کاربرد فرایند گوسی در شناسایی گسل
عنوان دوره: هجدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1دانشگاه صنعتی امیر کبیر
2استاد دانشکده مهندسی معدن و متالوژی داشنگاه امیر کبیر
3استاد بازنشسته موسسه ژئوفیزیک دانشگاه تهران و استاد دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر
4گروه آموزشی مخابرات، دانشکده مهندسی برق، دانشگاه صنعتی امیرکبیر، تهران، ایران
5واحد پردازش داده‌های لرزه‌ای، شرکت انرژی دانا، تهران، ایران
6، پژوهشکده ازدیاد برداشت از مخازن نفت و گاز، شرکت ملی نفت ایران، تهران، ایران
چکیده
شناسایی و منطقه‌بندی ساختمانی مخازن هیدروکربنی، اثر شکستگی‌های اطراف گسل در جریان سیال، عملکرد گسل در تغییر سطوح تماس، و همچنین عملکرد آن در ایجاد کردن تله‌های نفتی، شناسایی و استخراج گسل را در حجم داده‌های لرزه‌نگاری به امری لازم در علوم مهندسی نفت تبدیل کرده است. پدیده‌ی گسل‌خوردگی، یک پدیده‌ی مولد ناهنجاری معمولا شدیدی است که سبب می‌شود سیر هموار لایه‌های زمین‌شناسی برهم بخورد. تاکنون روش‌های بسیاری برای شناسایی گسل ارائه شده است. اما حضور یک نیروی انسانی تقریبا در همه‌ی آنها امری ضرروی است. در پیشینه پژوهش مربوط به شناسایی گسل روش‌های خودکار وجود دارند ، اما هنوز کاملا خودکار نیستند و در بخش-هایی به حضور انسان نیاز دارند. در این مقاله تلاش شده‌است که پدیده‌ی گسل‌خوردگی را با یک مدل ریاضی مبتنی بر برازش فرآیند گوسی توصیف کرده و به پیش‌بینی و تشخیص نقاط گسل‌خوردگی پرداخته شود به‌طوری‌که تا حد امکان این تشخیص مستقل از عامل انسانی باشد. نتایج این تحقیق نشان می دهد که استفاده از روش پیشنهاد شده می تواند در راستای شناسایی خودکار گسل موثر باشد. رد اثر و محل گسل‌خوردگی پس از اعمال روش پیشنهاد شده به وضوح در مقاطع لرزه ای مصنوعی و میدانی آشکار شده است.
کلیدواژه ها
 
Title
Application of Gaussian process in fault detection
Authors
maryam noori, Hossein Hassani, Abdolrahim Javaherian, Hamidreza Amindavar, Siyavash Torabi, Seyed Ali Moallemi
Abstract
Hydrocarbon reservoir compartmentalization, effects of fractures around faults on fluid flow, change in fluid contacts, and construct reservoir trap make fault detection and interpretation as a necessity in seismic data interpretation. Faults disrupt the smoothness trend of geological layers around their surface. Then they can be considered as abnormal phenomena in routine seismic interpretation. Several methods are proposed to detect faults, but they are not yet fully automated. In this article we have attempted to describe fault based on Gaussian process regression. The results of synthetic and field seismic data show that the proposed method can be effective in fault detection automatically.
Keywords
Fault, Gaussian process, Global anomaly