ارائه روش برازش فرآیند گوسی در شناسایی گسل در ‏مقاطع لرزه‌نگاری

برازش فرآیند گوسی، به عنوان یک مدل احتمالاتی غیرپارامتری مبتنی بر آمار ‏بیزین، در مطالعات ویژگی‌های پراکنده مانند ناهنجاری‌های کلی بسیار توانمند ‏است. توانمندی بارز این فرآیند، شناسایی رفتارهای ناهنجار از رفتارهای ‏هنجار می باشد. بنابراین می توان این فرآیند را به عنوان یک روش در ‏شناسایی لبه های گسلی در اطلاعات لرزه‌نگاری معرفی کرد. در این مطالعه، ‏شناسایی ناهنجاری مبتنی بر برآزش فرآیند گوسی بر روی داده‌های لرزه‌ای ‏مصنوعی و داده‌های واقعی به‌کار برده‌شده‌است.‏‎ ‎به‎‌‎منظور شناسایی لبه‎‌‎های گسلی، ‏لایه‎‌‎های زمین‎‌‎شناسی به عنوان تعامل‎‌‎های نرمال درنظر گرفته شده‌اند. لبه‌های ‏گسلی‎ ‎به‎‌‎عنوان ناهنجاری‌های عمومی درنظر گرفته‌شده‌اند که منجر به برهم ریختگی ‏رفتار نرمال بازتابنده های لرزه ای می‌شود.‏‎ ‎درنهایت خطای برازش برای جدا‌کردن گسل‌ها از سایر ناهنجاری ها استفاده شده‌است.‏‎ ‎جهت بررسی عملکرد روش برازش فرآیند گوسی، این ‏روش برروی یکسری مجموعه داده مصنوعی و یک مقطع دو بعدی از بلوک ‏f3‎‏ بخش هلندی ‏دریای شمال حاوی گسل اعمال شده‌است. نتایج نشان دهنده توانمندی این روش در ‏بارزکردن محل گسل می‌باشد.‏

Gaussian process regression in seismic fault detection

Gaussian process regression, as a nonparametric probabilistic model based on Bayesian statistics, is highly capable of supporting ‎sparse features such as global anomalies. Detecting abnormal behavior from normal behavior makes Gaussian process regression ‎as an edges detector where faults may occur in the seismic data. In this study, the Gaussian process regressionbased anomaly ‎detection was applied to both synthetic and real data containing normal fault to detect the fault edge. To identify the fault edges, ‎the geological layers are considered as normal interaction and the fault edge as a global anomaly which disrupts the normal ‎behavior of layers. The error of regression is analyzed to separate the fault edge. To evaluate the proposed method, it was applied ‎on a series of synthetic seismic data and a real 2D seismic section of F3 block of the North Sea containing the fault. The results ‎show the ability of this method in fault detection.‎