Zeitschrift für Geologie und Geophysik
Offener Zugang

Abstrakt

Grundrelief eines Sedimentbeckens unter Verwendung von Schwerkraftdaten aus einem Deep-Neural-Network-Ansatz

Chandra Prakash Dubey*, Madhusree Majhi, Laxmi Pandey

Durch das Absinken der Erdkruste konnten sich Sedimente auf einem Grundgebirge aus magmatischen und metamorphen Gesteinen in Form eines Sedimentbeckens ansammeln. Diese Sedimente und die damit verbundenen Flüssigkeiten werden im Laufe der Zeit durch verschiedene physikalische Ereignisse wie Verdichtung und Erhitzung chemisch und mechanisch umgewandelt. Dadurch werden sie zum Reservoir der Energieressourcen Erdöl, Erdgas, Kohle, Erdwärme und Uran usw. Ihre Entstehung, Entwicklung und ihr Verschwinden stehen in direktem Zusammenhang mit plattentektonischen Bewegungen und anderen wichtigen geologischen Ereignissen, um die Evolutionsgeschichte zu verstehen. Daher ist es sehr wichtig, die Dicke der Sedimente im Hinblick auf das Grundgebirgerelief zu bewerten, um die Ablagerungsverhältnisse und Beckenbildungsfaktoren hervorzuheben. Hier haben wir einen auf MATLAB basierenden Ansatz mit künstlichen neuronalen Netzwerken entwickelt, um die Tiefe eines Sedimentbeckens unter Berücksichtigung der Dichtevariation mit der Tiefe zu ermitteln. In dieser Arbeit wird zunächst mithilfe eines 2D-Rechteckprismas ein synthetisches Modell erstellt und später mit einem 5 %igen weißen Rauschen gaußscher Verteilung gestört. Ein überwachter Lernprozess wird verwendet, um das neuronale Netzwerk zu trainieren, und Backpropagation mit stochastischer Gradientenabstiegstechnik wird verwendet, um die Netzwerkausgabe zu optimieren. Das Prismenmodell wird dann verwendet, um ein synthetisches Sedimentbecken zu erstellen, um das Tiefenprofil mit bekanntem Dichtekontrast unter Verwendung berechneter Schwerkraftdatensätze zu bestimmen. Nachdem diese Optimierung für verschiedene synthetische Modelle überprüft wurde, wird die Technik auf reale Daten aus dem Sayula-Becken in Mexiko angewendet und die Ergebnisse werden mit früheren Tiefen des Grundgebirges verglichen, um ihre Wirksamkeit zu bestätigen. Das Neue am vorgeschlagenen neuronalen Netzwerkansatz ist die schnelle und effiziente Berechnung ohne anfängliche Modellannahmen, die komplexe Input-Output-Beziehungen sehr effizient abbilden kann, wo andere Optimierungsverfahren in diesem Segment versagen.