چکیده: ایجاد مدل‌های زمین‌شناسی سازگار با داده‌های لرزه‌ای، هرچند که غیر منحصربه‌فرد و وابسته به دیدگاه مفسر باشند، در تفسیر داده‌ها گام مهمی است. معرفی نشانگرهای جدید و استفاده هم‌زمان از چندین نشانگر (متداول و نوین) به‌منظور تفسیر داده‌های لرزه‌ای، باعث تولید حجم زیادی از داده‌ها می‌شود که ممکن است تکراری یا نامرتبط باشد و تفسیر را زمان‌بر و همراه با عدم قطعیت کند. در این زمینه، الگوریتم‌های خودکار مبتنی بر ترکیب اطلاعات، طبقه‌بندی، خوشه‌بندی و یادگیری ماشین، به‌ویژه روش‌های بدون نظارت، روشی مؤثر برای کاهش داده‌ها، کاهش عدم قطعیت و افزایش دقت تفسیر هستند. استفاده از روش‌های با نظارت معمولاً به دلیل نیاز به داده‌های آموزشی گسترده و باکیفیت بالا که در لرزه‌شناسی به دلیل پیچیدگی زمین‌شناسی دشوار است، با تردید همراه است. در این پژوهش، برای شناسایی الگوهای بازتابی در داده‌های لرزه‌ای دوبعدی به‌عنوان نخستین گام تفسیر، از روش‌های خوشه‌بندی بدون نظارت استفاده شد. برای این منظور، انواع نشانگرهای بافتی و غیربافتی به کار گرفته شدند و به‌منظور بهبود نتایج، نشانگرهای بافتی جدیدی نیز معرفی شد. سپس، باهدف کاهش حجم داده‌ها و افزایش دقت از روش‌های انتخاب ویژگی استفاده شد و زیرمجموعه‌ای از این نشانگرها انتخاب گردید. در نهایت الگوریتم باران به‌عنوان یک روش بهینه‌سازی فراابتکاری جدید برای خوشه‌بندی مبتنی بر بهینه‌سازی نشانگرهای منتخب جهت تشخیص خودکار الگوهای بازتابی استفاده شد و عملکرد آن با روش‌های بهینه‌سازی متداول نظیر الگوریتم ژنتیک و بهینه‌سازی ازدحام ذرات مقایسه گردید. بر اساس نتایج کمی، مقدار شاخص دیویس بولدین بیانگر بهبود حدود ۳۰ درصدی در دقت خوشه‌بندی و تفکیک الگوهای بازتابی توسط روش الگوریتم باران است و اثربخشی روش‌های خوشه‌بندی بدون نظارت، به‌ویژه الگوریتم‌های فراابتکاری، در شناسایی دقیق‌تر الگوهای بازتابی را نشان داد. افزون بر این، الگوریتم باران توانست ساختارهای چینه‌ای را با هم‌پوشانی بیشتری نسبت به تفسیر زمین‌شناسی واقعی شناسایی کند.