چکیده: گسل ها و شکستگی ها نقش مهمی در ایجاد نفتگیرهای ساختاری دارند. آشکارسازی و استخراج گسل ها در داده-های لرزه ای یکی از مهمترین کارها در پردازش و تفسیر این داده ها برای شناسایی تله های نفتی و ساختارهای زیرسطحی است. بارزسازی دستی گسل ها روی مقاطع لرزه ای کاری سخت و طاقت فرسا و به نوعی وابسته به تبحر و تجربه کارشناس است. بنابراین استفاده از روش های نیمه خودکار تا خودکار برای تشخیص هندسه گسل-ها مورد توجه پژوهشگرانی زیادی در سال های اخیر است. از بدو پیدایش هوش مصنوعی، آشکارسازی پدیده ها و ویژگی های درون تصویر یک مساله مهم بوده است و الگوریتم های هوش مصنوعی فراوانی براساس مدل های ریاضی در این باره طراحی شده اند. با پیدایش یادگیری ماشین و فرا گیر شدن ابزارهای پردازش تصویر، الگوریتم-های بانظارت و بی نظارت فراوانی در این حوزه ایجاد شده اند که دقت آن ها از مدل های ریاضی قدیمی تر عموما بهتر بوده است. دقت شناسایی پدیده ها با مدل های جدید به شدت افزایش یافته به طوری که امروزه ماشین ها به قدرت تشخیص انسانی نزدیک شده و به تعبیری واقعا هوشمند شده اند. در میان الگوریتم های یادگیری عمیق، الگوریتم U-Net به دلیل پاسخ دقیق، سرعت زیاد در پردازش و یادگیری، عدم نیاز به مجموعه داده های بزرگ برای یادگیری و عدم نیاز به سخت افزارهای پیچیده وگران قیمت، در چند سال اخیر به الگوریتم محبوب شناسایی اجزای تصویر و بخش بندی آن ها در پردازش تصاویر لرزه ای تبدیل شده است. در این پایان نامه از ساختار این الگوریتم و شبکه کانولوشنی آن و نیز مناسب ترین تنظیم برای پارامترهای این الگوریتم جهت بهینه سازی تابع هدف برای رسیدن به حداکثر دقت در پردازش تصاویر داده های لرزه ای استفاده شده است. به این منظور ابتدا کدهای مناسب کار در محیط پایتون نوشته شد و سپس برای بررسی کارایی کدهای نوشته شده؛ از داده های لرزه ای حاصل از یک مدل مصنوعی گسلی استفاده شد. پس از اینکه صحت و دقت عملکرد کد در شناسایی و تفکیک گسل ها روی داده مصنوعی مشخص شد؛ از آن برای پردازش و تفسیر داده های واقعی لرزه ای F3 واقع در دریای شمال در کشور هلند نیز استفاده شد. نتایج اعمال این الگوریتم روی داده های لرزه ای مصنوعی و واقعی نشان می دهد که بکارگیری روش هوشمند یادگیری عمیق U-net در تفکیک و تشخیص گسل‌ها در داده‌های لرزه‌ای بسیار خوب بوده است. یعنی ویژگی-های استخراجی به روش شبکه عصبی هوشمند هم برای بخش های گسل و هم برای بخش های غیرگسلی عملکرد خوبی داشته است.