Ứng dụng mạng trí tuệ nhân tạo dự báo phân bố vật liệu núi lửa trong tập D, mỏ X, bể Cửu Long

Bài viết này sử dụng phương pháp phân tích thuộc tính địa chấn kết hợp với ứng dụng mạng Nơron nhân tạo (ANN) để dự báo sự phân bố của các vật liệu núi lửa trong tập D. Các thuộc tính được lựa chọn làm đầu vào để luyện ANN bao gồm thuộc tính RMS, thuộc tính RAI và thuộc tính Specdecom.

106 Trần Thị Oanh nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 Application of artificial intelligence network to predict the distribution of volcanic material in sequence D, field X, Cuu Long basin Oanh Thi Tran 1, Khanh Duy Pham 2, Quy Van Hoang 3, Muoi Duy Nguyen 4, Ngan Thi Bui Ha Hai Thi Nguyen 1, Ngoc Bao Pham 1, Hiep Le Quoc PetroVietnam University, Faculty of oil and gas VietsovPetro, Exploirational Geology, Vietnam Vietnam Hanoi University of Mining and Geology, Faculty of oil and gas, Vietnam Vietnam Petroleum Association, ARTICLE INFO ABSTRACT Article history: Received 25th June 2020 Accepted 3rd Sep 2020 Available online 31st Oct 2020 The presence of volcanic materials in reservoir will reduce the porosity value and effect to the quality of reservoirs Therefore, understanding the distribution of this object will be of great significance in the orientation of oil and gas exploration and exploitation This paper applies seismic attribute analysis method combined with artificial neural network (ANN) application to predict the distribution of volcanic materials in D sequence Attributes selected as input for ANN training including RMS, RAI and Specdecom attribute The results indicate that volcanic materials mainly appear in the to the Southwest of block (around D well and the West of E well), a small part is scattered near Con Son swell The correlation coefficient among seismic attribute is from 71 to ~ 80%, this shows that the reliability of the results of network training is relatively high Therefore, this method can be used to predict the distribution of volcanic materials in the study area Keywords: Artificial neural network, D sequence, Seismic attribute, Volcanic materials Copyright © 2020 Hanoi University of Mining and Geology All rights reserved _ *Corresponding author E - mail: oanhtran@pvu.edu.vn DOI: 10.46326/JMES.2020.61(5).12 Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 61, Kỳ (2020) 104-113 105 Ứng dụng mạng trí tuệ nhân tạo dự báo phân bố vật liệu núi lửa tập D, mỏ X, bể Cửu Long Trần Thị Oanh 1, Phạm Duy Khánh 2, Hoàng Văn Quý 3, Nguyễn Duy Mười 4, Bùi Thị Ngân 4, Nguyễn Thị Hải Hà 1, Phạm Bảo Ngọc 1, Lê Quốc Hiệp 1Trường đại học Dầu khí Việt Nam, Khoa Dầu khí, Việt Nam Thăm dị, Việt Nam Hội dầu khí Việt Nam, Việt Nam Trường Đại học Mỏ - Địa chất, Khoa Dầu khí, Việt Nam VietsovPetro, Phịng Địa chất THƠNG TIN BÀI BÁO TĨM TẮT Q trình: Nhận 25/6/2020 Chấp nhận 3/9/2020 Đăng online 31/10/2020 Sự có mặt vật liệu núi lửa đá chứa làm giảm giá trị độ rỗng ảnh hưởng tới chất lượng vỉa chứa chúng Do đó, hiểu rõ phân bố đối tượng có ý nghĩa lớn cơng tác định hướng thăm dị khai thác dầu khí Bài báo sử dụng phương pháp phân tích thuộc tính địa chấn kết hợp với ứng dụng