وارون سازی لرزه ای با استفاده از الگوریتم مولد-تخاصمی برای اکتشاف ذخایر هیدروکربوری

برداشت لرزه ای ابزاری بسیار مهم و اساسی در اکتشاف و تحقیقات مرتبط با ذخایر هیدروکربوری است . یکی از روشهای اصلی برای مطالعه و بررسی خصوصیات لایه های زیر سطحی ، وارونسازی دادههای لرزهای است . این روش بسیار پیچیده و چالش برانگیزی است و برای بهبود آن به جای توسعه روشهای سنتی ، از الگوریتم های یادگیری عمیق مولد-تخاصمی که یک الگوریتم یادگیری عمیق است بهره برده ایم .در این تحقیق ، ما با استفاده از الگوریتم یادگیری عمیق مولد-تخاصمی چالش هایی مانند محاسبه ماتریس وارون، موجک اولیه وباند فرکانسی محدود دامنه های لرزهای برطرف کردیم . نتیجه این کار بهبود چشمگیری در دقت و کیفیت ارائه نتایج داشته ودر فرآیند وارونسازی لرزهای تاثیر بسزایی داشته است . نتیجه وارون سازی لرزه ای بر روی دادههای واقعی یک میدان نفتی در ایران با استفاده از الگوریتم یادگیری عمیق مولد -تخاصمی دقتی بالغ بر ۵.۹۷ درصد را ارائه داده است . همچنین ، میزان میانگین دوم خطای برای ۵ چاه تست کمتر از ۱۲۵ واحد مقاومت صوتی بوده. این نشان می دهد که این روش با موفقیت امپدانس های صوتی را برای مطالعات زیرزمینی بهبود داده است .با استفاده از الگوریتم مولد-تخاصمی در وارونسازی لرزهای، ما روشی به روز و بسیار کارآمد را ارائه داده ایم که بهبود قابل توجهی را در دقت و کیفیت نتایج حاصل از مطالعات لرزهای ارائه می دهد. این اقدام می تواند فرآیند وارونسازی لرزهای را بهبود بخشد و تحقیقات مرتبط با ذخایر هیدروکربوری را به سطح جدیدی از دقت و دانش برساند.

کلیدواژه ها:

یادگیری عمیق ، الگوریتم مولد-تخاصمی ، وارونسازی لرزهای ، دادههای لرزهای ، اکتشاف ذخایر هیدروکربوری