انتخاب روش آناليز نشانگرهاي لرزه اي به منظور تخمين تخلخل مخازن در تفسير لرزه اي

Choosing the Method of Seismic Attributes Analysis for Estima tion of Reservoir Porosity in Seismic Interpretation

پيشرفت تكنولوژيهاي سه بعدي و چهاربعدي داده هاي لرزه اي از يك سو و افزايش قدرت محاسباتي از سوي ديگر منجر به گسترش فراوان كاربرد نشانگرهاي لرزه اي و درنتيجه امكانپذيري شناسايي پارامترهاي مخزني نظير تخلخل در تفسير لرزه اي شده است. امروزه انواع روشهاي آناليز به مفسران اجازه اعمال تبديلات خطي را براي ادغام نشانگرهاي مختلف، مقايسه اشتراك نسبي و نقش هريك در فرآيند دسته بندي ميدهد؛ اما درصورت افزايش پيچيدگي داده هاي لرزه اي و يا تعداد نشانگرهاي مورد آناليز، موضوع مشكلتر ميشود. لذا نياز روزافزوني به تعيين زيرمجموعه ها و تركيب نشانگرهائي كه قادر به روشن ساختن هرچه بهتر خواص زمين شناسي و مخزني باشد و به تبع آن، تخمين هرچه دقيقتر اين پارمترها به منظور افزايش اطمينان در تصميم گيريها وجود دارد. در اين راستا پس از مطالعه اي دقيق، ارزيابي همزمان نتايج آناليز چندنشانگري بر پايه روش رگرسيون مرحله اي در كنار آناليز شبكه عصبي احتمالاتي ميتواند مفيد باشد.

Technological developments in 3D and 4D seismic data on the one hand and Increase in computing power on the other hand, has caused a great spreading the application of seismic attributes. Thus, identification of reservoir parameters such as porosity is possible in seismic interpretation. Nowadays kinds of analysis method allow to interpreters use the linear transformation for integration of various attributes, comparison of relative subscription and each role in classification processing. In case of increasing complexity of seismic data or the number of attributes analyzed, problem becomes more difficult. So there is an increasing need to determining subsets and mix of attributes which be able to more clear characterization of geology and reservoir and subsequently more accurate estimate of this parameter in order to increase confidence in decisions. In this regard, after a detailed study, simultaneous evaluation of multi-attribute analysis result based on stepwise regression method alongside of probabilistic neural network analysis result can be useful