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

106 Trần Thị Oanh và 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 4 Ha Hai Thi Nguyen 1, Ngoc Bao Pham 1, Hiep Le Quoc 4 
1 PetroVietnam University, Faculty of oil and gas 
2 VietsovPetro, Exploirational Geology, Vietnam 
3 Vietnam Petroleum Association, Vietnam 
4 Hanoi University of Mining and Geology, Faculty of oil and gas, Vietnam 
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. 
Copyright © 2020 Hanoi University of Mining and Geology. All rights reserved. 
Keywords: 
Artificial neural network, 
D sequence, 
Seismic attribute, 
Volcanic materials. 
_____________________ 
*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 5 (2020) 104-113 105 
Ứng dụng mạng trí tuệ nhân tạo dự báo phân bố vật liệu núi lửa 
trong 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 4 
1Trường đại học Dầu khí Việt Nam, Khoa Dầu khí, Việt Nam 
2 VietsovPetro, Phòng Địa chất Thăm dò, Việt Nam 
3 Hội dầu khí Việt Nam, Việt Nam 
4 Trường Đại học Mỏ - Địa chất, Khoa Dầu khí, Việt Nam 
THÔNG TIN BÀI BÁO 
TÓM TẮT 
Quá trình: 
Nhận bài 25/6/2020 
Chấp nhận 3/9/2020 
Đăng online 31/10/2020 
 Sự có mặt của các vật liệu núi lửa trong đá chứa sẽ làm giảm giá trị độ rỗng 
và ảnh hưởng tới chất lượng của các vỉa chứa chúng. Do đó, hiểu rõ được sự 
phân bố của đối tượng này sẽ có ý nghĩa rất lớn trong công tác định hướng 
thăm dò và khai thác dầu khí. Bài báo 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. Kết quả nghiên cứu chỉ ra rằng các vật liệu núi lửa 
phân bố chủ yếu ở phía Tây Nam của lô (khu vực giếng khoan D và phía Tây 
giếng khoan E), một phần nhỏ nằm rải rác ở gần đới nâng Côn Sơn. Hệ số 
tương quan giữa các thuộc tính địa chấn từ 71÷80%, điều này thể hiện độ 
tin cậy của kết quả luyện mạng là tương đối cao. Do đó, có thể sử dụng 
phương pháp này để dự báo sự phân bố của các vật liệu núi lửa trong khu 
vực nghiên cứu. 
© 2020 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm. 
Từ khóa: 
Mạng nơron nhân tạo, 
Tập D, 
Thuộc tính địa chấn, 
Vật liệu núi lửa. 
1. Mở đầu 
Mỏ X thuộc lô 09.3/12 có diện tích 5.559 km2, 
nằm ở phần rìa đông nam bể Cửu Long (Hình 1) 
và có đặc điểm cấu - kiến tạo nằm trong bối cảnh 
kiến tạo chung của bể. Kiến trúc của bể được chia 
thành ba tầng chính: móng trước Kainozoi, 
Oligocen và Miocen-Pleistocen (NIPI, 2016). 
Trong giai đoạn Mezozoi, bể Cửu Long nằm 
trong khu vực chịu ảnh hưởng của hoạt động hút 
chìm mảng Thái Bình Dương. Vào giai đoạn cuối 
Creta-đầu Paleogen xảy ra quá trình nâng lên và 
kết quả là đá móng được nâng lên và trải qua một 
quá trình bào mòn phong hoá kéo dài. Các hoạt 
động kiến tạo trong khu vực đã tạo ra hình thái 
khá đặc trưng và phức tạp của mặt móng, gây ra 
_____________________ 
*Tác giả liên hệ 
E - mail: oanhtran@pvu.edu.vn 
DOI: 10.46326/JMES.2020.61(5).12 
106 Trần Thị Oanh và nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 
hàng loạt đứt gãy và chia cắt tầng móng thành các 
triền võng và các khối nhô khác nhau. 
Tầng kiến trúc Oligocen nhìn chung phát triển 
kế thừa mặt móng. Tất cả các yếu tố cấu trúc chính 
hầu hết được kế thừa từ móng và xuất hiện trong 
giai đoạn Oligocen. Về mặt hình thái, ảnh hưởng 
của các cấu trúc tầng móng đối với tầng Oligocen, 
theo mặt cắt, có xu thế giảm dần từ dưới lên trên. 
