بهبود شناسايي كانال مدفون، با استفاده از شبكه هاي عصبي مصنوعي و نشانگرهاي لرزه اي

Improve the detection of buried channel, using Artificial Neural Networks and seismic attributes

كانال ها يكي از مهمترين پديده هاي مورفولوژيك چينه اي به حساب مي آيند. اگر كانال ها در موقعيت مناسبي مانند محصور شدن در يك فضاي ناتراوا قرار گيرند، مي توانند مكان مناسبي جهت تجمع هيدروكربن باشند؛ از اين جهت شناسايي كانال ها داراي اهميت مي باشد. ابزارهاي متفاوتي مانند فيلترها، نشانگرهاي لرزه اي، شبكه هاي عصبي مصنوعي و نشانگرهاي چندگانه، در اين راستا نقش مهمي ايفا كرده اند. در اين مقاله از مكعب هدايت شيب، فيلتر شيب ميانه، فيلتر انتشار و فيلتر بهبود گسل يا لبه استفاده شده است. همچنين ابتدا به بررسي نشانگرهاي لرزه اي متفاوتي مانند نشانگر تشابه، بافت، تجزيه طيفي، انرژي و شيب قطبي پرداخته شده است. سپس با شناسايي نشانگرهاي مناسب، كار شناسايي كانال ها بر روي داده لرزه اي واقعي F3 از قسمت هلندي درياي شمال، صورت گرفته است. براي شناسايي و آشكارسازي كانال موجود در داده واقعي، از روش تركيب نشانگرهاي لرزه اي توسط شبكه هاي عصبي نظارت شده پرسپترون چندلايه و ايجاد نشانگرهاي چندگانه، و مجددا تركيب نشانگرهاي چندگانه ايجاد شده در طول كانال و استفاده از نقاط تفسير كانالي متفاوت، به جهت حذف تاثير تغييرات رخساره در شناسايي كانال، استفاده شده است. از جمله مزايا و دلايل استفاده از اين نوع شبكه عصبي (نظارت شده) ، كه باعث افزايش تاثيرگذاري شبكه عصبي و بهبود نتيجه شده است، توانايي آموزش شبكه با تعيين نقاط كانال و غيركانال بوده است كه در اين مقاله از آن استفاده گرديده است. در نهايت، با بكارگيري روش هاي ذكر شده، شناسايي كانال مورد بررسي در داده لرزه اي فوق بهبود يافته است، و كانال با كيفيت مناسبي در تمام طول آن آشكارسازي و استخراج شده است.

Channels are one of the most important stratigraphic and morphological events. If channels place in a suitable position such as enclosed in impermeable place can make suitable oil and gas reservoir; So identifying channels are crucial. Different tools such as filters، seismic attributes، artificial neural networks، and meta-attributes have played an important role in this regard. In this paper dip-steering cube، dip-steer median filter، dip-steer diffusion filter، and fault enhancement filter، have been used. Then، various seismic attributes such as similarity، texture، spectral decomposition، energy and polar dip have been defined and studied. Therefore، work on F3 real seismic data of Dutch part of the North sea for detecting channels has been started by detecting suitable attributes. For identifying the channel in data، it has been used from compilation and combination of seismic attributes using supervised ANN (multi-layer perceptron)، and development of mata-attributes، then recombine meta-attributes created along the channel، and using different interpretation point، for eliminating the impact of facies and lithology changes along the channel. Among the advantages and the reasons for using this kind of neural network (supervised)، which increases the effect of the neural network and improves the result، is the ability to train the network by specifying the channel and non-channel points used in this paper. Finally، using the above methods، the identification of the channel examined in the above seismic data has been improved، and the channel has been properly detected and extracted throughout its entire length.