mạng Nơron nhân tạo (ANN) để dự báo phân bố vật liệu núi lửa tập D Các thuộc tính lựa chọn làm đầu vào để luyện ANN bao gồm thuộc tính RMS, thuộc tính RAI thuộc tính Specdecom Kết nghiên cứu vật liệu núi lửa phân bố chủ yếu phía Tây Nam lơ (khu vực giếng khoan D phía Tây giếng khoan E), phần nhỏ nằm rải rác gần đới nâng Côn Sơn Hệ số tương quan thuộc tính địa chấn từ 71÷80%, điều thể độ tin cậy kết luyện mạng tương đối cao Do đó, sử dụng phương pháp để dự báo phân bố vật liệu núi lửa khu vực nghiên cứu Từ khóa: Mạng nơron nhân tạo, Tập D, Thuộc tính địa chấn, Vật liệu núi lửa © 2020 Trường Đại học Mỏ - Địa chất Tất quyền bảo đảm Mở đầu Mỏ X thuộc lơ 09.3/12 có diện tích 5.559 km2, nằm phần rìa đơng nam bể Cửu Long (Hình 1) có đặc điểm cấu - kiến tạo nằm bối cảnh kiến tạo chung bể Kiến trúc bể chia _ *Tác giả liên hệ E - mail: oanhtran@pvu.edu.vn DOI: 10.46326/JMES.2020.61(5).12 thành ba tầng chính: móng trước Kainozoi, Oligocen Miocen-Pleistocen (NIPI, 2016) Trong giai đoạn Mezozoi, bể Cửu Long nằm khu vực chịu ảnh hưởng hoạt động hút chìm mảng Thái Bình Dương Vào giai đoạn cuối Creta-đầu Paleogen xảy trình nâng lên kết đá móng nâng lên trải qua q trình bào mịn phong hố kéo dài Các hoạt động kiến tạo khu vực tạo hình thái đặc trưng phức tạp mặt móng, gây 106 Trần Thị Oanh nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 Hình Vị trí khu vực nghiên cứu (NIPI, 2016) hàng loạt đứt gãy chia cắt tầng móng thành triền võng khối nhô khác Tầng kiến trúc Oligocen nhìn chung phát triển kế thừa mặt móng Tất yếu tố cấu trúc hầu hết kế thừa từ móng xuất giai đoạn Oligocen Về mặt hình thái, ảnh hưởng cấu trúc tầng móng tầng Oligocen, theo mặt cắt, có xu giảm dần từ lên Hệ thống đứt gãy ĐB-TN lộ thiên đất liền chúng hầu hết đứt gãy cổ hình thành vào Oligocen sớm Eocen muộn Pha tách giãn muộn tiếp tục xảy vào cuối Oligocen sớm Vào giai đoạn cuối Oligocen sớm-đầu Oligocen muộn pha tách giãn thay pha nén ép mà đặc trưng hoạt động nâng lên, bào mòn mạnh mẽ đỉnh cấu tạo Từ Oligocen muộn tới Miocen sớm xảy trình lún chìm bể Cửu Long Quá trình lún chìm xảy gián đoạn hai lần Tầng kiến trúc Miocen-Pleistocen đặc trưng địa hình tương đối phẳng mức độ suy giảm nhanh chóng số lượng đứt gãy Cơ sở tài liệu phương pháp nghiên cứu Tài liệu sử dụng báo bao gồm tài liệu địa chấn 3D Pr PSDM với diện tích 856 km2 Các bước xử lý tài liệu địa chấn nâng cao chất lượng tính liên tục tín hiệu địa chấn, giảm bớt nhiễu đảm báo để sử dụng cho việc phân tích thuộc tính địa chấn cách xác Ngồi ra, báo sử dụng tài liệu đo ĐVLGK 05 giếng khoan khu vực nghiên cứu, báo cáo phân tích thạch học giếng khoan mỏ X để luận giải phân bố trầm tích có mặt khu vực Nhóm tác giả minh giải tài liệu địa vật lý giếng khoan tài liệu địa chấn nhằm đánh giá tương quan đặc điểm thạch học hai loại tài liệu Trên sở đó, kết hợp với tài liệu mơi Trần Thị Oanh nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 trường trầm tích để xây dựng đồ thuộc tính địa chấn, thuộc tính lựa chọn tính hợp làm đầu vào cho việc luyện mạng “Neural net”- ứng dụng mạng trí tuệ nhân tạo tích hợp phần mềm Petrel xây dựng công ty Slumberger Công cụ sử dụng