Hệ thống đứt gãy ĐB-TN đã lộ thiên trên đất 
liền và chúng hầu hết là những đứt gãy cổ rất có 
thể đã được hình thành vào Oligocen sớm hoặc 
Eocen muộn. Pha tách giãn muộn tiếp tục xảy ra 
vào cuối Oligocen sớm. Vào giai đoạn cuối 
Oligocen sớm-đầu Oligocen muộn pha tách giãn 
được thay thế bởi pha nén ép mà được đặc trưng 
bởi hoạt động nâng lên, bào mòn mạnh mẽ ở đỉnh 
của các cấu tạo. 
Từ Oligocen muộn tới Miocen sớm đã xảy ra 
quá trình lún chìm ở bể Cửu Long. Quá trình lún 
chìm này xảy ra gián đoạn ít nhất là hai lần. Tầng 
kiến trúc Miocen-Pleistocen được đặc trưng bởi 
địa hình tương đối bằng phẳng và mức độ suy 
giảm nhanh chóng về số lượng các đứt gãy. 
2. Cơ sở tài liệu và phương pháp nghiên cứu 
Tài liệu được sử dụng trong bài báo bao gồm 
tài liệu địa chấn 3D Pr PSDM với diện tích 856 km2. 
Các bước xử lý tài liệu địa chấn đã nâng cao chất 
lượng và tính liên tục của tín hiệ ...  đạt được kết quả như mong muốn. 
Phương pháp Supervised cần phải được cung cấp 
mẫu luyện và kết quả mong muốn, trong khi đó 
Unsupervised sẽ chia nhỏ dữ liệu đầu vào thành 
các lớp theo mong muốn của người sử 
dụng(Coleou, T., M. Poupon và K. Azbel, 2003). 
Trong phạm vi bài báo này, nhóm sử dụng phương 
pháp luyện không kiểm soát (Unsupervised), quy 
trình thực hiện được thể hiện ở Hình 2. Quy trình 
này được xây dựng dựa trên cơ sở lý thuyết và ứng 
dụng các thuộc tính địa chấn trong TKTD dầu khí 
cũng như việc tham khảo các tài liệu liên quan 
(Phan Thanh Liêm và Lê Hải An, 2013; VSP, 2017). 
Trong bài báo này, nhóm tác giả sử dụng 3 thuộc 
tính địa chấn cơ bản như: RMS, RAI, và Specdecom 
để tiến hành phân tích. Đây là các thuộc tính phản 
ánh khá chính xác sự thay đổi về mặt thạch học, 
tướng trầm tích từ đó sẽ có cái nhìn rõ ràng hơn 
về bức tranh phân bố của các vật liệu trầm tích 
khác nhau trong khu vực nghiên cứu. 
2.1. Thuộc tính trở kháng âm học tương đối 
(RAI) 
Đây là một phép chạy tổng các giá trị biên độ 
được lấy mẫu bình thường. Phép tính được thực 
hiện bằng việc tích hợp mạch địa chấn, đẩy kết quả 
qua một bộ lọc Butterworth tần cao nhằm giảm 
tiềm năng nhiễu tần số thấp đưa vào. Bộ lọc 
Butterworth này được áp dụng như một bộ lọc 
low-cut mà không có tỷ lệ. Do đó, phạm vi kết quả 
có giá trị sẽ lớn hơn và rõ ràng hơn trước 
(Satinder Chopra Kurt J. Marfurt, 2007). Kết quả 
khảo sát cho thấy thuộc tính RAI có độ phân giải 
thẳng đứng cao hơn so với các thuộc tính biên độ. 
Ngoài ra trên bức tranh thuộc tính RAI tính liên 
tục của sóng phản xạ cũng được cải thiện đáng kể. 
Thuộc tính này được ứng dụng để phản ánh độ 
tương phản âm học biểu kiến, chỉ ra các ranh giới 
tập, các bề mặt bất chỉnh hợp và gián đoạn, cũng 
có thể chỉ ra độ rỗng hoặc hàm lượng chất lưu 
trong tầng.
Hình 2. Quy trình thực hiện dự báo phân bố vật liệu trầm tích. 
108 Trần Thị Oanh và 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 là một trong 
những thuộc tính địa chấn cơ bản của các mạch địa 
chấn, phương pháp sử dụng các công thức phân 
tích giá trị biên độ trong cửa sổ định sẵn với các 
mục đích sau: Xác định các tầng chứa dầu khí; Tính 
độ dày tổng, độ rỗng tổng; Xác định các kênh rạch, 
Nhận dạng mặt bất chỉnh hợp; Thay đổi địa tầng 
trầm tích. 
