استفاده از ماشین بردار پشتیبان و یادگیری عمیق در دسته بندی رخساره ها براساس نشانگرهای وارون سازی پیش از برانبارش
عنوان دوره: ششمین همایش ژئوفیزیک اکتشافی نفت
کد مقاله : 2151-NIGS
نویسندگان
1دانشگاه صنعتی امیرکبیر- دانشکده مهندسی نفت
2استاد دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر و استاد بازنشسته موسسه ژئوفیزیک دانشگاه تهران
3مدیر بخش توسعه های نرم افزاری شرکت CGG هلند
4دانشکده نفت، دانشگاه امیرکبیر، تهران، ایران
چکیده
برای دستهبندی رخسارهها در مقطع لرزهای روشهای مختلفی مورد استفاده قرار میگیرد. یکی از معمولترین آنها استفاده از نشانگرهای وارونسازی پیش از برانبارش است. با استفاده از دادههای وارونسازی و رخسارههای اطراف چاه مدل ماشینبردار پشتیبان آموزش داده شد و پس از آن با استفاده از یک چاه فرآیند اعتبارسنجی انجام گرفت. در مرحله بعد روش شبکههای عصبی همآمیختی مورد استفاده قرار گرفت که با به کارگیری فرآیند همآمیخت دوبعدی بر روی مقطع لرزهای نقشههای ویژگی محاسبه گردید و از طریق شبکههای عصبی فرآیند رگرسیون صورت گرفت. خروجی رگرسیون همان نشانگرهای استفاده شده در روش دستهبندی ماشینبردار پشتیبان است. سپس با ترکیب شبکه عصبی همآمیختی با یک مدل ماشینبردار پشتیبان از پیش آموزش داده شده یک مدل ترکیبی جدید برای دستهبندی رخسارهها ساخته شد. دقت فرآیند اعتبارسنجی در هر دو مدل 93 درصد برآورد گردید.
کلیدواژه ها
Title
Elastic impedance based facies classification using support vector machine and deep learning
Authors
Mehran Mirzavandi, Abdolrahim Javaherian, Mohammad Reza Saberi, Hadi Mahdavi Basir
Abstract
The classification of facies in seismic sections involves various methods; one of the most common is the use of pre-stack inversion attributes. A support vector machine model was trained using the inversion attribute and well log facies, followed by validation using a well process. In the next stage, a convolutional neural network was employed, where 2D convolution processing was used to calculate feature maps on the seismic section, and the regression process was carried out through neural networks. The regression output was the same attributes mentioned in the support vector machine classification method. Subsequently, by combining the convolutional neural network with a pre-trained support vector machine model, a new hybrid model for facies classification was created. The validation accuracy of both models in classification was estimated to be 93 percent.
Keywords
Inversion attributes, Facies, Support Vector Machine, Convolutional Neural Network, Hybrid model