عنوان پایان‌نامه
تعیین افق های لرزه ای با استفاده از نشانگرهای همدوسی شباهت و همبستگی متقابل
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72576;کتابخانه موسسه ژئوفیزیک شماره ثبت: 1203
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۴
- دانشجو
- محمدحسین امیدیان
- استاد راهنما
- محمدعلی ریاحی
- چکیده
- نشانگر به کیفیت و مشخصهای که هر شخص یا پدیدهای را توصیف می کند، گفته می شود. نشانگر لرزه ای به هر گونه اطلاعات مفیدی که از داده های لرزه ای بتوان استخراج کرد، اطلاق می شود. نشانگر لرزه ای همدوسی یک نشانگر سه بعدی است که اولین بار توسط باهوریچ و فارمر در سال 5991 معرفی شد. در طبقه بندی نشانگرها، نشانگر لرزهای همدوسی در گروه نشانگرهای هندسی قرار می گیرد و به طور کلی ارتباط مکانی و لحظه ای را با تمام نشانگرهای دیگر توصیف می کند. کاربرد عمده این نشانگر در شناسایی ناپیوستگی های ساختاری مانند گسلها و رخساره های چینه شناسی مانند کانال هاست. برداشت افق به روش های مرسوم می تواند بسیار وقتگیر باشد و در دنیای امروز با ظهور روش های عملیات سه بعدی و پیشرفت روز افزون آنها، استفاده از روش های سنتی و دستی برداشت افق، تقریبا غیر ممکن شده و توجیه اقتصادی ندارد. از طرفی برداشت به روش کاملا خودکار با استفاده مستقیم و بدون واسطه از الگوریتم های خودکار بدون شک خالی اشکال نخواهد بود. بنابراین مفسر باید از هر وسیله ی ممکن برای هدایت درست الگوریتم خودکار و اعتبارسنجی افق برداشت شده استفاده کند. نشانگر همدوسی ابزاری است که در این پژوهش به منظور کنترل کیفیت و اعتبار سنجی افق برداشت مورد استفاده قرار گرفته است. به دو صورت می توان در برداشت افق از نشانگر همدوسی بهره گرفت، یکی در حین برداشت افق به منظور تعیین محل دقیق دانه های برداشتی و دیگری پس از برداشت افق و با محاسبه همدوسی روی افق برداشت شده به منظور اعتبارسنجی آن. هر دو روش فوق روی داده های مصنوعی و واقعی یک میدان نفتی با استفاده از نرم افزار اجرا شد. نتایج حاصله از این گردش کار روی داده های مصنوعی و واقعی از انطباق خوبی برخوردار opendTect بود. عدم دخالت کاربر در محاسبه همدوسی و وابستگی کم خروجی این نشانگر به ویژگی های داده، این نشانگر را وسیله ای مناسب برای اعتبارسنجی افق برداشت شده نسبت سایر نشانگرها مثل انحنا، ساخته است.
- Abstract
- Horizon picking using traditional methods is usually time consuming. development of 3d data acquisition and its increasingly improvement has made manuall horizon picking uneconomical. Beside, picking horizon completely automatic is not reliable. Horizon picking in 3D seismic data is a very challenging problem. The difficulty for automatic horizon extraction exists at least in two fold: (1) the selection of picks in a trace usually ignores lateral continuity, and (2) the trace traversal order can result in significantly different horizons so that the resulting picks in the same horizon often conflict with each other. So interpreter should use any possible mean to conduct autotrack alguorithm and validate picked horizon. Generally, automated methods are labor-intensive, time-con¬suming, and often limited to regions with clear signal quality and relatively simple geology. Their weakness is that they use only a small fraction of the data at a time, solving only a series of local problems. Often, these methods simply require pick¬ing in a 2D vertical section as humans are most proficient at this; One of the efficient tools to interperet seismic reflected data is seismic attributes. Attributes can be used in the horizon picking stage in interpretation. In this paper we used semblance coherency attribute to pick seismic horizons more accurate. Coherency attribute could be used in horizon picking as an efficient tool in two ways : during horizon picking in order to locate seed points accurately; after horizon picking in order to validate the picked horizon. Our goal is to guid pick selection and find a complete horizon with maximum overall confidence. These two methods has been operated on a real seismic data of a hydrocarbon field in Iran. Results of these operations showed that coherency attribute has got reliable capability in quality control of horizon picking using automated alguorithms. This operator is more powerfull than other attributes such as curvature, because it is independent of data nature. Autotrackers rely on a horizontally layered media, though in contact with non-layered media, salt domes, pinchouts, bright spots, igneous intrusions and etc would fail. These algourithms would fail where laterall variation in amplitude is significant. In areas in which two layers with different polarity located along each other due to faulting, autotrackers will fail in tracking true horizon. In such conditions, coherency sections in contribution with amplitude sections would help to pick more seed points to guid autotrackers. Quality control of picked horizon using this method is dependant to vertical and horizontal resolution of calculated coherency. So in every part we must compare amplitude sections with coherency sections to pick seeds. Calaulation of coherency on horizon just in comparison with time coherency slices could be effective, because after horizon picking we do not know about precision of the picked surface yet, so the precision of calculated coherency. With confidence in precision of coherency calculated on time slices and meeting them to horizon; we can QC the picked horizon using autotrackers.
