چکیده مقاله
پیش بینی دقیق شیب و آزیموت لایه های زمین شناسی در اکتشافات زیر زمینی اهمیت بالایی دارد روش های سنتی، که عموما بر پایه ابزارهای تصویربرداری دیواره چاه مانند نگار های XRMI انجام می گیرند، مستلزم تفسیر دستی هستند؛ فرایندی که نه تنها زمانبر است بلکه به خطا و سوگیری انسانی نیز وابسته است در این پژوهش، رویکردی خودکار مبتنی بر شبکه های عصبی کانولوشنی CNN برای پیش بینی دقیق شیب و آزیموث از تصاویر نگار XRMI معرفی شده است داده ها از سه چاه واقع در جنوب غرب ایران استخراج گردیده اند؛ داده های دو چاه برای آموزش و اعتبارسنجی مدل ها و داده های چاه سوم به طور مستقل برای آزمون استفاده شدند مدل ها در وضوح های مختلف تصاویر ارزیابی شدند تا پیکربندی مناسبی برای افزایش کارایی مدل مشخص گردد نتایج نشان داد افزایش وضوح در بیشتر مواقع موجب بهبود توانایی CNN در شناسایی ویژگی های زمین شناسی و سطوح لایه ای می شود، به طوریکه مقادیر دقت R² تا ۰ ۹۸۵ برای زاویه شیب و ۰ ۹۷۹ برای آزیموت به دست آمد با این حال، افزایش بیش از حد وضوح تا مقیاس ۱:۱۰۰ فوت باعث کاهش عملکرد شده است، به گونه ای که R² به ۰ ۸۷۵ برای شیب و ۰ ۸۵۴ برای آزیموت کاهش یافت به طور کلی، یافته ها نشان می دهند که انتخاب وضوح برای بهره برداری موثر از CNN در پیش بینی های زمین شناسی ضروری بوده و میتواند جایگزینی کارآمد برای روشهای سنتی محسوب شود
کلیدواژهها
نویسندگان
محمد قدسی
کارشناس ارشد، انستیتو مهندسی نفت ، دانشکده مهندسی شیمی ، دانشکدگان فنی ، دانشگاه تهران
حسین نصرتی
دانشجوی دکتری، انستیتو مهندسی نفت ، دانشکدگان فنی ، دانشگاه تهران
محمد امامی نیری
دانشیار، انستیتو مهندسی نفت ، دانشکده مهندسی شیمی ، دانشکدگان فنی ، دانشگاه تهران
شیوه ارجاع
قدسی، محمد و نصرتی، حسین و امامی نیری، محمد،1404،تاثیر وضوح تصاویر نگارXRMI در تخمین شیب و آزیموت لایه های زمین شناسی بر مبنای شبکه عصبی کانولوشنی،هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت،تهران
ارائهشده در
مجموعه مقالات هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت23 مهر 1404 · تهران