مقاله کنفرانسی سال ۱۴۰۴ فارسی

وارون سازی لرزه ای زمین آماری با مدل های پیوستگی فضایی محلی تطبیق پذیر

چکیده مقاله

روش های وارون سازی لرزه ای دامنه های لرزه ای را به مدل های عددی از ویژگی های کشسان سنگ تبدیل می کنند روش های وارون سازی لرزه ای تصادفی ابزارهای ارزشمندی برای مدل سازی هستند که امکان ارزیابی عدم قطعیت توزیع فضایی ویژگی های پتروفیزیکی کشسان وارون شده را فراهم می کنند در این چارچوب، روش های تکرارشونده ی وارون سازی لرزه ای زمین آماری از شبیه سازی متوالی تصادفی به عنوان روش تولید و آشفتگی مدل استفاده می کنند این رویکردهای شبیه سازی، الگوی پیوستگی فضایی ویژگی زیرسطحی موردنظر را با استفاده از یک مدل واریوگرام کلی بیان می کنند در حالی که، در محیط های زمین شناسی پیچیده و ناپایا، مقید کردن مدل ها به یک واریوگرام واحد مناسب نیست و منجر به مدل های ضعیفی می شود که قادر به توصیف دقیق ویژگی های ناپایا نیستند این پژوهش یک روش جدید وارون سازی لرزه ای زمین آماری تکرارشونده معرفی می کند که در آن مدل های پیوستگی فضایی محلی بر اساس عدم انطباق داده های لرزه ای واقعی و پیش بینی شده اصلاح می شوند اصلاح تکرارشونده مدل های پیوستگی فضایی محلی تلاش دارد محدودیت های روش های متداول را که به یک مدل واریوگرام از پیش تعریف شده متکی هستند، برطرف کند این روش بر روی یک مجموعه داده مصنوعی سه بعدی ناپایا اعمال شد نتایج نشان داد که اصلاح تدریجی مدل های پیوستگی محلی بر اساس عدم انطباق داده ها مزایای چشمگیری دارد مدل های وارون شده حاصل، در مقایسه با داده های واقعی و ساختارهای زمین شناسی، هماهنگی و انطباق بهتری نشان دادند و هندسه های پیچیده و ناپیوستگی ها را با دقت بیشتری بازتولید کردند

کلیدواژه‌ها

خودبه روزشونده خوشه بندی وارون سازی لرزه ای زمین آماری مدل های واریوگرام محلی شبیه سازی متوالی مستقیم

نویسندگان

تصویر شقایق اسماعیل زاده

شقایق اسماعیل زاده

دانشجوی دکتری مهندسی نفت اکتشاف ، دانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهران

تصویر علی مرادزاده

علی مرادزاده

استاد، دانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهران

تصویر امید اصغری

امید اصغری

دانشیار، دانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهران

تصویر رضا محبیان

رضا محبیان

استادیار، دانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهران

شیوه ارجاع

�سماعیل زاده، شقایق و مرادزاده، علی و اصغری، امید و محبیان، رضا،1404،وارون سازی لرزه ای زمین آماری با مدل های پیوستگی فضایی محلی تطبیق پذیر،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