بخشی از مقاله
چکیده
شناسایی پدیدههای لرزهای خاص همچون گنبدهای نمکی در تعیین پتانسیل ذخیرهسازی هیدروکربن سیستم نفتی و نیز شکلگیری تلههای مختلف از اهمیت ویژهای برخوردار هستند. تعیین این رخدادها با استفاده از روشهای مرسوم آنالیز تک نشاگری امری دشوار و زمانبر است. با توجه به اینکه هر نشانگر بر اساس الگوریتمهای محاسباتی مربوط به خود جزئیات متفاوتی از پدیدههای مورد مطالعه را بدست میدهد، جهت تلفیق جزئیات ثبت شده و ایجاد ارتباط غیرخطی بین دادههای لرزهای و رویدادهای زمینشناسی از شبکهی عصبی استفاده میشود .
در این مطالعه از روشی نیمهخودکار مبنیبر تلفیق نشانگرهای لرزهای جهت شناسایی گنبدهای نمکی استفاده شده است. به اینصورت که پس از پیشپردازش داده لرزهای، ترکیبی از مجموعه نشانگرهای کارآمد در شناسایی تودههای نمکی و مجموعهای از نقاط هدف و نقاط پسزمینه تفسیر شده، به شبکه عصبی تحت نظارت معرفی گردید. در نهایت تصویر بهبود یافتهای از گنبد نمکی موجود در دادهای لرزهای با تفکیکپذیری نسبتا بالا ارائه گردید.
.1 مقدمه و مبانی نظری
گنبدهای نمکی یکی از مهمترین ساختارهای زیرسطحی هستند که علاوهبر دارا بودن قابلیت ذخیرهسازی هیدروکربن، به دلیل پتانسیل ایزولهسازی زبالههای هستهای، معدنکاری انحلال، ایجاد فضا برای سازههای زیرزمینی و ایجاد مخزن هوای فشرده از اهمیت بالایی برخوردار است. این ساختارهای گنبدی شکل که در مقاطع لرزهای اغلب به صورت پاسخ مشخصی از بازتابهای ضعیف، کمانرژی با درجه بالایی از آشفتگی نشان داده میشوند [1] ، در اثر حرکت نمک و صعود آن ایجاد میشوند. در واقع گنبدهای نمکی در اثر ناپایداری ثقلی لایههای نمکی با چگالی کم و در اثر نیروی شناوری تشکیل میشوند
شناخت همه جانبه و درک ویژگیهای این ساختارها از لحاظ چینهشناسی، زمینشناسی ساختمانی، ژئوفیزیک و رسوبشناسی در یافتن راهکارهای مناسب در اکتشاف ذخایر هیدروکربنی و توسعه میادین نفتی امری سازنده محسوب میشود. تعبیر و تفسیر دادههای لرزهای از جمله روشهای کارآمد در تعیین موقعیت گنبدهای نمکی میباشد.
برتلو و همکاران - 2013 - از نشانگرهای بافتی و ایچکیتز و همکاران - 2013 - از محاسبات مربوط به نشانگرهای لرزهای مبتنیبر ماتریسهای همرویداد سطح خاکستری - GLCM - در شناسایی گنبدهای نمکی استفاده نمودند 3] و .[4 شبکه عصبی که در این مطالعه مورد بررسی قرار گرفته است، روشی است مبنیبر تلفیق نشانگرهای لرزهای مختلف که با ایجاد یک رابطه غیرخطی بین مجموعه دادههای ورودی و خروجی، پدیدههای خاص زمینشناسی از جمله گسلها، کانالهای مدفون، تودههای نمکی و دودکشهای گازی را شناسایی میکند.
.2 شبکه عصبی مصنوعی و نشانگرهای لرزهای
در این مطالعه از شبکه عصبی پرسپترون چند لایه با شیوه آموزش پسانتشار به منظور تهیه مکعب احتمال گنبد نمکی استفاده شده است. الگوریتم پسانتشار از جمله معروفترین روشهای آموزش با سرپرست در شبکههای عصبی پرسپترون محسوب میشود که در آن پس از معرفی مجموعه ورودی، ضرایب ارتباطی بین واحدهای لایههای ورودی، میانی و خروجی، بطور تصادفی تعیین میگردد. سپس سیستم با پردازش دادههای لایه ورودی و ارسال آنها به لایههای میانی، مقادیر ستادهها را محاسبه میکند.
پس از آن مقادیر محاسبه شده ستادهها با خروجی واقعی مقایسه و مقدار خطا محاسبه میگردد . اگر میزان خطا بیشتر از مقدار آستانه باشد، الگوریتم با بازگشت به عقب و تغییر ضرایب ارتباطی، محاسبات را تکرار میکند؛ در غیر اینصورت الگوریتم متوقف میگردد .
در این مورد مطالعاتی نیز شبکه عصبی مصنوعی در موقعیت نشانگرهای استخراج شده در محل نقاط مشخصه نواحی گنبد نمکی و نقاط مشخصه نواحی غیر گنبد نمکی آموزش داده میشود. در نهایت شبکه عصبی آموزش یافته جهت استخراج مکعب احتمال گنبد نمکی به کل مکعب داده لرزهای اعمال میگردد.
