Analisis struktur Platform Horda dan Cekungan Stord di Laut Utara Norwegia menggunakan metode Machine Learning

Namun, (Iacopini dan Butler, 2011, Iacopini et al., 2012) menggambarkan geometri kompleks lipatan dan . 2001) adalah: “Semua informasi yang diperoleh dari data seismik merupakan atribut seismik, baik secara langsung. Di kawasan ini terdapat tiga cekungan intrakratonik penting yang terletak di bagian atas kerak benua (Faleide et al., 2015), yaitu Himalaya. (Bjerkeli, 2019), yang menyebabkan penebalan kerak bumi dengan perkiraan kedalaman yang lebih dalam (Fauconnier et al., 2014).Soper et al., 1992) melakukan rekonstruksi lempeng tektonik.

Christiansson et al., 2000), mengidentifikasi transisi dengan kepadatan tinggi dan kecepatan tinggi pada data seismik di bawah ini melalui zona décollement lemah batuan mika di Kaledonia, sehingga menyebabkan penebalan kerak bumi. Platform Horde adalah struktur tinggi berarah NS sepanjang 300 km di atas Laut Utara bagian utara, yang kemudian menyebabkan berkembangnya sistem keretakan trilet (Davies et al., 2001). Bentuknya datar, kemiringan 60° hingga 80°, dan bagian atas Platform Horde Utara (Gambar 2.4 A), menurut (Whipp et al., 2014), terkendali.

Cekungan ini sebagian besar diisi dengan sedimen Permian-Trias (Fossen et al., 2017, Ågotnes, 2016, Fazlikhani et al.,. Struktur Devon direpresentasikan sebagai garis merah (menurut Fazlikhani et al., 2017). LSZ), Utsira Skersone ( USZ), Zona Geser Øygarden (ØSZ), Zona Geser Hardangerfjord. Ini adalah kelas algoritma pembelajaran mendalam tanpa pengawasan yang terdiri dari dua jaringan permusuhan generatif yang diperkenalkan oleh Goodfellow pada tahun 2014 (Goodfellow et al., jaringan ditunjukkan pada Gambar 3.9.

Gambar 1.1 Peta wilayah studi, termasuk ciri tektonik, sesar utama, dan data seismik

Jaringan Adversial Generatif (GAN)

Latar belakang dan motivasi Penelitian ini

Interpretasi sesar dari data seismik sangat bergantung pada akomodasi perpindahan dan deformasi ekstensif yang diakibatkannya. Ketebalan sesar sulit atau bahkan tidak mungkin diperoleh berdasarkan data seismik karena adanya rekahan bawah laut yang berhubungan dengan gempa bumi. Gunakan prediksi kesalahan ML untuk mempelajari arsitektur zona kerusakan yang dapat diperoleh dengan menggunakan metode ML.

Dari pengukuran panjang sesar di lapangan Panjang Sesar adalah dimensi sesar yang terlihat di permukaan (singkapan) atau disimpulkan sebagai panjang, lebar, perpindahan, tinggi, inti sesar dan zona kerusakan (Walsh dan Watterson, 1988, Zhou et al. , 2012, Chehrazi et al., 2013) dalam peta 2D. Teknik seperti itu, yang membantu membangun permeabilitas, biasanya gagal pada inti sesar karena struktur batuan didominasi oleh regangan tinggi. Secara umum, pengetahuan tentang struktur 3D dari sistem sesar diperlukan untuk mengevaluasi reservoir sesar pada batuan berpori tersebut (Fossen et al., 2007, Schueller et al., 2013, Schultz dan Fossen, jumlah batuan terdeformasi yang terkait dengan sesar , kernel sesar (Faulkner et al., 2011) menggabungkan data sesar normal ke dalam beberapa segmen, sehingga memungkinkan kuantifikasi penyebaran serpih di antara segmen tersebut.

Libak et al., 2017, Alaei dan Torabi, 2017) dekomposisi frekuensi terintegrasi dengan koherensi Butler, 2011, Iacopini et al., 2012) menyajikan alur kerja visualisasi untuk perairan dalam Niger 1997), yaitu patahan dan atribut gabungan harus digabungkan. eksklusif (Barnes, 2000). Beberapa diskontinuitas atau tepian dalam data seismik (Höcker dan Fehmers, 2002, Bahorich dan Farmer, . 2010) membagi zona sesar menjadi zona internal dan eksternal dan menggunakan atribut kesamaan (The.

