بخشی از مقاله
چكيده
شناسائي مخازن هيدروكربني از اهميت بالائي برخوردار است. يكي از روشها براي شناسائي مخازن چينه اي و اكتشافات آنها طبقه بندي رخساره هاي لرزه اي مي باشد. طبقه بندي رخساره هاي لرزه اي بر روي مقاطع لرزه اي بر اساس تغيير رخساره ها انجام مي شود. با تعيين مقاطع طبقه بندي شدة رخساره هاي لرزه اي مي توان به بررسي رخساره هاي زمين شناسي و شناسائي مخازن چينه اي پرداخت.
در اين مقاله از دو روش طبقه بندي با ناظر و بدون ناظر در شبكه هاي عصبي مصنوعي با تكيه بر خصوصيات داده هاي لرزه اي استفاده شده است. در روش بدون ناظر، طبقه بندي تنها براساس داده هاي لرزه اي مي باشد. كلاسه بندي بر اساس بيشترين شباهت بين نشانگر ها انجام مي گردد. در روش با ناظر داده هاي لرزه نگاري به همراه داده هاي چاه مورد استفاده قرار گرفته و از داده هاي چاه بعنوان معياري براي تعيين شباهت استفاده مي گردد. با توجه به نتايج بدست آمده مي توان از روش بدون ناظر در مناطقي كه امكان حفر چاه نمي باشد استفاده نمود.
١. مقدمه
تفسير دادههاي لرزهاي بازتابي به عنوان يك روش علمي در مدلسازي لايهبندي زمين از ديرباز مورد توجه محققان اكتشاف نفت و گاز بوده است. تحليل رخساره هاي لرزهاي، روش توانمندي براي تعيين خصوصيات مخزني مي باشد - امامي فر و همكاران،١٣٨٩ - . رخسارهاي لرزهاي يك گروه از بازتابهاي لرزهاي مي باشند كه نشانگر مربوط به آن - مانند فركانس، دامنه، فاز، ... - متفاوت از گروه مجاور مي باشد.
تجزيه و تحليل رخسارههاي لرزهاي با فرض كلاسهبندي تريسهاي لرزهاي مشابه بر اساس دامنه ، فركانس، فاز و يا ساير خواص انجام مي شود - روي و همكاران ٢٠١١ - . روشهاي مختلفي جهت طبقه بندي رخسارههاي لرزهاي انجام شده است. ماتيو و رايس - ١٩٦٩ - از تحليل چند متغيره، متلوك و همكاران - ١٩٨٥ - از يك تابع تصميم خطي براي تشخيص سريع مرز رخسارههاي ماسهاي استفاده نموده اند - متيو و همكاران ١٩٦٩ - . سگاف و همكاران - ٢٠٠٣ - با استفاده از شبكه هاي عصبي رقابتي روشي را براي شناسايي و طبقه بندي رخسارههاي لرزهاي به كار برده اند - سگاف و همكاران٢٠٠٣ - .
تعيين طبقات رخسارههاي زمينشناسي و خصوصيات فواصل چينهشناسي با استفاده از تعريف رخساره ها براي تفسير محيط رسوبي و به منظور توسعه يك چارچوب متوالي چينهشناسي براي درك بهتر مخازن نفت و گاز و پتانسيل منابع زيرزميني مورد استفاده قرار مي گيرند. شناسائي رخسارهها نياز به شناختن و بدست آوردن نشانگرهاي لرزه-اي مناسب دارد.
نشانگرهاي لرزهاي درواقع توابع رياضي مشتق شده از اطلاعات لرزه اي مي باشند كه در حوزه زمان و فركانس از دادههاي لرزهاي استخراج مي گردند. طبقهبندي رخسارههاي لرزهاي به روشهاي شبكه هاي عصبي از توانايي بيشتري در طبقه بندي كلاسه هاي مختلف بر خوردار مي باشد. شبكه عصبي يك الگوريتم مي باشد كه وروديهاي مختلف را به يك و يا چند خروجي نسبت مي دهد. اين ورودي ها شامل نشانگرهاي لرزهاي يا داده هاي زمين شناسي مي باشند.
در روش نظارت شده دادههاي لرزهنگاري و دادههاي چاه همزمان استفاده مي گردد. در واقع يك نوع كاليبره كردن بين دادههاي لرزهنگاري و دادههاي چاه ميباشد. طبقهبندي با كلاسههاي مختلف و با در نظر گرفتن جنس لايهها و اطلاعات چاه انجام مي گردد. در روش بدون نظارت از هيچ گونه اطلاعات زمين شناسي استفاده نمي گردد و طبقه بندي تنها بر اساس شباهت بين تريس هاي لرزه اي انجام مي شود. اين مطالعه با استفاده از دادههاي لرزهنگاري پردازش شده و اطلاعات دادههاي چاه موجود در منطقه، به دو روش باناظر و بدونناظر در بخش كلاسهبندي نرمافزار پترل انجام شده است.
