بخشی از مقاله
چكيده
اكتشاف ذخاير هيدروكربني زمينهساز جستجوي پديدههاي زمينشناسي و چينهشناسي پيچيده موجود در مقياسهاي مختلف ميباشد. شناسايي و به تصوير كشيدن رخسارههاي كانالي به دليل دارا بودن پتانسيل ذخيرهسازي سيالات هيدروكربني، چالش مهمي را در اكتشافات چينهاي فراهم آورده است. با توجه به حجم بالاي دادههاي لرزهاي و نيز افزايش تعداد نشانگرهاي لرزهاي، تركيب نتايج نشانگرهاي لرزهاي با الگوريتم محاسباتي متفاوت توسط شبكه عصبي مصنوعي حين تفسير توانسته جزئيات بالاتري از رويدادهاي لرزهاي بدست دهد.
در اين مطالعه از روشي نيمهخودكار مبنيبر تلفيق نشانگرهاي لرزهاي جهت شناسايي كانالهاي مدفون استفاده شده است. به اينصورت كه ضمن پيشپردازش داده لرزهاي، تركيبي از مجموعه نشانگرهاي كارآمد در شناسايي كانالها و مجموعهاي از نقاط هدف و نقاط پسزمينه تفسير شده به شبكه عصبي تحت نظارت معرفي شد. در نهايت تصوير بهبود يافتهاي از كانالهاي موجود در دادهاي لرزهاي با تفكيكپذيري نسبتا بالا ارائه گرديد.
١ مقدمه
توسعه لرزهنگاري سه بعدي امكان نمايه سازي و تجزيه و تحليل مورفولوژيهاي زيرسطحي و تفسير رويدادهاي ساختماني و چينهاي را فراهم آورده است. كانالهاي پر شده از سنگهاي متخلخل محصور شده در سنگهاي ناتراوا با قابليت ذخيره هيدروكربن، نقش مهمي را در اكتشافات چينهاي ايفا ميكنند - چوپرا و مارفورت، ٢٠٠٧ - . در سالهاي اخير، استفاده از نشانگرهاي لرزهاي در تفسير دادههاي لرزهاي و اكتشاف ذخاير هيدروكربني توسعه يافته است.
نشانگرهاي لرزهاي با بررسي اطلاعات مرتبط با دامنه، شكل و موقعيت موجك لرزهاي، رخدادهاي پنهان موجود در داده لرزهاي را با دقت نسبتا بالايي استخراج ميكنند - كوسن و همكاران، ٢٠١٤ - . نصير و همكاران - ٢٠١٤ - ، از آناليز نشانگرهاي لرزهاي به منظور شناسايي پديدههاي چينهاي همچون كانالها و هندسه آنها بهره گرفتند. كائو و همكاران - ٢٠١٥ - ، روش آميختگي رنگي نشانگرهاي لرزهاي را جهت شناسايي كانالهاي مدفون به كار گرفتنداُمبو. و اولري - ٢٠١٧ - ، از روشهايي مبنيبر تجزيه طيفي داده لرزه-اي همچون تبديل فوريه به منظور شناسايي نفتگيرهاي چينهاي موجود در داده لرزهاي برداشت شده از درياي شمال استفاده نمودند.
شبكه عصبي مصنوعي كه در اين مطالعه مورد بررسي قرار گرفته است، روشي است مبني بر تلفيق نشانگرهاي لرزهاي مختلف كه با ايجاد يك رابطه غير خطي بين مجموعه داده هاي ورودي و خروجي، پديدههاي خاص زمينشناسي از جمله گسلها و شكستگيها، كانالهاي مدفون، تودههاي نمكي و دودكشهاي گازي را شناسايي ميكند.
٢ روش تحقيق
شبكه عصبي مصنوعي با شبيهسازي رفتار نورونهاي زيستي و با بهرهگيري از قابليت يادگيري در حل مسائل پيچيده از اهميت بالايي برخوردار است. نورون كوچكترين واحد پردازش داده است كه پس از دريافت سيگنالهاي ورودي، آنها را با يكديگر تركيب كرده و ضمن اعمال يك يا چند مرحله پردازش، آنها را به صورت خروجي ظاهر ميسازد. سازوكار آموزش و يادگيري اين مدلهاي الكترونيكي همانند مغز بر پايه تجربه استوار است.
