طبقه بندی رخساره های لرزه ای با استفاده از شبکه های عصبی مصنوعی
عنوان دوره: هجدهمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1129-NIGS
نویسندگان
چکیده
شناسائی مخازن هیدروکربنی از اهمیّت بالائی برخوردار است. یکی از روشها برای شناسائی مخازن چینه ای و اکتشافات آنها طبقه بندی رخساره های لرزه ای می باشد. طبقه بندی رخساره های لرزه ای بر روی مقاطع لرزه ای بر اساس تغییر رخساره ها انجام می شود. با تعیین مقاطع طبقه بندی شدة رخساره های لرزه ای می توان به بررسی رخساره های زمین شناسی و شناسائی مخازن چینه ای پرداخت. در این مقاله از دو روش طبقه بندی با ناظر و بدون ناظر در شبکه های عصبی مصنوعی با تکیه بر خصوصیات داده های لرزه ای استفاده شده است. در روش بدون ناظر، طبقه بندی تنها براساس داده های لرزه ای می باشد. کلاسه بندی بر اساس بیشترین شباهت بین نشانگر ها انجام
می گردد. در روش با ناظر داده های لرزه نگاری به همراه داده های چاه مورد استفاده قرار گرفته و از داده های چاه بعنوان معیاری برای تعیین شباهت استفاده می گردد. با توجه به نتایج بدست آمده می توان از روش بدون ناظر در مناطقی که امکان حفر چاه نمی باشد استفاده نمود.
می گردد. در روش با ناظر داده های لرزه نگاری به همراه داده های چاه مورد استفاده قرار گرفته و از داده های چاه بعنوان معیاری برای تعیین شباهت استفاده می گردد. با توجه به نتایج بدست آمده می توان از روش بدون ناظر در مناطقی که امکان حفر چاه نمی باشد استفاده نمود.
کلیدواژه ها
رخساره های لرزه ای؛ طبقه بندی بدون ناظر؛ طبقه بندی با ناظر؛ نشانگر لرزه ای؛ شبکه های عصبی مصنوعی؛ تحلیل مولفۀ اصلی
Title
Facies Classification Using Neural Networks and Seismic Data
Authors
Abstract
Identify hydrocarbon reservoirs is an essential issue. One of the methods for the identification of stratigraphic reservoirs and their discoveries is seismic facies classification. With the classified sections of seismic facies can be identified to the geological and reservoir facies stratigraphic. In this study, two methods of classification by supervised and unsupervised in the artifact neural networks have been used. In unsupervised methods, classification is only based on seismic data. In this method hasn’t been used any data of geological and well. In the supervised method, seismic data are used with well data. Data are used as the benchmark for the highest similarity. Eventually, results of comparison between supervised method and unsupervised method show unsupervised method can be used where doesn't has possibility for well dig.
Keywords
seismic facies, Seismic Attribute, Neural network, unsupervised analysis, supervised analysis, Principal component analysis