بهبود شناسایی گسل‌ها با تلفیق شبکه عصبی پرسپترون چندلایه و نشانگرهای لرزه‌ای غیرمتعارف

تفسیر گسل‌ها و شکستگی‌ها به عنوان یکی از مراحل کلیدی در تفسیر لرزه‌ای درک مناسبی از خواص ایستا و پویای مخزن ارایه می‌دهد. مطالعه نشانگرهای لرزه‌ای هندسی و ترکیب آنها بر اساس شبکه عصبی مصنوعی، سیستم‌های فازی و توسعه روش‌های شناسایی خودکار لبه مبتنی ‌بر روش‌های هوش مصنوعی از جمله مطالعات انجام گرفته در خصوص شناسایی خودکار گسل‌ها و شکستگی‌ها است. در این مطالعه از تلفیق نتایج حاصل از شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس‌انتشار و نشانگرهای لرزه‌ای غیرمتعارف (مانند نشانگرهای درستنمایی گسل، چگالی، قرابت و شیب شکستگی) جهت بهبود نتایج تفسیر ساختمانی استفاده شده است. طرحواره پیشنهادی بر روی یک داده مصنوعی دو بعدی با نسبت نشانک به نوفه 2 و یک داده لرزه‌نگاری سه بعدی در بردارنده رویداد گسلش اجرا شد. نتایج نشان داد که طرحواره پیشنهادی نسبت به نتایج حاصل از شبکه عصبی مصنوعی پرسپترون چندلایه، ضمن تاثیرپذیری کمتر نسبت به نوفه پس‌زمینه لبه‌های موجود در داده‌های مورد مطالعه را با تفکیک‌پذیری نسبتا بالایی شناسایی کرده است. انطباق نتایج حاصل از تلفیق شبکه عصبی مصنوعی پرسپترون چندلایه و نشانگر درستنمایی گسل با نتایج حاصل از وارون‌سازی رنگی داده لرزه‌ای، به عنوان یک روش وارون‌سازی کارآمد، حاکی از اعتبار بالای طرحواره پیشنهادی است. استخراج خودکار موقعیت فضایی صفحه گسلش در مقایسه با نتایج حاصل از تفسیر دستی، ضمن کاهش 70 درصد زمان تفسیر، تصویر دقیق‌تری از محدوده گسل مورد مطالعه ارایه داده است.

Enhancing Fault Detection Using Multi-layer Perceptron Neural Network and Unconventional Seismic Attributes

Revealing the faults, one of the essential steps in seismic interpretation, provides valuable information for modeling static and dynamic characteristics of hydrocarbon reservoirs. Several methods developed for automatic fault and fracture detection, which seismic attributes integrated with artificial neural networks, and fuzzy systems are the most common ones. In this study, a 3D seismic data set of the F3 Block, offshore Netherland, was utilized for enhanced fault detection using an artificial neural network and unconventional seismic attributes integration. A steering cube was computed using a phasebased dip calculation technique to enhance seismic attributes’ accuracy and target detection capability. The fault enhancement filter, as a combination of the diffusion and median filters, and conventional attributes are modified and redefined along with the dip and azimuth information. A supervised, fully connected multilayer perceptron neural network was constructed to integrate the previous traditional seismic attributes with optimum parameters to generate a fault probability cube. For an improved interpretation, the fault probability cube is then treated through the unconventional seismic attributes. Finally, the end product is subjected to the voxel connectivity filter to visualize the detected faults’ threedimensional nature. Our proposed workflow results were superposed with the ones derived from the colorbased inversion cube as an accurate inversion method. The proposed automatic fault extraction workflow can yield considerable savings in time and result in a highly detailed mapping of discontinuities.