الگوريتم پسانتشار از جمله معروفترين روشهاي آموزش با سرپرست در شبكههاي عصبي پرسپترون چند لايه است كه در آن پس از معرفي مجموعه ورودي، ضرايب ارتباطي بين واحدهاي لايههاي ورودي، مياني و خروجي، بطور تصادفي تعيين ميگردد. سپس با پردازش سيگنالهاي ورودي و ارسال آنها به لايههاي مياني، مقادير ستادهها محاسبه ميگردد - لطفي و ساعدموچشي، ١٣٩٦ - . اگر مجموع مربعات سيگنال خطا - مجذور اختلاف مقادير محاسبه شده ستادهها و خروجي واقعي - بيشتر از مقدار آستانه باشد، الگوريتم با بازگشت به عقب و تغيير ضرايب ارتباطي، محاسبات را تكرار ميكند؛ در غير اينصورت الگوريتم متوقف ميگردد.
٣ روش تحقيق
براي بررسي عملكرد شبكه عصبي مصنوعي در شناسايي رخسارههاي كانالي، از يك داده لرزهاي سه بعدي متعلق به بلوك هلندي درياي شمال استفاده شده است. داده لرزهاي توزيعي از زمان و مكان ميباشد به طوري كه بازه زماني ٤ ميليثانيه و بازه مكاني ٢٥ متر - به صورت خطوط چشمه و خطوط گيرنده - است. حجم كوچكي از داده لرزهاي دربردارندهي پديده مورد نظر با محدوده خطوط چشمه ٨٠٠-٥٠٠، محدوده خطوط گيرنده ٥٠٠-١٠٠ و محدوده زماني ١٢٠٠-٩٠٠ ميليثانيه انتخاب شده است.
در ابتدا يك مكعب هدايت شيب از داده لرزهاي كه دربردارنده شيب و آزيموت محلي رخدادهاي لرزهاي در هر نقطه نمونه است، تهيه ميشود. سپس هموارسازي داده لرزهاي با اعمال فيلتر ميانه صورت ميگيرد. فيلتر ميانه ضمن پيروي از شيب رخدادهاي لرزهاي بر مبناي مكعب هدايت شيب با جايگزيني مقدار ميانه دامنه ردلرزههاي مجاور هر نقطه داده، نوفه تصادفي موجود در داده لرزهاي را تضعيف ميكند. در شكل ١ برخي از رخدادهاي موجود در داده لرزهاي پيشپردازش شده در مقطع طولي ٣٣٠ نشان داده شده است.
جهت شناسايي پديده چينهشناسي مورد نظر و تمايز سيگنالهاي لرزهاي مربوط به آن از سيگنالهاي ناشي از پديدههاي زمينشناسي نامطلوب يا پديدههاي جعلي برداشت، تركيب نشانگرهاي چندگانه و حساسيتسنجي پارامترهاي موثر بر عملكرد اين نشانگرها انجام گرفته است. مجموعهاي از نشانگرهاي مرتبط با شناسايي رخسارههاي كانالي از جمله انرژي، تجزيه طيفي، شباهت، فركانس، ماتريسهاي همرويداد سطح خاكستري - GLCM - و ... به عنوان ورودي شبكه عصبي انتخاب شدند. در شكل ٢ داده لرزهاي پيشپردازش شده و برخي از نشانگرهاي ورودي شبكه عصبي در برش زماني ١٠٢٠ ميليثانيه قابل مشاهده است.
در ادامه ضمن بررسي داده لرزهاي و نيز مطالعه نتايج حاصل از نشانگرهاي لرزهاي، دو دسته نقطه كه مشخصه نواحي محتمل به رخسارههاي كانالي و نواحي پسزمينه ميباشند، توسط مفسر به منظور آموزش شبكه عصبي انتخاب شدند. سپس مجموعه نشانگرها و نقاط انتخاب شده به عنوان ورودي به شبكه عصبي تحت نظارت معرفي گرديد. در مرحله آموزش ٣٠% دادهها براي مجموعه آزمايشي و ٧٠% باقيمانده براي مجموعه آموزشي تقسيم شدند. در شكل ٣ خطاي آموزشي و خطاي آزمايشي و در نهايت مكعب احتمال خروجي نشان داده شده است كه در آن احتمال وجود رخساره كانالي براي هر نمونه، مقداري بين صفر و يك دارد.
