مقایسه روش های یادگیری غیرنظارتی با تأکید بر تشخیص رخساره های کانالی تنگه هرمز

کانال ها یکی از انواع رخساره های زمین شناسی می باشند که به دلیل توانایی در ذخیره سیالات هیدروکربنی، در اکتشاف و توسعه میادین هیدروکربنی دارای اهمیت فراوانی می باشند. در سال های اخیر، حجم داده های لرزه ای و همچنین تعداد نشانگر های لرزه ای ارائه شده افزایش چشمگیری داشته است که کار مفسرین را برای تفسیر خط به خط داده های لرزه ای با مشکل مواجه کرده است. جهت کسب اطلاعات بیشتر درباره تحلیل مؤلفه اصلی مقایسه روش های یادگیری غیرنظارتی با تأکید بر تشخیص رخساره های کانالی تنگه هرمز و خوشه بندی و مطالعات ژئوفیزیک با آسیا ژئوفیزیک تماس بگیرید.

مقایسه روش های یادگیری غیرنظارتی با تأکید بر تشخیص رخساره های کانالی تنگه هرمز

برای برطرف نمودن این مشکلات، الگو شناسی و استفاده از نشانگرهای چندگانه به عنوان ابزاری کارآمد در تفسیر و دسته بندی رخساره های لرزه ای معرفی شده اند. روش های k-میانگین (k -means) ،نقشه های خود سازمان ده (Self -maps organizing)و نقشه های توپوگرافی مولد (Generative topographic maps)از روش های غیر نظارتی می باشند که توانسته اند برای دسته بندی رخساره های لرزه ای مورد استفاده قرار بگیرند.

مطالعات ژئوفیزیک

در این مطالعه، توانایی دو الگوریتم k-میانگین و نقشه های خود سازمان ده برای تشخیص کانال های مدفون در داده های لرزه ای انجام و مقایسه شده است، از روش تحلیل مؤلفه اصلی (Principal component analysis) نیز برای به تصویر کشیدن رخساره های لرزه ای موجود در داده لرزه ای مورد استفاده که مربوط به تنگه هرمز در خلیج فارس است، استفاده شده است. پس از مشخص نمودن نشانگرهای مناسب و اعمال روش های مورد اشاره، روش تحلیل مؤلفه اصلی به عنوان روشی مناسب جهت تعیین تقریبی تعداد رخساره های لرزه ای موجود در محدوده مورد مطالعه و شناسایی رخساره های کانالی تشخیص داده شد.

مقدمه

کانال ها یکی از انواع رخساره های زمین شناسی هستند که مطالعه آن ها دارای اهمیت فراوانی در صنعت نفت است چرا که این نوع رخساره زمین شناسی می تواند محلی مناسب برای تجمع سیالات هیدروکربنی باشد. در صورتی که کانال ها از سنگ منشأ مناسبی تغذیه گردند و پوش سنگ مناسبی نیز از خروج سیالات هیدروکربنی موجود در آنها جلوگیری نماید، می توانند به عنوان یکی از انواع تله های نفتی قابل اهمیت، هدف اکتشافی محسوب گردند.

شناسایی کانال های تراوا

از طرف دیگر شناسایی کانال های تراوا جهت انجام مطالعات مربوط به ازدیاد برداشت و بررسی سازوکار تزریق، اهمیت شناسایی این رخساره های زمین شناسی را نشان می دهد. به همین دلیل در سال های اخیر، مطالعات فراوانی در زمینه شناسایی بهتر کانال ها با استفاده از داده های لرزه ای انجام گرفته است.

(2012 )Davis and Robinson از تجزیه طیفی برای شناسایی رخساره کانالی موجود در داده لرزه ای سه بعدی برداشت شده از میدان Delhi در لوئیزیانا استفاده نمودند تا بتوانند بازدهی تزریق گاز را جهت ازدیاد برداشت افزایش دهند. (2013) Roy et al از الگو شناسی جهت تشخیص رخساره های گوناگون از جمله کانال موجود در داده های لرزه ای سه بعدی برداشت شده از حوضه آنادارکو (Anadarko )استفاده نمودند.

نمودار های متقاطع نشانگرهای لرزه ای در ژئوفیزیک

al et Junhuai (2014 ) با استفاده از نمودار های متقاطع نشانگرهای لرزه ای به شناسایی کانال ها در داده های لرزه ای برداشت شده از حوضه Junggar در کشور چین پرداختند. (2015 (Dossary-Al با مقایسه سه روش تضعیف نوفه، به اهمیت مراحل پردازش در شناسایی کانال ها و تفاوت سه روش مطرح شده در این زمینه پرداخته است.

تجزیه طیفی و ترکیب برش لرزه ای

(2016 )Arzani and Ashtari  ژئوفیزیک با استفاده از تجزیه طیفی و ترکیب برش لرزه ای به دست آمده از سه فرکانس 22 ،22 و 33 هرتز به شناسایی کانال مدفون در سازند آسماری پرداخته اند. با توجه افزایش حجم داده های لرزه ای در سال های اخیر، تفسیر خط به خط این داده ها برای مفسرین دچار مشکلاتی بوده است.

