شناسایی و استخراج رخساره‌های کانالی با استفاده از شبکه عصبی پرسپترون چند لایه با الگوریتم پس‌انتشار و فیلتر اتصال کوچکترین اجزای ساختاری

نوع مقاله : سایر مقالات

نویسندگان

1 دانشجوی دکتری، دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر

2 استاد، دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، استاد بازنشسته، مؤسسه ژئوفیزیک، دانشگاه تهران

10.22044/jrag.2020.9478.1281

چکیده

رخساره‌های کانالی از جمله پدیده‌های چینه‌شناسی حائز اهمیت از منظر اکتشاف منابع هیدروکربنی هستند که با توجه به عمق تدفین و محتویات سیال، ممکن است قابلیت مخزنی داشته باشند یا به‌عنوان مخاطره حفاری لحاظ شوند. لذا مکان‌یابی دقیق آنها قبل از تعیین هدف و طراحی مسیر حفاری ضروری است. با توجه به حجم بالای داده‌های لرزه‌ای و افزایش روزافزون تعداد نشانگرها، ترکیب نشانگرهای لرزه‌ای با الگوریتم‌های محاسباتی متفاوت، جزئیات بالاتری از رویدادهای لرزه‌ای بدست می‌دهد. در این مطالعه از روشی نیمه‌خودکار مبنی‌بر تلفیق نشانگرهای لرزه‌ای بر اساس شبکه عصبی پرسپترون چندلایه با الگوریتم پس‌انتشار، جهت شناسایی مرزهای کانال‌های مدفون واقع در برش‌های زمانی از داده‌های لرزه‌ای سه بعدی مصنوعی و واقعی حاوی کانال استفاده شده است. نتایج نشان داد که با رسیدن خطای میانگین مربعات عادی شده و درصد رده‌بندی نادرست مجموعه آزمایشی و مجموعه آموزشی به کم‌ترین مقدار خود، تصویر بهبود یافته‌ای از کانال‌های موجود در داده‌های لرزه‌ای با تفکیک‌پذیری نسبتا بالا ارائه گردیده است. سپس نتایج حاصل از شناسایی مرز کانال‌ها با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس‌انتشار با نتایج حاصل از روش‌های تحلیل مولفه‌های اصلی و k-میانگین و نیز ترکیب این دو روش به‌صورت کمی و کیفی مقایسه شد. بررسی‌ها نشان داد که طرحواره پیشنهادی ضمن تاثیرپذیری کمتر نسبت به نوفه پس‌زمینه، جزئیات دقیق‌تری از مرزهای کانال‌های موجود در داده-های لرزه‌ای ثبت نموده است. استخراج خودکار موقعیت فضایی کانال موجود در داده لرزه‌ای سه بعدی واقعی با استفاده از فیلتر اتصال کوچک‌ترین اجزای ساختاری، تصویر دقیقی از محدوده کانال مورد مطالعه ارائه داده است.

