بخشی از مقاله
چکیده
شناسایی مناطق گسلی یکی از ضروریترین مطالعات زمین شناسی در مراحل اولیه اکتشاف و نیز توسعه ذخایر هیدروکربنی محسوب میشود. در این مطالعه به منظور شناسایی مناطق گسلی بر اساس نشانگرهای لرزهای پس از برانبارش، از الگوریتم خوشهبندی گوستافسون-کسل استفاده شده است.
در این راستا، پنج نشانگر لرزهای دامنه لحظهای، انرژی، فیلتر بهبود گسل، شباهت و تجزیه طیفی که از یک مقطع زمانی به دست آمده از دادههای لرزهای یکی از میادین گازی غرب کشور استخراج شدهاند به عنوان ویژگیهای ورودی استفاده شده است. در ادامه با استفاده از شاخصهای خوشهبندی، تعداد خوشههای بهینه تعیین و دادهها خوشهبندی شدند. در نهایت با توجه به مشخصات آماری هر خوشه، نواحی مختلف منطقه مورد بررسی به لحاظ احتمال حضور گسل اولویتبندی شدند.
.1 مقدمه
شناسایی گسلهای زیر سطحی یکی از مهمترین اهداف مطالعات زمین شناسی یا اکتشاف دخایر هیدروکربنی است. با علی رغم آنکه ساختارهای گسلی بزرگ را میتوان به کمک نمایش مقاطع لرزهای شناسایی کرده و روند کلی آنها را تشخیص داد، ساختارهای گسلی ریز به کمک تکنیکهای کلاسیک تفسیری قابل تشخیص نیستند. رایجترین رویکرد برای این مسئله استفاده از نشانگرهای لرزهای است که بتوانند به خوبی تمامی ناپیوستگی موجود در رد لرزه ها را برجسته نمایند - ادوو و همکاران 2014؛ مهدوی بصیر و همکاران 2013؛ کوپرا و مارفورت 2007؛ مارفورت . - 2006 یک نشانگر لرزهای مشخصههای فیزیکی یا زمینشناختی متفاوتی از لایههای زیر سطحی را توصیف کرده و بهعنوان یک ابزار بسیار مفید برای تفسیر مقاطع لرزهای و تهیه نقشههای کیفی و کمی از خصوصیات زمینشناسی محسوب میشود.
هدف از این مطالعه بررسی میزان موفقیت الگوریتم خوشهبندی فازی گوستافسون-کسل در شناسایی مناطق گسلی بهکمک نشانگرهای لرزهای پس از برانبارش است. برای این منظور پنج نشانگر لرزهای دامنه لحظهای، انرژی، فیلتر بهبود گسل، شباهت و تجزیه طیفی از یک مقطع زمانی به دست آمده از دادههای لرزهای یکی از میادین گازی غرب کشور استخراج شده و الگوریتم خوشهبندی فوق بر روی آنها اعمال شده است.
الگوریتم این خوشهبندی که نخستین بار توسط گوستافسون و کسل در سال 1979 ارائه شده است در حقیقت بهبود الگوریتم خوشهبندی فازی - FCM - است به نحوی که بتواند خوشه-هایی با شکل خطی و بیضوی را نیز شناسایی کند. این مهم از طریق استفاده از ماتریس القاگر کوواریانس فازی به جای معیار فاصله اقلیدسی صورت گرفته است. به منظور تعیین تعداد خوشه بهینه از دو شاخص تراکم - SC - و جدایش - S - استفاده شده و دادهها خوشهبندی شدند. در نهایت نواحی مختلف منطقه مورد بررسی به لحاظ احتمال حضور گسل اولویتبندی شدهاند.
.2 دادهها و روش تحقیق
.1-2 دادههای مورد استفاده
برای انجام این مطالعه از دادههای لرزه سه بعدی پس از برانبارش مرتبط با یکی از میادین گازی واقع در غرب کشور استفاده شده است. تمرکز اصلی این تحقیق بر روی سازند گوتینا قرار گرفته است. سازند گوتینا به طور عمده از نهشته های انیدریتی تشکیل شده و سکانس ژوراسیک فوقانی را در منطقه مورد بررسی تشکیل میدهد . - Setudehnia 1978 - این سازند را میتوان با بخشهای تبخیری در استان فارس، البرز و ایران مرکزی معادل دانست.
در مقاطع لرزهای منطقه مورد بررسی دو دسته از گسلها با زاویه تقریبی 10 و 90 درجه قابل شناسایی هستند - شکل . - 1 با استفاده از این دادهها، پنج نشانگر لرزهای دامنه لحظهای، انرژی، فیلتر بهبود گسل، شباهت و تجزیه طیفی از یک مقطع زمانی استخراج شده و به-عنوان ورودی برای خوشهبندی مورد استفاده قرار گرفتهاند.
شکل .1 مقطع زمانی ترسیم شده از محدوده مورد بررسی در t=2900 ms
.1-2 تکنیک خوشهبندی گوستافسون-کسل
الگوریتم گوستافسون-کسل در حقیقت بهبود روش خوشه بندی فازی - FCM - از طریق جایگزینی فاصله اقلیدسی با یک ماتریس متقارن، معین و مثبت در الگوریتم FCM است. به کمک این روش میتوان نسبت به شناسایی خوشههای خطی و بیضوی نیز اقدام نمود. در مقایسه با الگوریتم FCM در اینجا هر خوشه علاوه بر یک نقطه که مرکز خوشه است توسط یک ماتریس کواریانس مشخص میشود. چنانچه فرض کنیم Fir اثر نقطه i بر روی خوشه r است، مرکز خوشه بهصورت یک میانگین وزندار از دادهها تعریف میشود :
که در آن m پارامتر فازی کننده بوده و توسط کاربر انتخاب میشود. همچنین ماتریس کواریانس فازی به صورت زیر محاسبه میشود:
.3-2 معیارهای تعیین خوشه بهینه
در این مطالعه به منظور تعیین تعداد خوشه بهینه از دو شاخص تراکم - SC - و جدایش - S - استفاده شده است. شاخص تراکم معرف میزان پراکندگی داده های یک خوشه حول مرکز خوشه بوده و بهصورت زیر محاسبه می شود
هرچه مقدار این شاخص کمتر باشد، تعداد خوشههای تشخیص داده شده معتبر تر است.
