Sistem Pakar (3)

Metoda Pemecahan Masalah Fluida dengan Logika Samar dan

Jaringan Sel Saraf Tiruan

The Houw Liong, FMIPA, ITB

 

Abstrak          

Umumnya pemecahan masalal fluida dipecahkan dengan menggunakan hukum dasar yaitu hukum kekekalan massa, kekekalan energi dan kekekalan momentum ditambah dengan syarat awal dan atau syarat batas. Cara ini berhasil jika syarat awal dan atau syarat batas dapat diketahui dengan baik dan tidak berada dalam daerah galau (chaotic). Dalam kenyataan syarat tsb. belum tentu dapat diketahui dengan baik, dan pada umumnya tidak dapal lepas dari daerah galau, misalnya dalam permasalahan rumah kaca, permasalahan atmosfer bumi, terbentuknya badai, terbentuknya awan, aliran fluida di bawah permukaan bumi, dll. Permasalahan seperti ini mempunyai syarat awal/syarat batas yang samar yang hanya dikelahui secara kualitatif.

Untuk memecahkan permasalahan seperti itu dikembangkan metoda yangberlandaskan logika samar/ Jaringan sel saraf tiruan. Metoda ini dimulai dengan pengetahuan kualitatif mengenai sistem yang ditinjau, kemudian disusun dalam bentuk kaidah samar/ arsitektur jaringan sel saraf tiruan yang parameternya dapat menyesuaikan diri melalui proses belajar. Tentu saja proses belajar ini memerlukan data yang cukup banyak yang akan dikelompokkan dalam data untuk proses belajar dan data uji.

Metoda seperti itu akan diuraikan dalam makalah ini, demikian juga pembuktian keampuhannya serta perluasannya untuk permasalahan fisika yang serupa itu.

 

I. Pendahuluan

Para ilmuwan mengetahui dengan baik bahwa hukurn alam serta syarat awal dapat dipakai untuk memprediksi keadaan sistem pada masa depan, misalnya hukum Newton dapat dipakai untuk memprediksi kedudukan bumi dan bulan terhadap matahari, sehingga kita dapat mugetahui dengan tepat bila akan terjadi gerhana.

Namun, ketika cara tsb. diterapkan untuk mempelajari kelakuan atmosfer bumi E. Lorenz    mengalami kesukaran, karena persamaan hukum kekekalan masa, momentum dan energi yang berlaku bagi fluida itu dapat masuk ke kawasan galau. Dalam kawasan tsb. kelakuan fluida sangat peka tehadap syarat awal, sehingga perbedaan sedikit saja dalam syarat awal dapat menimbulkan perbedaan yang besar beberapa saat kemudian. Dalam kawasan ini menurut E. Lorenz walaupun hukum fluida adalah hukum yang deterministik, namun keadaan fluida tsb. pada masa depan tidak dapat diprediksi. Hal ini menyebabkan prediksi / prakiraan cuaca menjadi sukar, terutama daerah yang tidak dapat lepas dari pengaruh kawasan galau.

L. Zadeh² menyatakan bahwa ketika kompeksitas sistem bertambah, kemampuan kita untuk mengemukakan pernyataan yang tepat dan juga penting (significant) mengenai kelakuan sistem itu akan berkurang, sehingga pada suatu ketika akan dicapai ambang di atas batas tsb. pernyataan yang tepat tidak penting dan pernyataan yang penting tidak dapat tepat. Untuk sistem kompleks seperti ini biasanya seorang pakar masih memperoleh pengetahuan kualitatif mengenai sistem itu. Untuk mendapatkan pemyataan yang penting dan cukup tepat mengenai sistem seperti ini L. Zadeh mengembangkan himpunan samar dan logika samar serta memanfaatkan data pengukuran supaya dapat memperbaiki pemyataan kualitatif mengenai kelakuan sistem itu.