Thuộc tính biên độ địa chấn RMS được sử dụng 
rộng rãi trong công tác xử lý và minh giải tài liệu 
địa chấn với mục đích xác định và dự báo phân bố 
các đặc trưng địa chất, địa tầng, cấu trúc và đặc 
trưng đá chứa, hệ thống đứt gãy của các tầng minh 
giải. Thuộc tính RMS thường được dùng kết hợp 
với các thuộc tính địa chấn khác như SpecDecom, 
RAI, Sweetness, Instantenous Frequency nhằm 
tăng khả năng 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 này 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 được sử dụng để xác định 
sự phân bố theo chiều ngang các đặc trưng địa 
chất. Do đó, phương pháp Specdecom được ứng 
dụng để: Xác định sự phân bố tướng đá (facies) và 
các đặc điểm trầm tích của đá chứa (ranh giới môi 
trường trầm tích, phân bố sông ngòi,); Xác định 
thứ tự trầm tích của các tầng địa chất; Vẽ và chính 
xác hóa hệ thống đứt gãy.; Xây dựng mô hình đá 
chứa (xây dựng bản đồ chất lưu, dị thường áp 
suất...) (Mirza Naseer Ahmad, Philip Rowell, 
2012.) 
3. Kết quả nghiên cứu 
3.1. Kết quả phân tích thuộc tính địa chấn 
Trầm tích Oligocen D bao gồm các lớp cát bột 
sét xen kẹp, các tập cát kết có cấu tạo khối phân 
lớp mỏng -ngang hoặc uốn lượn, xen kẹp với các 
lớp sét rất 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 chính 
là thạch anh, fenspat, mica và mảnh đá (NIPI, 
2016). Theo các tài liệu minh giải ĐVLGK và báo 
cáo mô tả thạch học của mỏ X, thì phần trên của 
tập D, trầm tích Oligocen trên tương ứng với tập 
vỉa từ D0-D3 (Hình 3), phân bố từ độ sâu 2.863,5- 
Hình 3. Tuyến liên kết cắt lần lượt qua các giếng A, D, B, C, E, F. 
 Trần Thị Oanh và nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 109 
3.409,5 m. Đây là các vỉa cát mỏng, có bề dày dao 
động từ 4÷25m, độ rỗng dao động từ 12÷22%. 
Kết quả phân tích thuộc tính Specdecom 17 Hz 
(20 ms), thuộc tính RMS (20 ms) và thuộc tính RAI 
(20 ms) cho thấy ở khu vực mỏ X có chứa nhiều 
thân cát khác nhau, nằm phân bố rộng khắp khu 
vực nghiên cứu. Đặc biệt, trên bản đồ phân bố của 
ba thuộc tính này cho thấy các dị thường biên độ 
mạnh, đây có thể là dấu hiệu liên quan tới các vật 
liệu núi lửa, đặc biệt là ở giếng khoan D (Hình 4, 5 
và 6). Trên cơ sở lập luận trên, có thể khoanh định 
được ít nhất 3 khu vực có dấu hiệu của vật liệu núi 
lửa: khu vực 1 bao phủ giếng D, khu vực hai nằm 
ở sườn Đông Nam có phương á Đông Tây, khu vực 
3 nằm ở phía Tây Bắc giếng E. 
Trên mặt cắt địa chấn qua khu vực có sự xuất 
hiện của vật liệu núi lửa không quan sát thấy hình 
ảnh dạng nấm (thường liên quan tới hoạt động 
phun nổ của núi lửa) mà chỉ thấy biểu hiện của các 
phản xạ mạnh và biên độ cao trên mặt cắt địa chấn 
Hình 4. Bản đồ thuộc tính RMS (20 ms) cho phần trên của tập D. 
Hình 5. Bản đồ thuộc tính Specdecom ứng với tần số 17Hz cho phần trên của tập D (-20ms). 
110 Trần Thị Oanh và nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 
(Hình 7) nên có thể chúng được hình thành theo 
dạng xâm nhập, chảy tràn hoặc bóc mòn từ bề mặt 
móng do quá trình nâng lên. Sự có mặt của các vật 
liệu núi lửa có thể là nguyên nhân làm suy giảm 
Hình 7. Mặt cắt địa chấn và thuộc tính địa chấn RAI dự báo khu vực có vật liệu núi lửa. 
