ارائه روش برازش فرآيند گوسي در شناسايي گسل در مقاطع لرزه‌نگاري

Gaussian process regression in seismic fault detection

برازش فرآيند گوسي، به عنوان يك مدل احتمالاتي غيرپارامتري مبتني بر آمار بيزين، در مطالعات ويژگي‌هاي پراكنده مانند ناهنجاري‌هاي كلي بسيار توانمند است. توانمندي بارز اين فرآيند، شناسايي رفتارهاي ناهنجار از رفتارهاي هنجار مي باشد. بنابراين مي توان اين فرآيند را به عنوان يك روش در شناسايي لبه هاي گسلي در اطلاعات لرزه‌نگاري معرفي كرد. در اين مطالعه، شناسايي ناهنجاري مبتني بر برآزش فرآيند گوسي بر روي داده‌هاي لرزه‌اي مصنوعي و داده‌هاي واقعي به‌كار برده‌شده‌است. به‌منظور شناسايي لبه‌هاي گسلي، لايه‌هاي زمين‌شناسي به عنوان تعامل‌هاي نرمال درنظر گرفته شده‌اند. لبه‌هاي گسلي به‌عنوان ناهنجاري‌هاي عمومي درنظر گرفته‌شده‌اند كه منجر به برهم ريختگي رفتار نرمال بازتابنده هاي لرزه اي مي‌شود. درنهايت خطاي برازش براي جدا‌كردن گسل‌ها از ساير ناهنجاري ها استفاده شده‌است. جهت بررسي عملكرد روش برازش فرآيند گوسي، اين روش برروي يكسري مجموعه داده مصنوعي و يك مقطع دو بعدي از بلوك F3 بخش هلندي درياي شمال حاوي گسل اعمال شده‌است. نتايج نشان دهنده توانمندي اين روش در بارزكردن محل گسل مي‌باشد.

Gaussian process regression, as a nonparametric probabilistic model based on Bayesian statistics, is highly capable of supporting sparse features such as global anomalies. Detecting abnormal behavior from normal behavior makes Gaussian process regression as an edges detector where faults may occur in the seismic data. In this study, the Gaussian process regression-based anomaly detection was applied to both synthetic and real data containing normal fault to detect the fault edge. To identify the fault edges, the geological layers are considered as normal interaction and the fault edge as a global anomaly which disrupts the normal behavior of layers. The error of regression is analyzed to separate the fault edge. To evaluate the proposed method, it was applied on a series of synthetic seismic data and a real 2D seismic section of F3 block of the North Sea containing the fault. The results show the ability of this method in fault detection