Pada umumnya sistem fluida atau sistem yang berinteraksi dengan fluida tidak bisa lepas dari kawasan galau fluida tsb. ditambah lagi dengan syarat batas dan syarat awal yang sukar diketahui dengan tepat, sehingga sistem itu merupakan system kompleks dan kelakuan dari sistem sukar/tidak dapat diprediksi dengan memakai hukum dasar dengan ketepatan yang memadai. Untuk mengatasi permasalahan tsb. Kita mencoba mengembangkan penerapan logika samar / jaringan sel saraf tiruan untuk memperbaiki pengetahuan kualitatif kita mengenai kelakuan sistem itu.

 

2. Kaidah Samar dan Jaringan Sel Saraf Tiruan dalam Sistem Fluida

Supaya mendapat gambaran yang jelas mengenai metoda yang akan dikembangkan di sini kita mengambil suatu contoh sederhana mengenai sistem fluida yang kompleks itu. Ambil suatu ruangan yang ada pemanasnya sehingga suhunya lebih tinggi dari sekelilingnya. Secara kualitatif kita mengetahui bahwa suhu ruangan itu dapat turun, jika ada angin yang bertiup di sekeliling ruang itu, atau dapat juga suhunya turun jika ada orang yang membuka pintu. Besarnya penurunan suhu akan bergantung dari kecepatan angin, lamanya pintu terbuka, lebamya pintu itu terbuka. Suhu sistem sebagai fungsi waktu sulit diprediksi berdasarkan hukum utama, karena sistem ini berinteraksi dengan atmosfer yang merupakan sistem fluida kompleks dan tidak bisa lepas dari kawasan galaunya. Demikian juga pola pertukaran kalor antara sistem dan sekelilingnya sukar dirumuskan walaupun kita mengetahui hukum perpindahan kalor.

Berdasarkan pengetahuan kita mengenai perpindahan kalor secara kualitatif kita dapat merumuskan kaidah samar sbb. ini.

1. Jika angin kencang maka penurunan suhu besar.
2. Jika angin agak kencang maka penurunan-suhu agak besar.
3. Jika angin lemah maka penurunan suhu kecil
4. Jika pintu terbuka lebar maka penurunan suhu sedikit.
5. dan seterusnya.

Kaidah tsb. 'mengandung konsep himpunan samar, misalnya yang dipakai untuk menyatakan besar kecepatan angin relatif v terhadap besar kecepatan maksimum untuk daerah tsb. dipakai "kencang (k)", "agak kencang (ak)", "sedang (s)", "lemah (l)" , "sangat lemah (sl)". Menurut konsep himpunan samar setiap besar kecepatan angin dapat termasuk himpunan tsb. dengan derajat keanggotaan tertentu. Himpunan lemah 1 = { (0,1 ê 0,8 ; 0,2 ê 0,6, 0,3 ê0.4, .......}. Bilangan 0,8 ; 0,6 dan 0,4 menyatakan derajat keanggotan µ₁ (x). Derajat keanggotaan himpunan samar yang lain dapat teriihat dalam

gambar di bawah ini.

0                               v              1

Gambar 1. Derajat keanggotaan besar kecepatan angin relatif terhadap besar kecepatan angin relatif  v dinyatakan dengan fungsi segitiga

 

Koordinat puncak segitiga 0, pi, p2, ...,1 dan titik potong dengan sumbu v yaitu al, a2, .. merupakan parameter yang spesifik untuk ruangan tsb. pada daerah itu. Dengan cara yang biasa dilakukan orang³ kita dapat memperoleh hubungan antara penurunan suhu ruang dT sebagaj fimgsi dari besar kecepatan angin relatif v dan

lebamya bukaan pintu b:

dT=f(b,v,pl,p2,...,al,a2,...)            (i)

Dengan melakukan pengukuran di lapangan kita dapat memperoleh data lapangan dTp, untuk setiap harga vp. bp. Dari data ini dengan melalui proses belajar untuk membuat galat total

e = Sum (dT(vp. bp) - dTp)               (2)

dapat dibuat menjadi minimum dengan mengubah parameter, yaitu dengan cara penurunan gradien. Dengan perkataan lain, kita dapat menentukan harga parameter pi, p2, ...,al,a2,... dengan memakai rumus iterasi sbb. ini.³

p_n^(k+l)=p_n^(k)-η(de/dp_n)              (3)

Cara ini dijamin keberhasilannya karena pendekatan logika samar ini merupakan aproksimator universal³⁾ , sehingga dapat mendekati setiap fungsi dengan baik. Parameter yang diperoleh akan merupakan harga yang spesifik merepresentasikan ruangan dan keadaan angin daerah tsb.