کلیدواژه‌ها


سلطانی، پ.، آقاجانی، ح. و سلیمانی منفرد، م.، ۱۳۹۷، افزایش دقت در تفسیر گسل‌ها در مقطع لرزه‌ای با کمک تحلیل مولفه­های اصلی در نشانگر‌ها برای تعیین شکستگی‌ها در دشت گرگان، پژوهش های ژئوفیزیک کاربردی، مقالات آماده انتشار، ۱-۱۱.
لطفی، م. و جواهریان، ع.، 1398، شناسایی و استخراج رخساره­های کانالی با استفاده از شبکه عصبی پرسپترون چندلایه با الگوریتم پس­انتشار و فیلتر اتصال وکسل­ها، اولین همایش ملی پردازش سیگنال و تصویر در ژئوفیزیک کاربردی، دانشگاه صنعتی شاهرود، شاهرود، ایران، ۲۰ آذر ماه ۱۳۹۸، 1-5.
مردان، ا.ح.، جواهریان، ع. و میرزاخانیان، م.، 1394، مقایسه روش­های یادگیری غیرنظارتی با تأکید بر تشخیص رخساره­های کانالی تنگه هرمز، پژوهش­های ژئوفیزیک کاربردی، 1(2)، 90-102.
ﻣﻨﻬاﺝ، م.ب.، ۱۳۸۱، ﻣﺒﺎﻧﻰ ﺷـﺒﻜﻪ­ﻫﺎﻯ ﻣﺼﻨﻮﻋﻰ، ﺟﻠﺪ ﺍﻭﻝ، ﺍﻧﺘﺸﺎﺭﺍﺕ ﺩﺍﻧﺸﮕﺎﻩ ﺻﻨﻌﺘﻰ ﺍﻣﻴﺮﻛﺒﻴﺮ.
Aqrawi, A.A. and Boe, T.H., 2011, Improved fault segmentation using dip guided and modified Sobel filter, In 81st Annual International Meeting, SEG, Expanded Abstracts, 999–1003.
Bahorich M.S. and Farmer S.L. 1995, 3-D seismic discontinuity for faults and stratigraphic features: the coherence cube, The Leading Edge 14(10), 1053–1058.
Beale, M.H., Hagan, M.T., and Demuth, H.B., 2010, Neural network toolbox, User’s Guide, MathWorks, 2, 129-203.
Berge, T.B., Aminzadeh, F., de Groot, P. and Oldenziel, T., 2002, Seismic inversion successfully predicts reservoir, porosity, and gas content in Ibhubesi Field, Orange Basin, South Africa, The Leading Edge, 21(4), 338-348.
Boustani, B., Javaherian, A., Nabi-Bidhendi, M., Torabi, S. and Amindavar, H.R., 2019a, Channel boundary detection using a 3D morphological filter and adaptive ellipsoidal structuring element, Exploration Geophysics, 1-16.
Boustani, B., Javaherian, A., Nabi-Bidhendi, M., Torabi, S. and Amindavar, H.R.,2019b, Mapping channel edges in seismic data using curvelet transform and morphological filter, Journal of Applied Geophysics, 160, 57-68.
Brouwer, F. and Huck, A., 2011, An integrated workflow to optimize discontinuity attributes for the imaging of faults, In 31st annual GCSSEPM Foundation Bob F.Perkins Research Conference, Hoston, Texas, United States, 31, 496-532.
Brown, A.R., 2001, Understanding seismic attributes, Geophysics, 66(1), 47-48.
Cengizler, C. and Un, M.K., 2017, Evaluation of Calinski-Harabasz criterion as fitness measure for genetic algorithm based segmentation of cervical cell nuclei, Journal of Advances in Mathematics and Computer Science, 22(6), 1-13.
Chehrazi, A., Rahimpour-Bonab, H., and Rezaee, M.R., 2013, Seismic data conditioning and neural network-based attribute selection for enhanced fault detection, Petroleum Geoscience, 19(2), 169-183.
Chopra, S. and Marfurt, K.J., 2005, Seismic attributes—A historical perspective, Geophysics, 70(5), 3SO-28SO.
Chopra, S. and Marfurt, K.J., 2007, Volumetric curvature attributes adding value to 3D seismic data interpretation, The Leading Edge, 26(7), 856-867.
De Jager, J., 2007, Geological development, Geology of the Netherlands, 5-26.
Di, H. and Gao, D., 2014, Gray-level transformation and Canny edge detection for 3D seismic discontinuity enhancement, Computers and Geosciences, 72, 192–200.
Eichkitz, C. G., Schreilechner, M. G., de Groot, P. and Amtmann, J., 2015, Mapping directional variations in seismic character using gray-level co-occurrence matrix-based attributes, Interpretation, February, T13-T23.
Gonzalez, R.C., Woods, R.E. and Eddins, S.L., 2004, Digital Image Processing Using MATLAB, Pearson Education India.
Hashemi Gazar, A., Javaherian, A. and Sabeti, H., 2011, Analysis of effective parameters for semblance-based coherency attributes to detect micro-faults and fractures, Journal of Seismic Exploration, 20, 23-44.
Ishak, M.A., Islam, M., Shalaby, M.R. and Hasan, N., 2018. The application of seismic attributes and wheeler transformations for the geomorphological interpretation of stratigraphic surfaces: a case study of the F3 block, Dutch offshore sector, North Sea, Geosciences, 8(3), 1-21.
