بهبود نشانگرهای لرزه‌ای مبتنی بر ماتریس هم‌رخداد سطح خاکستری با استفاده از تبدیل غیرخطی به مقیاس خاکستری در شناسایی ژئوبادی گنبد نمکی

نوع مقاله : سایر مقالات

نویسندگان

1 دانشجوی دکترای اکتشاف معدن؛ دانشکده‌ مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود

2 دانشیار؛ دانشکده‌ مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود

3 استاد؛ دانشکده‌ کامپیوتر، دانشگاه صنعتی شاهرود

چکیده

گنبدهای نمکی یکی از ساختارهای مهم زمین‌شناسی در اکتشاف منابع هیدروکربنی هستند که به دلایل مختلفی تعیین ژئوبادی آن‌ها در داده‌های لرزه‌ای دارای اهمیت زیادی است. به دلیل بافت متفاوت گنبد نمکی نسبت به رسوبات دربرگیرنده، نشانگرهای لرزه‌ای بافتی ابزار مفیدی برای شناسایی و تشخیص این ساختارها در داده‌های لرزه‌ای هستند. ماتریس هم رخداد سطح خاکستری به عنوان ابزاری متداول برای تولید نشانگرهای بافتی در داده‌های لرزه‌ای استفاده می‌شوند. برای محاسبه ماتریس هم‌رخداد سطح خاکستری به منظور استخراج نشانگرهای بافتی، ابتدا تصویر داده لرزه‌ای بایستی به مقیاس خاکستری تبدیل شود. تبدیل خطی به عنوان متداول‌ترین و پرکاربردترین الگوریتم برای مقیاس کردن دامنه داده‌های لرزه‌ای به سطوح خاکستری استفاده می‌شود که مهمترین ویژگی آن حفظ حداکثری هیستوگرام توزیع دامنه‌های اصلی داده لرزه‌ای است. با این حال، رویدادهای زمین‌شناسی مورد علاقه مفسران نظیر گنبد نمکی اغلب تنها بخش کوچکی از هیستوگرام اولیه دامنه را پوشش می‌دهند و برای نمایش موثرتر آن‌ها، بهتر است، سطوح خاکستری بیشتری به آن‌ها اختصاص داده شود. تبدیل غیرخطی به مقیاس خاکستری با استفاده از تابع سیگموئید، امکان اختصاص سطوح خاکستری بیشتری به رویداد زمین‌شناسی نسبت به تبدیل خطی در داده لرزه‌ای را فراهم می‌آورد و سبب تقویت آن رویداد در تصویر مقیاس خاکستری و در نتیجه بهبود نشانگر بافتی حاصل از آن می‌شود. در این مقاله از طبقه‌بندی نشانگرهای بافتی مبتنی بر ماتریس هم‌رخداد سطح خاکستری بهبود یافته جهت تعیین ژئوبادی گنبد نمکی در داده لرزه‌ای دریایی دو بعدی مربوط به تنگه هرمز استفاده شده است. نتایج به دست آمده نشان داد که دقت شناسایی گنبد نمکی با استفاده از نشانگرهای بهبود یافته نسبت به نشانگرهای متداول در حدود 2 درصد افزایش دارد و با توجه به عدم افزایش در زمان محاسبات می‌تواند به عنوان جایگزین مناسبی برای نشانگرهای متداول باشند.

