IR
۳۹۴۱پ
فارسی
IR
شناسایی گسل‌های موجود در مخزن با استفاده از داده‌های لرزه‌ای به روش تلفیق نشانگرهای لرزه‌ای و شبکه عصبی
[پایان‌نامه]
Identification of faults in reservoir using seismic data by combining seismic attributes and neural network
/امید دانشوند
: مهندسی نفت و گاز
، ۱۳۹۸
۶۷ص.
:
زبان: فارسی
زبان چکیده: فارسی
چاپی - الکترونیکی
مصور، جدول، نمودار
کارشناسی ارشد
مهندسی نفت- اکتشاف نفت
۱۳۹۸/۱۰/۰۱
صنعتی سهند
گسل‌ها نقش انکار ناپذیری را در مهاجرت و تشکیل مخازن هیدروکربوری ایفا می‌کنند .از این رو شناسایی و تفسیر آنها روی داده‌های لرزه‌ای از اهمیت ویژه‌ای جهت حصول اطمینان در اکتشافات برخوردار است .یکی از روش‌های شناسایی این رخدادهای زمین شناسی در داده‌های لرزه نگاری، استفاده از نشانگرهای لرزه‌ای می‌باشد .تنوع نشانگرها در ساخت و محاسبات آنها، سبب شده هر کدام شاخصه‌های منحصر به فردی از داده لرزه‌ای را نمایش دهند، لذا بهره‌گیری از نتایج نشانگرهای مختلف به صورت یک مجموعه برای تشخیص دقیق‌تر و واضح‌تر، لازم است .به همین منظور، شبکه‌های عصبی با هدف تلفیق نشانگرهای لرزه‌ای، ابزاری کاربردی برای ایجاد خروجی یگانه با استفاده از تمام ویژگی‌های نشانگرهای لرزه‌ای، می‌باشد .فرایندهای مذکور در این مطالعه، در حوضه جنوب خزر و در بخشی از منطقه دشت گرگان از این حوضه، صورت گرفته است؛ جایی که پتانسیل حضور سیالات هیدروکربوری در آن وجود دارد با این حال حفاری‌های گذشته نتایج مطلوبی را در بخش ایرانی این منطقه نداشته است .از این رو نیاز به برداشت‌های لرزه‌ای و مطالعات و تفاسیر لرزه‌ای بیشتر و دقیق‌تر در این محدوده احساس می شود .مقایسه نتایج به دست آمده از روش‌های تک نشانگری و روش‌های شبکه عصبی مصنوعی، نشان می‌دهد که شبکه‌های عصبی مصنوعی از کیفیت و دقت بیشتری نسبت به روش‌های تک نشانگری برخوردارند و ترکیب قابلیت‌های هر نشانگر سبب ایجاد نشانگری قدرتمند شده است .روش شبکه عصبی مصنوعی نظارت شده( پرسپترون چند لایه) مطلوب‌ترین نتیجه کسب شده، و روش پیشنهادی این مطالعه می-باشد .
Faults play an undeniable role in the migration and formation of hydrocarbon reservoirs. Therefore, identifying and interpreting them on seismic data is of the great importance for exploration reliability. One approach to identify these geological phenomena in seismic data is to use seismic attributes. Each seismic attribute has shown a unique seismic data characteristic due the variety of their formations and calculations. Hence, it is necessary to use different attribute data as a complex to achieve more precise identification. In this regard, neural networks with a combination of various seismic attributes is a practical tool as a single-output system which is using all the characteristics of seismic attributes. The processes in this study have been performed in Gorgan plain, southern part of Caspian Sea. There is the potential for hydrocarbon fluids in this area, however, past excavations have not yielded desired results in the Iranian part of the region. Therefore, seismic perceptions and more precise seismic studies and interpretations are essential in this region. Comparison of the results obtained from single-attribute methods and artificial neural network methods shows that artificial neural networks obtains more accurate results than those of single-attribute, and combination of the various attribute capabilities has developed a powerful attribute. The supervised artificial neural network (multilayer perceptron) is the most desirable and proposed method of this study.
ba
Identification of faults in reservoir using seismic data by combining seismic attributes and neural network
داده‌های لرزه‌ای
پرسپترون چند لایه
مخازن هیدروکربوری
multilayer perceptron, hydrocarbon reservoirs, seismic data
مخازن هیدروکربوری، پرسپترون چند لایه، داده‌های لرزه‌ای
دانشوند، امید
حمیدزاده مقدم، رسول، استاد راهنما
ساجدی، سعید، استاد مشاور
ایران
20230613
نفت ،۲۰۰۷۰ ،۱۳۹۸
ی‌بصع ه‌کبش و ی‌اه‌زرل ی‌اهرگناشن ق‌یفلت ش‌ور ه‌ب ی‌اه‌زرل ی‌اهه‌داد زا ه‌دافتسا اب ن‌زخم رد دوجوم ی‌اهل‌سگ ی‌یاسانش.pdf
عادی
عادی
3941.pdf
p20070.pdf
0
ایمانی
متن
0
پ۳۹۴۱
فارسی
نمایه‌سازی قبلی
pe
TF
92029
1
a
Y
