تخمین شاخص شکنندگی با استفاده از وارون‌سازی پس از برانبارش داده‌های لرزه‌ای با مثالی از حوضه‌ پرت واقع در استرالیای غربی

شکنندگی یکی از مهم‌ترین خصوصیات سنگ می باشد. تاکنون روشی مستقیم و استاندارد برای به‌دست آوردن شاخص شکنندگی ارائه نشده است. از شاخص شکنندگی بر اساس پارامترهای مقاومت فشارشی تک‌محوره و مقاومت کششی جهت ارزیابی شکنندگی استفاده می شود. هدف از این مطالعه بررسی مفاهیم شکنندگی ارائه‌شده توسط محققین و استفاده از روش وارون‌سازی لرزه ای، آنالیز چندنشانگری و شبکه‌ عصبی در میدان ویچررنج (whicherrange) واقع در حوضه‌ پرت (perth basin) استرالیای غربی می‌باشد. به این منظور دو چاه و یک مقطع لرزه ای از میدان ویچررنج مورداستفاده قرار گرفت. کمترین شاخص شکنندگی در چاه اول و دوم که با فاصله 1 کیلومتری از هم حفاری شدند، به‌ترتیب با استفاده از مفهوم  برابر 1.69 و 1.67 مگاپاسکال که بیانگر شکنندگی کم و بیشترین مقدار آن برابر 39.78 و 48.15 مگاپاسکال که بیانگر شکنندگی زیاد و از نظر حفاری در رتبه‌ حفاری بسیار سخت می باشد. در مرحله‌ بعد با استفاده از استخراج موجک و رسم مدل زمین‌شناسی، مدل‌سازی اولیه انجام و سپس امپدانس صوتی حاصل از فرایند وارون‌سازی در کنار دیگر نشانگرها در راستای ساخت ترکیب بهینه از نشانگرها جهت تخمین شاخص شکنندگی استفاده شد. از سه نوع الگوریتم شبکه‌ عصبی جهت تخمین پارامتر هدف از ترکیب بهینه نشانگرهای موجود استفاده می شود که به‌کمک نرم‌افزار همپسون–راسل و نشانگرهای بهینه ای، الگوریتم شبکه‌ عصبی تهیه و در نهایت آنالیز چند نشانگری با سه الگوریتم شبکه‌ عصبی مقایسه می‌شود و نتایج بیانگر ضریب همبستگی بیشتر شبکه‌ عصبی احتمالی نسبت به آنالیز چند نشانگری جهت تعیین شاخص شکنندگی است.

Estimation of Brittleness Index Using Post-Stack Inversion of Seismic Data: Example from Perth Basin in Western Australia

Brittleness is one of the most important properties of the rock. Brittleness is a function of strength and indicates rock strength to deformation in the elastic modules. However, there is no direct and standard method for brittleness measurement but it can be done indirectly by using rock properties such as different ratios of compressive strength and tensile strength of rock to determine the concept of brittleness. The purpose of this study is to investigate the concepts of brittleness which are presented by the researchers and to use seismic inversion, multiattribute analysis and neural network in the WhicherRange field in Perth, Western Australia to estimate brittleness. The Perth sedimentary basin stretches about 100,000 square kilometers in the northsouth direction of the western Australian margin. About half of this sedimentary basin is located 1 km deep in the sea. WhicherRange gas field is 22 km south of Baselton and 200 km south of Perth. Two wells and one seismic section of WhicherRange field are selected in this research. The lowest brittleness indexes in the first and second wells drilled 1 km apart, are 1.69 and 1.67 MPa using criteria. The highest values of the brittleness are 39.78 and 48.15 MPa, respectively, which are difficult for drilling. The starting point of the inversion process is to have poststack seismic data, velocity model, well logs, and seismic horizons. The product of the density log and sonic velocity is equal to the impedance. Then the current impedance is converted from depth to time using the appropriate depth to time relation. As a result, the convolution of a suitable wavelet and reflectivity over time will produce the synthetic seismic trace. Adaptation rate between synthetic seismic trace and composite field seismic trace yields an acceptable result. Next, the initial modeling is performed using wavelet, geological model, and a modelbased algorithm. Next, the acoustic impedance of the inversion process along with other attributes is used to construct the optimal combination of attributes to estimate the brittleness index. First, an attribute is selected that has the highest correlation with the target log and the least estimation error in the training step. Then the second attribute, which makes the best combination with the first attribute, has the lowest estimation error. Then each attribute step is added to its previous step combination until the resulting combination results in the lowest estimation error. The results based on this method are obtained by increasing the number of attributes and decreasing the estimation error, while the error in the validation stage until the optimal attribute combination, is ascending. In the next step, three types of neural network algorithm including probabilistic method, multilayer feed forward and radial basis function are used to estimate the target parameter, with optimal combination of available attributes and the use of neural network algorithm training from the optimal attributes using the HampsonRussell software. In the last step, multiattribute analysis is compared with three neural network algorithms. The results indicate a higher correlation coefficient for probabilistic neural network than that of multiattribute analysis for determination of the brittleness index.