عنوان پایان‌نامه
نشانگرهای جابجایی نا متغییر برای جداسازی موثر رخساره های مخزن
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 49681;کتابخانه موسسه ژئوفیزیک شماره ثبت: 704
- تاریخ دفاع
- ۳۰ شهریور ۱۳۹۰
- دانشجو
- محمدرضا ابراهیمی
- استاد راهنما
- محمدعلی ریاحی
- چکیده
- در این مطالعه نشانگرهای جابجایی نامتغیر با استفاده از تبدیلگر هدامارد، برای طبقه¬بندی رخساره¬های مخزن معرفی شد. بر خلاف تبدیل فوریه که داده¬ها رو بر روی دسته موج¬های سینوسی قائم تصویر می¬کند، تبدیلگر هدامارد داده¬ها را بر روی یک سری توابع به نام توابع والش تصویر می¬کنند. تبدیلگر مذبور نسبت به تغییرات دیادیک حساس نمی¬باشند و بنا به این خاصیت، تصادفی بودن رخساره¬های مخزن را در نظر می¬گیرد و تواناییش در تشخیص مناسب رخساره¬ها، مشخص می¬شود. نشانگرهای جابجایی نامتغیر برای پیدا کردن الگوهای زمین شناسی مختلفی از مخازن نفت کاربرد دارد، که یکی از این کاربردها طبقه بندی مخزن بر حسب تخلخل می¬باشد. این نشانگرها بر روی داده¬های لرزه ای سه بعدی سازند سروک از میدان دارخوین در جنوب غربی ایران اعمال شد. رخساره¬های مخزن برای این میدان، بر اساس تخلخل دسته بندی شدند. تعداد دسته¬¬های تخلخل از روی نگارهای تخلخل چاه¬های موجود در منطقه به چهار دسته تقسیم شد و در نهایت با استفاده از شبکه عصبی، کل مکعب لرزه¬ای به این چهار رخساره تخلخل تبدیل گردید. شبکه عصبی مورد استفاده شبکه¬ی با تغذیه پیش خور دو لایه، با الگوریتم آموزش شبکه¬ای پس انتشار خطا بود که تابع انتقال نرون¬های لایه پنهان تانژانت هایپربولیکی و تابع انتقال نرون¬های خروجی خطی بود. در نهایت مقایسه¬ای بین نتایج نشانگرهای جابجایی نامتغیر با دو نشانگر مرسوم لرزه¬ای دیگر انجام شد، که بیانگر این بود که نشانگرهای جابجایی نامتغیر در فضای تک نشانگری رخساره¬های تخلخل را با ضریب همبستگی بیشتری پیش بینی کرده¬اند. کلید واژه¬ها: نشانگرهای جابجایی نامتغیر، توابع والش، تبدیلگر هدامارد، رخساره، شبکه عصبی، تخلخل
- Abstract
- In this research, in order to discriminate the reservoir lithofacies, translation invariant attribute (TIA) with Hadmard transform is introduced. Unlike the Fourier transform, which projects the data onto a set of orthogonal sinusoidal waveforms, the Hadamard transform projects data onto a set of square waves called Walsh functions. The corresponding transform is not sensitive to dyadic shift. Based on such property, the Hadamard transform is able to distinguish random characteristics of reservoir lithofacies. TIAs have been applied for detecting geological patterns of oil reservoir. Such property is one of usage of discriminating reservoir based on porosity. This attribute is applied on 3D seismic data of Sarvak formation of Darquin oil field in the south-west of Iran. Based on porosity, the reservoir facies for mentioned reservoir have been classified. In using porosity logs of wells, four porosity categories were selected. The neural network is used to convert all the seismic data to such categories. The selective neural network was two layer feed-forward networks along with error back propagation (BP) algorithm for learning neural. Furthermore, hidden neurons were tangent hyperbolic and output neuron was linear. Finally, comparison between the results of TIAs and other conventional seismic attributes has been carried out. Our results show that TIAs are able to predict reservoir porosity facies more effective than other conventional seismic attributes do. Keywords: Translation invariant attributes, Walsh function, Hadamard transform, lithofacies, neural network, porosity.
