تشخیص هندسه گسل با استفاده از نشانگرهای لرزه ای و روش های هوشمند

شناسایی دقیق هندسه گسل ها یکی از مراحل کلیدی در تفسیر داده های لرزه ای و ارزیابی ساختارهای زیرسطحی در اکتشاف مخازن هیدروکربنی به شمار می آید. این پژوهش با هدف بهبود دقت تشخیص گسل، به ارزیابی عملکرد سه الگوریتم هوشمند شامل ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و شبکه عصبی مصنوعی (ANN) بر پایه نشانگرهای لرزه ای منتخب پرداخته است. در این مطالعه، نشانگرهای واریانس، پوش دامنه، انحنا و آشوب از داده های لرزه ای سه بعدی استخراج و به عنوان ورودی مدل های هوشمند به کار گرفته شدند. برای ارزیابی مدل ها، بخش های مشخصی از داده ها با برچسب های دقیق گسل داری، حاصل از تفسیر کارشناسی، مورد استفاده قرار گرفتند. نتایج نشان داد که روش SVM با دقت ۹۰٪ توانست مرز و جابه جایی گسل ها را با وضوح بالاتری نسبت به دو روش دیگر مدل سازی کند. جنگل تصادفی با دقت ۸۵٪ در تشخیص پیوستگی ساختاری عملکرد قابل قبولی داشت، در حالی که شبکه عصبی مصنوعی با دقت ۸۲٪ نسبت به دو روش دیگر ضعیف تر بود. این یافته ها بیانگر آن است که ترکیب نشانگرهای لرزه ای با الگوریتم های یادگیری ماشین می تواند به طور موثری در بهبود تفسیر ساختارهای گسلی و کاهش ریسک های اکتشافی موثر باشد.

Keywords:

تشخیص گسل , نشانگرهای لرزه ای , یادگیری ماشین , SVM , جنگل تصادفی (RF) , شبکه عصبی مصنوعی (ANN)