để đánh giá/ dự báo thay đổi tướng trầm tích, thành phần thạch học dự báo phân bố thân cát thuật tốn luyện có kiểm sốt (Supervised) luyện khơng kiểm soát (Unsupervised).Người dùng sử dụng kỹ thuật principal component analysis (PCA) Correlation analysis để kiểm tra độ tương quan input, giảm thiểu tối đa số liệu đầu vào không cần thiết (David Lubo- Robles Kurt J Marfurt, 2018) Quá trình luyện lặp lặp lại nhiều lần, vào cuối lần lặp quy trình kiểm tra kết tiêu chí khơng đáp ứng luyện lại đạt kết mong muốn Phương pháp Supervised cần phải cung cấp mẫu luyện kết mong muốn, Unsupervised chia nhỏ liệu đầu vào thành lớp theo mong muốn người sử dụng(Coleou, T., M Poupon K Azbel, 2003) Trong phạm vi báo này, nhóm sử dụng phương pháp luyện khơng kiểm sốt (Unsupervised), quy trình thực thể Hình Quy trình xây dựng dựa sở lý thuyết ứng dụng thuộc tính địa chấn TKTD dầu khí 107 việc tham khảo tài liệu liên quan (Phan Thanh Liêm Lê Hải An, 2013; VSP, 2017) Trong báo này, nhóm tác giả sử dụng thuộc tính địa chấn như: RMS, RAI, Specdecom để tiến hành phân tích Đây thuộc tính phản ánh xác thay đổi mặt thạch học, tướng trầm tích từ có nhìn rõ ràng tranh phân bố vật liệu trầm tích khác khu vực nghiên cứu 2.1 Thuộc tính trở kháng âm học tương đối (RAI) Đây phép chạy tổng giá trị biên độ lấy mẫu bình thường Phép tính thực việc tích hợp mạch địa chấn, đẩy kết qua lọc Butterworth tần cao nhằm giảm tiềm nhiễu tần số thấp đưa vào Bộ lọc Butterworth áp dụng lọc low-cut mà khơng có tỷ lệ Do đó, phạm vi kết có giá trị lớn rõ ràng trước (Satinder Chopra Kurt J Marfurt, 2007) Kết khảo sát cho thấy thuộc tính RAI có độ phân giải thẳng đứng cao so với thuộc tính biên độ Ngồi tranh thuộc tính RAI tính liên tục sóng phản xạ cải thiện đáng kể Thuộc tính ứng dụng để phản ánh độ tương phản âm học biểu kiến, ranh giới tập, bề mặt bất chỉnh hợp gián đoạn, độ rỗng hàm lượng chất lưu tầng Hình Quy trình thực dự báo phân bố vật liệu trầm tích 108 Trần Thị Oanh nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 2.2 Thuộc tính biên độ bình phương trung bình - Root Mean Square Amplitude (RMS) Phương pháp thuộc tính biên độ thuộc tính địa chấn mạch địa chấn, phương pháp sử dụng cơng thức phân tích giá trị biên độ cửa sổ định sẵn với mục đích sau: Xác định tầng chứa dầu khí; Tính độ dày tổng, độ rỗng tổng; Xác định kênh rạch, Nhận dạng mặt bất chỉnh hợp; Thay đổi địa tầng trầm tích Thuộc tính biên độ địa chấn RMS sử dụng rộng rãi công tác xử lý minh giải tài liệu địa chấn với mục đích xác định dự báo phân bố đặc trưng địa chất, địa tầng, cấu trúc đặc trưng đá chứa, hệ thống đứt gãy tầng minh giải Thuộc tính RMS thường dùng kết hợp với thuộc tính địa chấn khác SpecDecom, RAI, Sweetness, Instantenous Frequency nhằm tăng khả hỗ trợ dự báo phân bố đá chứa (Enwenode Onajite, 2014) 2.3 Các thuộc tính liên quan đến Phương pháp SpecDecom ( Phổ tần số tức thời) Phương pháp chuyển đổi tài liệu địa chấn từ lát cắt thời gian sang lát cắt tần số thông qua phép toán DFT (Discrete Fourier Transform) Biên độ phổ tần số hay pha sử dụng để xác định phân bố theo chiều ngang đặc trưng địa chất Do đó, phương pháp Specdecom ứng dụng để: