@article { author = {Taiebi, F. and Akbarizadeh, G. and Farshidi, E.}, title = {Detection of Reservoir Fractures based on Directional Texture Analysis and Self-Organizing Map}, journal = {TABRIZ JOURNAL OF ELECTRICAL ENGINEERING}, volume = {48}, number = {2}, pages = {745-761}, year = {2018}, publisher = {Faculty of Electrical & Computer Engineering}, issn = {2008-7799}, eissn = {2538-3051}, doi = {}, abstract = {Due to the significant impact of fractures on the better and more effective production and harvesting, the identification of this phenomenon is a very important. Imaging logs are very powerful tools to study the fractures in the boreholes. In an imaging log, a fracture is seen in the form of a sine curve. In this paper, first, the useful features are extracted by using feature extraction methods such as the Gabor filter bank, Zernike moments, Hu's seven invariant moments and directional Walsh-Hadamard transform, and then, a SOM neural network is used to classify the imaging log. The experimental results showed that the proposed algorithm is able to detect the existing fractures successfully with high accuracy in the imaging logs. In the proposed algorithm, the feature extraction methods are used, which are suitable for extracting the feature of texture objects. The results show that the accuracy of the proposed method is very high to extract fracture pixels, and it has also low sensitivity to noise in the imaging logs. The proposed algorithm in this paper was applied to two types of FMI and RMI image datasets, and the result of the classification has better accuracy in comparison with other algorithms.}, keywords = {Fracture,imaging log,sine curve,feature extraction,Gabor filter bank,Zernike moments,Hu's seven invariant moments,directional Walsh-Hadamard transform,SOM neural network}, title_fa = {آشکارسازی شکستگی‌های سنگ مخزن مبتنی بر آنالیز بافت جهتی و نگاشت خودسازمان‌ده}, abstract_fa = {به‌دلیل تأثیر بسزایی که شکستگی‌ها بر تولید و برداشت بهتر و مؤثرتر از چاه دارند، شناسایی این پدیده‌ها، موضوعی بسیار بااهمیت است. نمودارهای تصویری، ابزار بسیار قوی برای مطالعه شکستگی‌ها در چاه‌ها هستند. در یک نمودار تصویری، یک شکستگی به شکل منحنی سینوسی دیده می‌شود. در این مقاله، ابتدا با استفاده از روش‌های استخراج ویژگی، مانند بانک فیلتر گابور، گشتاورهای زرنیک، گشتاورهای مستقل هفت‌گانه هیو و تبدیل والش-هادامارد جهتی، ویژگی‌های مفید استخراج‌شده و سپس برای کلاسه‌بندی نمودار تصویری، شبکه عصبی SOM بکار گرفته‌شده است. نتایج آزمایشی نشان داد که الگوریتم پیشنهادی به‌طور موفقیت‌آمیز و با دقت بالایی قادر به تشخیص شکستگی‌های موجود در نمودارهای تصویری است. در الگوریتم پیشنهادی، از روش‌های استخراج ویژگی استفاده شد که برای استخراج ویژگی اشیاء بافت، مناسب می‌باشند. نتایج نشان می‌دهند که دقت روش پیشنهادی برای استخراج پیکسل‌های شکستگی، بسیار بالا است و همچنین حساسیت کمی به نویز در نمودارهای تصویری دارد. الگوریتم پیشنهادی در این مقاله بر روی دو دسته از دیتاست‌های تصویری FMI و RMI اعمال شد و نتیجه کلاسه‌بندی در مقایسه با سایر الگوریتم‌های پیشنهادی، از دقت بهتری برخوردار است.}, keywords_fa = {شکستگی,نمودار تصویری,منحنی سینوسی,استخراج ویژگی,بانک فیلتر گابور,گشتاورهای زرنیک,گشتاورهای مستقل هفت‌گانه هیو,تبدیل والش-هادامارد جهتی,شبکه عصبی SOM}, url = {https://tjee.tabrizu.ac.ir/article_7937.html}, eprint = {https://tjee.tabrizu.ac.ir/article_7937_8070e8332b8dff73489b10b7099049bf.pdf} }