کاربرد شبکه عصبی پرسپترون چند لایه بر پایه ویژگی در تشخیص گنبد نمکی
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1دانشجو
2استادیار گروه فیزیک زمین
چکیده
با توجه به اهمیت شناسایی گسترش و توزیع سازندهای نمکی در فرآیند تفسیر لرزه‌ای و به تبع آن فرآیند اکتشاف ذخایر هیدروکربنی، در این مطالعه به یادگیری هدایت شده در شناسایی نمک پرداخته شده است. داده لرزه‌ای مورد استفاده داده بلوکF3 دریای شمال و در محدوده حضور گروه تبخیری زاشتاین بوده است. پنج نشانگر (شامل شیب قطبی، تغییرات شیب، مثبت‌ترین انحنا، شباهت، و تشابه) که از نظر کیفی قابلیت جداسازی نمک از لایه‌های دیگر را دارا بوده‌اند، انتخاب شده‌اند. انتخاب ویژگی شامل جمع‌آوری نمونه داده‌ها، برچسب گذاری به دو کلاسه نمک و غیر نمک و شناسایی اهمیت هریک از آن‌ها در کلاسه‌بندی با استفاده از الگوریتم درخت تصمیم bagged انجام شده است. در نهایت سه نشانگر تغییرات شیب، مثبت‌ترین انحنا، و شباهت، انتخاب و به مرحله آموزش ماشین با استفاده از شبکه عصبی پرسپترون چند لایه (MLP) وارد شد. نتایج قدرت این الگوریتم یادگیری در دنبال کردن الگوهای تعیین شده توسط مفسر و در نتیجه اهمیت انتخاب ویژگی در تفسیر هدایت شده را نشان می‌دهد.
کلیدواژه ها
 
Title
Application of feature-based multi-layer perceptron neural network in salt detection
Authors
Nasrin Tavakolizadeh, Majid Bagheri
Abstract
Pinpointing salt distribution in seismic interpretation and hydrocarbon exploration plays a major role, so this study focused on supervised learning in salt detection. The seismic data utilized is the North Sea F3 block and in the location of the Zechstein evaporite group. Five attributes selected (polar dip, dip variance, most positive curvature, similarity, semblance) which were qualified for differentiating salt from non-salt data. Feature selection included sampling, two-class labeling (salt and non-salt), and identifying the importance of features by implementing bagged decision trees. Finally, tree attributes consist of dip variance, most positive curvature, and similarity selected and input to the learning process using a multi-layer perceptron neural network (MLP). The results showed the power of MLP in following patterns introduced by the interpreter, and consequently, the importance of feature selection in supervised learning.
Keywords
feature, multi-layer perceptron, bagged decision tree, Zechstein group