تلفیق نشانگرهای لرزه‌ای و شبکه‌های عصبی در شناسایی سامانه‌های گسلی در منطقه تنگه هرمز

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران، ایران

2 دانشیار، دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران، ایران

3 دکترا، اداره ژئوفیزیک، مدیریت اکتشاف، شرکت ملی نفت ایران، تهران، ایران

4 کارشناسی ارشد، اداره ژئوفیزیک، مدیریت اکتشاف، شرکت ملی نفت ایران، تهران، ایران

چکیده

در این مطالعه به شناسایی سامانه‌های گسلی تنگه هرمز با استفاده از تلفیق نشانگرهای لرزه‌ای و شبکه‌های عصبی مصنوعی پرداخته شده است. گسل‌ها و شکستگی‌ها نقش مهمی در ایجاد منطقه‌هایی با تخلخل و تراوایی زیاد ایفا می‌کنند. همچنین آنها در مسیرهـای مهاجرت سیال سنگ مخزن و پوش‌سنگ را قطع می‌کنند. در منطقه تنگه هرمز فعالیت‌های زمین‌ساختی شدید و زمین‌ساخت نمک منجر به تشکیل ساختارهای پیچیده شده است. بنابراین شناسایی دقیق گسل‌ها و منطقه‌های شکستگی و چگونگی گسترش آنها در افزایش تولید از تله‌های نفتی، اهمیت خاصی دارد. در شناسایی چگونگی گسترش و حرکت گسـل‌ها در منطقـه تنگه هرمز (بخش خاوری خلیج فارس) درون سـازنـدهای میشان، آغاجاری و در زیر افق دگرشیبی قاعده گـوری، روش مدل‌سازی ساختمانی (Image processing) و تجسم‌گرایی (visualization) تفسیر لرزه‌ای به‌کار گرفته شده است. در این روش بر پایه ترکیب نشانگرهای ورودی در سامانه شبکه عصبی مصنوعی و ایجاد نشانگرهای جدید، تصویر ساختمانی مناطق گسلی به ‌دست آمده است. ابتدا مجموعه‌ای از نشانگرهای پیشرفته به‌منظور تلفیق نشانگرهای محاسبه شده در نقاط تفسیری گسلی و غیرگسلی، به‌عنوان ورودی به سامانه شبکه عصبی تحت نظر برای آموزش معرفی شده‌اند. در پایان مکعب گسلی به‌عنوان ابزار قوی اکتشافی برای شناسایی دقیق سامانه گسلی و تشخیص بهتر گسل‌ها و شکستگی‌ها، در مدل‌سازی کیفی منطقه به‌ دست آمده است. همبستگی (correlation) بالای میان گسل‌ها در مکعب گسلی، در نتیجه به‌کارگیری نشانگرهای ترکیبی، امکان ردگیری (tracking) دقیق‌تر و معتبرتر گسترش گسل‌ها را فراهم می‌کند. در نتیجه این پژوهش، سه نوع سامانه گسلی در منطقه مورد مطالعه شناسایی شده‌اند که در نتیجه زمین‌ساخت کششی و فشارشی کوهزایی عمان یا حرکات زمین‌ساخت عمودی کوهزایی زاگرس و جریان نمک در طی رسوب‌گذاری به‌وجود آمده‌اند.

کلیدواژه‌ها


عنوان مقاله [English]

Compilation of Seismic Attributes and Artificial Neural Networks in Identifying Fault Systems in the Hormuz Strait Area

نویسندگان [English]

  • M.S Mirkamali 1
  • H.R Ramazi 2
  • M.R Bakhtiari 3
  • H Ramesh 4
1 M. Sc., Faculty of Mining and Metallurgical Engineering, Amirkabir University of Technology, Tehran, Iran
2 Associate Professor, Faculty of Mining and Metallurgical Engineering, Amirkabir University of Technology, Tehran, Iran
3 Ph.D., Department of Geophysics, Exploration Directorate, National Iranian Oil Co, Tehran, Iran
4 M. Sc., Department of Geophysics, Exploration Directorate, National Iranian Oil Co, Tehran, Iran
چکیده [English]

This study has focused on identifying fault systems in the HormuzStrait area using compilation of seismic attributes and artificial neural networks. Faults and fractures play an important role in creating areas of high porosity and permeability. In addition, they cut off the cap and reservoir rocks along fluid migration pathways. Intense tectonic activities and salt tectonics have resulted in complex structures in the Strait of Hormuz area. Therefore, precise identification of faults and fracture zones and their extensions has special importance in increasing petroleum production from traps. In order to identify the geometry and kinematics of faults in the Mishan and Aghajari Formations and in the units under the base-Guri unconformity in the HormuzStrait area (eastern part of the Persian Gulf), we have used structural imaging and visualization techniques of seismic interpretation. The structural imaging of the fault zones was obtained by this technique based on the integration of input attributes in an artificial neural network system and creating new attributes. First, a set of advanced attributes were introduced as input for the artificial neural network system to train and compile the calculated attributes on fault and non-fault interpreted points. As a powerful exploration tool, finally, the fault cube was obtained to precisely identify fault systems and better detect faults and fractures in quantitative modeling of the area. As a result of integrated attributes, the high correlation between the faults within the fault cube provides more accurate and reliable tracking of fault extensions. Therefore, three types of fault systems were identified in study area, which are thought to be results of the extensional and compressional tectonics of the Oman Orogeny, vertical tectonic movements of the Zagros Orogeny, and syn-sedimentary salt movements.

کلیدواژه‌ها [English]

  • Fault
  • Seismic attribute
  • Neural Network
  • Strait of Hormuz
  • Persian Gulf