Karbalaali, H., Javaherian, A., Dahlke, S. and Torabi, S., 2017, Channel boundary detection based on 2D shearlet transformation: An application to the seismic data in the South Caspian Sea, Journal of Applied Geophysics, 146, 67-79.
Kriegel, H.P., Schubert, E. and Zimek, A., 2017, The (black) art of runtime evaluation: Are we comparing algorithms or implementations?, Knowledge and Information Systems, 52(2), 341-378.
Li, Z.D., Zhang, S.X., Xu, J.Z., Liu, Y.K. and Li, W., 2018, Improved modeling of channel prediction based on gray relational analysis and a support vector machine: a case study on the X pilot area in the Daqing oilfield in China, Journal of Geophysics and Engineering, 15(4), 1407-1418.
Mahdavi Basir, H., Javaherian, A. and Tavakoli Yaraki, M., 2013, Multi-attribute ant-tracking and neural network for fault detection: a case study of an Iranian oilfield, Journal of Geophysics and Engineering, 10(1), 1-10.
McQueen, J., 1967, Some methods for classification and analysis of multivariate observations, In L.M. Le Cam, and J. Neyman, eds., Proceedings of the Fifth Berkeley Symposium on Mathematics, Statistics, and Probability, University of California, Press, 281-297.
Mohebian, R., Riahi, M.A. and Yousefi, O., 2018, Detection of channel by seismic texture analysis using Grey Level Co-occurrence Matrix based attributes, Journal of Geophysics and Engineering, 15(5), 1953-1962.
Noori, M., Hassani, H., Javaherian, A., Amindavar, H. and Torabi, S., 2019, Automatic fault detection in seismic data using Gaussian process regression, Journal of Applied Geophysics, 163, 117-131.
Ombu, R.E., and Ulori, O.O., 2017, A case study on horizon based stratigraphic channels delineation using fast Fourier transform and seismic attributes: implications for reservoir characterization, IOSR Journal of Applied Physics, 9(5), 18-28.
Pearson, K., 1901. LIII. On lines and planes of closest fit to systems of points in space, The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2(11), 559-572.
Pegrum, R.M., and Spencer, A.M., 1990, Hydrocarbon plays in the northern North Sea, Geological Society, London, Special Publications, 50(1), 441-470.
Qi, J., Lin, T., Zhao, T., Li, F. and Marfurt, K., 2016, Semi-supervised multi-attribute seismic facies analysis, Interpretation, 4(1), SB91-SB106.
Rijks E.J.H. and Jauffred J.C.E.M. 1991, Attribute extraction: an important application in any detailed 3D interpretation study, The Leading Edge 10(9), 11–19.
Roberts, A. 2001, Curvature attributes and their application to 3D interpreted horizons, First Break, 19, 85–100.
Sadeghi, M., Roshandel, K.A., Siahkoohi, H.R. and Nikoo, A., 2016. Detecting buried channels using linear least square RGB color stacking method based on deconvolutive short time Fourier transform, Iranian Journal of Geophysics, 9(5), 104-112.
Sales, J.K., 1992, Uplift and subsidence do northwestern Europe: possible causes and influence on hydrocarbon productivity, Norsk Geologisk Tidsskrift, 72(3), 253-258.
Song, C., Liu, Z., Cai, H., Wang, Y., Li, X. and Hu, G., 2017, Unsupervised seismic facies analysis with spatial constraints using regularized fuzzy c-means, Journal of Geophysics and Engineering, 14(6), 1535-1543.
Song, J., Mu, X., Li, Z., Wang, C. and Sun, Y., 2012, A faults identification method using dip guided facet model edge detector, In SEG Technical Program Expanded Abstracts, 1-5.
Tingdahl, K.M. and De Rooij, M., 2005, Semi‐automatic detection of faults in 3D seismic data, Geophysical Prospecting, 53(4), 533-542.
Wu, X. and Fomel, S., 2018, Automatic fault interpretation with optimal surface voting, Geophysics, 83(5), O67-O82.
Zhao, T., Jayaram, V., Roy, A. and Marfurt, K.J., 2015, A comparison of classification techniques for seismic facies recognition, Interpretation, 3(4), SAE29-SAE58.