bab iv perhitungan cadangan - · pdf filesuatu reservoir yang dibor dan dilakukan well...

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




Jumlah Sampel

owc Triangle -1 0 1





Tabel IV.7 Tipe distribusi dan parameter statistik untuk setiap parameter pada

region pay Lapisan C Paramater Tipe




Jumlah Sampel

owc Triangle -1 0 1





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


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


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


Gambar IV.25 Hasil OOIP dengan menggunakan Sw pada region keseluruhan (pay dan

non-pay di atas 3C case OWC) pada Lapisan A.

97


non-pay di atas 3C case OWC) pada Lapisan B.


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


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).

bab iv perhitungan cadangan - · pdf filesuatu reservoir yang dibor dan dilakukan well...

Documents