 

 

Daftar Pustaka

1. E. Lorenz, Deterministic Nonperiodic Flow, J. of The Atmospheric Sciences 20 (1963), pp. 130--41.

2. L. Zadeh, Fuzzy Sets, J. of Information and Control (1965), pp. 338 - 353.

3. L. Wang, Adaptive Systems and Control, Prentice Hall Int. Ed., (1994).

 

 

 

 

 

 

Penerapan Metoda Inteligensi Artifisial dalam Persoalan Mekanika Fluida

The Houw Liong, FMIPA, ITB

Abstrak

Pemakaian metoda komputasi untuk memecahkan masalah mekanika fuida sudah lama dikembangkan, terutama yang berbasis model, yaitu berdasarkan perumusan matematik suatu persoalan fisis yang penyelesaiannya dilakukan dengan pengolahan numerik. Pada umumnya hukum fisika dapat diungkapkan dalam persamaan diferensial, dan persamaan ini dapat dipecahkan secara numerik dengan memakai metoda beda hingga atau elemen hingga, tetapi di samping pemecahan seperti itu masih banyak persoalan mekanika fluida yang kompleks yang tidak dapat diselesaikan dengan cara itu, penyelesaiannya memerlukan bantuan komputasi dalam proses penalaran dan penafsiran data dengan metoda komputasi yang berbasis kaidah, atau logika samar dan ada juga yang memerlukan bantuan jaringan neural artifisial.

Sebagai contoh dapat diambil dari penerapan hukum mekanika fluida dalam proses pengendapan yang merupakan dasar dari eksplorasi minyak dan gas bumi untuk penafsiran hasil rekaman gelombang seismik oleh geofon atau hasil pengukuran fisis well logs. Supaya kita memperoleh informasi regional dari suatu hasil rekaman seismic atau well logs kita harus mulai dari model pembentukan migas. Model ini bertolak dari proses pengendapan. Fluida membawa butiran zat padat kemudian mengendapkan butiran tsb. Proses pengendapan dapat terjadi di daratan, di danau atau di lautan.

Dalam makalah ini akan dibahas salah satu proses pengendapan yang mempunyai potensi besar dalam pembentukan hidrokarbon yaitu proses pengendapan pada muara atau delta suatu sungai purba yang berlangsung selama ratusan, bahkan ada yang ribuan tahun. Proses pengendapannya dipengaruhi oleh tiga faktor utama yaitu arus sungai, gelombang laut dan pasang-surut. Faktor ini menentukan proses pembentukan hidrokarbon, sehingga dari model ini kita dapat menentukan potensi hidrokarbon dari daerah yang sedang diselidiki. Pemrosesan pengetahuan untuk mengambil kesimpulan mengenai proses pembentukan pengendapan harus dilakukan dengan metoda intelegensi artifisial yaitu sistem berbasis pengetahuan dibantu dengan jaringan neural artifisial berbasis kaidah untuk mengidentifikasi variabel atau parameter yang penting dalam persoalan itu.

 

Applications of Artificial Intelligence Methods in Fluids Mechanics

The Houw Liong, FMIPA,  ITB

Abstract

Applications of computational methods in physics have been developed for a long time, especially numerical processing aspects. In general the laws of physics can be expressed as differential equations, and these equations can be solved numerically using finite difference or finite element methods, but beside those solutions, there are many problems that needs computations for logical reasoning and interpreting purposes.

