فهرست مطالب نویسنده:
a. javaherian
-
تفسیر گسل ها و شکستگی ها به عنوان یکی از مراحل کلیدی در تفسیر لرزه ای درک مناسبی از خواص ایستا و پویای مخزن ارایه می دهد. مطالعه نشانگرهای لرزه ای هندسی و ترکیب آنها بر اساس شبکه عصبی مصنوعی، سیستم های فازی و توسعه روش های شناسایی خودکار لبه مبتنی بر روش های هوش مصنوعی از جمله مطالعات انجام گرفته در خصوص شناسایی خودکار گسل ها و شکستگی ها است. در این مطالعه از تلفیق نتایج حاصل از شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس انتشار و نشانگرهای لرزه ای غیرمتعارف (مانند نشانگرهای درستنمایی گسل، چگالی، قرابت و شیب شکستگی) جهت بهبود نتایج تفسیر ساختمانی استفاده شده است. طرحواره پیشنهادی بر روی یک داده مصنوعی دو بعدی با نسبت نشانک به نوفه 2 و یک داده لرزه نگاری سه بعدی در بردارنده رویداد گسلش اجرا شد. نتایج نشان داد که طرحواره پیشنهادی نسبت به نتایج حاصل از شبکه عصبی مصنوعی پرسپترون چندلایه، ضمن تاثیرپذیری کمتر نسبت به نوفه پس زمینه لبه های موجود در داده های مورد مطالعه را با تفکیک پذیری نسبتا بالایی شناسایی کرده است. انطباق نتایج حاصل از تلفیق شبکه عصبی مصنوعی پرسپترون چندلایه و نشانگر درستنمایی گسل با نتایج حاصل از وارون سازی رنگی داده لرزه ای، به عنوان یک روش وارون سازی کارآمد، حاکی از اعتبار بالای طرحواره پیشنهادی است. استخراج خودکار موقعیت فضایی صفحه گسلش در مقایسه با نتایج حاصل از تفسیر دستی، ضمن کاهش 70 درصد زمان تفسیر، تصویر دقیق تری از محدوده گسل مورد مطالعه ارایه داده است.کلید واژگان: گسل ها، داده لرزه ای سه بعدی، نشانگرهای لرزه ای متعارف، شبکه عصبی مصنوعی، نشانگرهای لرزه ای غیرمتعارفRevealing the faults, one of the essential steps in seismic interpretation, provides valuable information for modeling static and dynamic characteristics of hydrocarbon reservoirs. Several methods developed for automatic fault and fracture detection, which seismic attributes integrated with artificial neural networks, and fuzzy systems are the most common ones. In this study, a 3D seismic data set of the F3 Block, offshore Netherland, was utilized for enhanced fault detection using an artificial neural network and unconventional seismic attributes integration. A steering cube was computed using a phase-based dip calculation technique to enhance seismic attributes’ accuracy and target detection capability. The fault enhancement filter, as a combination of the diffusion and median filters, and conventional attributes are modified and redefined along with the dip and azimuth information. A supervised, fully connected multi-layer perceptron neural network was constructed to integrate the previous traditional seismic attributes with optimum parameters to generate a fault probability cube. For an improved interpretation, the fault probability cube is then treated through the unconventional seismic attributes. Finally, the end product is subjected to the voxel connectivity filter to visualize the detected faults’ three-dimensional nature. Our proposed workflow results were superposed with the ones derived from the color-based inversion cube as an accurate inversion method. The proposed automatic fault extraction workflow can yield considerable savings in time and result in a highly detailed mapping of discontinuities.Keywords: Faults, 3D seismic data, conventional seismic attributes, supervised neural network, unconventional seismic attributes
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.