تأثیر فیلتر استریونت بر الگوریتم ردیابی مورچه جهت شناسایی گسلها
عنوان دوره: هجدهمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1349-NIGS
نویسندگان
چکیده
گسلها از جمله مهمترین رخدادهای ساختمانی میباشند که نمایهسازی آنها اطلاعات ارزشمندی را در خصوص ویژگیهای ایستا و پویای مخازن هیدروکربنی و چگونگی جریان سیالات موجود در آنها به همراه دارد. روشهای متعددی برای شناسایی گسلها و شکستگیها به عنوان یکی از مهمترین مراحل تفسیر دادههای لرزهای در فازهای اکتشاف و تولید، وجود دارد. الگوریتم ردیابی مورچه، روشی ابتکاری در شناسایی هندسه گسلها است که با پیروی از اصل هوش گروهی، همه ناپیوستگیهای فضایی مرتبط با سطوح گسلش را با سطح بالایی از جزئیات استخراج میکند. در این مطالعه با بررسی تأثیر عملکرد فیلتر استریونت بر الگوریتم ردیابی مورچه، نتایج مکعب احتمال گسل حاصل از شبکه عصبی مصنوعی و مکعب ردیابی مورچه با یکدیگر مقایسه شده است. نتایج نشان میدهد که الگوریتم پیشنهادی ضمن عدم تأثیرپذیری از پردازشماندهای موجود در داده لرزهای، توانسته سطوح گسلخورده را با وضوح نسبتا بالایی ردیابی نماید.
کلیدواژه ها
گسلها؛ داده لرزهای سه بعدی؛ نشانگرهای لرزهای؛ شبکه عصبی مصنوعی؛ فیلتر استریونت؛ پردازشماند؛ الگوریتم ردیابی مورچه
Title
Effect of stereonet filter on ant-tracking algorithm in fault detection
Authors
Abstract
Revealing the faults, of the most common geological features, could provide valuable information required for static and dynamic characteristics of hydrocarbon reservoirs and their fluid flow modeling. Fault detection is one of the most important steps in seismic data interpretation in both exploration and development phases that can be performed at any scale. Seismic attributes are extensively used in determining faults and fractures geometry. Ant-tracking algorithm is an innovative method extracting all the spatial discontinuities in the seismic volume with a high level of details. In this study, the effect of the stereonet filter on ant-tracking algorithm performance has been investigated. A comparison of ant-tracking and fault probability cubes reveals that faults extracted by the proposed algorithm are less affected by the artifacts and are illustrated with relatively high resolution.
Keywords
Faults, 3D seismic data, seismic attributes, Artificial Neural Network, stereonet filter, artifacts, ant-tracking algorithm