شناسايي و استخراج رخساره‌هاي كانالي با استفاده از شبكه عصبي پرسپترون چند لايه با الگوريتم پس‌انتشار و فيلتر اتصال كوچكترين اجزاي ساختاري

Identification of channel facies using a supervised, fully connected multi-layer perceptron neural network and voxel connectivity filter

رخساره‌هاي كانالي از جمله پديده‌هاي چينه‌شناسي حائز اهميت از منظر اكتشاف منابع هيدروكربني هستند كه با توجه به عمق تدفين و محتويات سيال، ممكن است قابليت مخزني داشته باشند يا به‌عنوان مخاطره حفاري لحاظ شوند. لذا مكان‌يابي دقيق آنها قبل از تعيين هدف و طراحي مسير حفاري ضروري است. با توجه به حجم بالاي داده‌هاي لرزه‌اي و افزايش روزافزون تعداد نشانگرها، تركيب نشانگرهاي لرزه‌اي با الگوريتم‌هاي محاسباتي متفاوت، جزئيات بالاتري از رويدادهاي لرزه‌اي بدست مي‌دهد. در اين مطالعه از روشي نيمه‌خودكار مبني‌بر تلفيق نشانگرهاي لرزه‌اي بر اساس شبكه عصبي پرسپترون چندلايه با الگوريتم پس‌انتشار، جهت شناسايي مرزهاي كانال‌هاي مدفون واقع در برش‌هاي زماني از داده‌هاي لرزه‌اي سه بعدي مصنوعي و واقعي حاوي كانال استفاده شده است. نتايج نشان داد كه با رسيدن خطاي ميانگين مربعات عادي شده و درصد رده‌بندي نادرست مجموعه آزمايشي و مجموعه آموزشي به كم‌ترين مقدار خود، تصوير بهبود يافته‌اي از كانال‌هاي موجود در داده‌هاي لرزه‌اي با تفكيك‌پذيري نسبتا بالا ارائه گرديده است. سپس نتايج حاصل از شناسايي مرز كانال‌ها با استفاده از شبكه عصبي مصنوعي پرسپترون چندلايه با الگوريتم پس‌انتشار با نتايج حاصل از روش‌هاي تحليل مولفه‌هاي اصلي و k-ميانگين و نيز تركيب اين دو روش به‌صورت كمي و كيفي مقايسه شد. بررسي‌ها نشان داد كه طرحواره پيشنهادي ضمن تاثيرپذيري كمتر نسبت به نوفه پس‌زمينه، جزئيات دقيق‌تري از مرزهاي كانال‌هاي موجود در داده-هاي لرزه‌اي ثبت نموده است. استخراج خودكار موقعيت فضايي كانال موجود در داده لرزه‌اي سه بعدي واقعي با استفاده از فيلتر اتصال كوچك‌ترين اجزاي ساختاري، تصوير دقيقي از محدوده كانال مورد مطالعه ارائه داده است.

Channel facies that are the most common stratigraphic features, are important from the viewpoint of hydrocarbon exploration. Depending on burial depth and fluid contents, they may be considered as potential reservoirs or drilling hazards. Revealing the accurate location of channel facies is an essential step needed for an optimum well path design and reservoir target. Seismic interpretations become difficult due to the increase of seismic data volume and a variety of seismic attributes. Integration of seismic attributes with different computational algorithms based on artificial neural networks provides more details of seismic events. For an enhanced channel edge detection, we applied a fully connected multi-layer perceptron neural network with supervised training to both synthetic and real seismic data containing channels. We compared our results with unsupervised learning algorithms to evaluate the proposed algorithm. In both synthetic and real seismic data examples, the multi-layer perceptron neural network with back-propagation algorithm outperformed the unsupervised learning methods. We also investigated the noise sensitivity of the algorithms mentioned above for the case of synthetic data set. The voxel connectivity filter determined the accurate spatial location of the studied channel in the real seismic data.