رخساره های الکتریکی در اصل یک روش قطعی یا تحلیلی برای دسته بندی چاه نگارهای (پتروفیزیکی) است که می تواند نشان دهنده تغییر ویژگی های زمین شناسی یا مخزنی باشد. در این مقاله با استفاده از چاه نگارهای پتروفیزیکی در دو چاه مغزه گیری شده از سازند سروک در یکی از میادین نفتی جنوب ایران مدل رخساره الکتریکی شامل 25 رخساره به دست آمد. این مدل بر اساس اطلاعات مغزه که نشان دهنده وجود 5 رخساره رسوبی در این سازند بود و با ترکیب رخساره های الکتریکی مشابه به یک مدل 5 رخساره ای بهینه سازی شد. با توجه به انطباق خوب نتایج مدل بهینه شده با واقعیت (در چاه های مغزه گیری شده) این مدل به تمام چاه های میدان تعمیم داده شد. در نتیجه نمونه رخساره های رسوبی در دیگر چاه های میدان شبیه سازی شد.

تحلیل رخساره های لرزه ای، فن قدرتمندی برای تعیین تغییرات خصوصیات لرزه ای تریس ها در محدوده مخزن و مرتبط کردن آنها با تغییرات خصوصیات مخزنی است. تعیین این خصوصیات از مخزن جهت ساخت مدل مخزن و برنامه ریزی عملیات تولید، حیاتی است. در این بررسی سعی در تجمیع داده های لرزه ای سه بعدی و نگاره های تخلخل موثر برای برآورد تغییرات جانبی تخلخل در مخزن میشریف (یکی از مخازن نفتی واقع در خلیج فارس) دارد. تحلیل رخساره های لرزه ای به دو روش با نظارت و بدون نظارت در محدوده مخزن صورت گرفته است. نتایج این دو روش همخوانی خوبی دارند و همچنین با داده های پتروفیزیکی چاه ها و نقشه تخلخل میانگین، که در مطالعات قبلی به دست آمده است، سازگارند. این مطالعه امکان تعریف محدوده هایی با مقادیر تخلخل میانگین زیاد و همچنین تخلخل میانگین کم را فراهم می آورد. تحلیل به روش بدون نظارت نه تنها نتایج روش تحلیل با نظارت را تایید می کند بلکه جزییات بیشتری از تغییرات جانبی رخساره های لرزه ای را به دست می دهد. مناطق با تخلخل میانگین کم بیشتر در بخش جنوبی منطقه مورد بررسی و مناطق با تخلخل میانگین زیاد، بیشتر در بخش شمالی و غربی منطقه قرار گرفته اند.

تحلیل رخساره های لرزه ای، فنی است برای به نقشه درآوردن خصوصیات و ویژگی های زمین شناسی با استفاده از اطلاعات لرزه ای. برای تحلیل رخساره های لرزه ای با استفاده از الگوریتم های یادگیری ماشین، نشانگرهای لرزه ای دسته بندی می شوند. این دسته بندی به شناسایی رخساره های مختلف درون مقاطع یا افق های لرزه ای می انجامد. . به دلیل ماهیت داده های لرزه ای، که همواره درجه ای از عدم قطعیت دارند، تنوع نشانگر های لرزه ای و الگوریتم های یادگیری ماشین می تواند در تحلیل رخساره های لرزه ای نتایج مختلفی ایجاد کند؛ به همین دلیل نیاز است مراحل مختلف تحلیل مانند انتخاب پارامترهای ورودی و الگوریتم های یادگیری ماشین، با دقت زیاد و با توجه به هدف تحلیل رخساره انتخاب شوند تا درنهایت، بتوان نقشه رخساره لرزه ای مناسبی تولید کرد. در این مطالعه، برای پیدا کردن مسیر بهینه تولید نقشه رخساره لرزه ای، روشی تعاملی با نظارت مفسر و با استفاده از نرم افزار بومی SeisART پیشنهاد می شود. در این روش، در روند اجرای تحلیل رخساره، پارامتر هایی مانند نوع نشانگرهای ورودی، تعداد خوشه، الگوریتم خوشه بندی و دسته بندی به صورت بهینه برای هدف موردنظر انتخاب می شوند و مفسر در یک روند بازگشتی و چرخشی می تواند نتایج تحلیل را با توجه به تغییر پارامترهای ورودی مقایسه کند، با در نظر گرفتن نتایج دانش بیشتری از رخساره های موجود به دست آورد و درنهایت، تحلیل رخساره مناسبی ارائه دهد. . ازآنجاکه در این روش، الگوریتم های مختلف با پارامترهای ورودی مختلف بر اطلاعات لرزه ای موجود اعمال می شوند و مفسر می تواند با توجه به کارایی هرکدام از پارامترها و روش ها، برای اعمال کردن یا نکردن آن تصمیم گیری کند، استفاده کردن از این الگوریتم پیشنهادی، این امکان را ایجاد می کند که رخساره های مختلف موجود در اطلاعات شناسایی شوند و ارتباط آنها با یکدیگر معین شود. روش پیشنهادی برای شناسایی رخساره های موجود در افق MSF4 از داده های لرزه ای سه بعدی F3 دریای شمال، آزموده شده است.

تحلیل رخساره های لرزه ای یک تکنیک قوی برای استخراج اطلاعات چینه شناسی و خواص مخزنی از داده های لرزه ای است. این تکنیک به عنوان ابزار مفیدی در مراحل مختلف اکتشاف، تولید و توسعه میادین هیدروکربنی مورد استفاده قرار می گیرد. در این تحلیل، با استفاده از چندین نشانگر لرزه ای ایجاد شده در بازه مورد نظر، نمونه های زمانی مربوط به بازتاب های لرزه ای در گروه های مشابهی دسته بندی می شود. در این تحقیق از دو رویکرد بدون ناظر و باناظر در دسته بندی رخساره های لرزه ای استفاده شده است. رویکرد بدون ناظر فقط مبتنی بر ساختار داخلی داده ها است و از هیچ گونه داده های چاه و اطلاعات زمین شناسی استفاده نمی کند. برای نرمال سازی داده های ورودی به این شبکه و نیز کاهش هر چه بیشتر تاثیر نوفه در پیوند بین بردارهای متعلق به گروه های جداگانه داده ها، از تحلیل مولفه اصلی بر روی مجموعه بردارهای ورودی استفاده می شود. در رویکرد باناظر، با استفاده از داده های نگاره های تخلخل و اشباع آب موثر چاه، عمل نظارت بر دسته بندی انجام می شود. نتایج حاصل از دو روش دسته بندی، همخوانی بالا و با داده های پتروفیزیکی چاه ها نیز سازگاری خوبی دارند. استفاده از چاه های شاخص برای نظارت بر روی دسته بندی ها، علاوه بر تخمین خواص پتروفیزیکی مورد نظر در فضای بین چاه ها، دسته بندی بدون ناظر را در بازه مخزن به خوبی تایید می کند که این امر باعث اطمینان بالایی برای استفاده از دسته بندی بدون ناظر می شود. در نتیجه، تولید نقشه های رخساره ای بدون ناظر در افق های مختلف زمانی، امکان تفسیر تغییرات خواص مرتبط با هر رخساره را فراهم می سازد. تغییرات خواص مخزنی مرتبط با هر رخساره در نقشه رخساره ای با سه کلاس، از بالا به کف ناحیه مخزنی مورد مطالعه، با تغییرات خواص پتروفیزیکی مورد بررسی همخوانی بالایی دارند.

