شناسایی مرز کانالها در دادههای لرزهنگاری با استفاده از خوشهبندی انتقال میانگین و عملگر سوبل
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1610-NIGS
نویسندگان
1دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران
2استاد بازنشسته موسسه ژئوفیزیک دانشگاه تهران و استاد دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر
چکیده
اکتشاف ذخایر هیدروکربنی زمینهساز جستجوی پدیدههای چینهشناسی موجود در دادههای لرزهنگاری میباشد. رخسارههای کانالی از جمله پدیدههای چینهشناسی حائز اهمیت از منظر اکتشاف منابع هیدروکربنی هستند که با توجه به عمق تدفین و محتویات سیال، ممکن است قابلیت مخزنی داشته باشند یا بهعنوان مخاطره حفاری لحاظ شوند. در این تحقیق، از الگوریتم انتقال میانگین بهمنظور بهبود کیفیت نتایج شناسایی مرز کانالها استفاده شده است. انتقال میانگین فرآیندی غیرپارامتری است که برخلاف سایر الگوریتمهای خوشهبندی، نیازی به دانش اولیه در خصوص پارامترهای خوشهبندی ندارد. ضمن خوشهبندی تصویر لرزهای توسط الگوریتم انتقال میانگین، از عملگر سوبل بهمنظور شناسایی لبه استفاده شده است. در پایان نتایج حاصل از طرحواره پیشنهادی با نتایج حاصل از نشانگر تشابه، بهعنوان یک نشانگر متعارف در شناسایی کانالها، مقایسه گردید. ترکیب الگوریتم خوشهبندی میانگین و عملگر سوبل توانسته ضمن تضعیف لبههای کاذب، مرز کانالهای موجود در دادههای لرزهای مصنوعی و واقعی را با دقت بالایی شناسایی کند.
کلیدواژه ها
Title
Channel edge detection in seismic data using mean-shift clustering algorithm and Sobel filter
Authors
Masoume Lotfi, Abdolrahim Javaherian
Abstract
Hydrocarbon exploration is geared towards identifying complex stratigraphic features in seismic data. Channel facies, of the most common stratigraphic features, are important from the viewpoint of hydrocarbon exploration. Depending on burial depth and fluid contents, they may be considered as potential reservoirs or drilling hazards. In this research, the mean-shift clustering algorithm has been used to improve the quality of channel boundaries in seismic data. Mean-shift is a non-parametric process not dependent on initial knowledge about clustering parameters. A Sobel operator is applied to the mean-shift clustering of seismic data. Finally, the results of the proposed workflow are compared with those of the similarity attribute, as a conventional attribute in channel detection. The combination of the mean-shift clustering algorithm with the Sobel operator eliminates many of the false edges and detects channel boundaries with a high resolution.
Keywords
channel facies, 3D seismic data, Clustering, mean-shift, Sobel operator, similarity attribute