Garis Besar Tesis

Aplikasi mesin untuk interpretasi seismik

Karakterisasi sesar pada seismik

Struktur graben dan setengah graben muncul pada fase rifting, diikuti dengan pembentukan batuan dasar dari periode Devon hingga Trias (Slagstad et al., 2011, Riber et al., 2015). Ziegler, 1990b) menguraikan fase tektonik utama untuk geologi kompleks di Laut Utara bagian utara. Bajocian hingga Callovian Tengah hingga Oxfordian terbaru (Rattey dan Hayward, 1993, Steel, Phillips et al., 2019) menunjukkan bahwa tidak ada aktivitas tektonik signifikan selama perluasan platform Horda yang bersifat diakronis (Helland-Hansen et al., 1992 , Færseth - Hansen et al., 1992) memberikan bukti lebih lanjut mengenai inisiasi patahan di sepanjang bagian barat Grup Brent (Helland-Hansen et al., 1992, Deng et al., 2017, Bell et al.,.

Gambar 2.2 Evolusi Kaledonit; Atlantik Utara, berdasarkan (Soper et al., 1992)

Algoritma Pembelajaran Mesin

Jaringan Neural Konvolusional (CNN)

Maksud dan Tujuan Penelitian

Karena sesar biasanya tersegmentasi, penting untuk mempertimbangkan panjang dan perpindahannya. mekanisme struktur, litologi, dan deformasi, sehingga menghasilkan permeabilitas yang berbeda pada segmen sesar besar langsung dari atribut seismik dan memperkirakan panjang sesar total. Perpindahan menggambarkan seluruh sejarah pergerakan sesar. Dalam beberapa tahun terakhir, pendekatan dan teknik berdasarkan atribut seismik telah dilakukan untuk pemrosesan gambar. Namun, atribut seismik dapat menyoroti fitur non-struktural yang halus.Seismologi telah sangat membantu dalam studi zona sesar dangkal dan lokasinya (Ben-Zion.

Semua elemen ini mempengaruhi wilayah studi. Gambar 2.1 Daerah penelitian ditandai dengan persegi panjang berwarna merah sesuai dengan konteks wilayah geologi Laut Utara. Bagian seismik regional dalam garis biru (Gambar 2.4) Menampilkan fitur struktural pada peta: NordfjordÿSogn Detachment Zone (NSDZ), Hardangerfjord Shear Zone (HSZ), Øygarden Fault Complex (ØFC), Tusse Fault System (TFS), Utsira Shear Zone (USZ )) dan Sistem Kesalahan Vette (VFS).

Gambar 1.2 Berbagai jenis sesar (Fragoulis., 2015).

Evolusi struktural dan tektonik regional

Jaringan Feed-Forward

Namun, hal ini mengorbankan banyak parameter yang diperlukan. Berdasarkan gagasan tentang satu lapisan tersembunyi, jaringan saraf dalam, seperti namanya. Lapisan konvolusional mempelajari variasi spasial dan temporal dalam suatu gambar Jaringan saraf konvolusional adalah jenis jaringan pembelajaran mendalam yang spesifik. Peta yang dapat diatur sendiri adalah jenis jaringan saraf yang berguna untuk pembelajaran tanpa pengawasan.

Menarik untuk dicatat bahwa (Legget et al., 1996) menggunakan .. Mengingat dasar matematika yang kuat dari SVM, sejumlah Paulson, 2003). DeVries et al., 2018) dipertanyakan oleh publikasi, “Satu neuron versus aplikasi pemrosesan, analisis dan interpretasi, serta seismologi, adalah standarnya. SVM digunakan dalam analisis data seismik awal (Li dan Schwartz, 2004), dan umumnya merupakan kombinasi dari Self-Organizing Map (SOM) dan jaringan saraf propagasi balik. Mosser dkk., 2018a, Laloy dkk., 2017).

Pendekatan ini juga baru-baru ini melihat beberapa penerapan jaringan saraf dalam (DNN) untuk memprediksi dekonvolusi gempa susulan seismik. Seismologi mengandalkan grafik untuk memprediksi parameter gempa (Kuehn dkk., Interpretasi Seismik Otomatis (Guillen dkk., 2015). Studi lain (Dalam menyerap waktu. Zeng dkk., 2019) mengatasi masalah ini dengan memperkenalkan kombinasi CNN.

Berdasarkan konsep tersebut, (Zheng et al., 2019) berfokus pada minyak dan gas. al., 2017) model, diperkenalkan dengan sedikit modifikasi untuk melakukan tugas segmentasi semantik. Jadi, untuk mengatasi masalah yang menantang ini, (Wu et al., 2020) menghadirkan solusi baru Metric Error Detection Accuracy (FDA), yang mirip dengan Crossover over Union.

