چکیده: برای مدلسازی از مخزن نیاز به ارزیابی دقیق از خصوصیات سنگ و تصویرسازی از ناهمگنی آن‌ها است. به دلیل بالا بودن هزینه‌های حفاری و نبود تعداد چاه کافی در مقیاس گسترده و یا داده‌های مربوط به چاه‌پیمایی و مغزه‌ها، داده‌های لرزه‌ای 3 بُعدی نقش بسیار مهمی را در شناسایی تغییرات مخزن ایفا می‌کنند. هرگونه تغییری در لیتولوژی، تخلخل و محتوای سیال باعث تغییر در دامنه، فرکانس، پیوستگی جانبی و دیگر نشانگرهای لرزه‌ای می‌شود. اگر این تغییرات در پارامترهای لرزه‌ای قابل شناسایی باشند به فهم زمین شناسی زیرسطحی کمک می‌کنند. هدف تحلیل رخساره‌ی لرزه‌ای، تفسیر تغییرات پارامترهای لرزه‌ای است. رخساره‌های لرزه‌ای به عنوان گروه‌های رد لرزه‌ای قابل تعریف هستند. روش‌های بسیار زیادی برای شناسایی و تشخیص الگو برای دسته‌بندی رخساره‌های لرزه‌ای تاکنون توسعه داده شده است. زمانی‌که اطلاعات زمین‌شناسی در دسترس نیستند از الگوی بدون نظارت استفاده می‌شود. وجود نوفه بخش جدانشدنی از داده‌های لرزه‌ای است که بر طبقه بندی رخساره ها و تفسیر لرزه‌ای اثر می‌گذارد و وجود آن باعث ایجاد تفسیر اشتباه می‌شود. رهیافت مورد نظر این پژوهش برای این مشکل تحلیل رخساره‌ی چند مقیاسی است. یعنی اینکه پیش از اینکه داده‌ی لرزه‌ای اصلی و یا نشانگرها وارد فرآیند تحلیل رخساره شوند، در ابتدا داده‌ی لرزه‌ای را با استفاده از یکی از روش‌های تجزیه سیگنال به مؤلفه‌های سازنده آن تجزیه و سپس تعدادی از مؤلفه‌ها را در بازسازی سیگنال شرکت می‌دهیم و برخی مؤلفه ها که بیانگر ماهیت نوفه باشند را کنار می گذاریم. آنگاه نسخه‌ی بازسازی شده سیگنال و یا نشانگرهای حاصل از آن به عنوان ورودی به الگوریتم تحلیل رخساره وارد شود. در این پژوهش قصد بر این است که با استفاده از تجزیة مُدّ متغیر(VMD) داده‌های لرزه‌ای به مولفه‌های سازنده آنها تجزیه ‌شوند و فرآیند تحلیل رخساره بر روی داده بازسازی شده و نشانگرهای حاصل از آن اعمال ‌شود. تحلیل رخساره‌ در این روش بدون نظارت و توسط روش K- means انجام خواهد شد. عملکرد روش برداده های مصنوعی و واقعی آزمایش شده و نشان داده می شود که می-توان تحلیل رخساره دقیق تری داشت.