کاربرد تحلیل مؤلفه‌ی اصلی در تفسیر افق‌های لرزه‌یی

نوع مقاله : یادداشت فنی

نویسندگان

1 گروه معدن، دانشگاه صنعتی بیرجند

2 دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر

3 دانشکده مهندسی برق و کامپیوتر، دانشگاه تهران

چکیده

یکی از مهم‌ترین مراحلِ تفسیر داده‌های لرزه‌یی، ردیابی افق‌های خاصی است که از نظر چینه‌شناسی حائز اهمیت‌اند. وجود نوفه در داده‌ها این مرحله از تفسیر را دچار مشکل می‌کند. در این نوشتار، با به‌کارگیری روش تحلیل مؤلفه‌ی اصلی و انتخاب پنجره‌یی باریک از مقطع مهاجرت داده شده، که در آن بازتاب‌ها تقریباً افقی‌اند، یک ردلرزه به‌دست می‌آید که در آن نوفه تضعیف شده و افق‌های ضعیف ممکن است آشکار شوند. در این مطالعه، این روش با استفاده از برنامه‌نویسی در محیط MATLAB روی داده‌های مصنوعی و واقعی اعمال شده است. مدل مصنوعی اول همان مدل لایه‌های افقی، و مدل مصنوعی دوم یک طاقدیس است که در هر دو مدل لایه‌هایی با اختلاف مقاومت صوتی کم تعبیه شده است. در مدل‌های مصنوعی نوع موجک لرزه‌یی، فرکانس غالب آن و پهنای پنجره‌ی انتخابی داده مورد ارزیابی قرار گرفته است. نتایج به‌دست آمده نشان می‌دهد که این روش قادر است بازتاب‌های ضعیف را تا نسبت سیگنال به نوفه‌ی ۰٫۲ بر روی مقاطع لرزه‌یی مصنوعی آشکار کند. نتایج حاصل روی مدل طاقدیس نشان می‌دهد که انتخاب پنجره‌ی داده در محل بازتاب‌های افقی شرط لازم برای کارایی این روش است. همچنین بازدهی این روش به نوع موجک لرزه‌ییبستگی ندارد. داده‌ی واقعی استفاده شده، قسمتی از مقطع لرزه‌یی منطقه‌ی جفیر در جنوب غربی ایران است.

کلیدواژه‌ها


عنوان مقاله [English]

PRINCIPAL COMPONENT ANALYSIS APPLIED TO SEISMIC HORIZON INTERPRETATIONS

نویسندگان [English]

  • H. Sabeti 1
  • A. Javaherian 2
  • B. N. Araabi 3
1 Mineral Group Birjand University of Technology
2 Dept. of Petroleum Engneerin Amirkabir University of Technology
3 Dept. of Electrical and Computer Engineering University of Tehran
چکیده [English]

One of the most important stages in seismic interpretation is picking especial horizons in order to detect their underground downward and upward movements in an oilfield. Background noise, however, causes many dif- ficulties to this end. Considering a narrow window of a seismic section, whose re ectors are nearly horizontal, and applying a multivariate statistical method called the Principal Component Analysis, we find the largest eigenvalue that has the most contribution to the variance of data. Lower eigenvalues are subject to noise. Projecting data onto an eigenvector associated with the largest eigenvalue, we obtain a trace with sharper peaks and troughs. This method is applied to two synthetic models; horizontal re ectors and anticline. We, also, examine

the window length and dominant frequency of the seismic wavelet. Obtained trace with significantly attenuated noise can be used for tracking weak horizons in a seismic section with a signal-to-noise ratio of 0.2. Dominant frequency cannot change the result considerably. Optimum window length is the area in which re ectors are horizontal. It is also applied to the real data of an

oilfield in S.W. Iran. The obtained results were useful in picking some important horizons.