GEOESTADÍSTICA APLICADA CON SGeMS
Guía del usuario
El software de modelado geoestadístico de Stanford (SGEM S) Es un paquete informático de código abierto párr La Solución de Problemas Relacionados con las variables de espacialmente Relacionados. Proporciona profesionales estadísticos con una interfaz fácil de usar, una visualización 3D interactiva y una amplia selección de algoritmos. Con más de 12.000 descargas en menos de 2 años, SGeMS se utiliza en varios grupos de investigación y empresas.
Este libro práctico ofrece una guía paso a paso para el uso de algoritmos SGeMS. En él se explica la teoría subyacente, demuestra la aplicación de las diversas algoritmos, analiza sus posibles limitaciones, y ayuda al usuario tomar una decisión informada acerca de la elección de un algoritmo sobre otro.Los usuarios pueden completar tareas complejas usando el lenguaje de scripting integrado, y los nuevos algoritmos pueden ser desarrollado e integardo mediante el mecanismo de plug-in SGeMS.
SGeMS es el primer software para proporcionar algo-ritmos para las estadísticas de varios puntos y el libro presenta una discusión actualizada de la teoría y las aplicaciones correspondientes.
La incorporación de un CDROM con el software SGeMS completo, este libro es un usuarioguía esencial para los practicantes profesionales del medio ambiente, la minería y la ingeniería de petróleo, así como estudiantes de postgrado e investigadores en campos como la teledetección, la geografía, la ecología, los recursos hídricos e hidrogeología.Tanto los principiantes como los usuarios más avanzados encontrarán respuestas en el libro sobre cómo utilizar el software y en general sobre la práctica geoestadístico. '
NICOLAS REMY recibió una licenciatura en Matemáticas y Física de la Escuela Nacional Superieure' des Mines, Nancy, Francia, una maestría en ingeniería petrolera de la Universidad de Stanford y un doctorado Geoestadística en la Universidad de Stanford.Actualmente es Estadístico Senior de Yahoo !, líder de minería de datos y el grupo de modelado del comportamiento del usuario para el Yahoo! Medios y Comunicaciones Yahoo! y Comunidades unidades de negocio.Sus intereses de investigación incluyen estadísticasmúltiples de puntos, aprendizaje automático, la teoría de grafos y la minería de datos
ALEXANDRE BOUCHER recibio una B.Eng. en Ingeniería Geológica de la Ecole Polytechnique de Montreal ", Montreal, QC, Canadá, Una Maestría en Filosofía. grado de la Universidad de Queensland, Brisbane, Australia,
Ph.D. ONU y de la Universidad de Stanford, Stanford, CA. EL enseño geoestadística en el Departamento de Medio Ambiente y Ciencias del Sistema Terrestre de la Universidad de Stanford, y ha impartido cursos de corta Duración Sobre el tema en los EE.UU. y Japón. Sus intereses de investigación incluyen la geoestadística, la integración de datos, teledetección, incertidumbre modelado, aprendizaje automático, y el modelado probabilístico de los fenómenos espacio-temporales.
JIANBING WU recibio su Ph.D. en Ingeniería de Petróleo en 2007 por la Universidad de Stanford, y su M.E. y B.S. en Ingeniería Mecánica de la Universidad de Ciencia y Tecnología de China.Él es un ingeniero de yacimientos con el grupo Aplicada Ingeniería de Yacimientos en ConocoPhillips, y su investigación se centra en el modelado de yacimientos estáticos y dinámicos. En la actualidad es miembro de SPE, IAMG y SEG.
GEOESTADