پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,506 |
| تعداد مشاهده مقاله | 124,125,609 |
| تعداد دریافت فایل اصل مقاله | 97,233,928 |
نمایش کانال‌های مدفون با استفاده از روش تحلیل مولفههای اصلی | ||
| فیزیک زمین و فضا | ||
| مقاله 4، دوره 40، شماره 1، اردیبهشت 1393، صفحه 45-56 اصل مقاله (1.99 M) | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2014.36695 | ||
| نویسندگان | ||
| مهدی صادقی1؛ امین روشندل کاهو* 2؛ حمیدرضا سیاه‌کوهی3؛ علیرضا حیدریان4 | ||
| 1دانشجوی کارشناسی ارشد ژئوفیزیک (لرزه‌شناسی)، دانشگاه صنعتی شاهرود، ایران | ||
| 2استادیار، دانشکده معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، ایران | ||
| 3استاد، گروه فیزیک زمین، موسسه ژئوفیزیک دانشگاه تهران، ایران | ||
| 4دانشجوی دکتری ژئوفیزیک، موسسه ژئوفیزیک، دانشگاه تهران، ایران | ||
| چکیده | ||
| امروزه تحلیل سری‌های زمانی در مطالعات لرزه‌ای دارای کاربردهای فراوانی هستند. با توجه به اینکه زمین در مقابل انتشار امواج لرزه‌ای مانند یک فیلتر پایین‌گذر عمل می‌کند، موجب تغییر محتوای بسامدی امواج لرزه‌ای با زمان می‌شود. نمایش زمان – فرکانس یکی از ابزارهای مناسب تحلیل سیگنال‌های لرزه‌ای با محتوای فکانسی متغیر با زمان می‌باشند. تجزیه طیفی یک داده سه‌بُعدی لرزه‌ای، به‌ازای هر بسامد مکعبی هم‌بُعد با خود داده لرزه‌ای ایجاد می‌کند. استفاده هم‌زمان از این حجم زیاد داده، هم از نظر محاسباتی و هم از نظر تفسیری بسیار مشکل است. روش‌های گوناگونی برای کاهش حجم داده‌ها و در عین حال استفاده از تمامی اطلاعات موجود در هر مکعب‌های تک بسامد وجود دارد. در روش برانبارش رنگی، تصاویر RGB با استفاده از سه مقطع تک‌بسامد مجزا تهیه و اطلاعات مورد استفاده در نمایش، نسبت به روش تک‌بسامد سه برابر می‌شود. با این وجود، حجم زیادی از اطلاعات هنوز نادیده گرفته شده است. به‌منظور حل این مشکل روش آنالیز مولفههای اصلی برای کاهش حجم داده‌ها و استفاده از تمام اطلاعات موجود، پیشنهاد گردید. در این مقاله به‌منظور شناسایی کانال‌های مدفون در داده‌های لرزه‌ای سه‌بعدی ابتدا با تولید تصاویر تک‌بسامد و برانبارش رنگی آنها وابستگی کیفیت تصاویر تولیدی آنها به مولفههای بسامدی انتخابی نشان داده می‌شود و در ادامه با اِعمال روش تحلیل مولفههای اصلی روی تصاویر تک‌بسامد فقط با تولید یک تصویر که شامل همه مولفههای بسامدی است، این وابستگی برطرف می‌شود. نتایج به‌دست آمده نشان داد که تصاویر حاصل از تحلیل مولفههای اصلی، جزئیات بیشتری دارند و شاخه‌‌های کانال را دقیق‌تر از سایر روش‌‌ها نشان می‌‌دهند. | ||
| کلیدواژه‌ها | ||
| کانال‌های مدفون؛ تجزیه طیفی؛ تبدیل فوریه زمان کوتاه؛ تبدیل S؛ روش تحلیل مولفههای اصلی؛ برانبارش رنگی | ||
| عنوان مقاله [English] | ||
| Demonstrating buried channels using principal component analysis | ||
| نویسندگان [English] | ||
| Mahdi Sadeghi1؛ Amin Roshandel2؛ Hamid Reza Siahkoohi3؛ Alireza Heydarian4 | ||
| 1M.Sc. Student, School of Mining, Petroleum and Geophysics, Shahrood University of Technology, Iran | ||
| 2Assistant Professor, School of Mining, Petroleum and Geophysics, Shahrood University of Technology, Iran | ||
| 3Professor, Earth Physics Department, Institute of Geophysics, University of Tehran, Iran | ||
| 4Ph.D. Student, Institute of Geophysics, University of Tehran, Iran | ||
| چکیده [English] | ||
| Spectral decomposition of time series has a significant role in seismic data processing and interpretation. Since the earth acts as a low-pass filter, it changes frequency content of passing seismic waves. Conventional representing methods of signals in time domain and frequency domain cannot show time and frequency information simultaneously. Time-frequency transforms upgraded spectral decomposition to a new level and can show time and frequency information simultaneously. Time-frequency transforms generate high volume of spectral components, which contain useful information about the reservoir and can be decomposed into single frequency volumes. These single frequency volumes can overload the limited space of computer hard disk and are not easy for an interpreter to investigate them individually; therefore, it is important to use methods to decrease volume with no information lost, so frequency slices are separated from these volumes and used for interpretation. An expert interpreter can achieve some information about channel content and lateral variation is of thickness. Since different frequencies contain different types of information (low frequencies are sensible to channel content and high frequencies are sensible to channel boundaries), these slices cannot show this information simultaneously. Therefore RGB images can be produced by plotting three different frequency slices against red, green and blue components. An RGB image, sometimes referred to as a true color image, it is an image that defines red, green, and blue color components for each individual pixel and has intensity between 0 and 1. Although this method obviates some drawbacks of single frequency plots, but it uses only three slices and practically ignores a big part of information and the frequency choice is not clear, so different choices will result to different images. Principal component is a statistical method for identifying patterns in data and expressing them in a way to highlight their similarities and differences. In order to find major patterns in data this technique reduces the number of dimensions of data without the loss of information. Principal component analysis introduces new set of orthogonal axes through data set called “eigenvectors” which data variance along them is maximized and have the importance proportional to their corresponding eigenvalues. The projection of single frequency slices onto eigenvectors is called “principal component (PC) bands”. The amount of total variance that each PC band represents is proportional to its eigenvalue, thus after normalizing the total sum of all eigenvalues, each eigenvalue represents the percentage of total spectral variance that its corresponding principal component can represent. So the first PC band (having largest eigenvalue) best represents the spectral variance in data, the second PC band (having the second largest eigenvalue) best represents the spectral variance in data which is not represented by the first PC and so on. Therefore PC bands with the smallest eigenvalues will represent a small portion of variance and can be deduced as random noise. So choosing the PC bands with the largest eigenvalues can be an effective way for data denoising, image processing and in our case determining the major trends in data set. We can represent more than 80 percent of spectral variation by plotting three largest principal components against red, green and blue components in a RGB image. In this paper, we applied spectral decomposition on land seismic data of an oil field in south-west of Iran using short time Fourier transform (STFT) and S transform. Then we constructed single frequency slices and investigated them. We produced RGB images by color stacking method and improved interpretation. Finally we used principal component analysis to use all the frequency bandwidth. Our results showed that PCA based images showed channel and its branches in a more precise manner than the other methods. | ||
| کلیدواژه‌ها [English] | ||
| Buried channels, Spectral decomposition, Short time Fourier transform, S transform, Principal component analysis, Color stacking method | ||
|
آمار تعداد مشاهده مقاله: 2,704 تعداد دریافت فایل اصل مقاله: 1,694 |
||