In this paper we will show applications of computational methods in fluid mechanics . For example in interpreting seismic data we need numerical methods for making synthetic seismograms, but we need also reasoning and interpretations based on formation or sedimentation processes, the same procedures are needed in interpreting the result of physical measurements in well logs. In this case we need to see the correlations between the result of measurements and physical properties of the layers, and from sequences of the facies we have to be able to make a hypothesis of

the processes of formations of the layers, and from this result we have to evaluate the hydrocarbon content of this area. This process needs long reasoning. In this paper it is shown that computational methods for such reasoning and interpretations have been developed using artificial intelligent concept, i.e. knowledge based system with the help of rule based artificial neural networks for identifying important variables or parameters.

 

Pendahuluan

Masalah mekanika fluida dapat diselesaikan dengan berbagai cara. Misalnya untuk menentukan medan kecepatan suatu aliran dalam persoalan yang syarat batas dan syarat awalnya dapat diketahui, maka kita dapt menyelesaikannya dengan mengubah bentuk persamaan Navier-Stokes menjadi persamaan beda hingga , sehingga dengan bantuan komputer masalah itu dapat diselesaikan.

Akan tetapi ada juga persoalan fluida yang sayarat batas dan syarat awalnya tidak dapat ditentukan dengan mudah, misalnya peramalan cuaca, syarat batasnya sangat sulit ditentukan demikian juaga syarat awalnya tidak dapat ditentukan secara tepat sehingga biasanya orang harus menggunakan metoda statistik untuk mencari korelasi antara parameter/variabel yang dapat diukur, misalnya tekanan, kelembaban kecepatan angin, dsb. dengan variabel ramalan misalnya curah hujan dan keadaan awan. Kemajuan dalam metoda inteligensi artifisial menawarkan cara baru untuk menyelesaikan persoalan itu yaitu dengan ,sistem berbasis kaidah atau dengan jaringan neural artifisial.

Demikian juga untuk membahas proses pengendapan yang kita harus dapat melihat korelasi antara hasil pengukuran dengan sifat fisis lapisan, kemudian dari hasil tsb. dan urutan sifat fisis lapisan kita harus dapat membuat hipotesis proses terbentuknya lapisan itu dan mengevaluasi faktor apakah yang dominan dalam pembentukan lapisan tsb., kemudian menentukan apakah dalam proses tersebut kemungkinan terbentuknya hidrokarbon cukup besar, supaya kita memperoleh informasi yang cukup mengenai potensi hidrokarbon daerah itu. Proses ini memerlukan proses penalaran yang cukup panjang. Dalam makalah akan ditunjukkan bahwa metoda komputasi yang dikembangkan dengan bantuan konsep inteligensi artifisial yaitu system berbasis kaidah dapat membantu proses penalaran dan penafsiran seperti itu, sehingga dapat menentukan faktor dominan dalam proses pengendapan tsb. dan potensi hidrokarbon daerah yang diselidiki. Pengembangan untuk mencari variabel/parameter yang penting untuk melaksanakan penafsiran itu dapat dibantu dengan jaringan neural artifisial berbasis kaidah.

Informasi regional yang diperoleh dapat dipakai untuk membantu metoda seismik dalam memilih model lapisan bumi dan menentukan parameter model untuk memperoleh seismogram sintetik yang cocok dengan data pengukuran serta penafsirannya dengan metoda komputasi yang berbasis kaidah.

 

Hubungan antara Sistem Berbasis Pengetahuan dengan Jaringan  Neural

Pada umumnya sistem berbasis pengetahuan bekerja berdasarkan kaidah berbentuk :

JIKA ciri(Xll,X12,X13,...), MAKA sasaran(Z11,Z12,.....)

Dengan memanfaatkan jaringan neural artifisial kita dapat berpikir bahwa masukan pada sistem dapat kita transformasikan dahulu menjadi sekumpulan angka yang kita  sebut "vektor" masukan, dan keluarannya yang berupa sasaran juga dapat kita transformasikan menjadi sekumpulan angka yang kita sebut "vektor" keluaran. Dengan melalui proses "belajar" dari contoh, jaringan neural artifisial dapat dilatih untuk mengasosiasikan "vektor" masukan dan keluaran tsb. dengan mengatur pembobotan hubungan antar neuron seperti yang diuraikan di atas.

