توسعه یک الگوریتم خودکار بر مبنای نشانگرهای لرزه ای و عملگرهای ریخت شناسی ریاضیاتی برای آشکارسازی گنبد نمکی

نوع مقاله : سایر مقالات

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران

2 استادیار، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران

3 دانشیار، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران

چکیده

گنبدهای نمکی، به عنوان ساختارهای زمین‌شناسی پیچیده، با ایجاد الگوهای بازتابی آشفته در داده‌های لرزه‌ای، چالش‌های متعددی را در فرآیند تفسیر به وجود می‌آورند. از سوی دیگر، با توجه به حجم بسیار زیاد داده‌های لرزه‌ای و زمانبر بودن تفسیر دستی آنها، توسعه روش‌هایی که توانایی ارائه خودکار یک مدل نهایی سه‌بعدی از گنبد نمکی را داشته باشند، جذاب و کاربردی است. این پژوهش با هدف توسعه روشی خودکار و کارآمد برای شناسایی مرز گنبدهای نمکی در داده‌های لرزه‌ای سه‌بعدی و تولید مدل سه‌بعدی از گنبد انجام شده است. برای دستیابی به این هدف، الگوریتمی ترکیبی مبتنی بر تحلیل نشانگرهای لرزه‌ای و عملگرهای ریخت‌شناسی ریاضیاتی طراحی و پیاده‌سازی شده است. در مرحله اول، تحلیل نشانگری بر روی حجم داده لرزه ای و برای تشخیص بافت گنبد نمکی انجام می شود. سه نشانگر لرزه‌ای انرژی بافتی، بی‌نظمی بافتی و آشفتگی مورد بررسی قرار گرفته اند. در مرحله بعد، حجم نشانگر پس از نرمال سازی به حجم باینری تبدیل می گردد. سپس، با اعمال توالی مناسبی از عملگرهای ریخت‌شناسی (شامل عملگرهای باز کردن و پر کردن حفره)، حجم نهایی پالایش شده گنبد نمکی با وضوح بالا استخراج می شود. الگوریتم بر روی یک حجم داده لرزه ای سه بعدی مربوط به تنگه هرمز ایران و شامل 280 خط گیرنده، 311 خط چشمه و 426 نمونه زمانی اعمال شده است. ارزیابی نتایج نشان داد که روش پیشنهادی نه تنها قادر است با دقتی خوب و نزدیک به تفسیر دستی عمل کند، بلکه این نتیجه را در بازه زمانی بسیار معقول و قابل قبول حدوداً 30 ثانیه به دست می‌آورد. همچنین ارزیابی کمّی نتایج نشان داد که در میان نشانگرهای لرزه‌ای استفاده شده، نشانگر انرژی بافتی بهترین عملکرد را با بالاترین مقدار معیار فاصله سطحی متقارن متوسط در شناسایی مرز گنبد نمکی داراست. مزیت اصلی این پژوهش، ارائه الگوریتمی خودکار است که در بازه زمانی بسیار معقول و قابل قبول، قادر به تولید مدل سه‌بعدی نهایی از گنبد نمکی می‌باشد. این قابلیت، وابستگی فرآیند تفسیر به قضاوت ذهنی مفسّر را به حداقل رسانده و امکان پردازش کارآمد داده‌های حجیم لرزه‌ای در مقیاس صنعتی را فراهم می‌سازد.

کلیدواژه‌ها


پاژنگ، س.، کدخدایی، ع.، زمانی، ب.، برگریزان، م. و یوسف پور، م، 1394، معرفی 17 گنبد نمکی مدفون و غیرمدفون براساس داده‌های لرزه‌ای در تنگه هرمز ( بلوک E)، پژوهش نفت، 25 (84)،150-160.
چمبری، ر.، روشندل کاهو، ا.، یوسفی، م. و سلیمانی منفرد، م.، 1397، شناسایی مرز گنبد نمکی با استفاده از تلفیق نشانگرهای لرزه‌ای در محیط GIS، پژوهش های ژئوفیزیک کاربردی، 4 (2)، 277-292.
روشندل کاهو، ا.، سلیمانی منفرد، م. و رداد، م.، 1400، شناسایی و مدل‌سازی گنبد نمکی در داده‌های لرزه‌ای با استفاده از گرادیان بافت سه‌بعدی، مجله ژئوفیزیک ایران، 15 (1)، 19-33.
 
