Interpretasi Sesar Geologi Menggunakan Deep Learning: Convolutional Neural Network (CNN) dengan Model Arsitektur U-Net di Laut Utara, Belanda
DOI:
https://doi.org/10.26418/jp.v9i3.64017Keywords:
convolutional neural network, seismik, kecerdasan buatan, sesar, rekahanAbstract
Tujuan mendasar dalam mempelajari struktur geologi dibawah permukaan adalah bagaimana fitur-fitur geologi dapat tercitrakan dengan baik dengan resolusi tinggi dengan menggunakan metode geofisika dan metode lain di bidang ilmu geosains. Salah satu fitur geologi yang penting dalam bidang eksplorasi dan mitigasi bencana geologi adalah sesar atau patahan. Sesar atau patahan adalah bidang yang memisahkan lapisan batuan secara vertikal atau sub-vertikal yang mengakibatkan diskontinuitas pada lapisan batuan. Dalam pengamatan citra bawah permukaan menggunakan seismik refleksi, diberikan citra gambaran batas antar lapisan dua buah lapisan batuan dan patahan sebagai bidang ketidakmenerusan. Pada penelitian ini, penulis telah mengaplikasikan metode kecerdasan buatan dengan menggunakan Convolutional Neural Network (CNN) dalam membantu interpretasi bidang sesar yang biasanya dilakukan secara konvensional. Penelitian ini bertujuan untuk menerapkan metode CNN pada data seismik di sekitar Laut Utara, Belanda, untuk membantu mempercepat tahapan interpretasi dengan akurasi yang baik. Pada penelitian ini, tahapan-tahapan penelitian dilakukan dengan tahapan Extract, Transform, Load (ETL) proses, train data dan model arsitektur deep learning U-Net. Hasil dari penelitian ini menunjukkan bahwa prediksi menggunakan machine learning memberikan hasil yang bersesuaian dengan pendekatan secara konvensional, dimana akurasi sekitar 90% data yang bersesuaian terutama pada bidang-bedang sesar yang dominan, baik secara dimensi yang panjang maupun zona rekahan yang kompleks. Dengan menerapkan metode CNN pada data seismik, diharapkan perkembangan kecerdasan buatan dalam bidang geosains dapat semakin positif bagian kemajuan IPTEK di Indonesia.
References
Tingdahl, K. M., & De Rooij, M. (2005). Semiâ€automatic detection of faults in 3D seismic data. Geophysical prospecting, 53(4), 533-542.
Meldahl, P., Heggland, R., Bril, B., & de Groot, P. (2001). Identifying faults and gas chimneys using multiattributes and neural networks. The leading edge, 20(5), 474-482.
Cohen, I., Coult, N., & Vassiliou, A. A. (2006). Detection and extraction of fault surfaces in 3D seismic data. Geophysics, 71(4), P21-P27.
Lei, Y., Yang, B., Jiang, X., Jia, F., Li, N., & Nandi, A. K. (2020). Applications of machine learning to machine fault diagnosis: A review and roadmap. In Mechanical Systems and Signal Processing (Vol. 138). Academic Press. https://doi.org/10.1016/j.ymssp.2019.106587.
Zhao, T., & Mukhopadhyay, P. (2018). A fault detection workflow using deep learning and image processing. SEG Technical Program Expanded Abstracts, 1966–1970. https://doi.org/10.1190/segam2018-2997005.1.
Wang, Z., Di, H., Shafiq, M. A., Alaudah, Y., & AlRegib, G. (2018). Successful leveraging of image processing and machine learning in seismic structural interpretation: A review. The Leading Edge, 37(6), 451-461.
Cunha, A., Pochet, A., Lopes, H., & Gattass, M. (2020). Seismic fault detection in real data using transfer learning from a convolutional neural network pre-trained with synthetic seismic data. Computers & Geosciences, 135, 104344.
Sørensen, J. C., Gregersen, U., Breiner, M., & Michelsen, O. (1997). High-frequency sequence stratigraphy of Upper Cenozoic deposits in the central and southeastern North Sea areas. Marine and Petroleum Geology, 14(2), 99–123. https://doi.org/10.1016/S0264-8172(96)00052-9.
Overeem, I., Weltje, G. J., Bishop-Kay, C., & Kroonenberg, S. B. (2001). The Late Cenozoic Eridanos delta system in the Southern North Sea Basin: A climate signal in sediment supply? Basin Research, 13(3), 293–312. https://doi.org/10.1046/J.1365-2117.2001.00151.X/CITE/REFWORKS.
Duin, E. J. T., Doornenbal, J. C., Rijkers, R. H. B., Verbeek, J. W., & Wong, T. E. (2006). Subsurface structure of the Netherlands-results of recent onshore and offshore mapping. Netherlands Journal of Geosciences, 85(4), 245.
Bell, R., Sutherland, R., Barker, D. H., Henrys, S., Bannister, S., Wallace, L., & Beavan, J. (2010). Seismic reflection character of the Hikurangi subduction interface, New Zealand, in the region of repeated Gisborne slow slip events. Geophysical Journal International, 180(1), 34-48.
Campbell, F. M., Kaiser, A., Horstmeyer, H., Green, A. G., Ghisetti, F., Gorman, A. R., ... & Nobes, D. C. (2010). Processing and preliminary interpretation of noisy high-resolution seismic reflection/refraction data across the active Ostler Fault zone, South Island, New Zealand. Journal of Applied Geophysics, 70(4), 332-342.
Schroot, B. M., & Schüttenhelm, R. T. (2003). Shallow gas and gas seepage: expressions on seismic and otheracoustic data from the Netherlands North Sea. Journal of Geochemical Exploration, 78, 305-309.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Wrona, T., Pan, I., Bell, R. E., Gawthorpe, R. L., Fossen, H., & Brune, S. (n.d.). 3-D seismic interpretation with deep learning: a brief introduction. Zhao, T., & Mukhopadhyay, P. (2018). A fault detection workflow using deep learning and image processing. SEG Technical Program Expanded Abstracts, 1966–1970. https://doi.org/10.1190/segam2018-2997005.1.
Dramsch, J. S., & Lüthje, M. (2018). Deep learning seismic facies on state-of-the-art CNN architectures. SEG Technical Program Expanded Abstracts, 2036–2040. https://doi.org/10.1190/segam2018-2996783.1
Saputra, A., Erlangga, M. P., & Wijaksono, E. (2021, September). Classification Lithofacies Based on Petrophysics Properties and Clustering Algorithm in X Field. In IOP Conference Series: Earth and Environmental Science (Vol. 830, No. 1, p. 012056). IOP Publishing.
