این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ژئوفیزیک ایران، جلد ۸، شماره ۴، صفحات ۰-۰
عنوان فارسی بررسی تغییر رخساره لرزه‌ای براساس خوشه‌بندی سلسله‌مراتبی نشانگرهای لرزه‌ای: بررسی موردی در یکی از میدان‌های نفتی ایران
چکیده فارسی مقاله تحلیل رخساره لرزه‌ای درحکم ابزاری در شناسایی تغییرات جانبی رخساره‌ها می‌تواند مورد استفاده مفسران قرار گیرد. در تحلیل رخساره لرزه‌ای، با استفاده از یک یا چند نشانگر لرزه‌ای می‌توان نمونه‌های زمانی مربوط به بازتاب‌های لرزه‌ای را در گروه‌های مشابه طبقه‌بندی کرد. در نتیجه این طبقه‌بندی رخساره‌های لرزه‌ای و تغییرات جانبی رخساره‌ها در بازتاب‌ها آشکار می‌شوند. در این مقاله، با استفاده از روش خوشه‌بندی سلسله‌مراتبی تغییرات جانبی رخساره لرزه‌ای در سه مدل مصنوعی و همچنین داده واقعی مورد ارزیابی قرار گرفته است. ورودی الگوریتم خوشه‌بندی سلسله‌مراتبی یک یا چند نشانگر لرزه‌ای است. اما قبل از ورود داده به الگوریتم، ممکن است لازم باشد داده‌های اضافی که به هم وابسته هستند و تغییرات آنها شبیه یکدیگر است، کاهش یابند. این عمل با تحلیل مؤلفه اصلی قابل اجرا است. دراین‌صورت ابتدا کل داده ورودی نرمال و سپس وارد الگوریتم تحلیل مؤلفه اصلی می‌شود. در تحلیل مؤلفه اصلی براساس مقادیر ویژه ماتریس کوواریانس داده ورودی عمل کاهش داده‌های اضافی صورت می‌گیرد. داده به‌دست آمده از تحلیل مؤلفه اصلی براساس فاصله تعریف‌ شده بین نمونه‌های زمانی گوناگون در مراحل متفاوت خوشه‌بندی می‌شود و هر نمونه زمانی در خوشه مربوط به خود قرار می‌گیرد. نتیجه این عمل تبدیل مقطع لرزه‌ای مهاجرت داده شده به یک مقطع خوشه‌بندی شده است که در آن رخساره‌های لرزه‌ای آشکار شده‌اند. نتایج حاصل از خوشه‌بندی در مدل‌های مصنوعی تا نسبت سیگنال به نوفه 4 دسی‌بل به‌‌خوبی تغییر رخساره لرزه‌ای را نشان می‌دهد. نتایج حاصل از به کارگیری روش روی داده واقعی که به دو صورت داده سه‌بُعدی و خط (مقطع) استخراج شده از داده سه‌بُعدی صورت گرفته است، نشان می‌دهد که در حالتی که کل داده سه‌بُعدی خوشه‌بندی شده است، به علت ورود اطلاعات بیشتر به الگوریتم خوشه‌بندی، توان تفکیک قائم و افقی رخساره‌های لرزه‌ای بهبود می‌یابد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Seismic facies analysis based on hierarchical clustering of seismic attributes: A case study of an Iranian oilfield
چکیده انگلیسی مقاله Seismic data interpretation methods provide useful information about underground structures. Since many years ago, several methods have been developed to aim this goal. Seismic facies analysis is one of the new methods in seismic interpretations. This method can produce a classified section using reflection seismic data and/or seismic attributes. Classified sections can reveal lateral changes in seismic facies which may relate to geological facies changes. Using different pattern recognition methods, several seismic facies analysis methods have been developed in recent years. However, in this study, an agglomerative hierarchical clustering algorithm has been utilized to produce classified sections. Seismic facies is a group of data whose attributes are different from those of neighbor groups. Each attribute can extract additional information about underground. Using a single attribute makes it difficult to get more information. However, by combining several attributes in a hierarchical clustering algorithm, it is possible to interpret seismic data in a more appropriate way. In hierarchical clustering, all time samples are divided into similar clusters. At first, each sample is assigned to one cluster. Dissimilarity matrix is constructed based on a distance definition such as Euclidean distance between samples. This matrix is then used to cluster all samples in a hierarchical procedure. In each step, more similar clusters merge into a new cluster and the dissimilarity matrix is updated. Finally, all samples merge into one cluster. Before clustering it is common to perform a principal components analysis, PCA. PCA is a statistical technique to perform dimension reduction. Using PCA, we can find the directions in data with the highest variation and reduce the dimensionality of a large data set with interrelated variables without considerable loss of information. In this study, the PCA was utilized to attenuate the redundant and random noisy data. Prior to the PCA, it is necessary to normalize the data. Clustering algorithm in this study was applied to three synthetic models as well as 2D and 3D real seismic data of an oilfield, Southwest of Iran. The first model was a horizontal-layer one with lateral changes in facies. The second model was a horizontal-layer one with a normal fault which caused a movement of layers. The third model was an anticline one with lateral changes at the top of the anticline. Real seismic data from an oilfield in the Southwest of Iran was used for this study. Nine seismic attributes were calculated using the Paradigm software to extract more information from migrated seismic data. These nine attributes and the primary seismic data were normalized and entered into the PCA. Seven principal components were selected based on the PCA. These data were used to apply to clustering algorithm. Our results showed that the seismic facies analysis can provide useful information about the underground structures and lateral changes. In the cases of the first and second models, lateral facies changes were revealed for signal-to-noise ratios of up to 4 dB. Regarding the third model, the results were acceptable for signal-to-noise ratios of up to 8 dB. In addition, it was shown that defining more number of clusters could not lead to better results. By comparing 2D and 3D data clustering, it is concluded that the resolution of seismic facies in 3D clustering is quite related to 2D one.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حمید ثابتی |


بابک نجار اعرابی |


عبدالرحیم جواهریان |


نشانی اینترنتی http://www.ijgeophysics.ir/article_33564_a88523102e7262f153c5b45315c6b86d.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1514/article-1514-462219.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات