Search

Μεταπτυχιακή διατριβή που υποβλήθηκε στη σχολή ΜΗΧΟΠ του Πολυτεχνείου Κρήτης για την πλήρωση προϋποθέσεων λήψης του μεταπτυχιακού διπλώματος ειδίκευσης:"Γεωτεχνολογία και Περιβάλλον". Περίληψη: Ο προσδιορισμός του χρόνου της πρώτης άφιξης σε σεισμικά δεδομένα είναι απαραίτητος για την εκτέλεση υπολογισμών στατικής διόρθωσης ή υπολογισμούς τομογραφίας καθοδικών κυμάτων (diving wave tomography). Η επιλογή των χρόνων πρώτων αφίξεων είναι ένα πρόβλημα αναγνώρισης μοτίβων και ως εκ τούτου συνεπάγεται σημαντική ανθρώπινη προσπάθεια. Επιπλέον, καθώς αυξάνεται ο αριθμός των σεισμικών αισθητήρων, γίνεται όλο και πιο δύσκολο για τους αναλυτές να επιλέξουν σεισμικές φάσεις τόσο χειροκίνητα όσο και αναλυτικά, παρόλα αυτά οι προσπάθειες αυτές είναι θεμελιώδεις. Παρά τις βελτιώσεις που έγιναν τα τελευταία χρόνια με τις μεθόδους αυτόματης επιλογής πρώτων αφίξεων, εξακολουθεί να είναι πολύ δύσκολο να προσομοιαστούν τα αποτελέσματα που προκύπτουν από έμπειρους αναλυτές, με ένα πιο λεπτό ζήτημα να είναι το γεγονός ότι διάφοροι γεωφυσικοί αναλυτές επιλέγουν πρώτες αφίξεις με διαφορετικούς τρόπους, κάτι που μπορεί να εισάγει μεροληψία (bias) στα δεδομένα. Από τα παραπάνω γίνεται φανερό ότι πρέπει να εισαχθεί ένας πιο αξιόπιστος και ακριβής τρόπος αυτόματης επιλογής χρόνου διαδρομής. Με τη χρήση των νευρωνικών δικτύων που γίνονται όλο και πιο δημοφιλή στις γεωφυσικές εφαρμογές, λόγω των δυνατοτήτων τους ως καθολικών προσεγγιστών (global approximators), είναι δηλαδή εργαλεία που μπορούν να προσεγγίσουν οποιαδήποτε συνεχή συνάρτηση με ακρίβεια και ως εκ τούτου καθιστούν έναν πολύ ελπιδοφόρο τρόπο αυτόματης επιλογής πρώτων αφίξεων επεξεργασίας σεισμικών δεδομένων. Σε αυτή την εργασία, εισάγονται και επεξεργάζονται σεισμικά δεδομένα και στη συνέχεια εκπαιδεύονται τεχνητά νευρωνικά δίκτυα. Επιλέγεται το δίκτυο με τις καλύτερες επιδόσεις και χρησιμοποιείται για την αυτόματη επιλογή των συμβάντων πρώτης άφιξης σε σεισμικά δεδομένα. Χρησιμοποιώντας την έξοδο του νευρωνικού δικτύου έναντι της εξόδου από έναν έμπειρο χρήστη, προκύπτουν χρήσιμα συμπεράσματα. Έχοντας ένα μεγαλύτερο σύνολο δεδομένων εισόδου βελτιώνεται η απόδοση του δικτύου και ο αριθμός των κόμβων συμβάλλει θετικά στα αποτελέσματα, αλλά μετά από ένα συγκεκριμένο σημείο δεν υπάρχει περαιτέρω βελτίωση Summarization: The time of the first-arrival in seismic data, is essential for performing refraction statics computations or diving-wave tomography calculations. Picking first-arrival times, is a pattern recognition problem and, as such, involves a substantial amount of human effort. Furthermore, with the number of seismic sensors growing, it is becoming increasingly difficult for analysts to pick seismic phases both, manually and comprehensively, yet such efforts are fundamental. Despite the improvements made in recent years with the automatic phase picking methods, it is still very difficult to match the performance of experienced analysts, with a subtler issue being the fact that, different seismic analysts may pick phases in different ways, which most of the times can introduce bias in the data. From the above it becomes obvious that a more reliable and accurate way of automated phase picking needs to be introduced. With the use of neural networks becoming increasingly popular in geophysical applications, because of their abilities as universal approximators, they are tools that can approximate any continuous function with an arbitrary precision, and as such they make for a very promising way to automatically pick first break events and edit seismic trace data. In this thesis, a number of seismic data is imported, edited and then a number of neural networks is trained. The best performing one is chosen and used to automatically pick first break events on seismic data. Using the neural network’s output against the output from an experienced user, useful conclusions are derived. Having a larger input data set improves the output of the network and the number of nodes positively contributes to the output, but after a certain point there is no improvement.

