بهبود شناسايي گسل‌ها با تلفيق شبكه عصبي پرسپترون چندلايه و نشانگرهاي لرزه‌اي غيرمتعارف

تفسير گسل‌ها و شكستگي‌ها به عنوان يكي از مراحل كليدي در تفسير لرزه‌اي درك مناسبي از خواص ايستا و پوياي مخزن ارايه مي‌دهد. مطالعه نشانگرهاي لرزه‌اي هندسي و تركيب آنها بر اساس شبكه عصبي مصنوعي، سيستم‌هاي فازي و توسعه روش‌هاي شناسايي خودكار لبه مبتني ‌بر روش‌هاي هوش مصنوعي از جمله مطالعات انجام گرفته در خصوص شناسايي خودكار گسل‌ها و شكستگي‌ها است. در اين مطالعه از تلفيق نتايج حاصل از شبكه عصبي مصنوعي پرسپترون چندلايه با الگوريتم پس‌انتشار و نشانگرهاي لرزه‌اي غيرمتعارف (مانند نشانگرهاي درستنمايي گسل، چگالي، قرابت و شيب شكستگي) جهت بهبود نتايج تفسير ساختماني استفاده شده است. طرحواره پيشنهادي بر روي يك داده مصنوعي دو بعدي با نسبت نشانك به نوفه ۲ و يك داده لرزه‌نگاري سه بعدي در بردارنده رويداد گسلش اجرا شد. نتايج نشان داد كه طرحواره پيشنهادي نسبت به نتايج حاصل از شبكه عصبي مصنوعي پرسپترون چندلايه، ضمن تاثيرپذيري كمتر نسبت به نوفه پس‌زمينه لبه‌هاي موجود در داده‌هاي مورد مطالعه را با تفكيك‌پذيري نسبتا بالايي شناسايي كرده است. انطباق نتايج حاصل از تلفيق شبكه عصبي مصنوعي پرسپترون چندلايه و نشانگر درستنمايي گسل با نتايج حاصل از وارون‌سازي رنگي داده لرزه‌اي، به عنوان يك روش وارون‌سازي كارآمد، حاكي از اعتبار بالاي طرحواره پيشنهادي است. استخراج خودكار موقعيت فضايي صفحه گسلش در مقايسه با نتايج حاصل از تفسير دستي، ضمن كاهش ۷۰ درصد زمان تفسير، تصوير دقيق‌تري از محدوده گسل مورد مطالعه ارايه داده است.