چکیده: داده‌های لرزه‌ای ابزاری اساسی برای مطالعه‌ی ساختارهای زیرسطحی و ارزیابی ویژگی‌های مخازن هیدروکربنی به‌شمار می‌روند. کانال‌های مدفون از ساختارهای زمین‌شناسی مهم در اکتشاف منابع هیدروکربنی محسوب می‌شوند؛ زیرا به‌دلیل دارا بودن تخلخل و تراوایی بالا، محیطی مناسب برای تجمع هیدروکربن فراهم می‌کنند. با این حال، آشکارسازی این کانال‌ها در داده‌های لرزه‌ای به علت پیچیدگی‌های ساختار زیرسطحی و وجود نوفه در داده‌ها همواره چالش‌برانگیز بوده است. روش‌های مرسوم در این زمینه شامل اعمال فیلترهای گوناگون بر داده‌های لرزه‌ای، استخراج انواع نشانگرهای لرزه‌ای و به‌کارگیری تحلیل چندنشانگری همراه با روش‌های خوشه‌بندی است. در پژوهش حاضر، با بهره‌گیری از الگوریتم‌های یادگیری ماشین بدون نظارت، ابتدا مجموعه‌ای از نشانگرهای مهم لرزه‌ای شامل دامنه، فرکانس و بافت استخراج شدند. سپس با استفاده از تحلیل مؤلفه‌های اصلی (PCA) ابعاد داده‌ها کاهش یافته و الگوهای غالب در مجموعه داده‌ها شناسایی گردید. در گام بعد، به‌منظور خوشه‌بندی رخساره‌ها، سه الگوریتم بدون نظارت شامل K میانگین ، مدل ترکیبی گاوسی (GMM) و سلسله‌مراتبی به‌کار گرفته شد و نتایج حاصل، مورد تفسیر و مقایسه قرار گرفت. همچنین، برای اعتبارسنجی و تعیین تعداد بهینه خوشه‌ها، از شاخص‌های سیلوئت، درست‌نمایی لگاریتمی و ضریب همبستگی کوفنتیک استفاده گردید. الگوریتم‌های مذکور بر روی دو مجموعه داده‌ لرزه‌ای با الگوهای کانال متفاوت اعمال شدند. یافته‌های پژوهش نشان داد که ترکیب تحلیل چندنشانگری با خوشه‌بندی بدون نظارت، نسبت به روش‌های مبتنی بر تک‌نشانگر، دقت بالاتری در تفکیک رخساره‌های کانالی دارد و سه روش خوشه‌بندی عملکرد مناسبی از خود نشان دادند؛ با این حال، مدل ترکیبی گاوسی (GMM) به‌دلیل توانایی بالاتر در مدل‌سازی توزیع‌های پیچیده داده، نتایج دقیق‌تر و پایاتری ارائه داد و شاخص‌های ارزیابی به‌کاررفته نقش مؤثری در انتخاب تعداد بهینه خوشه‌ها و بهبود تفسیر نتایج داشتند.