Hình 6. Bản đồ thuộc tính RAI (20ms) dự báo khu vực có hoạt động núi lửa. 
 Trần Thị Oanh và nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 111 
chất lượng đá chứa (tại những vỉa có chứa chúng). 
Ví dụ: Vỉa D2 (3514÷3554 mMD) của giếng khoan 
D có độ rỗng trung bình xấp xỉ 8÷10% trong khi 
vỉa cát kết (3560÷3570 mMD) có độ rỗng trung 
bình lên đến 23%. Nguyên nhân có thể là do trầm 
tích núi lửa chứa nhiều mảnh đá, khoáng vật thứ 
sinh lấp nhét do đó làm giảm độ rỗng. 
Trên đường cong địa vật lý giếng khoan, biểu 
hiện của vật liệu núi lửa là trên đường cong đo ghi 
địa vật lý giếng khoan là hiện tượng giảm mạnh về 
giá trị trong đường cong độ trễ DT ứng với tăng 
vận tốc khi đi qua lớp trầm tích có sự xuất hiện của 
các vật liệu núi lửa. Ngoài ra, cũng quan sát thấy 
tại vỉa có chứa vật liệu núi lửa có sự tăng mạnh của 
đường RHOB so với các vỉa cát (Hình 8). 
3.2. Kết quả ứng dụng mạng nơron nhân tạo 
ANN 
Mỗi thuộc tính đều có một chức năng riêng và 
thể hiện một đặc trưng hoặc một tín hiệu riêng 
biệt. Chính vì thế, để đánh giá tổng thể sự phân bố 
của một đối tượng địa chất cụ thể, chúng ta cần 
phải sử dụng tổ hợp các thuộc tính địa chấn bằng 
cách tích hợp cùng lúc nhiều thuộc tính bằng 
phương pháp mạng nơron nhân tạo, phương pháp 
này cho phép phân chia các tướng địa chấn theo 
các đặc trưng của các tập trầm tích (Lê Hải An, 
2016). Mạng Nơron nhân tạo được sử dụng khá 
phổ biến trong lĩnh vực tìm kiếm thăm dò dầu khí 
để phân chia các tướng địa chấn hoặc để dự báo 
độ rỗng, độ thấm của đá chứa. 
Có hai phương pháp phân chia tướng địa chấn 
theo ANN: phân chia theo phương pháp luyện có 
kiểm soát (Supervised) và phân chia theo phương 
pháp luyện không kiểm soát (Unsupervised). 
Trong bài báo này, nhóm tác sử dụng phân chia 
tướng theo phương pháp luyện không kiểm soát 
dựa trên thuật toán phân cụm (clustering) để 
phân chia tướng địa chấn. Phương pháp này chỉ 
dựa vào hệ số liên kết giữa các thuộc tính địa chấn 
mà không cần kiểm soát bởi kết qủa giếng khoan. 
Trước hết, nhóm tác giả đã tiến hành phân chia 
các tướng địa chấn ra 03 loại (seismic class): 
tướng cát (class I), tướng sét (class II) và trầm tích
Hình 8. Biểu hiện của vật liệu núi lửa trên đường cong ĐVLGK. 
112 Trần Thị Oanh và nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 
núi lửa (class III) tương ứng với các loại vật liệu 
trầm tích có mặt trong khu vực nghiên cứu. Các 
thuộc tính được lựa chọn làm đầu vào là thuộc tính 
RMS, Specdecom, RAI. Đây là các thuộc tính đã 
phản ánh rõ nét nhất về phân bố của các thân cát 
và vật liệu núi lửa như đã được trình bày ở phần 
trên. Các thuộc tính này được đưa vào mạng 
nơron nhân tạo để phân loại tướng nhằm nhận 
dạng và khoanh vùng phân bố của các vật liệu 
trầm tích cát, sét và núi lửa. Kết quả mô hình ANN 
cho thấy các vật liệu núi lửa được phân bố tập 
trung chủ yếu tại khu vực phía Tây Nam của mỏ X 
(tại giếng khoan D và rìa phía Tây), ngoài ra phân 
bố rời rạc và nằm rải rác tại khu vực gần đới nâng 
Côn Sơn (Hình 9). Kết quả chạy ANN cũng chỉ ra 
rằng các thân cát phân bố rộng khắp khu vực mỏ 
X và có dạng “stack” được cung cấp vật liệu từ các 
đới nâng Côn Sơn và đới nâng Sói. 