Xác định phân bố tướng đá (facies) đặc điểm trầm tích đá chứa (ranh giới mơi trường trầm tích, phân bố sơng ngịi,…); Xác định thứ tự trầm tích tầng địa chất; Vẽ xác hóa hệ thống đứt gãy.; Xây dựng mơ hình đá chứa (xây dựng đồ chất lưu, dị thường áp suất ) (Mirza Naseer Ahmad, Philip Rowell, 2012.) Kết nghiên cứu 3.1 Kết phân tích thuộc tính địa chấn Trầm tích Oligocen D bao gồm lớp cát bột sét xen kẹp, tập cát kết có cấu tạo khối phân lớp mỏng -ngang uốn lượn, xen kẹp với lớp sét mỏng Đá có độ hạt từ nhỏ-trung-lớn, độ chọn lọc từ trung bình đến kém, tiếp xúc hạt dạng điểm đường Thành phần khoảng vật thạch anh, fenspat, mica mảnh đá (NIPI, 2016) Theo tài liệu minh giải ĐVLGK báo cáo mô tả thạch học mỏ X, phần tập D, trầm tích Oligocen tương ứng với tập vỉa từ D0-D3 (Hình 3), phân bố từ độ sâu 2.863,5- Hình Tuyến liên kết cắt qua giếng A, D, B, C, E, F Trần Thị Oanh nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 109 Hình Bản đồ thuộc tính RMS (20 ms) cho phần tập D 3.409,5 m Đây vỉa cát mỏng, có bề dày dao động từ 4÷25m, độ rỗng dao động từ 12÷22% Kết phân tích thuộc tính Specdecom 17 Hz (20 ms), thuộc tính RMS (20 ms) thuộc tính RAI (20 ms) cho thấy khu vực mỏ X có chứa nhiều thân cát khác nhau, nằm phân bố rộng khắp khu vực nghiên cứu Đặc biệt, đồ phân bố ba thuộc tính cho thấy dị thường biên độ mạnh, dấu hiệu liên quan tới vật liệu núi lửa, đặc biệt giếng khoan D (Hình 4, 6) Trên sở lập luận trên, khoanh định khu vực có dấu hiệu vật liệu núi lửa: khu vực bao phủ giếng D, khu vực hai nằm sườn Đơng Nam có phương Đơng Tây, khu vực nằm phía Tây Bắc giếng E Trên mặt cắt địa chấn qua khu vực có xuất vật liệu núi lửa khơng quan sát thấy hình ảnh dạng nấm (thường liên quan tới hoạt động phun nổ núi lửa) mà thấy biểu phản xạ mạnh biên độ cao mặt cắt địa chấn Hình Bản đồ thuộc tính Specdecom ứng với tần số 17Hz cho phần tập D (-20ms) 110 Trần Thị Oanh nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 Hình Bản đồ thuộc tính RAI (20ms) dự báo khu vực có hoạt động núi lửa Hình Mặt cắt địa chấn thuộc tính địa chấn RAI dự báo khu vực có vật liệu núi lửa (Hình 7) nên chúng hình thành theo dạng xâm nhập, chảy tràn bóc mịn từ bề mặt móng q trình nâng lên Sự có mặt vật liệu núi lửa nguyên nhân làm suy giảm Trần Thị Oanh nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 chất lượng đá chứa (tại vỉa có chứa chúng) Ví dụ: Vỉa D2 (3514÷3554 mMD) giếng khoan D có độ rỗng trung bình xấp xỉ 8÷10% vỉa cát kết (3560÷3570 mMD) có độ rỗng trung bình lên đến 23% Ngun nhân trầm tích núi lửa chứa nhiều mảnh đá, khống vật thứ sinh lấp nhét làm giảm độ rỗng Trên đường cong địa vật lý giếng khoan, biểu vật liệu núi lửa đường cong đo ghi địa vật lý giếng khoan tượng giảm mạnh giá trị đường cong độ trễ DT ứng với tăng vận tốc qua lớp trầm tích có xuất vật liệu núi lửa Ngoài ra, quan sát thấy vỉa có chứa vật liệu núi lửa có tăng mạnh đường RHOB so với vỉa cát (Hình 8) 3.2 Kết ứng dụng mạng nơron nhân tạo ANN Mỗi thuộc tính có chức riêng thể đặc trưng tín hiệu riêng biệt Chính thế, để đánh giá tổng thể phân bố đối tượng địa chất cụ thể, cần 111 phải sử dụng tổ hợp thuộc tính địa chấn cách tích