مقاله کنفرانسی سال ۱۴۰۴ فارسی

رویکردهای هوش مصنوعی در تخمین عمق سنگ بستر از داده های گرانی سنجی: تمرکز بر PSPU-Net و ضرورت محاسبه عدم قطعیت

چکیده مقاله

تخمین عمق سنگ بستر از اهمیت بالایی در علوم زمین و مهندسی برخوردار است، زیرا شناخت مرز بین لایه های سخت سنگی و رسوبی زیرسطحی نقش اساسی در برنامه ریزی زیرساخت ها، ارزیابی منابع آب زیرزمینی و اکتشاف نفت و مواد معدنی دارد روش های ژئوفیزیکی مبتنی بر گرانی سنجی به دلیل پوشش گسترده و هزینه نسبتا پایین، ابزار موثری برای برآورد این عمق در مقیاس وسیع هستند با این حال، وارون سازی کلاسیک داده های گرانشی به دلیل غیرخطی بودن رابطه بین میدان گرانشی و توپوگرافی زیرسطح، حساسیت زیاد به برآوردهای اولیه و نتایج غیرمنحصربه فرد، نیازمند کارگیری تکنیک های منظم سازی پیچیده و فرضیات اولیه قوی است یادگیری عمیق اخیرا در پردازش داده های گرانشی وارد شده است شبکه های عصبی پیچشی مانند PSPU Net توانایی یادگیری رابطه پیچیده بین میدان گرانشی و توپوگرافی سنگ بستر را دارند و با لایه های چندمقیاسی قادر به بازسازی مرزهای پیچیده زمین شناختی هستند PSPU Net با ترکیب فناوری نمونه برداری فضایی هرمی PSP و ساختار U Net، اطلاعات چندمقیاسی را برای ارائه تخمین دقیق تری از عمق سنگ بستر فراهم می آورد این معماری با لایه های چندمقیاسی، پیچیدگی های داده های گرانشی را بهتر مدل سازی و جزییات سه بعدی سنگ بستر را با دقت بیشتری بازسازی می کند با این حال، بیشتر مدل های یادگیری عمیق تنها خروجی قطعی ارائه می کنند و عدم قطعیت را برآورد نمی کنند در پروژه های اکتشافی، نادیده گرفتن عدم قطعیت نتایج می تواند به اعتماد کاذب به پیش بینی ها و تصمیمات غلط منجر شود برای مثال، فرض کنید مدلی عمق سنگ بستر یک منطقه را بدون ارائه بازه خطا پیش بینی کند در این صورت، ممکن است یک شرکت اکتشاف حفاری را براساس این پیش بینی آغاز کند و در صورت اختلاف واقعی در عمق، متحمل هزینه های اضافی و ریسک عملی شود این مثال ضرورت افزودن محاسبات عدم قطعیت را برجسته می کند این مقاله با مروری بر روش های وارون سازی کلاسیک و معرفی قابلیت های PSPU Net در تخمین عمق سنگ بستر، اهمیت برآورد عدم قطعیت را در پیش بینی های ژئوفیزیکی برجسته می کند

کلیدواژه‌ها

عمق سنگ بستر گرانی سنجی یادگیری عمیق PSPU-Net عدم قطعیت PSPU Net وارون سازی داده های ژئوفیزیکی

نویسندگان

تصویر روشنک رجبلو

روشنک رجبلو

دانشجوی دکتری ژئوفیزیک ، موسسه ژئوفیزیک دانشگاه تهران

شیوه ارجاع

�جبلو، روشنک و متولی عنبران، سید هانی و عباس زاده شهری، عباس،1404،رویکردهای هوش مصنوعی در تخمین عمق سنگ بستر از داده های گرانی سنجی: تمرکز بر PSPU-Net و ضرورت محاسبه عدم قطعیت،هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت،تهران

ارائه‌شده در

پوستر مجموعه مقالات هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت مجموعه مقالات هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت23 مهر 1404 · تهران
ادامه مسیر پژوهش

مقالات مرتبط

مقاله کنفرانسی سال ۱۴۰۴ ۵۰۸ مشاهده

AI-based Fault Detection in Synthetic Seismic Data for Hydrocarbon Exploration

Automatic fault detection in seismic data is pivotal for advancing hydrocarbon exploration and geologica…

hydrocarbon explorationartificial intelligenceRandom Forest
مقاله کنفرانسی سال ۱۴۰۴ ۳۱۹ مشاهده

مروری بر کاربرد هوش مصنوعی در پردازش داده های لرزه ای و چاه نگاری

صنعت نفت برای تحلیل داده های پیچیده زمین شناسی و ژئوفیزیکی نیازمند رویکردهای نوین و هوشمند است در این پژ…

هوش مصنوعییادگیری ماشینیادگیری عمیق
مقاله کنفرانسی سال ۱۴۰۴ ۳۱۳ مشاهده

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 اک…

جنگل تصادفی (RF)نشانگرهای لرزه ایSVM
مقاله کنفرانسی سال ۱۴۰۴ ۲۸۵ مشاهده

بررسی خطر سونامی های محتمل ناشی از زمین لغزش زیردریایی در مکران غربی با استفاده از داده های لرزه ای بازتابی

این مقاله با تکیه بر داده های لرزه ای بازتابی، به بررسی خطر سونامی های ناشی از زمین لغزش های زیردریایی د…

سونامیزمین لغزش زیردریاییمدلسازی عددی
مقاله کنفرانسی سال ۱۴۰۴ ۲۷۰ مشاهده

یکپارچه سازی توصیف و مدیریت مخزن در توسعه راهبردهای ازدیاد برداشت نفت

توصیف و مدیریت مخزن از ارکان اساسی در بهینه سازی برداشت هیدروکربن، به ویژه در چارچوب راهبردهای ازدیاد بر…

توصیف مخزنتحلیل پتروفیزیکیازیاد برداشت نفت
مقاله کنفرانسی سال ۱۴۰۴ ۲۵۷ مشاهده

Physics-guided machine learning for acoustic impedance inversion: a comparative study of MLFN and RBFN in data-constrained in an oilfield using rock physics-based pseudo-wells

Accurate prediction of subsurface acoustic impedance is a cornerstone of seismic reservoir characterizat…

acoustic impedancerock physics modelingmachine learning