اگرچه با افزایش تعداد نشانگرهای لرزه ای، دقت مطالعات انجام گرفته در تشخیص رخساره های لرزه ای گوناگون افزایش یافته است، ولی افزایش حجم اطلاعات تولیدی باعث افزایش زمان مورد نیاز جهت دسته بندی این رخساره ها میگردد.

الگوریتم های آموزش غیرنظارتی

در این مطالعه، الگوریتم های آموزش غیرنظارتی ( Unsupervised learning)جهت شناسایی کانال های مدفون در داده های لرزه ای با یکدیگر مقایسه شده اند. داده لرزه ای استفاده شده در این مطالعه، مربوط به تنگه هرمز در خلیج فارس است. پس از معرفی و توسعه نشانگرهای لرزه ای ( ;1971, Balch 1979., al et Taner (دسته بندی اطلاعات در لرزه شناسی توسط Justice et al., (1985) و Sonneland (1983) مطالعات با رایانه ها مورد توجه قرار گرفت.

الگوریتم خوشه بندی k-میانگین ( ,Forgy 1966, Jancey; 1965 )از اولین الگوریتم های خوشه بندی محسوب می شود که به سرعت توسط شرکت های مختلف مورد استفاده قرار گرفت و امروزه نیز در بسیاری از نرم افزارهای تفسیری کارایی دارد.

عدادی از روش های خوشه بندی غیر نظارتی

(2002 )Laughlin and Barnes تعدادی از روش های خوشه بندی غیر نظارتی شامل k-میانگین و نقشه های خود سازمان ده را مورد تحلیل و بررسی قرار دادند و به این نتیجه ژئوفیزیک رسیدند که اهمیت انتخاب نشانگرهای مناسب به مراتب از نوع الگوریتم استفاده شده بیشتر است.

آنها در بین الگوریتم های مورد بررسی ژئوفیزیک ، نقشه های خود سازمان ده را بیشتر مورد توجه قرار دادند چرا که در این روش، از روابط چند جانبه بین خوشه ها نیز اطلاعات کسب میگردد. Uden and Strecker (2002 )را میتوان از اولین افرادی دانست که از الگوریتم نقشه های خود سازمان ده دو بعدی برای خوشه بندی داده های لرزه ای استفاده نمودند.

تهیه نقشه رخساره های لرزه ای داده های دریایی آنگوال

از نقشه های خود سازمان ده برای تهیه نقشه رخساره های لرزه ای داده های دریایی آنگوال استفاده نمود (2015)Roden et al از نقشه های خود سازمان ده برای شناسایی الگوهای موجود در پدیده های زمین شناسی استفاده نمودند. . Zhao et al(2015 )از روش های k-میانگین و نقشه های خود سازمان ده برای خوشه بندی رخساره های موجود در داده لرزه ای برداشت شده از منطقه دریایی نیوزیلند استفاده نمودند و برای منطقه مورد مطالعه چهار نوع رخساره پیشنهاد دادند.

زمین شناسی منطقه در تنگه هرمز

در این مقاله، ابتدا زمین شناسی منطقه مورد مطالعه قرار می گیرد و سپس خلاصه ای در رابطه با روش تحلیل مؤلفه اصلی (analysis component Principal )که یکی از روش های یادگیری غیر نظارتی برای آماده سازی مجموعه داده های در دسترس است ارائه می گردد. در ادامه خلاصه ای از روش های خوشه بندی استفاده شده در تفکیک رخساره های لرزه ای گوناگون شامل روش خوشه بندی k-میانگین و نقشه های خود سازمان ده مورد بحث قرار می گیرند.

بعد از معرفی داده لرزه ای مورد مطالعه، نشانگره ای لرزه ای مورد استفاده معرفی می گردند و الگوریتم های اشاره شده با استفاده از نشانگرهای انتخابی اجرا می گردند و پاسخ دریافتی از الگوریتم های گوناگون جهت تشخیص بهتر کانال های منطقه مورد مقایسه قرار می گیرند.

زمین شناسی منطقه مورد مطالعه

منطقه تنگه هرمز در جنوب شرقی استان هرمزگان و در حد فاصل خلیج فارس و دریای عمان قرار دارد. منطقه مورد مطالعه بخش شرقی خلیج فارس و در جنوب شرقی جزیره الرک در تنگه هرمز است که در شکل 1 قابل مشاهده است. این منطقه در محل تلاقی چند پهنه زمین شناسی قرار دارد.

در واقع، کمربند چین خورده زاگرس در شمال غربی تشخیص کانال، سکوی عربی در جنوب غربی، حوضه مکران در شمال شرقی، کوه های عمان و شبه جزیره مسندام در جنوب شرقی، این پهنه های زمین شناسی را تشکیل می دهند.