هدف اصلی لرزه‏ نگاری بازتابی، پیگیری پدیده‏ های زیرسطحی به کمک ردلرزه ‏ها است؛ اما چالش‏ های گوناگونی در رسیدن به این هدف‏ وجود دارد. تشخیص لایه‏ ها یا پدیده‏ های زمین‏ شناسی با ضخامت کم، یکی از این چالش‏ ها است. زمانی که اهداف، مخازن هیدروکربنی باشند، مشکل دو چندان خواهد شد زیرا علاوه بر تشخیص لایه نازک، باید لایه نازک مخزنی از لایه نازک غیرمخزنی تفکیک شود. پس نیاز به وضوح بالایی هم در راستای افقی و هم در راستای قائم می‏ باشد. داده‏ های لرزه ‏ای مناطق وسیعی از محدوده رسوبی در راستای افقی و نواحی بین چاه‏ ها را پوشش می‏ دهند و داده ‏های حاصل از چاه اطلاعاتی از خواص مخزنی را در اختیار ما می‏ گذارد که قدرت تفکیک بالایی در راستای قائم دارد. بنابراین استفاده از داده‏ های لرزه‏ ای انطباقی با داده‏ های چاه، نتایج همه جانبه در تحلیل رخساره‏ ها، ارائه می‏ دهد. ما برآنیم تا با ایجاد یک الگوی کمّی، به تحلیل و طبقه ‏بندی مناسبی از رخساره ‏های لرزه ‏ای در یک سکانس کم ضخامت دست یابیم. این کار با استفاده از داده ‏های لرزه ‏ای سه بعدی واقعی و داده‏ های چاه انجام شده و در صورت امکان با رخساره‏ های رسوبی که با کمک اطلاعات زمین‏ شناسی و چاه ‏های منطقه به دست می ‏آیند، انطباق داده می‏ شوند. رویکرد تشخیص رخساره‏ های لرزه‏ ای بر اساس نشانگر شکل موج است که به محاسبه بیشترین شباهت شکل موج ردلرزه‏ ها با ردلرزه معلم در محل چاه می ‏پردازد. در نتیجه، یک روش ساده برای شناخت ویژگی های ظریف و نامحسوس زمین شناختی و ژئوفیزیکی توالی‏ های ‏زیرسطحی به کار گرفته می‏ شود که مبتنی بر ضریب همبستگی متقابل ردلرزه ‏ها است. این ضریب کمّی بوده و اعدادی پیوسته بین 1-تا 1 را نتیجه می‏ دهد. نزدیک بودن به عدد یک بیشترین میزان شباهت را دارد، پس رخساره‏ های نزدیک به ردلرزه معلم را نشان می‏ دهد. در روند کار، روش‏ های غیرنظارتی و نظارتی به صورت توأمان برقرار هستند. کدگذاری همبستگی متقابل با استفاده از داده ‏های واقعی افق جانسون از اطلاعات لرزه ‏ای سه ‏بعدی پوسایدن استرالیا آزموده خواهد شد.

چهارده نیمرخ لرزه ای شمال شرق رامسر، جنوب غرب دریای خزر، به منظور شناخت رخساره های لرزه ای، فرایندهای رسوبی و نفنتگیرهای چینه ای احتمالی در زیر خط زمانی بازتابی پلیوسن بالایی مورد بررسی قرار گرفتند چهار رخساره لرزه ای شناسایی شده است: 1) رخساره با لایه های موازی، 2) رخساره با لایه های آشفته، 3) رخساره پشته ای و 4) رخساره پیشرونده رخساره با لایه های موازی فراوان تر از سایر رخساره ها می باشد و تداوم لایه های آن به سوی حوضه افزایش می یابد. رخساره با لایه های آشفته اغلب به شکل دیاپیر شیل که در لایه های رویین خود نفوذ کرده اند دیده می شود. رسوبات عمیق شامل رخساره های پشته ای و پیشرونده می گردند که مرتبط با فرآیندهای دلتایی در شمال منطقه مطالعه هستند. الگوی بازتاب داخلی متفاوت در رخساره پشته ای نمایانگر آن است که فرایندهای رسوبی مختلفی در زمان تشکیل آن ها وجود داشته است. نفنتگیرهای چینه ای احتمالی ممکن است در پشته های رسوبی، کانال های مدفون، کلینوفرم های پیشرونده و لوب های جریان های خرده دار یافت شوند که از بین آن ها پشته های رسوبی مهم تر می باشند. پهنای بزرگ ترین پشته 18.8 کیلومتر و بلندی آن 480 متر می باشد.