan pengaruh yang signifikan terhadap OOIP.
Pada Lapisan B dan C, OWC merupakan parameter sebagai kontributor yang
paling signifikan terhadap nilai OOIP. Ini diinterpretasikan bahwa variasi region
pay berdasarkan 3 case batas hidrokarbon, memberikan kontribusi paling besar
terhadap nilai OOIP. Model Sw memberikan kontribusi yang lebih kecil
dibanding batas hidrokarbon. Sama seperti pada Lapisan A, parameter model
porositas serta cut-off porositas dan Sw tidak memberikan pengaruh yang
signifikan terhadap nilai OOIP pada Lapisan B dan C.
IV.4.3 Perhitungan OOIP Probabilistik
Perhitungan OOIP probabilistik dalam penenelitian ini adalah dengan
menggunakan tool Monte Carlo, yang modulnya masih dalam aplikasi perangkat
lunak GOCAD. Tujuan metode ini adalah untuk mendapatkan hasil perhitungan
OOIP secara probabilistik dengan menggunakan hukum distribusi (Distribution
Law) masing-masing parameter.
Aturan distribusi parameter berdasarkan hasil dari DoE atau histogram dari
parameter tersebut. Contoh histogram model porositas pada region pay (region
yang mempunyai sel yang memenuhi syarat cut-off pay) Lapisan B diperlihatkan
pada gambar IV.13.
85
Gambar IV.13 Histogram porositas pada region pay Lapisan B. Parameter statistik
diperlihatkan pada sebelah kiri histogram.
Input parameter untuk perhitungan OOIP probabilistik meliputi kelima
paramater: Region kontak hidrokarbon, Phie Model, Sw Model, Cut-off Phie dan
Cut-off Sw (Gambar IV.14 sampai IV.18).
Tipe distribusi dan besaran parameter statistik setiap parameter diringkas dalam
tabel IV.4 sampai IV.6. Tipe distribusi OWC, cut-off Phie dan Sw, adalah
triangle, dimana hanya 3 nilai sebagai input, yaitu nilai minimum, mode, dan
maksimum. Sedangkan untuk parameter model Phie dan Sw, digunakan model
Gaussian dengan memasukkan nilai mean (µ) dan standar deviasi (σ) yang
diperoleh dari histogram model.
86
Gambar IV.14 Distribution Law untuk parameter batas hidrokarbon (OWC) Lapisan A
Gambar IV.15 Distribution Law untuk parameter Model Phie dalam region pay pada
Lapisan A
87
Gambar IV.16 Distribution Law untuk parameter Model Sw dalam region pay Lapisan A
Gambar IV.17 Distribution Law untuk parameter Cut-off Phie Lapisan A
88
Gambar IV.18 Distribution Law untuk parameter Cut-off Sw Lapisan A
Pada Lapisan semua lapisan (A, B, dan C), model Sw mempunyai nilai standar
deviasi dan koefisien variasi (CV, dimensionless =σ/µ) lebih besar dibanding pada
model Phie. Berdasarkan nilai koefisien variasi (sebagai pembanding), ini
menunjukkan bahwa variasi nilai Sw lebih besar dibanding Phie.
Tipe distribusi dan besaran parameter statistik tersebut dipakai sebagai
distribution law untuk perhitungan OOIP probabilistik dengan Monte Carlo
melalui iterasi 10.000 kali, yang hasilnya bisa dilihat pada gambar IV.19 sampai
IV.21. Hasil perhitungannya diringkas pada tabel IV.8.
89
Tabel IV.5 Tipe distribusi dan parameter statistik untuk setiap parameter pada region pay Lapisan A
Paramater Tipe
Distribusi Min Mode Max Mean
(µ) Standar Deviasi (σ)
Koefisien Variasi (CV)
Jumlah Sampel
owc Triangle -1 0 1
Phie_model Gaussian 0,372 0,047 0,126 396.625
Sw_model Gaussian 0,536 0,184 0,343 396.625
Phie_cutoff Triangle 0,235 0,24 0,255
Sw_cutoff Triangle 0,77 0,8 0,87
Tabel IV.6 Tipe distribusi dan parameter statistik untuk setiap parameter pada
region pay Lapisan B Paramater Tipe
Distribusi Min Mode Max Mean
(µ) Standar Deviasi (σ)
Koefisien Variasi (CV)
Jumlah Sampel
owc Triangle -1 0 1
Phie_model Gaussian 0,386 0,034 0,088 101.988
Sw_model Gaussian 0,595 0,159 0,267 101.988
Phie_cutoff Triangle 0,235 0,24 0,255
Sw_cutoff Triangle 0,77 0,8 0,87
Tabel IV.7 Tipe distribusi dan parameter statistik untuk setiap parameter pada
region pay Lapisan C Paramater Tipe
Distribusi Min Mode Max Mean
(µ) Standar Deviasi (σ)
Koefisien Variasi (CV)
Jumlah Sampel
owc Triangle -1 0 1
Phie_model Gaussian 0,364 0,032 0,088 5.618
Sw_model Gaussian 0,687 0,089 0,129 5.618
Phie_cutoff Triangle 0,235 0,24 0,255
Sw_cutoff Triangle 0,77 0,8 0,87
90
Gambar IV.19 Hasil perhitungan OOIP probabilistik pada region pay Lapisan A.
