Neural network merupakan suatu proses pengubahan data seismik
dan atribut-atributnya ke dalam volume log properti. Neural network
dilatih untuk menemukan hubungan antar input data seismik dengan
input log sumur dan kemudian mengaplikasikan hubungan tersebut ke
data seismik untuk membuat volume properti log (Gambar 1).Berbeda
dengan inversi impedansi akustik konvensional yang menggunakan
model konvolusi sebagai hubungan antara AI (properti log) dan trace
seismik, neural network menggunakan pendekatan statistik yang
mencoba untuk mengestimasi hubungan pada lokasi sumur dan
mengaplikasikannya ke lokasi yang lain. Metode ini dilakukan karena
ingin mengetahui penyebaran nilai properti log diluar sumur, sejauh
mana bodi reservoir tersambung maupun terpisah sehingga dapat
digunakan sebagai masukan dalam usulan pengeboran. Log sumur yang
lazim untuk diprediksi diantaranya adalah log porositas dan log
gamma ray.
Neural network dapat diklasifikasikan sesuai dengan cara
bagaimana ia di latih, dengan menggunakan supervised learning atau
unsupervised learning. Dalam supervised learning, neural network
mulai dengan data training untuk nilai input dan output yang kita
ketahui. Algoritma neural network lalu mempelajari hubungan antara
input dan output dari data training ini, dan akhirnya
mengaplikasikan hubungan yang telah dilatih ke dataset yang lebih
besar yang mana nilai outputnya tidak diketahui. Contoh yang paling
umum untuk neural network jenis ini adalah multi-layer preceptron
(MLP), sinonim dengan istilah ANN (Artificial Neural Network).
Sedangkan untuk unsupervised learning, kita memberikan inputnya dan
membiarkan neural network untuk mencari bentuknya sendiri. Oleh
karena itu, output spesifik tidak diperlukan. Keuntungan dari
metode ini adalah kita tidak perlu untuk mengetahui jawabannya.
Sedangkan kelemahan dari metode ini adalah hasil output seringkali
sulit untuk diinterpretasi.Neural network beroperasi dalam dua
tahapan. Tahap pertama adalahtraining step, sedangkan tahap kedua
adalahapplication step.Training stepdilakukan pada semua lokasi
sumur yang telah dipilih. Operator yang mentransform data seismik
ke properti log yang diinginkan diperoleh dengan menganalisis input
data seismik berupa atribut-atribut seismik -baik precalculated
attributes: AI, atribut AVO, coherency; maupun complex trace
attribute yang dihitung secaraon the fly- di lokasi sumur yang
kemudian memberikan bobot yang terus diupdate sehingga dapat
menghasilkan data output terbaik. Sedangkan padaapplications step,
neural network diaplikasikan ke data seismik yang telah terpilih
untuk mendapatkanpseudovolume log.Hasil output yang diperoleh
dikelompokkan ke dalamtraining resultdanvalidation result(Gambar
2), di manatraining resultmerupakan hasil prediksi log dengan
melibatkan semua sumur yang ada, sedangkanvalidationresultmerupakan
prediksi log dengan tanpa melibatkan log sumur yang sedang
diprediksi. Oleh karena itu,validationresultmemiliki nilai
koefisien korelasi yang lebih kecil dibandingkan
dengantrainingresult.
Setelah mendapatkan kedua hasil di atas, kita dapat memilah
atribut data seismik yang mana yang baikuntuk digunakan dan data
seismik yang mana yang perlu dikeluarkan dari perhitungan neural
network dengan cara membandingkan error antaratraining
resultdanvalidation result.