چکیده: پتروگرافی آلی یکی از ارزان‌ترینروش‌های معمول (سنتی) در اکتشاف مقدماتی برای تعیین نوع ماسرال و کروژن سنگ منشأ محسوب می‌شود. پتروگرافی آلی یا بررسی مقاطع نازک میکروسکوپی سنگ منشأمی‌تواند باعث کاهش ریسک پذیرش هزینه‌های سنگین اکتشافی گردد. هر چند که این روش، روشی سنتی است اما با اتوماسیون سازی آن به کمک ابزار های هوش مصنوعی می توان هزینه و زمان مطالعات و ریسک پذیری عملیات اکتشافی را کاهش داد. در روش سنتی پتروگرافی آلی با تعیین نوع ماسرال به وسیله مطالعه مقاطع نازک توسط بررسی‌های چشمی تجربه فرد اهمیت داشته و معمولا با خطا همراه هست. برای رفع این مشکل با استفاده از روش‌های پردازش تصویر که امروزه در صنایع نفتی گسترش زیادی داشته است روندی طراحی گردید که طی این روند عکس‌های مقاطع نازک میکروسکوپی توسط رایانه مورد بررسی کمی قرار می‌گیرد. روش پردازش تصاویر در هوش مصنوعی برای اتوماسیون سازی مطالعات مقاطع میکروسکوپی، میزان خطا را کاهش داده و جایگزین تجربه کارشناس خبره با کمترین زمان و هزینه می گردد. مهمترین برتری این دانش فنی و روش مدرن اینکه بانک اطلاعات میدان نفتی را فراهم کرده، بطوریکه شرایط را برای تصمیم گیری های اساسی در مدیریت اکتشاف فراهم می سازد. در این پایان‌نامهقرار بر این است که الگوریتمی معرفی شود که طی آن بتوان انواع ماسرال‌ها را در مقاطع نازک میکروسکوپی سنگ منشأ شناخت و با تعیین درصد هرکدام از انواع ویترینایت، لیپتینایت و اینرتینایت بتوان نوع کروژن سنگ منشأ را تعیین نمود؛ تا هم در وقت و هم در هزینه، صرفه‌جویی مناسبی داشت. از این رو ابتدا تعداد 56 عدد عکس از مقاطع نازک مربوط به سنگ منشأهای متفاوت هیدروکربوری از پژوهشگاه صنعت نفت تهیه شد. به دلیل اینکه عکس‌ها از سنگ منشأهای متفاوتی هستند ماسرال و کروژن موجود در آن‌ها نیز متفاوت است که این امر برای طراحی الگوریتم بسیار مناسب است. در ابتدا روی عکس‌ها یک فیلتر رنگی اعمال ‌شد تا کیفیت عکس‌ها بالاتر برود. سپس کار بخش‌بندی روی عکس‌ها صورت گرفت. بخش‌بندی یکی از مهم‌ترین بخش‌های کار است زیرا اگر بخش‌بندی در عکس به درستی انجام نشود می‌تواند باعث ایجاد خطای بالایی در تعیین درصد ماسرال‌ها شود. حال با جدا شدن ماسرال‌ها از زمینه عکس و از یکدیگر، با استخراج یک سری ویژگی این ماسرال‌ها از هم تمیز داده شد. این جداسازی و تشخیص نوع ماسرال توسط یک شبکه عصبی صورت گرفت. دقت کار در جداسازی و تشخیص نوع ماسرال‌ها نزدیک به 5/62% استکه این اعتبار سنجی به کمک نظر یک کارشناس خبره انجام شده است و می‌تواند قابل قبول باشد. بعد از شناسایی ماسرال‌ها از یکدیگر با توجه به درصد فراوانی ماسرال‌های موجود در هر عکس نوع کروژن آن به کمک یک تفکیک‌کنندهتعیین می‌شود. از آنجا که تعیین نوع کروژن با توجه به درصد ماسرال‌ها کار بسیار ساده‌تری است دقت الگوریتم در این مرحله کمی افزایش یافت و نزدیک به 70% دقت عملکرد داشت که عدد نسبتاً ایده آلی است. اعتبار سنجی یا مشخص کردن دقت تعیین نوع کروژن به کمک داده‌های آزمایشگاهی که برای تمام نمونه‌ها یعنی 56 عکس موجود بود انجام شده است. قابل ذکر است کهتمام این مراحل در محیط نرم‌افزار MATLABاجرا شده است. حال که نوع کروژن مشخص شده اگر میزان بلوغ سنگ منشأ را هم داشته باشیم می‌توان توصیف خوبی از سنگ منشأ ارائه داد. برای این منظور از اندیس دگرسانی حرارتی استفاده می‌کنیم که البته تعیین این اندیس هم در محیطنرم‌افزارMATLAB انجام می‌شود. تعیین این اندیس به کمک رنگ لیپتینایت ها و نوع خاص آن یعنی اسپور و پولن صورت می‌گیرد. تعیین بلوغ به این روش کیفی‌تر از روش‌هایی مثل ضریب انعکاس ویترینایت است اما شکی در درستی این روش وجود ندارد.