Hasil perhitungan OOIP (STBO) untuk Lapisan A adalah sebagai berikut:
P10 OOIP= 251.163.000
P50 OOIP= 266.745.000
P90 OOIP= 281.519.000
Minimum= 225.428.000
Maksimum= 308.514.000
Range= 83.086.000
Mean (µ)= 266.540.000
Standar Deviasi (σ)= 11.680.000
Koefisien Variasi= 0,044
91
Gambar IV.20 Hasil perhitungan OOIP probabilistik pada region pay Lapisan B.
Hasil perhitungan OOIP (STBO) untuk Lapisan B adalah sebagai berikut:
P10 OOIP= 33.509.700
P50 OOIP= 39.123.400
P90 OOIP= 44.641.900
Minimum= 27.965.000
Maksimum= 50.091.630
Range= 22.951.300
Mean (µ)= 39.093.600
Standar Deviasi (σ)= 4.127.870
Koefisien Variasi= 0,105
92
Gambar IV.21 Hasil perhitungan OOIP probabilistik pada region pay Lapisan C.
Hasil perhitungan OOIP (STBO) untuk Lapisan C adalah sebagai berikut:
P10 OOIP= 848.384
P50 OOIP= 1.304.390
P90 OOIP= 1.756.200
Minimum= 406.818
Maksimum= 2.142.620
Range= 1.735.802
Mean (µ)= 1.303.040
Standar Deviasi (σ)= 336.198
Koefisien Variasi= 0,258
93
Tabel IV.8 Ringkasan hasil perhitungan OOIP probabilistik dengan menggunakan Monte Carlo pada region pay Lapisan A,B, dan C.
OOIP (MSTBO) Lapisan
P10 P50 P90 Mean Standar Deviasi
Koefisien Variasi
Jumlah sel region pay
A pay 251.163 266.745 281.519 266.540 11.680 0,044 396.625
B pay 33.509,7 39.123,4 44.641,9 39.093,6 4.127,9 0,105 101.988
C pay 848,4 1.304,4 1.756,2 1.303 336,2 0,258 5.618
Dari hasil perhitungan OOIP di atas, maka dapat disimpulkan bahwa:
1. Lapisan A mempunyai OOIP yang paling besar, diikuti oleh Lapisan B, dan
selanjutnya lapisan C.
2. Lapisan A mempunyai koefisien variasi yang paling kecil, yang
mengindikasikan bahwa variasi nilai OOIP yang dihasilkan lebih seragam
dibanding Lapisan B dan C. Lapisan C mempunyai koefisien variasi yang
paling besar.
Perhitungan OOIP di atas menggunakan model dengan parameter statistik untuk
region pay, sehingga tidak mencerminkan keseluruhan data porositas dan Sw pada
masing-masing lapisan. Jadi, ada beberapa data porositas dan Sw dalam model
geologi Reservoir “X” yang tidak dimasukkan dalam menentukan parameter
statistik (mean dan standar deviasi) pada region pay tersebut.
Walaupun dari hasil analisis sensitifitas DoE, porositas model tidak menunjukkan
pengaruh yang signifikan seperti OWC dan model Sw, pada penelitian ini akan
dilakukan perhitungan OOIP probabilistik dengan menggunakan data porositas
keseluruhan, untuk mengetahui seberapa besar pengaruh perubahan parameter
statistik porositas dan implikasinya terhadap OOIP (Gambar IV.22 sampai IV.24).
Begitu juga untuk data Sw, dilakukan perhitungan OOIP probabilistik dengan
menggunakan parameter statistik seluruh data Sw pada setiap lapisan (Gambar
IV.25 sampai IV.27). Semua lapisan menggunakan parameter yang sama untuk
data region batas hidrokarbon dan cut-off porositas serta cut-off Sw pada setiap
lapisan.
94
Gambar IV.22 Hasil OOIP dengan menggunakan porositas pada region keseluruhan (pay
dan non-pay di atas 3C case OWC) pada Lapisan A. Gambar IV.23 Hasil OOIP dengan menggunakan porositas pada region keseluruhan (pay
dan non-pay di atas 3C case OWC) pada Lapisan B.
95
Gambar IV.24 Hasil OOIP dengan menggunakan porositas pada region keseluruhan (pay
dan non-pay di atas 3C case OWC) pada Lapisan C. Setelah membandingkan hasil antara OOIP yang menggunakan law distribution
pada pay region (sw pay dan phie pay) terhadap OOIP yang menggunakan law
distribution pada region yang menggunakan semua data porositas (sw pay dan
phie all), terlihat tidak ada perubahan OOIP yang signifikan. (Tabel IV.9).
Perubahan nilai OOIP dan parameter statistik adalah kurang dari 1%, sehingga
perubahan model dengan menggunakan seluruh data porositas, tidak memberikan
pengaruh dan perubahan OOIP yang berarti.