Chopra, S., and Alexeev, V., 2006, Applications of texture attribute analysis to 3D seismic data, The Leading Edge, 25 (8), 934-940.
Chopra, S., and Marfurt, K. J., 2007, Seismic attributes for prospect identification and reservoir characterization, SEG Geophysical Developments Series No. 11.‏
Di, H., and AlRegib, G., 2017, Seismic multi-attribute classification for salt boundary detection-a comparison, 79th EAGE Conference and Exhibition.‏
Eichkitz, C. G., Amtmann, J., and Schreilechner, M. G., 2013, Calculation of grey level co-occurrence matrix-based seismic attributes in three dimensions, Computers & Geosciences, 60, 176-183.‏
Hale, D. 2013, Methods to compute fault images, extract fault surfaces, and estimate fault throws from 3D seismic images, Geophysics, 78(2), O33-O43.
Heimann, T., Van Ginneken, B., Styner, M.A., Arzhaeva, Y., Aurich, V., Bauer, C., Beck, A., Becker, C., Beichel, R., Bekes, G. and Bello, F., 2009, Comparison and evaluation of methods for liver segmentation from CT datasets, IEEE transactions on medical imaging, 28 (8), 1251-1265.
Huang, W., Wang, R., Zhang, D., Zhou, Y., Yang, W., and Chen, Y., 2017, Mathematical morphological filtering for linear noise attenuation of seismic data, Geophysics, 82 (6), V369-V384.‏
Jackson, M. P., and Hudec, M. R. 2017, Salt Tectonics: Principles and Practice, Cambridge University Press.
Jones, I. F., and Davison, I., 2014, Seismic imaging in and around salt bodies, Interpretation, 2 (4), SL1-SL20.‏
Khayer, K., Roshandel Kahoo, A., Soleimani Monfared, M. and Kavoosi, K., 2022, Combination of seismic attributes using graph-based methods to identify the salt dome boundary, Journal of Petroleum Science and Engineering, 215, 110625.
Lawal, A., Mayyala, Q., Zerguine, A., and Beghdadi, A. 2021, Salt dome detection using context-aware saliency, 28th European Signal Processing Conference (EUSIPCO), 1906-1910.‏
Liu, Z., Wheaton, D., and Wang, B., 2019, Seismic data denoising with mathematical morphological filters, SEG International Exposition and Annual Meeting.
Mousavi, J., Radad, M., Soleimani Monfared, M., and Roshandel Kahoo, A. 2022, Fault enhancement in seismic images by introducing a novel strategy integrating attributes and image analysis techniques, Pure and Applied Geophysics, 179 (5), 1645-1660.‏
Otsu, N., 1979, A threshold selection method from gray-level histograms. Automatica, 11, 285-296.
Schultz-Ela, D. D., Jackson, M. P., and Vendeville, B. C., 1993, Mechanics of active salt diapirism, Tectonophysics, 228 (3-4), 275-312.‏
Shih, F. Y., 2017, Image processing and mathematical morphology: fundamentals and applications. CRC press.
Smith, S. W., 1997, The Scientist & Engineer's Guide to Digital Signal Processing. California Technical Pub.
Soille, P., 1999, Morphological image analysis: principles and applications, Springer Berlin, Heidelberg.
Tavakolizadeh, N., and Bagheri, M., 2022, Multi-attribute selection for salt dome detection based on SVM and MLP machine learning techniques, Natural Resources Research, 31 (1), 353-370.‏
Wang, R., 2005, Noise-eliminated method by morphologic filtering in seismic data processing, Oil Geophysical Prospecting, 40 (3), 277.‏
Wang, Z., 2018, Computational seismic interpretation using geometric representation and tensor-based texture analysis, PhD. dissertation, Georgia Institute of Technology, Atlanta, USA.‏