چین خوردگی و راندگی در زیر سطح ناپیوستگی قاعده گوری حاکی از عملکرد مراحل اولیه فاز کوه زایی زاگرس (میوسن زیرین) است (2008)., al et Alsouki شکل 2 جدول چینه شناسی منطقه هرمز را نشان میدهد.

مروری بر روش های یادگیری غیرنظارتی

یادگیری غیرنظارتی تشخیص کانال نوعی از یادگیری سامانه (Machine learning) است که در آن، داده های ورودی به سامانه بدون برچسب می باشند.

تحلیل مؤلفه اصلی

یکی از روش های یادگیری غیر نظارتی، تحلیل مؤلفه اصلی است که روشی برای خوشه بندی اطلاعات نیست، بلکه جهت کاهش ابعاد داده ها، استخراج مشخصه تشخیص کانال ، کاهش افزونگی اطالاعات (Redundancy ) و تجسم اطلاعات مورد استفاده قرار میگیرد (2006, Bishop )در رابطه با کاهش افزونگی داده ها، اکثر اطلاعات مفید و مورد نیاز در چند مؤلفه اصلی اول حفظ میشوند و مؤلفه های دیگر دارای نوفه بیشتری می باشند.

مؤلفه های اصلی یک ماتریس

مؤلفه های اصلی یک ماتریس از تجزیه مقدار تکین کوواریانس آن ماتریس محاسبه میگردد. سپس با تصویر نمودن تعداد مورد نظر از بردارهای ویژه به دست آمده از تجزیه تکین ماتریس کواریانس بر ماتریس داده های لرزه ای، ابعاد این ماتریس کاهش می یابد. فرض نمایید از سه نشانگر لرزه ای استفاده گردد، در این صورت ماتریس داده های لرزهای (A )مورد مطالعه 3 بعدی خواهد بود. برای محاسبه ماتریس کوواریانس از رابطه (1 )استفاده میگردد:

(1)

که m تعداد بردار نشانگرها است. سپس برای کاهش ابعاد این ماتریس از 3 بعد به 2 بعد، ماتریس داده های لرزه ای در دو بردار ویژه اول از ماتریس کواریانس ضرب می گردد تشخیص کانال و بنابراین ماتریس نشانگر ها در این فضای دو بعدی تصویر میگردد و ماتریس حاصل دارای m سطر و دو ستون خواهد بود.

باید توجه شود که دو مشخصه فعلی حاصل ترکیب سه نشانگری هستند که به عنوان ورودی تحلیل مؤلفه اصلی مورد استفاده قرار گرفته اند و بنابراین برابر با هیچ یک از این سه نشانگر نمی باشند.

برای تعیین تعداد مؤلفه های اصلی مناسب جهت انجام مطالعات بعدی از طیف ویژه  (Eigenspectrum )استفاده می گردد تا مشخص شود چه تعداد از مؤلفه های اصلی بیشترین اطلاعات را ارائه می نمایند (2015, Roden et al (در این مطالعه از تحلیل مؤلفه اصلی به عنوان مرحله اول از اجرای دیگر الگوریتم ها استفاده شده است تا ابعاد داده های ورودی به این الگوریتم ها را به دو بعد کاهش دهد. روند نمای اجرای ابن الگوریتم را میتوان در شکل 3 مشاهده کرد.

روش K-میانگین

روش خوشه بندی k-میانگین (1967, MacQueen (را احتمالا میتوان ساده ترین الگوریتم خوشه بندی دانست که در بسیاری از نرم افزار های تفسیری نیز مورد استفاده قرار گرفته است.

بعد از تشخیص تعداد خوشه ها، برای شروع تکرار، مرکز خوشه ها به صورت شبکه ای و یا اتفاقی تعیین می شود. سپس فاصله هر نقطه از داده های ورودی با مراکز خوشه محاسبه می گردد و هر نمونه به نزدیکترین خوشه تعلق می گیرد.

در این مرحله از نمونه های موجود در هر خوشه میانگین گرفته می شود و مرکز خوشه ها به این نقاط منتقل می گردند و تکرار بعد برای تعلق دادن دوباره نمونه ها به خوشه ها برحسب فاصله آنها با مراکز جدید انجام می گیرد. اگر k خوشه وجود داشته باشد، این فرآیند تقریباً با k تکرار همگرا می شود Zhao et al (2015) محاسبه فاصله نمونه ها با مراکز هر خوشه با استفاده از فاصله اقلیدسی انجام می گیرد.

اجرای الگوریتم k-میانگین سریع و ساده است ولی این نوع خوشه بندی بدون ساختار است و اطلاعاتی از رابطه بین یک خوشه با خوشه های دیگر ارائه نمی گردد.

جهت کسب اطلاعات بیشتر با آسیا ژئوفیزیک و ژئوتکنیکی تماس بگیرید.

اینستاگرام آسیا ژئوفیزیک