Dengan cara ini basis pengetahuan yang mengasosiasikan masukan dan keluaran akan terbentuk secara automatik melalui proses "belajar". Jika masukannya   ialah sekumpulan angka, misalnya Yl,Y2,.....Ym dan sebagai keluarannya ialah sekumpulan angka lain, misalnya Tl, T2,.....Ts, atau jika ciri yang ada kita nyatakan dengan 1 dan ciri yang tidak ada kita nyatakan dengan 0, maka keluaran akan berbentuk (0,1,1,0,0,.....), sehingga kaidah yang diperlukan dapat terbentuk secara automatik dari contoh-contoh yang diberikan.

Dalam proses ini terjadi pemetaan konsep antara masukan (Yl,Y2,...,Ym) dengan antara (Ql,Q2,....,Qn) dan keluaran (Tl,T2,...,Ts). Eratnya hubungan antar konsep tsb. digambarkan oleh distribusi pembobotan antara neuron ybs.

Penafsiran dapat dilakukan dengan membandingkan distribusi bobot antar neuron dengan pemetaan konsep yang disertai dengan pembobotan yang dilakukan oleh seorang pakar dalam bidang ybs. Dalam hal ini kita harus berhati-hati karena pemetaan konsep yang dilakukan oleh pakar adalah antar konsep, sedangkan suatu konsep dalam jaringan neural diwakili oleh sekelompok neuron, sehingga bobot yang diberikan oleh pakar tidak sama dengan bobot antar neuron. Kita harus mentransformasikan sekumpulan bobot antar neuron itu menjadi suatu bobot yang setara dengan bobot yang diberikan oleh pakar. Sampai sekarang orang belum menemukan bentuk transformasi itu, kita hanya dapat memperkiran bahwa harga mutlak bobolt antar neuron dapat dipakai sebagai indikasi dari bobot yang diberikan oleh pakar. Dengan demikian jaringan neural dapat dipakai untuk mengidentifikasi variabel atau parameter yang penting yang dipakai dalam masukan, antara dan keluaran serta keeratan hubungannya.

 

 

 

 

 

 

 

 

 

Gambar. Pemetaan konsep

Harga mutlak bobot antar neuron kecil berarti hubungan konsep lemah, sedangkan jika harganya besar berarti hubungan antar konsep besar. Seorang pakar dapat mengambil kesimpulan dengan mengetahui antar bobot, sedangkan hubungan antar neuron dapat diatur selama proses belajar sehingga kesimpulan tsb. dapat juga dilakukan oleh kelompok neuron.

 

Konseptualisasi dan Formalisasi Pengetahuan

Penyelesaian numerik model pengendapan muara sungai temyata mengalami kesukaran karena model ini berpangkal pada persamaan Navier-Stokes ,suatu persamaan diferensial yang nonlinear , disertai dengan persamaan kekekalan massa, energi dan persamaan keadaan yang melibatkan banyak faktor yang sulit diketahui secara tepat dan memerlukaii komputasi yang rumit.

Alternatif lain untuk menyelesaikan persoalan ditawarkan oleh metoda inteligensi artifisial, yaitu sistem berbasis .kaidah, logika samar atau jaringn neural artifisial. Setelah dipelajari dengan seksama, dipilih sistem berbasis kaidah dibantu dengan jaringan neural artifisial berbasis kaidah untuk menyelesaikan masalah ini.

Sebagaimana diketahui langkah penting dalam pembentukan sistem berbasis kaidah ialah identifikasi masalah, kemudian konseptualisasi dan formalisasi pengetahuan. Dalam masalah yang dibahas di sini yaitu penentuan potensi hidrokarbon suatu daerah dari data fisis suatu sumur bor (well logs), kita memilih cara konseptualisasi dan formalisasi pengetahuan dari model pengendapan untuk mencari kaidah yang dapat menghubungkan antara jenis batuan, struktur pengendapan, dan tekstur , serta urutan jenis lapisan dengan proses pembentukannya.