Lain halnya dengan model Sw, dengan membandingkan hasil antara OOIP yang
menggunakan distribution law pada pay region (sw pay dan phie pay) terhadap
OOIP yang menggunakan distribution law pada region yang menggunakan semua
data Sw, terlihat adanya perubahan OOIP yang signifikan, yaitu rata-rata sekitar 4
sampai 8% (Tabel IV.10).
96
Tabel IV.9 Pengaruh perubahan parameter statistik porositas model terhadap OOIP.
A pay 251.163 266.745 281.519 266.540 11.680 0,044 396.625A phie_all 251.639 266.697 281.681 266.690 11.578 0,043 1.360.585Delta 476 -48 162 150 -102 0 963.960% 0,2% 0,0% 0,1% 0,1% -0,9% 71%B pay 33.510 39.123 44.642 39.094 4.128 0,105 101.988B phie_all 33.447 39.029 44.589 39.014 4.167 0,107 334.510Delta -63 -95 -53 -80 39 0 232.522% -0,2% -0,2% -0,1% -0,2% 0,9% 70%C pay 848 1.304 1.756 1.303 336 0,258 5.618C phie_all 850 1.295 1.759 1.298 335 0,258 217.871Delta 2 -9,3 2,9 -5 -1,4 0 212.253% 0,2% -0,7% 0,2% -0,4% -0,4% 97%
Lapisan OOIP (MSTBO) Koefisien Variasi
Jumlah sel region pay dan semua
P10 P50 P90 Mean Standar Deviasi
Gambar IV.25 Hasil OOIP dengan menggunakan Sw pada region keseluruhan (pay dan
non-pay di atas 3C case OWC) pada Lapisan A.
97
Gambar IV.26 Hasil OOIP dengan menggunakan Sw pada region keseluruhan (pay dan
non-pay di atas 3C case OWC) pada Lapisan B.
Gambar IV.27 Hasil OOIP dengan menggunakan Sw pada region keseluruhan (pay dan
non-pay di atas 3C case OWC) pada Lapisan C.
98
Tabel IV.10 Pengaruh perubahan parameter statistik Sw model terhadap OOIP.
A pay 251.163 266.745 281.519 266.540 11.680 0,044 396.625A sw_all 262.652 279.273 296.411 279.398 13.156 0,047 1.360.585Delta 11.489 12.528 14.892 12.858 1.476 0 963.960% 5% 5% 5% 5% 13% 71%B pay 33.510 39.123 44.642 39.094 4.128 0,105 101.988B sw_all 35.027 40.709 46.396 40.719 4.242 0,104 334.510Delta 1.517 1.585 1.754 1.625 115 0 232.522% 5% 4% 4% 4% 3% 70%C pay 848 1.304 1.756 1.303 336 0,258 5.618C sw_all 964 1.415 1.860 1.413 334 0,236 217.871Delta 116 110 104 110 -2 0 212.253% 14% 8% 6% 8% -1% 97%
Lapisan OOIP (MSTBO) Koefisien Variasi
Jumlah sel region pay dan semua
P10 P50 P90 Mean Standar Deviasi
IV.5 Analisis Hasil Perhitungan dalam kaitan dengan Karakterisasi
Reservoir
Hasil perhitungan OOIP, Lapisan A mempunyai jumlah hidrokarbon yang paling
banyak, diikuti oleh Lapisan B dan C. Lapisan C mempunyai OOIP yang paling
sedikit. Jumlah OOIP bisa dicerminkan dari peta ketebalan hidrokarbon (HPT).
Berdasarkan perhitungan OOIP probabilistik, Lapisan A mempunyai jumlah
OOIP rata-rata 266.540 MSTBO, Lapisan B= 39.094 MSTBO, dan Lapisan C=
1.303 MSTBO.
Dari proses analisis ketidakpastian (uncertainty analysis) yang diperlihatkan
pareto chart, model Sw merupakan kontributor paling signifikan terhadap OOIP
pada Lapisan A. Sedangkan pada Lapisan B dan C, region owc merupakan
kontributor yang paling signifikan terhadap OOIP.
Berdasakan data histogram properties model, model Sw mempunyai koefisien
variasi lebih besar dibanding model porositas. Ini menunjukkan bahwa, data
porositas pada Reservoir “X” mempunyai nilai yang lebih seragam dibanding Sw.
99
Dari perbandingan hasil perhitungan OOIP probabilistik yang menggunakan
distribution law model porositas yang memenuhi syarat sebagai pay, terhadap
model porositas keseluruhan, hasil OOIP antar kedua model tersebut mempunyai
perbedaan yang sangat kecil, yaitu kurang 1%. Sedangkan perbandingan hasil
perhitungan OOIP probabilistik yang menggunakan distribution law model Sw
yang memenuhi syarat sebagai pay, terhadap model Sw keseluruhan, hasil OOIP
antar kedua model tersebut mempunyai perbedaan yang cukup signifikan sampai
8 % (rata-rata OOIP).
top related