پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,097,779 |
| تعداد دریافت فایل اصل مقاله | 97,205,435 |
استفاده از نشانگر لرزه‌ای شباهت در شناسایی ریزگسل‌های سازند گازی خانگیران | ||
| فیزیک زمین و فضا | ||
| مقاله 3، دوره 37، شماره 1 - شماره پیاپی 495065، اردیبهشت 1390 اصل مقاله (963.14 K) | ||
| نویسندگان | ||
| علی هاشمی‌گازار1؛ عبدالرحیم جواهریان2 | ||
| 1کارشناس ارشد ژئوفیزیک، گروه فیزیک زمین، مؤسسة ژئوفیزیک دانشگاه تهران، ایران | ||
| 2استاد بازنشسته، گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران و استاد دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر، تهران، ایران | ||
| چکیده | ||
| امروزه استفاده از نشانگرهای لرزه‌ای برای تفسیر بهتر داده‌های لرزه‌ای کاربرد فراوانی یافته است. از جمله این نشانگرها می‌توان به نشانگرهای همدوسی اشاره کرد. همدوسی لرزه‌ای، یک نشانگر ردلرزه مختلط و هندسی است که روی مکعبی از داده‌های لرزه‌ای سهبُعدی اعمال می‌شود. همدوسی لرزه‌ای کمّیتی از تغییرات جانبی در مقاومت لرزه‌ای است که بر اثر تغییرات ساختاری، چینه‌شناسی، سنگ‌شناسی، تخلخل و وجود هیدروکربور به‌‌وجود می‌آید. هنگامی‌که نشانگرهای همدوسی روی داده‌های لرزه‌ای اعمال شوند، پیوستگی میان دو یا چند ردلرزه را در پنجره تحلیل نشان می‌دهند که میزان پیوستگی لرزه‌ای، خود نشانه‌ای از پیوستگی زمین شناسی است. مکعب لرزه‌ای سهبُعدی همدوسی در تشخیص گسل‌ها بسیار موثر است. سه راه حل موجود برای محاسبه همدوسی عبارت‌اند از شباهت، همبستگی عرضی و ساختار ویژه. در این مقاله الگوریتم همدوسی شباهت که کُد مربوط به آن در محیط Matlab نوشته شده است روی داده‌های سهبُعدی مصنوعی و نیز داده‌های واقعی یکی از مناطق نفتی واقع در شمال شرق ایران اعمال می‌شود تا کارایی آن در شناسایی گسل‌های کوچک‌‌مقیاس مورد بررسی قرار گیرد. نتایج این روش با روش ساختار ویژه که روی همین داده‌ها اعمال شده بود، مقایسه می‌شود. این تحقیق نشان می‌دهد که الگوریتم همدوسی شباهت، مکعب همدوسی بهتری را نسبت به مکعب ساختار ویژه فراهم می‌کند. | ||
| کلیدواژه‌ها | ||
| ریزگسل‌ها؛ ساختار ویژه؛ مکعب داده‌های لرزه‌ای سهبُعدی؛ نشانگر شباهت؛ نشانگر لرزه‌ای همدوسی؛ همبستگی عرضی | ||
| عنوان مقاله [English] | ||
| Using semblance based coherency to detect micro faults in the Khangiran gas field | ||
| نویسندگان [English] | ||
| Ali Hashemi Gazar1؛ Abdolrahim Javaherian2 | ||
| چکیده [English] | ||
| Seismic attributes are very useful in seismic data interpretation. One of these attributes is the coherency attribute. Seismic coherency is a complex trace and a geometrical attribute that is applied to a 3D cube of seismic data. It is a measure of lateral changes in acoustic impedance caused by the variation in structure, stratigraphy, lithology, porosity, and the presence of hydrocarbons. When coherency attributes are applied to seismic data, they show the continuity between two or more traces of the seismic window. The rate of the seismic continuity is a sign of geological continuity. The 3D seismic coherency cube can be extremely effective in delineating faults. To calculate the attribute of coherency, there are three solutions: semblance, eigenstructure and cross correlation. Inputs of these algorithms are 3D seismic data. Similar traces are mapped with high coherence coefficients and dissimilar traces take lower coefficients. In this paper, we designed the semblance based coherency algorithm in Matlab and applied it to the synthetic data. For this purpose, we generated several 3D synthetic seismic cubes including micro-faulted horizontal, dipping, and cross dipping layers. We also studied the effect of the dominant frequency, signal to noise ratio and the size of the analysis cube in calculating coherency attributes. We used a Ricker wavelet with the dominant frequency of 30 Hz for horizontal layers and 35 Hz for dipping layers and signal to noise ratio of 1. We applied all three approaches of coherency attributes on a data set from the Khangiran gas field in NE Iran. This method is employed using, as narrow as possible, a temporal window analysis typically determined by the highest usable frequency in the input seismic data. Near-vertical structural features, such as faults are better enhanced when using a longer temporal analysis window. By this algorithm, we were able to balance the conflicting requirements between maximizing lateral resolution and increasing S/N ratio. We studied the applicability of this algorithm to detect faults with minor-displacements and compared the results of this method with eigenstructure and cross correlation over the same data set. It provides better results compared with the other two methods. This study shows that the semblance-based coherency algorithm provides a better coherency cube than the eigenstructure-based coherency cube. | ||
| کلیدواژه‌ها [English] | ||
| 3D Seismic data cube, cross correlation, eigenstructure, micro faults, Seismic coherency attribute, semblance | ||
|
آمار تعداد مشاهده مقاله: 2,925 تعداد دریافت فایل اصل مقاله: 1,888 |
||