Gambar 3.2 Arsitektur Jaringan Neural dari jaringan saraf feed-forward lapisan tersembunyi tunggal.

Alur kerja yang diterapkan

Data dan perangkat lunak

Kesalahan

Jaringan Neural Berulang (RNN)

Cekungan Stord merupakan setengah graben (Gambar 2.4 B) yang menutupi bagian selatan Platform Horda; Secara tektonik merupakan bagian dari Platform Horda dan bertindak sebagai sisi timur Graben Viking. Shear Zone (NSZ), Brent Shear Zone (BSZ), Tampen Shear Zone (TSZ), Lomre Shear Zone Gambar 2.6 Interpretasi peta ketebalan waktu untuk strata First Rift Event.

Stratigrafi Platform Horda dan Cekungan Stord

Sistem sesar dan struktur berikutnya di dekatnya (Whipp et al., 2014). Prototipe stratigrafi seismik Whipp et al., 2014) dan dimodifikasi dari (Bell et al., 2014).

Gambar 2.7: Seismogram sintetik yang menunjukkan litologi, karakteristik, dan karakteristik Platform Horda

Pendahuluan

Inti kesalahan dan zona kerusakan

Pembelajaran Mesin dalam geosains

Teknik berbasis atribut

Hanya satu sesar kecil dan satu sesar besar, yaitu Sesar Øygarden, yang muncul pada garis pindaian ini (Gambar 4.26).

Jaringan Neural

Aplikasi Pembelajaran Mesin untuk interpretasi kesalahan

Pendahuluan

Arsitektur U-Net

Keadaan Geologi: Evolusi Laut Utara Bagian Utara

Wilayah studi

Jaringan Neural Dalam (DNN)

Mendefinisikan praktik terbaik untuk alur kerja interpretasi sesar seismik menggunakan metode ML Tiga sub-tujuan diperlukan untuk mencapai tujuan penelitian utama yang diuraikan. Penelitian ini bertujuan untuk melatih dan menggunakan model pembelajaran mesin terawasi untuk menafsirkan kesalahan pada struktur kompleks Platform Horda dan Cekungan Stord. Menerapkan metode ML baru, Light UNet, didukung oleh CNN. pelabelan manual) seperti Inlines (bertambah setiap 10) dan Xlines (bertambah setiap 20).

Definisi dan deskripsi atribut kesalahan

Kerangka Struktural Platform Horda dan Cekungan Stord

Peta Pengorganisasian Mandiri (SOM)
Panjang sesar dan perpindahannya

Setelah pelabelan detail selesai, jalankan model U-Net ML (Gambar 3.17) untuk memprediksi kesalahan sesar pada garis inline (bertambah setiap 20) dan garis X (bertambah setiap 25) pada survei seismik ini. Jumlah sesar kecil tinggi pada kedalaman dangkal di dekat sesar besar (20 in. Gambar 4.12 menunjukkan bagian vertikal pada garis 1200 yang menyoroti sesar besar, sesar Øygarden 13 di belakang sesar Vette dan Øygarden). Gambar (4.14) menunjukkan bagian vertikal pada garis 1300 yang menyoroti sesar utama, Sesar Øygarden, khususnya pada kedalaman dangkal di atas Sungai Vette dan rendah (7) di sekitar Sesar Øygarden.

Gambar 2.3 Peta struktur waktu permukaan permo-Triassic, yang menunjukkan Laut Utara bagian utara

Diskusi

Hasil Model

Zona kerusakan ini diperkirakan meluas ke arah selatan karena terdapat sesar-sesar kecil. Gambar 4.22 menunjukkan bahwa sesar-sesar kecil lebih tersebar diantara dua sesar besar. Struktur kerak dalam di Laut Utara Viking Graben bagian utara: hasil dari data seismik dan gravitasi refleksi dalam. Dampak tektonik terhadap proses sedimen selama perkembangan Kenozoikum di Laut Utara bagian utara dan sekitarnya.

Ketidaksesuaian yang terkait dengan transisi synrift-post-rift Jurassic-Cretaceous di Laut Utara bagian utara. Penipisan kerak dan sifat perluasan di Laut Utara bagian utara dari profil refleksi seismik dalam. Perluasan Permo-Trias dan Jurassic di Laut Utara bagian utara: hasil pemodelan maju tektonostratigrafi.

Trias - Suksesi Jurassic awal di Laut Utara bagian utara: stratigrafi megasequence dan tektonik intra-Trias.