تلفیق شبکه‌های عصبی مصنوعی و الگوریتم ردیابی خودکار احتمال گسل نازک شده، جهت شناسایی، تفسیر و استخراج گسل‌ها
محورهای موضوعی :علیرضا غضنفری 1 * , حسین محمدرضائی 2 , حمیدرضا انصاری 3
1 - دانشگاه صنعتی امیرکبیر
2 - شرکت ملی نفت ایران
3 - شرکت نفت کیش
کلید واژه: تفسير گسل رديابی خودکار گسل احتمال گسل شبکه های عصبی مصنوعی نشانگرهای لرزه ای ,
چکیده مقاله :
شناخت گسل‌ها و بررسی سیر تکاملی آنها از اهمیت ویژه‌ای در اکتشاف و توسعه منابع هیدروکربوری برخوردار است. موفقيت در اكتشاف و توسعه ميادین هيدروكربوري، مستلزم شناسايي دقيق سيستم‌هاي نفتي منطقه بوده و در اين راستا يكي از مهمترين مسائل شناسايي گسل‌ها و نحوه گسترش آنها، به عنوان مجراي اصلي مهاجرت سيال، مخصوصا در نواحي عميق‌تر مي‌باشد. گسل ها و شكستگي ها نقش مهمي را در ايجاد بخش هايي با تخلخل و تراوايي زياد و قطع سنگ مخزني و پوشش در مسيرهاي مهاجرت سيال ايفا مي كنند. علاوه بر اینها برای بیشینه کردن برداشت هیدروکربور از مخزن و نیز کاهش خطر پذیری حفاری، ضروری است تا اطلاعات مناسبی از هندسه و طبیعت گسل‌های مخزن به دست آورده شود. در این مقاله هدف بررسی کارایی ترکیب شبکه عصبی و الگوریتم ردیابی خودکار احتمال گسل در شناسایی و تفسیر گسل‌ها در داده لرزه‌ای می‌باشد. ابتدا با استفاده از قابلیت هدایت شیب نرم‌افزار، فیلتر مورد نظر اولیه که برای شناسایی دقیق شیب ساختارها و پدیده‌های موجود در داده می‌باشد، طراحی و اعمال گردیده است. سپس با طراحی و اعمال فیلترهای مناسب، داده لرزه‌ای بهبود یافته است. پس از آن نشانگرهای لرزه‌ای مناسب برای شناسایی گسل‌ها از داده لرزه‌ای سه بعدی، شناسایی و محاسبه شده‌اند. با انتخاب نقاط نمونه برای دو کلاس گسل و غیر گسل از داده، شبکه عصبی نظارت شده با استفاده از نشانگرهای منتخب تشکیل شده و پس از آموزش بهینه شبکه، خروجی مناسب از شبکه ایجاد گردیده است. سپس خروجی شبکه عصبی به عنوان ورودی برای الگوریتم ردیابی خودکار احتمال گسل نازک شده، استفاده شده است. خروجی این قسمت شامل حجم احتمال گسل‌های ردیابی شده، ارائه و نمایش داده شده است. در نهایت با استفاده از ابزارهای زیرمجموعه قسمت احتمال گسل، و تنظیمات پارامترهای آن به صورت بهینه، صفحات گسل سه بعدی به صورت خودکار استخراج و تفسیر گردیده‌اند.
Fault identification and investigating their evolution is of special importance in the exploration and development of hydrocarbon resources. Success in exploration and development of hydrocarbon fields, need to recognition of petroleum systems and in this regard one of the most important topics is identifying faults and their extension condition as a main fluid migration path, specially in deeper zones. Faults and fractures have crucial role in making high permeable and porous segments and cut reservoir and cap rock in the fluid migration path. In addition, for maximizing the production of hydrocarbon from reservoirs and also for reducing the risk of drilling, it is necessary to gain information about geometry and nature of faults of reservoirs. In this paper, the purpose is investigating the performance of combination of neural networks and Fault Likelihood auto-tracking algorithm for identification and interpretation of faults in seismic data. At first using the Dip-steering feature of software, the early filter for accurate identification of dip of structures in the data, have been designed and applied. Then with designing and applying the appropriate filters, the seismic data have been improved. After that proper seismic attributes for fault identification have been calculated from seismic data. With picking fault and non-fault points from data, a supervised neural network using the selected attributes was formed and after training the network, the appropriate output achieved. Then the output of neural network has been used as a input for Thinned Fault Likelihood auto-tracking algorithm. The output of this part contains a volume of tracked faults. Finally using sub-tools of TFL and optimal setting of parameters, 3D fault planes has been interpreted and extracted.