کلیدواژه‌ها


Amin, A., Deriche, M., Shafiq, M.A., Wang, Z., AlRegib, G., 2017. Automated salt-dome detection using an attribute ranking framework with a dictionary-based classifier. Interpretation 5, SJ61-SJ79. https://doi.org/10.1190/INT-2016-0084.1
Anyiam, U.O., Uzuegbu, E., 2020. 3D seismic attribute-assisted stratigraphic framework and depositional setting characterization of frontier Miocene to Pliocene aged Agbada Formation reservoirs, deep offshore Niger Delta Basin. Marine and Petroleum Geology 122, 104636. https://doi.org/10.1016/j.marpetgeo.2020.104636
Berthelot, A., Solberg, A.H., Morisbak, E., Gelius, L.J., 2011. Salt diapirs without well defined boundaries–a feasibility study of semi‐automatic detection. Geophysical Prospecting 59, 682-696. https://doi.org/10.1111/j.1365-2478.2011.00950.x
Chopra, S., Marfurt, K.J., 2007. Seismic attributes for prospect identification and reservoir characterization. Society of Exploration Geophysicists.
Di, H., Gao, D., 2017. Nonlinear gray-level co-occurrence matrix texture analysis for improved seismic facies interpretation. Interpretation 5, SJ31-SJ40. https://doi.org/10.1190/INT-2016-0214.1
Eichkitz, C.G., Amtmann, J., Schreilechner, M.G., 2013. Calculation of grey level co-occurrence matrix-based seismic attributes in three dimensions. Computers & Geosciences 60, 176-183. https://doi.org/10.1016/j.cageo.2013.07.006
Farrokhnia, F., Kahoo, A.R., Soleimani, M., 2018. Automatic salt dome detection in seismic data by combination of attribute analysis on CRS images and IGU map delineation. Journal of Applied Geophysics 159, 395-407. https://doi.org/10.1016/j.jappgeo.2018.09.018
Gunn, S.R., 1998. Support vector machines for classification and regression. ISIS technical report 14, 5-16.
Haralick, R.M., Shanmugam, K., Dinstein, I.H., 1973. Textural features for image classification. IEEE Transactions on systems, man, and cybernetics, 610-621. https://doi.org/ 10.1109/TSMC.1973.4309314
Hosseini-Fard, E., Roshandel-Kahoo, A., Soleimani-Monfared, M., Khayer, K., Ahmadi-Fard, A.R., 2022. Automatic seismic image segmentation by introducing a novel strategy in histogram of oriented gradients. Journal of Petroleum Science and Engineering 209, 109971. https://doi.org/10.1016/j.petrol.2021.109971
Hu, J., Zhou, T., Ma, S., Yang, D., Guo, M., Huang, P., 2022. Rock mass classification prediction model using heuristic algorithms and support vector machines: a case study of Chambishi copper mine. Scientific Reports 12, 928. https://doi.org/10.1038/s41598-022-05027-y
Humeau-Heurtier, A., 2019. Texture feature extraction methods: A survey. IEEE access 7, 8975-9000. https://doi.org/10.1109/ACCESS.2018.2890743
Iske, A., Randen, T., 2005. Mathematical methods and modelling in hydrocarbon exploration and production. Springer.
Jović, A., Brkić, K., Bogunović, N., 2015. A review of feature selection methods with applications. 38th international convention on information and communication technology, electronics and microelectronics (MIPRO), 1200-1205. https://doi.org/10.1109/MIPRO.2015.7160458
Kalaneh, S., Ghaemi, F., Mousavi-Harami, S.R., Mohajer Soltani, H., 2023. Origin of the Gharnyaregh and Neftelijeh mud volcanoes in Gorgan plain, Iran. Iranian Journal of Geophysics 17, 238-243. https://doi.org/ 10.30499/IJG.2022.346702.1435
Kearey, P., Brooks, M., Hill, I., 2002. An introduction to geophysical exploration. John Wiley & Sons.
Khayer, K., Hosseini Fard, E., Roshandel Kahoo, A., Soleimani Monfared, M., Ahmadyfard, A., 2022a. Integration of feature extraction, attribute combination and image segmentation for object delineation on seismic images. Acta Geophysica 71, 275-292. https://doi.org/10.1007/s11600-022-00921-5
Khayer, K., Roshandel-Kahoo, A., Soleimani-Monfared, M., Kavoosi, K., 2022b. Combination of seismic attributes using graph-based methods to identify the salt dome boundary. Journal of Petroleum Science and Engineering 215, 110625. https://doi.org/10.1016/j.petrol.2022.110625
Khayer, K., Roshandel Kahoo, A., Soleimani Monfared, M., Tokhmechi, B., Kavousi, K., 2022c. Target-Oriented Fusion of Attributes in Data Level for Salt Dome Geobody Delineation in Seismic Data. Natural Resources Research 31, 2461-2481. https://doi.org/10.1007/s11053-022-10086-z
Naganaidu, D., Khalid, Z.M., 2023. ANOVA Assisted Variable Selection in High-dimensional Multicategory Response Data. Statistics 11, 92-100. https://doi.org/10.13189/ms.2023.110110
Shafiq, M.A., Wang, Z., AlRegib, G., Amin, A., Deriche, M., 2017. A texture-based interpretation workflow with application to delineating salt domes. Interpretation 5, SJ1–SJ19. https://doi.org/10.1190/INT-2016-0043.1
Soltani, P., Roshandel Kahoo, A., Hasanpour, H., 2023, Proposing new seismic texture attributes based on novel gray level matrix with application to salt dome detection. Journal of Applied Geophysics 218, 105214. https://doi.org/10.1016/j.jappgeo.2023.105214
Tavakolizadeh, N., Bagheri, M., 2022. Multi-attribute Selection for Salt Dome Detection Based on SVM and MLP Machine Learning Techniques. Natural Resources Research 31, 353-370. https://doi.org/10.1007/s11053-021-09973-8
Zwanenburg, A., Leger, S., Vallierès, M., Löck, S., 2016. Image biomarker standardisation initiative reference manual. arXiv preprint arXiv:1612.07003. https://doi.org/10.1148/radiol.2020191145