Penafsiran data well logs memeriukan dua tahap. Tahap pertama ialah mencari kaidah yang diperlukan untuk mengidentifikasi lapisan. Kaidah ini mengaitkan antara besaran fisis yang terukur, misalnya resistivitasnya, intensitas sinar gamma dan pola dip dengan jenis batuan, tekstur dan struktur pengendapannya.

Tahap kedua menghubungkan struktur pengendapan, tekstur dan jenis batuan dalam lapisan serta urutan lapisan dengan proses pembentukannya. Untuk menyelesaikan masalah seperti ini kita perlu mengembangkan pengetahuan kualitatif mengenai proses yang terjadi kemudian memutuskan untuk membentuk kaidah untuk menyelesaikan persoalan seperti itu.

Penentuan variabel yang langsung dapat dikaitkan dengan pengukuran, variabel antara, misalnya-faktor aliran sungai, faktor pasang surut dan faktor ombak laut, dan variabel sasaran misalnya potensi hidrokarbon suatu daerah dipilih oleh pakar. Untuk mengkonformasi/ menegaskan bahwa faktor penting sudah termasuk atau belum dapat dibantu dengan jaringan neural artifisial berbasis kaidah. Dengan proses belajar dan contoh jaringan neural artifisial dapat menentukan distribusi bobot yang menghubungkan berbagai parameter atau variabel. Dari pola distribusi bobot ini kita dapat melihat apakah ramalan oleh jaringan neural sudah memadai atau belum. Jika belum kita dapat menambah neuron antara, kemudian mengulangi proses belajar jaringan neural itu. Penambahan neuron antara dapat berarti diperlukannya variable baru. Dengan proses ini kita dapat mengidentifikasi/memilih variabel yang diperlukan.

 

 

Model Pengendapan

Proses pengendapan dapat terjadi di segala tempat baik daratan, dasar sungai, dasar danau atau dasar lautan dengan faktor pembawa utama angin, air atau gletser.

Untuk kasus yang sederhana proses pengendapan pada muara sungai dengan aliran laminer, dapat diungkapkan sbb. ini. Kita dapat mencari vektor kecepatan disetiap titik dengan menyelesaikan persamaan Navier-Stokes, bersama dengan hukum kekekalan massa dan energi serta persamaan keadaan cairan. Butiran yang di bawa oleh arus sungai akan mengendap pada muara sungai di sekitar suatu titik, pada saat antara t dan t + δt menurut ukuran butiran, berat jenisnya, dan kecepatannya. Selain itu kita tahu bahwa pada umumnya muara sungai tsb. merupakan tempat hidup berbagai organisma. Organisma yang mati akan terkubur oleh butiran yang mengendap.

Dalam keadaan seperti ini dengan arus sungai merupakan faktor dominan, dan geometri muara sungai menguntungkan untuk proses kehidupan organisma, maka proses tsb. mempunyai potensi yang besar untuk terbentuknya hidrokarbon. Dalam proses seperti ini kita ketahui bahwa butiran yang kasar akan mengendap lebih dahulu sedangkan butiran yang halus akan mengendap pada tempat yang lebih jauh dari muara. Jika proses ini berlangsung beratus-ratus tahun, disertai dengan majunya batas muara tsb ke arah laut, maka urutan pengendapan yang tadinya ke arah horisontal akan terekam sebagai urutan yang vertikal. Dari pembahasan di atas kita dapat mengambil kesimpulan bahwa struktur dan urutan lapisan dapat diasosiasikan dengan suatu proses yang berlangsung ratusan tahun yang lalu. Tentu saja dalam kenyataannya tidak selalu batas muara itu maju, ketika mencapai keadaan tertentu proses sebaliknya dapat terjadi, dan faktor yang mendominansi proses pun dapat berubah.