٢ روش تحقيق
در اين تحقيق به بررسي و تحليل رخساره هاي لرزه اي با استفاده از شبكه هاي عصبي مصنوعي با دو روش با ناظر و بدون ناظر پرداخته شده است. در كلاسه بندي به روش بدون ناظر ابتدا تغييرات نشانگر هاي مقاوت صوتي، پوش سيگنال، كسينوس فازلحظه اي و فركانس بر روي داده لرزهاي اعمال شده است. برخي نشانگرها به خواص مخزن حساستر از بقيه مي-باشند. با استفاده از روش تحليل چند متغيره - Principal Component Analysis - بر روي دادهها كاهش نويز و نوفههاي موجود درمقطع لرزه اي انجام شده است. استفاده از PCA اجازه كاهش تعداد متغير در يك مجموعه دادههاي چند متغيره را ميدهد.
الگوريتم PCA بعنوان يك فيلتر مورد استفاده قرار گرفته است. با استفاده از اين تحليل كيفيت دادهها تا حد بسيار خوبي ارتقاء مي يابد - عرفاني،آ, ١٣٨٩ - . نتايج بدست آمده از همبستگي PCA در جدول ١ آورده شده است، همانطور كه در جدول نشان داده شده است براي كم كردن محورها و كاهش نويز و بهبود كيفيت داده ها از مقاديري كه كمتر از يك مي-باشند صرفنظر ميگردد. در شكل ١ ميزان اثر تحليل قبل و بعد از اعمال PCA نشان داده شده است. در مرحله بعد به تحليل رخسارههاي لرزهاي با استفاده از شبكههاي عصبي پرداخته شده است.
در اين مرحله دادههاي لرزهاي به يك شبكه عصبي خودسازمانده فرستاده شده و در آنجا با توجه به محورهاي موجود با بالاترين شباهت نرونها طبقه بندي ميگردند. در اين روش از دادههاي چاه و هرگونه اطلاعات زمينشناسي ديگري استفاده نميشود. كلاسه هاي تعيينشده- بسيار داراي اهميت ميباشند، هر چه تعداد كلاسه ها بيشتر شود دقت بيشتر مي گردد اما اگر از تعداد رخسارههاي زمين بيشتر شود تفسير ان براي مفسر سخت و گمراه كننده مي گردد و همچنين اگر تعداد كلاسهها كم انتخاب شود باعث تكرار رخساره ها مي گردد كه در اين صورت ممكن است رخساره هاي مهم را از دست داده شوند، بنابراين تعداد كلاسهها بسيار مهم بوده و بايد تا حد امكان به رخسارههاي واقعي نزديك باشد. در اين مطالعه، كلاسهبندي با كلاسههاي2، ٣و٤ انجام شده است.
شكل١. الف. نقشه رخساره هاي لرزه اي به روش بدون ناظر با سه كلاسه بدون تحليل ..PCA ب، ج، د. نقشه رخساره هاي لرزه اي با دو، سه و چهار كلاسه با استقاده از تحليل PCA مرحله بعد استفاده از روش باناظر براي شناسائي رخسارههاي لرزهاي ميباشد. اين روش متكي بر دادههاي چاه و نگارههاي موجود ميباشد. در اين روش دادههاي چاه بعنوان معيار طبقهبندي در يك شبكه عصبي قرار داده شده است و سپس دسته بندي در محل چاه و اطراف آن با دادههاي لرزهنگاري انجام مي گردد. در منطقه مورد مطالعه، ١١ چاه با نگارههاي رخساره، گاما، تراوائي و تخلخل موجود است.
در كلاسهبندي با ناظر شناخت و پيدا كردن لايههاي كربناتي از اهميت بالائي برخوردار است بنابراين بايد دقت انجام اين روش بسيار بالا باشد. در روش با ناظر با استفاده از نگارههاي گاما و تراوائي، نگاره رخساره بدست آورده شده است و نتيجه حاصل به شبكه عصبي براي كلاسه بندي با ناظر اعمال شده است. با استفاده از شبكه عصبي براي لاگهاي موجود در اين چاه و بدون در نظر گرفتن لاگ رخساره به كلاسه بندي نگاره رخساره پرداخته شده است.
نتايج بدست آمده از لاگهاي ساخته شده نشان مي دهد كه تطابق خوبي با لاگهاي زمينشناسي دارد. اين روش براي حالتي كه ما نگاره رخساره وجود ندارد قابل استفاده مي باشد. پس از ساختن نگارهي رخساره، آن را بعنوان معيار شبكه عصبي براي كلاسهبندي با ناظر به دادههاي لرزهاي اعمال گرديده است كه نتيجه بدست آمده در شكل ٢ نشان داده شده است.