Trên cơ sở phân tích 03 thuộc tính địa chấn và 
sử dụng chúng để làm số liệu đầu vào để luyện 
mạng ANN. Kết quả đầu ra của mô hình là bản đồ 
phân bố cát-sét và trầm tích núi lửa trong khu vực 
nghiên cứu, kết quả này có độ tin cậy cao với hệ số 
tương quan giữa các thuộc tính lên tới gần 80 % 
(Bảng 1). Xu thế phân bố này cũng hoàn toàn phù 
hợp với các nghiên cứu trước đó về môi trường 
của mỏ X. Vì vậy, có thể sử dụng kết quả này để 
khoanh vùng và dự báo sự phân bố của vật liệu 
trầm tích núi lửa cũng như sự phân bố của các 
thân cát có mặt trong khu vực nghiên cứu. 
Kết luận 
Bài viết đã đưa ra khoanh vùng được vị trí phân 
bố của các vật liệu núi chủ yếu dựa trên việc áp 
dụng phương pháp phân tích các thuộc tính địa 
chấn và ứng dụng mạng ANN với phương pháp 
luyện không kiểm soát. 
Trên các bản đồ thuộc tính địa chấn, đối tượng 
này thường có dị thường biên độ rất mạnh so với 
các vật liệu trầm tích khác. Kết quả của mô hình 
ANN sau khi tích hợp các thuộc tính địa chấn để 
Hình 9. Mô hình và kết quả chạy ANN dự báo phân bố của các vật liệu núi lửa và các thân cát, 
phần trên tập D. 
Bảng 1. Kết quả đối sánh hệ số tương quan giữa kết quả luyện ANN với các 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 
Specdecom
RMS
RAI
 Trần Thị Oanh và nnk/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 61 (5), 104-113 113 
phân loại tướng đã chỉ ra rằng các vật liệu trầm 
tích núi lửa phân bố chủ yếu ở phía Tây Nam của 
lô (khu vực giếng khoan D và phía Tây giếng 
khoan E), một phần nhỏ nằm rải rác gần đới nâng 
Côn Sơn. 
Các kết quả trong bài báo đã đưa ra được bức 
tranh phân bố của các vật liệu núi lửa, điều này có 
ý nghĩa rất lớn cho việc cho việc định hướng thăm 
dò khai thác trong giai đoạn tiếp theo của khu vực 
nghiên cứu. 
Lời cảm ơn 
Nội dung bài báo nhằm công bố một số kết quả 
nghiên cứu đạt được trong quá trình thực hiện đề 
tài: "Nghiên cứu sự phân bố của đá chứa cát kết 
Oligocen trên, cấu tạo X, bể Cửu Long, trên cơ sở 
phân tích thuộc tính địa chấn và ứng dụng mạng 
Nơron nhân tạo" do Trường Đại học Dầu khí Việt 
Nam chủ trì. Các tác giả xin chân thành cảm ơn 
Trường Đại học Dầu khí Việt Nam đã tạo điều kiện 
cho chúng tôi tham gia thực hiện đề tài để có cơ sở 
tài liệu viết bài báo này. 
Những đóng góp của tác giả 
Tác giả Trần Thị Oanh thu thập tài liệu, minh 
giải tổng hợp tài liệu và viết báo. Tác giả Phạm Duy 
Khánh phân tích thuộc tính địa chấn. Tác giả 
Hoàng Văn Quý kiểm tra kết quả phân tích và cố 
vấn chỉnh sửa bài báo. Tác giả Nguyễn Duy Mười 
thu thập tài liệu về tướng trầm tích. Tác giả Bùi Thị 
Ngân thu thập tài liệu về trí tuệ nhân tạo và ứng 
dụng. Tác giả Nguyễn Thị Hải Hà phân tích một 
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. 
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, 1603-
1607. 
Enwenode Onajite, (2014). Seismic Data Analysis 
Techniques in Hydrocarbon Exploration. 
Elsevier, 256. 
IGS, (2018). Báo cáo kết quả 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 sự phân bố và đặc 
tính của đá chứa trong lát cắt trầm tích Mioxen 
và Oligoxen, lô 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 dò lô 09-3/12, bể Cửu Long, thềm 
Lục địa Việt Nam. 
Phan Thanh Liêm và 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 trên lô 
09-1” VSP.