Προπτυχιακή διπλωματική εργασία. Περίληψη: Αντικείμενο της διπλωματικής αυτής εργασίας είναι η ανάπτυξη μεθόδου επεξεργασίας θαλασσιών σεισμικών δεδομένων, με σκοπό την απομάκρυνση των ανακλάσεων που προέρχονται από την θαλασσιά επιφάνεια (φαινόμενο ghost). Το φαινόμενο αυτό παρουσιάζεται στις θαλάσσιες διασκοπήσεις επειδή η επιφάνεια της θάλασσας φέρεται σαν ένας τέλειος ακουστικός καθρέπτης και δημιουργεί επιφανειακές ανακλάσεις. Το αποτέλεσμα του φαινομένου αυτού είναι να εμφανίζονται ετεροχρονισμένες, ως προς τις ανακλάσεις που προέρχονται από τους σχηματισμούς, καταγραφές, αυξάνοντας την χρονική διάρκεια των ανακλάσεων και υποβαθμίζοντας την χρονική ανάλυση των δεδομένων. Για την επίτευξη του στόχου της εργασίας, αναπτύχθηκε ειδική μεθοδολογία στο λογισμικό Matlab™. Η μεθοδολογία αυτή, βασίστηκε στην τεχνολογία, διπλού αισθητήρα, της εταιρίας θαλάσσιων γεωφυσικών ερευνών, PGS. Η τεχνολογία αυτή κάνει χρήση 2 συνιστωσών καταγραφής των υδροφώνων, της πίεσης (P) και της κατακόρυφης ταχύτητας μετατόπισης (Vz) με σκοπό την απαλοιφή των επιφανειακών ανακλάσεων από τις καταγραφές. Αναλυτικότερα τα βασικά στάδια υλοποίησης της παρούσας μελέτης συνοψίζονται στα εξής: Αρχικά πραγματοποιήθηκε δημιουργία συνθετικών σεισμικών δεδομένων, με βάση πραγματικά δεδομένα από ένα τμήμα σεισμικής τομής της σεισμικής γραμμής AEG-1 μήκους περίπου 25km. Η γραμμή αυτή βρίσκεται πλησίον των νήσων Φολέγανδρος και Σίφνος, εντός της λεκάνης της Φολεγάνδρου. Στην συνέχεια αναπτύχθηκε μέθοδος επεξεργασίας σε περιβάλλον Matlab™ για την απομάκρυνση των ανακλάσεων από την θαλάσσια επιφάνεια και εφαρμόσθηκε στα συνθετικά δεδομένα. Ακολούθησε συμβατική επεξεργασία των δεδομένων όπου πραγματοποιήθηκε αναδιάταξη των καταγραφών κοινής πηγής σε δεδομένα κοινού ενδιάμεσου σημείου, διόρθωση της κανονικής χρονικής απόκλισης και σεισμική χωροθέτηση. Τα αποτελέσματα από την εφαρμογή της μεθόδου για την απομάκρυνση επιφανειακών ανακλάσεων, αξιολογήθηκαν και έγινε σύγκριση τους με αντίστοιχα από συνθετικό μοντέλο. Το μοντέλο αυτό δημιουργήθηκε με την χρήση ορίων απορρόφησης στην ανώτερη επιφάνεια του με αποτέλεσμα να μην παράγει επιφανειακές ανακλάσεις (φαινόμενο ghost). Συμπερασματικά, με τη μέθοδο αυτή, προκύπτουν υψηλής ευκρίνειας συνθετικά δεδομένα, απαλλαγμένα ως επί το πλείστων από επιφανειακές ανακλάσεις (φαινόμενο ghost). Τα συνθετικά αυτά δεδομένα μπορούν να χρησιμοποιηθούν σαν βάση για την καλύτερη ερμηνεία και κατανόηση των πραγματικών δεδομένων που λαμβάνονται από την περιοχή μελέτης.