Proses yang berlainan, misalnya proses yang didominansi oleh pasang surut akan menghasilkan jenis batuan, tekstur, struktur pengendapan dan urutan lapisan yang berbeda. Demikian juga proses yang didominansi oleh gelombang laut, menghasilkan jenis batuan, struktur pengendapan, teksur dan urutan lapisan yang berbeda. Dengan demikian kita dapat menyusun kaidah yang mengaitkan jenis batuan dalam lapisan, struktur pengendapan, tekstur, kecendrungan butiran (menghalus ke atas atau sebaliknya), jenis kontak dasar dan urutan lapisan dengan proses pengendapan yang berlangsung ratusan tahun yang lalu.

Selain itu kita juga harus membahas apakah arus tsb. laminer atau turbulen.   Tentu arus sungai yang turbulen akan menghasilkan struktur pengendapan dan tekstur endapan yang berbeda dan potensi hidrokarbonnya menurun.

Dari data well logs , yaitu pengukuran resistivitas dan sinar gamma dan pola dip, kita dapat membuat kaidah untuk mengenali jenis batuan, tekstur, struktur pengendapan , kecendrungan menghalus ke atas atau ke bawah, dsb., sehingga dengan melengkapi sistem tsb. dengan motor inferensi yang dapat memilih urutan kaidah untuk mengambil suatu kesimpulan kita dapat mendapatkan potensi hidrokarbon suatu urutan lapisan. Jika prosedur ini kita kenakan untuk seluruh lapisan, dan masing-masing urutan lapisan kita beri bobot potensi hidrokarbonnya, maka secara keseluruhan kita

dapat membentuk kaidah yang dapat mengevaluasi potensi hidrokarbon daerah tsb.

 

Pembahasan dan Kesimpulan

Konseptualisasi dan formalisasi pengetahuan untuk menentukan potensi hidrokarbon suatu daerah dari data fisis suatu sumur bor dapat dilakukan dengan memakai model pengendapan delta sungai purba. Implementasi pada komputer dapat dilakukan dengan memasukkan kaidah-kaidah yang terbentuk dengan memakai pengembang sistem pakar Insight 2 plus (lihat lampiran) dibantu dengan jaringan neural artifisial berbasis kaidah dengan menggunakan NeuralWorks Professionals II/Plus untuk memilih variabel yang diperlukan. Cara ini di tambah dengan pengalaman kerja praktek di suatu perusahaan well logs dapat dipakai untuk membentuk sistem pakar. Pekerjaan pendahuluan sudah dilaksanakan oleh Handi Budiman dalam tesis S2, di bawah bimbingan penulis.

Makalah ini ingin menekankan bahwa penguasaan dan pengertian fisis proses pengendapan merupakan faktor penting dalam proses konseptualisasi dan formalisasi pengetahuan supaya terbentuk kaidah yang efektif dengan dibantu oleh jaringan neural artifisial berbasis kaidah dalam penentuan variabel yang diperlukan untuk menentukan potensi hidrokarbon suatu daerah. Pengetahuan ini dapat membantu penentuan model serta parametemya serta penafsiran data seismik di daerah itu.

 

Ucapan Terimakasih

Penulis menyampaikan terimakasih kepada Pertamina yang telah memberi grant penelitian untuk persoalan tsb. di atas.

 

Daftar Pustaka

1. O.Serra, Sedimentary Environments From Wireline Logs, Schlumberger, 1985.
2. Paul Siegel, Expert Systems, Tab Books Inc., 1986.

 

 

Lampiran

Struktur basis pengetahuan Insight 2⁺ ialah sbb.:

1. TITLE ...................................................DISPLAY
2. Deklarasi fakta
3. Tipe fakta : simple fact, object, numeric, string
4. Inisialisasi parameter
5. Elemen kendali : threshold, confidence, ......
6. Sasaran (goals)
7. Kaidah (rules)
8. Tampilan informasi : DISPLAY. EXPAND. TEXT
9. END

 

 

 

http://www.wellog.com/interp.htm