مقايسه روشهاي يادگيري غيرنظارتي با تاكيد بر تشخيص رخسارههاي كانالي تنگه هرمز

A comparison of unsupervised learning techniques for channel detection in 3-d seismic data acquired over the Strait of Hormuz

كانالها يكي از انواع رخسارههاي زمينشناسي ميباشند كه به دليل توانايي در ذخيره سيالات هيدروكربني، در اكتشاف و توسعه ميادين هيدروكربني داراي اهميت فراواني ميباشند. در سالهاي اخير، حجم دادههاي لرزهاي و همچنين تعداد نشانگرهاي لرزهاي ارايهشده افزايش چشمگيري داشته است كه كار مفسرين را براي تفسير خط به خط دادههاي لرزهاي با مشكل مواجه كرده است. براي برطرف نمودن اين مشكلات، الگو شناسي و استفاده از نشانگرهاي چندگانه به عنوان ابزاري كارآمد در تفسير و دستهبندي رخسارههاي لرزهاي معرفي شدهاند. روشهاي و نقشههاي توپوگرافي مولد )Self-organizing maps( نقشههاي خودسازمانده ،)k-means( ميانگين -k از روشهاي غيرنظارتي ميباشند كه توانستهاند براي دستهبندي رخسارههاي )Generative topographic maps( ميانگين و نقشههاي خودسازمانده براي -k لرزهاي مورد استفاده قرار بگيرند. در اين مطالعه، توانايي دو الگوريتم تشخيص كانالهاي مدفون در دادههاي لرزهاي انجام و مقايسه شده است، از روش تحليل مولفه اصلي نيز براي به تصوير كشيدن رخسارههاي لرزهاي موجود در داده لرزهاي مورد )Principal component analysis( استفاده كه مربوط به تنگه هرمز در خليج فارس است، استفاده شده است. پس از مشخص نمودن نشانگرهاي مناسب و اعمال روشهاي مورد اشاره، روش تحليل مولفه اصلي به عنوان روشي مناسب جهت تعيين تقريبي تعداد رخسارههاي لرزهاي موجود در محدوده مورد مطالعه و شناسايي رخسارههاي كانالي تشخيص داده شد. اگرچه اعمال اين الگوريتمها بر روي پنجره محاسباتي باعث كاهش تفكيكپذيري دادههاي لرزهاي ميگردد ولي نسبت به اعمال آن ها بر يك برش زماني خاص كيفيت بهتري ارايه ميكند. با توجه به مطالعات انجامگرفته مشخص گرديد يك حوضچه توربيدايتي در شرق و جنوب شرقي منطقه مورد مطالعه وجود دارد كه به دليل شيب منطقه كه ناشي از بالاآمدگي رخساره نمكي در سمت غرب اين منطقه است، سيستم كانالي موجود رسوبات را از سمت غرب، به اين حوضچه وارد مينمايند.

In recent years, due to increasing the size of three-dimensional (3-D) seismic data and the number of seismic attributes, it is difficult for interpreters to examine every seismic line and time slice. Pattern recognition techniques as first-hand interpretation tools are used to both address the problem of large size of seismic data and to provide an initial guidance when working on a new seismic data where previous studies and data are limited. Different types of unsupervised learning techniques have recently been used for seismic facies clustering and object detection in seismic data. Among unsupervised learning techniques k-means, self-organizing maps (SOM), generative topographic mapping, and principal component analysis (PCA) are used for facies analysis. In this study, we have applied k-means, SOM, and PCA on a 3-D seismic data volume acquired over the Strait of Hormuz to detect buried channels. Not surprisingly, the most important parameter in this study is the choice of appropriate seismic attributes. Although the PCA is not a clustering technique, it can detect channels in 3-D seismic data more efficiently than the k-means and SOM. According to the dip of the structure, the detected channels are prolonged from the west to the east and the southeast where there is a mini basin within the Mishan Formation.