عنوان پایان‌نامه
تشخیص کانال نفتگیر به وسیله تحلیل بافت لرزه ای با استفاده از نشانگرهای مبتنی بر ماتریس GLCM
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76279;کتابخانه موسسه ژئوفیزیک شماره ثبت: 1288;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76279;کتابخانه موسسه ژئوفیزیک شماره ثبت: 1288
- تاریخ دفاع
- ۰۷ مهر ۱۳۹۵
- دانشجو
- امید یوسفی
- استاد راهنما
- محمدعلی ریاحی, حسین هاشمی شاهدانی
- چکیده
- نشانگرهای لرزهای ابزاری مفید در زمینه شناسایی و مشخص کردن ویژگیهای زمین شناسی هستند. تفسیر لرزه ای می تواند به وسیله تحلیل نشانگر های لرزه ای حمایت شود. نشانگر های لرزه ای معمول از روابط ریاضی وار مبتنی بر خاصیت های هندسی و فیزیکی زیر سطحی برای آشکار ساختن ویژگی های مورد علاقه استفاده می کنند. از نشانگرهای لرزهای مهمی که در شناسایی کانال ها کاربرد دارند می‌توان به نشانگرهای بافتی مبتنی بر ماتریس هم رویداد سطح خاکستری اشاره کرد. نشانگر های بافت مبتنی بر ماتریس هم رخداد سطح خاکستری ، که یک ماتریس دو بعدی با ابعاد N*N و نمایش دهنده نحوه پخش شدن سطح های خاکستری در یک تصویر است. اصل محاسبات GLCM برای تصاویر دو بعدی توسعه داده شده بود. ماتریس GLCM یک اندازه گیری از بافت تصویر است. این ماتریس بوسیله هم سنجی کردن هر دامنه در ناحیه ورودی با همسایه مستقیم آن و افزایش رخداد متناظر با سلول ماتریس پر شده است. این عمل برای همه زوج دامنه ها در ناحیه ورودی که سپس تبدیل به احتمالات شده تکرار می شود. GLCM چگونگی احتمال، پیدا کردن دامنه های دو همسایه در اطراف ناحیه نقطه مورد محاسبه را بررسی می کند. سه گروه از نشانگر های بافت لرزه ای به واسطه GLCM محاسبه شده اند: تباین(تباین و همگنیت) که اندازه های آن با استفاده از وزن های مربوط به فاصله از قطر GLCM محاسبه شده است بعدی نظم( انرژی و آنتروپی) است که تفسیر کننده چگونگی نظم مقادیر سطح های خاکستری درون پنجره است. و آمار که از درون ماتریس GLCM بدست می آید. در هر گروه نشانگر ها بصورت زیادی همبسته شده اند. به کمک نشانگر بافت می توان پدیده هایی مثل کانال را بصورت واضح شناسایی کرد و همچنین به وسیله مکعب های لرزه ای تبدیل شده به نشانگر بافت می توان مستقیما ساختار زمینی را استخراج کرد. در این مطالعه تلاش شده است تحقیقی درباره کاربرد و کارآمدی نشانگر های بافت مبتنی بر روی ماتریس هم رخداد سطح خاکستری (GLCM)(انرژی، آنتروپی،همگنیت، خوشه بندی سایه رنگ ) برای تشخیص و آشکار سازی کانال در ساختمان سروک در یک میدان نفتی که در جنوب غربی ایران واقع شده است انجام شد. به کمک نشانگر بافت موقعیت و هندسه کانال نفتگیر بطور واضح شناسایی شد و همچنین با استفاده از مکعب های ساخته شده از نشانگر بافت می توان ساختار زمین شناسی در محدوده مورد مطالعه را تعیین کرد. نتیجه بارز نشانگر های بافت در مقایسه با نشانگرهای مرسوم دیگر(مانند همدوسی که تنها مرز کانال را مشخص می کند)، اطلاعات بدست آمده از ترکیب رسوبات کانال، و اطلاعات بدست آمده از درون ساختار زمین به واسطه این نشانگر ها است. تفاوت های رنگی کوچک در درون کانال نفتگیر اطلاعات جزئی تری از درون کانال را ارائه داد. البته برای تائید و اعتبار سنجی این اطلاعات به داده های چاه در این محدوده نیاز است. کانال مورد بررسی در زیر افق سروک در میدان نفتی مورد مطالعه، یک کانال کربناتی است، که به دلیل داشتن تخلخل نسبتا خوب در بخشهای مخزنی قابلیت مخزن شدن را پیدا کرده است و یک کانال نفت-گیر است.
- Abstract
- Seismic attributes are useful tools for locating and identifying geological features. Seismic interpretation can be supported by seismic attribute analysis. Common seismic attributes use mathematical relationships based on the geometry and the physical properties of the subsurface to reveal features of interest. Texture attributes are based on the Grey Level Co-occurrence Matrix (GLCM), a 2D matrix of N x N dimensions representing the amplitude values of the reference pixel versus the amplitudes of the neighboring pixel. The original GLCM calculation was developed for 2D images. The grey level co-occurrence matrix is a measure of the texture of an image. It describes how often different combinations of pixel brightness values occur in an image. The matrix is filled by comparing each amplitude in the input area with its direct neighbor and increasing the occurrence of the corresponding matrix cell. This is repeated for all amplitude pairs in the input area, which are then converted into probabilities. The GLCM thus captures how probable it is to find pairs of neighboring amplitudes in the area around the evaluation point. Three groups of texture attributes are computed from the GLCM: Contrast (contrast, homogeneity) where measurements are calculated using weights related to the distance from the GLCM diagonal; Orderliness (energy and entropy) where interpreters measure how regular the pixel values are within the window; and Statistics that are derived from the GLCM. In each group, the attributes are highly correlated. With the help of texture attribute we can clearly identify features like channels in our data and we can directly extract geobodies from the texture cubes In this , it has been tried to investigate application and efficiency of Texture attributes are based on the Grey Level Co-occurrence Matrix (GLCM) to delineate and detect buried channel in Sarvak formation in one of oil field that located in south-west of Iran.