از آنجا که خواص و ویژگیهای گنبدهای نمکی و نیز کیفیت داده لرزهای در مجموعه دادههای مختلف، متفاوت است، نمیتوان یک دسته نشانگر عمومی با پارامترهای ثابت را برای شناسایی گنبدهای نمکی در نظر گرفت. در ادامه، به طور مختصر به بررسی تعدادی از نشانگرهای لرزهای کاربردی در شناسایی پدیدههای خاص زمینشناسی مانند گنبدهای نمکی پرداخته شده است.
• شباهت نشانگر : شباهت، تشابه بین ردلرزهها را در یک فضای برداری چند بعدی محاسبه میکند. نشانگر شباهت را میتوان یک منهای فاصلهی اقلیدسی بین بردارهای منسوب به ردلرزهها دانست که روی مجموع طول بردارها نرمالایز شده اند:
• انرژی نشانگر : انرژی به صورت مجموع مربعات دامنه یک نمونه ردلرزه در یک پنجره زمانی معین، تعریف شده است:
• واریانس شیب : مقادیر کمی تغییرات شیب در موقعیت رخدادهای زمینشناسی، اغلب با نشانگر واریانس شیب سنجیده میشود. واریانس آماری مقادیر شیب در یک حجم کوچک از دادههای شیب طبق رابطه زیر محاسبه میگردد:
• مجذور بسامد : میانگین نشانگر مجذور بسامد میانگین بیانگر مربعات میانگین حسابی طیف بسامد داده لرزهای است. از آنجا که در محل رخدادهای تکتونیکی تغییر در مقدار انرژی و به تبع آن تغییر در محتوای بسامد رخ میدهد، این نشانگر میتواند ابزاری مناسب در شناسایی پدیدههای زمینساخت مانند گنبدهای نمکی باشد .[6]
.3 روش و مراحل تحقیق
برای بررسی عملکرد شبکه عصبی مصنوعی در شناسایی گنبدهای نمکی، از یک داده لرزهای سه بعدی متعلق به بلوک هلندی دریای شمال استفاده شده است. داده لرزهای توزیعی از زمان و مکان میباشد به طوری که بازه زمانی 4 میلیثانیه و بازه مکانی 25 متر - به صورت خطوط چشمه و خطوط گیرنده - است. حجم کوچکی از دادهی لرزهای دربردارندهی پدیده مورد نظر با محدوده خطوط چشمه 1250-700 و محدوده خطوط گیرنده 400-100 و محدوده زمانی 1800-800 میلیثانیه انتخاب شده است. در ابتدا یک مکعب هدایت شیب از داده لرزهای که دربردارنده شیب و آزیموت محلی رخدادهای لرزهای در هر نقطه نمونه است، تهیه میشود.
سپس هموارسازی داده لرزهای با اعمال فیلتر میانه صورت میگیرد. فیلتر میانه ضمن پیروی از شیب رخدادهای لرزهای بر مبنای مکعب هدایت شیب با جایگزینی مقدار میانه دامنه ردلرزههای مجاور هر نقطه داده، نوفه ت صادفی موجود در داده لرزهای را تضعیف میکند. در شکلهای -1الف و 1 -ب به ترتیب داده لرزهای اولیه و داده لرزهای پیشپردازش شده در مقطع طولی 140 ن شان داده شده ا ست.
جهت شنا سایی پدیده زمین شنا سی مورد نظر و تمایز سیگنالهای لرزهای مربوط به آن از سیگنالهای ناشی از پدیدههای زمینشناسی نامطلوب یا پدیدههای جعلی برداشت، ترکیب نشانگرهای چندگانه و حساسیت سنجی پارامتر های موثر بر عملکرد این نشانگرها انجام گرفته است. در ادامه ضمن بررسی داده لرزهای و نیز مطالعه نتایج حا صل از ن شانگرهای لرزهای، دو د سته نقطه که م شخ صه نواحی محتمل به گنبد نمکی و نواحی پسزمینه میبا شند، توسط مفسر به منظور آموزش شبکه ع صبی انتخاب شدند.
سپس مجموعه ن شانگرها و نقاط انتخاب شده به عنوان ورودی به شبکه عصبی تحت نظارت معرفی گردید. در مرحله آموزش %30 دادهها برای مجموعه آزمایشی و %70 باقیمانده برای مجموعه آموزشی تقسیم شدهاند. در شکل 2 برخی از نشانگرهای ورودی شبکه عصبی در مقطع طولی 140 نشان داده شده است. در شکل 3 خطای آموز شی و خطای آزمای شی و در نهایت مکعب احتمال خروجی ن شان داده شده ا ست که در آن احتمال وجود گنبد نمکی برای هر نمونه، مقداری بین صفر و یک دارد.
شکل .1 برش طولی 140 از الف - داده لرزهای اولیه، ب - داده لرزهای پیشپردازش شده.
