چکیده: چکیده تفسیر داده‌های لرزه‌ای و تشخیص ساختارهای زیرسطحی مانند نمک‌ها، دیاپیرها و گل‌فشان‌ها نقش حیاتی در شناسایی پتانسیل نفت و گاز دارند که از نظر اقتصادی حائز اهمیت هستند. تاکنون، روش‌های مختلفی مانند نشانگرهای لرزه‌ای برای شناسایی این ساختارها، به‌ویژه شناسایی دیاپیرها و گل‌فشان‌ها به کار گرفته شده است که در عین مزایا، معایبی نیز داشته‌اند. برای به حداقل رساندن مشکلاتی چون سرعت پایین، محاسبات پیشرفته و تشخیص درست و دقیق ساختارها، استفاده کمتر از نیروی کار به منظور تفسیر دستی داده‌ها، روش‌های هوش مصنوعی و یادگیری ماشین و به‌ویژه یادگیری عمیق پا به عرصه گذاشته است. روش پیشنهادی در این پایان نامه، شناسایی دیاپیرها و گل‌فشان‌ها با استفاده از یادگیری عمیق به کمک الگوریتم U-Net است. الگوریتم U-Net یک شبکه عصبی با نظارت و کاملا همامیختی است که در دسته یادگیری عمیق قرار می‌گیرد و در قطعه‌بندی معنایی توانایی بسیاری دارد و به همین وسیله توانایی تشخیص ساختار مورد نظر را با دقت بالا دارد. استفاده کمتر از داده‌های آموزشی از دیگر ویژگی‌های این روش است که علاوه بر شناسایی ساختارها می‌تواند در پردازش داده‌های لرزه‌ای، معکوس‌سازی و تفسیر لرزه‌ای نیز کارایی بسیاری داشته باشد. این الگوریتم به سبب ساختار انقباضی-انبساطی که دارد، توانایی استخراج ویژگی‌ها و داده‌های مورد نیاز از داده ورودی با دقت بالا را دارا است. برای ارزیابی الگوریتم U-Net در این پایان نامه، از داده واقعی مربوط به گل‌فشان‌های واقع در ناحیه گرگان که در بخشی از کپه داغ که از شمال غرب دریای خزر تا شمال غرب ترکمستان امتداد یافته است، استفاده شد. داده اولیه به صورت تصویر وارد الگوریتم می‌شود و بعد از انجام عملیات مختلف در خلال الگوریتم مانند عملیات همامیختی، تخمین مقدار بیشینه و نمونه‌برداری افزایشی، مدل نهایی تا ۰.۷۹ می‌تواند وجود گل‌فشان را با ۰.۲۱ خطا تشخیص دهد و تا ۰.۹۳ توانایی تشخیص عدم وجود گل‌فشان را با ۰.۰۷ خطا تخمین بزند. نتیجه کار به این صورت است که مدل به دقتی به میزان 0.86 دست یافته است که میزان مطلوبی است و عملکرد خوب این الگوریتم را به تصویر می‌کشد.