بهبود شناسایی گسل ها با تلفیق شبکه عصبی پرسپترون چندلایه و نشانگرهای لرزه ای غیرمتعارف

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.