Pustaka Ilmiah Universitas Padjadjaran

Abstrak

Karakterisasi Reservoir Minyak Bumi Melalui Pendekatan Spatio-temporal

Model spatio-temporal berperanan penting dalam bidang geologi, ekologi dan aplikasi lainnya, model tersebut merupakan kumpulan data yang diurutkan dengan waktu dari beberapa lokasi yang berbeda. Dalam penelitian ini kami mengusulkan suatu pengembangan model spatio-temporal berupa model Generalisasi Space Time Autoregresi-Kriging (GSTAR-Kriging). Dengan model GSTAR diasumsikan bahwa parameter autoregresi dan parameter space time berbeda untuk setiap lokasi, asumsi ini lebih realistik untuk bidang aplikasi. Akan tetapi, model GSTAR masih memiliki keterbatasan, karena tidak dapat digunakan untuk memprediksi observasi di lokasi-lokasi yang tidak tersampel.

Model GSTAR-Kriging merupakan perluasan model GSTAR untuk digunakan dalam prediksi di lokasi-lokasi yang tidak tersampel. Dalam model GSTAR-Kriging, taksiran kuadrat terkecil parameter model GSTAR digunkan sebagai input dalam model kriging. Untuk studi kasus dipilih data produksi minyak bumi, karena produksi mempunyai fenomena spatio-temporal. Untuk penaksiran tersebut, perlu dibangun suatu perangkat lunak menggunakan macro excel-visual basic.

Hasil penelitian menunjukkan bahwa penaksiran parameter model GSTAR untuk N sumur dan model GSTAR-Kriging untuk 2 sumur menggunakan macro excel memberikan kontribusi untuk penerapan model spatio-temporal pada data lapangan. Penerapan model GSTAR-Kriging yang merupakan integrasi studi spatial dengan model spatio-temporal diharapkan meningkatkan akurasi prediksi cadangan dan aliran fluida.

The spatio-temporal models play an important role in geological, ecological, and other applications, where data is a collection of time series recorded at different locations. In this research, we introduce a new class of spatio-temporal models which we call the Generalized Space Time AutoRegressive-Kriging (GSTAR-Kriging) model. The GSTAR model allows autoregression and spatial regression parameters to vary per location, which is a more realistic assumption in applications. But, the GSTAR model still restricted, because it cannot be used to predict observation at unsample locations.

Furthermore, the GSTAR-Kriging model extend the GSTAR model to use in prediction of observation at unsample locations. In the GSTAR Kriging model, we use the least squares estimator of the GSTAR model as an input of Kriging method. For case studies, the oil production modeling will be reviewed. For estimating the parameter, we should build the software using macro excel-visual basic.

The result shows that the estimation of parameter GSTAR for N locations and the GSTARKriging for 2 locations using macro excel gave a contribution in application of spatiotemporal models. An application of the GSTAR-Kriging which is combining the spatial and spatio-temporal models will give the accuracy of reserve prediction and fluida flow.