استفاده از شبکه عصبی تحت نظارت در شناسایی گسل ها و شکستگی های موجود در داده ی لرزهای سه بعدی متعلق به یکی از میادین نفتی جنوب غرب کشور
ارائه تعریف دقیقی از ساختمان مخزن نیازمند مطالعه جزئیات و ناهمگنی های مخزن به ویژه گسل ها و شکستگی هاست. در واقع با مطالعه دقیق ناپیوستگی های موجود در یک مخزن شامل گسل ها و شکستگی های بزرگ و کوچک مقیاس، میتوان مدل مناسبی از خواص ایستا و پویای مخزن ارائه نمود که امکان معرفی موقعیت بهینه حفر چاه های تولیدی و تزریقی در مراحل مختلف توسعه میدان نفتی و ازدیاد برداشت را فراهم می سازد. از این رو شناسایی گسل ها و شکستگی های موجود در یک مخزن گامی مهم و موثر در توسعه میادین نفتی و مدیریت تولید محسوب می شود. روش های مختلفی برای شناسایی گسل ها و شکستگی های موجود در داده ی لرزه ای وجود دارد که متداول ترین آنها تفسیر گسل ها و شکستگی ها با استفاده از نشانگرهای لرزه ای است. در این مطالعه از روشی نیمه خودکار مبنی بر تلفیق نشانگرهای لرزه ای مناسب جهت شناسایی گسل ها و شکستگی های موجود در داده ی لرزه ای میدان مورد مطالعه استفاده شده است. به این ترتیب که ابتدا یک مکعب بهبود گسل مبتنی بر مکعب هدایت شیب از داده ی لرزه ای اولیه تهیه شده است. سپس مجموعه ای از نشانگرهای مختلف مانند شباهت، انحنا، انرژی، بسامد میانگین، شیب قطبی و تجزیه طیفی که قادر به نمایش گسل ها و شکستگی های موجود در داده های لرزه ای می باشند، به عنوان ورودی شبکه عصبی مصنوعی در نظر گرفته شده است. پس از آن مجموعه ای از نقاط مشخصه نواحی گسل خورده و نقاط مشخصه نواحی غیرمحتمل به گسل بر اساس تفسیر مکعب بهبود گسل و مکعب نشانگرهای لرزه ای تعیین شده است. در مرحله پایانی، مجموعه نقاط تفسیر شده و نیز مکعب نشانگرهای لرزه ای محاسبه شده به عنوان ورودی به شبکه عصبی مصنوعی تحت نظارت معرفی گردید. نتایج نشان داد که گسل ها و شکستگی ها در مکعب احتمال گسل حاصله نسبت به مکعب های تک نشانگری، ضمن تاثیرپذیری کمتر از نوفه، بهصورت پیوسته تر نمایش داده شده است.