hợp lúc nhiều thuộc tính phương pháp mạng nơron nhân tạo, phương pháp cho phép phân chia tướng địa chấn theo đặc trưng tập trầm tích (Lê Hải An, 2016) Mạng Nơron nhân tạo sử dụng phổ biến lĩnh vực tìm kiếm thăm dị dầu khí để phân chia tướng địa chấn để dự báo độ rỗng, độ thấm đá chứa Có hai phương pháp phân chia tướng địa chấn theo ANN: phân chia theo phương pháp luyện có kiểm soát (Supervised) phân chia theo phương pháp luyện khơng kiểm sốt (Unsupervised) Trong báo này, nhóm tác sử dụng phân chia tướng theo phương pháp luyện không kiểm soát dựa thuật toán phân cụm (clustering) để phân chia tướng địa chấn Phương pháp dựa vào hệ số liên kết thuộc tính địa chấn mà khơng cần kiểm sốt kết qủa giếng khoan Trước hết, nhóm tác giả tiến hành phân chia tướng địa chấn 03 loại (seismic class): tướng cát (class I), tướng sét (class II) trầm tích Hình Biểu vật liệu núi lửa đường cong ĐVLGK 112 Trần Thị Oanh nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 núi lửa (class III) tương ứng với loại vật liệu trầm tích có mặt khu vực nghiên cứu Các thuộc tính lựa chọn làm đầu vào thuộc tính RMS, Specdecom, RAI Đây thuộc tính phản ánh rõ nét phân bố thân cát vật liệu núi lửa trình bày phần Các thuộc tính đưa vào mạng nơron nhân tạo để phân loại tướng nhằm nhận dạng khoanh vùng phân bố vật liệu trầm tích cát, sét núi lửa Kết mơ hình ANN cho thấy vật liệu núi lửa phân bố tập trung chủ yếu khu vực phía Tây Nam mỏ X (tại giếng khoan D rìa phía Tây), ngồi phân bố rời rạc nằm rải rác khu vực gần đới nâng Cơn Sơn (Hình 9) Kết chạy ANN thân cát phân bố rộng khắp khu vực mỏ X có dạng “stack” cung cấp vật liệu từ đới nâng Cơn Sơn đới nâng Sói Trên sở phân tích 03 thuộc tính địa chấn sử dụng chúng để làm số liệu đầu vào để luyện mạng ANN Kết đầu mơ hình đồ phân bố cát-sét trầm tích núi lửa khu vực nghiên cứu, kết có độ tin cậy cao với hệ số tương quan thuộc tính lên tới gần 80 % (Bảng 1) Xu phân bố hoàn toàn phù hợp với nghiên cứu trước mơi trường mỏ X Vì vậy, sử dụng kết để khoanh vùng dự báo phân bố vật liệu trầm tích núi lửa phân bố thân cát có mặt khu vực nghiên cứu Kết luận Bài viết đưa khoanh vùng vị trí phân bố vật liệu núi chủ yếu dựa việc áp dụng phương pháp phân tích thuộc tính địa chấn ứng dụng mạng ANN với phương pháp luyện khơng kiểm sốt Trên đồ thuộc tính địa chấn, đối tượng thường có dị thường biên độ mạnh so với vật liệu trầm tích khác Kết mơ hình ANN sau tích hợp thuộc tính địa chấn để Specdecom RMS RAI Hình Mơ hình kết chạy ANN dự báo phân bố vật liệu núi lửa thân cát, phần tập D Bảng Kết đối sánh hệ số tương quan kết luyện ANN với thuộc tính địa chấn Thuộc tính RMS Thuộc tính Specdecom Thuộc tính RAI Thuộc tính RMS 1.0000 0.6580 0.6838 Thuộc tính Specdecom 0.6580 1.0000 0.7598 Thuộc tính RAI 0.6838 0.7598 1.0000 Trần Thị Oanh nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 phân loại tướng vật liệu trầm tích núi lửa phân bố chủ yếu phía Tây Nam lơ (khu vực giếng khoan D phía Tây giếng khoan E), phần nhỏ nằm rải rác gần đới nâng Côn Sơn Các kết báo đưa tranh phân bố vật liệu núi lửa, điều có ý nghĩa lớn cho việc cho việc định hướng thăm dò khai thác giai đoạn khu vực nghiên cứu Lời cảm ơn Nội dung báo nhằm công bố số kết nghiên cứu đạt trình thực đề tài: "Nghiên cứu phân bố đá chứa cát kết Oligocen trên, cấu tạo X, bể Cửu Long, sở phân tích thuộc tính địa chấn ứng dụng mạng Nơron nhân tạo" Trường Đại học Dầu khí Việt Nam chủ trì Các tác giả xin chân thành cảm ơn Trường Đại học Dầu khí Việt Nam tạo điều kiện cho tham gia thực đề tài để có sở tài liệu viết báo Những đóng góp tác giả Tác giả Trần Thị Oanh thu thập tài liệu, minh giải tổng hợp tài liệu viết báo Tác giả Phạm Duy Khánh phân tích thuộc tính địa chấn Tác giả Hoàng Văn Quý kiểm tra kết phân tích cố vấn chỉnh sửa báo Tác giả Nguyễn Duy Mười thu thập tài liệu tướng trầm tích Tác giả Bùi Thị Ngân thu thập tài liệu trí tuệ nhân tạo ứng dụng Tác giả Nguyễn Thị Hải Hà phân tích phần thuộc tính địa chấn khu vực nghiên cứu Tác giả Phạm Bảo Ngọc phân tích tài liệu địa chất khu vực nghiên cứu Tác giả Lê Quốc Hiệp tổng hợp tài liệu Tài liệu tham khảo Coleou, T., M Poupon, and K Azbel, (2003) Unsupervised seismic facies classification: A review and comparison of techniques and implementation The Leading Edge, 22, 942– 953 113 David Lubo-Robles and Kurt J Marfurt, (2018) Unsupervised seismic-facies classification using independent-component analysis SEG International Exposition and 88th Annual Meeting, October 14-19 Oct , North Americar, Society of Exploration Geophysicists, 16031607 Enwenode Onajite, (2014) Seismic Data Analysis Techniques in Hydrocarbon Exploration Elsevier, 256 IGS, (2018) Báo cáo kết phân tích mẫu lõi (sidewall core) đặc biệt giếng D VSP Lê Hải An, (2016) Báo cáo “Phân tích tổ hợp thuộc tính địa chấn nhằm dự báo phân bố đặc tính đá chứa lát cắt trầm tích Mioxen Oligoxen, lơ 09-3/12 VSP Mirza Naseer Ahmad, Philip Rowell, (2012) Application of spectral decomposition and seismic attributes to understand the structure and distribution of sand reservoirs within Tertiary rift basins of the Gulf of Thailand The Leading Edge, 31, 630-634 NIPI, (2016) Báo cáo: Kết thúc pha I-giai đoạn Tìm kiếm thăm dị lơ 09-3/12, bể Cửu Long, thềm Lục địa Việt Nam Phan Thanh Liêm Lê Hải An, (2013) “Nghiên cứu đối tượng turbidite Miocen giữa/muộn Pliocen khu vực lô 04-1 bể Nam Côn Sơn qua phân tích thuộc tính địa chấn đặc biệt”, Tạp chí dầu khí, số 9, 8-15 Satinder Chopra; Kurt J Marfurt, (2007) Seismic attribute for prospect identification and reservoir characterization Tulsa: Society of Exploration Geophysicists, 464 VSP, (2017) Báo cáo “Minh giải đặc biệt tài liệu địa chấn PSDM góc phương vị rộng 3D/4C lơ 09-1” VSP  ...Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 61, Kỳ (2020) 104-113 105 Ứng dụng mạng trí tuệ nhân tạo dự báo phân bố vật liệu núi lửa tập D, mỏ X, bể Cửu Long Trần Thị Oanh 1, Phạm Duy Khánh... kết luyện mạng tương đối cao Do đó, sử dụng phương pháp để dự báo phân bố vật liệu núi lửa khu vực nghiên cứu Từ khóa: Mạng nơron nhân tạo, Tập D, Thuộc tính địa chấn, Vật liệu núi lửa © 2020... trường mỏ X Vì vậy, sử dụng kết để khoanh vùng dự báo phân bố vật liệu trầm tích núi lửa phân bố thân cát có mặt khu vực nghiên cứu Kết luận Bài viết đưa khoanh vùng vị trí phân bố vật liệu núi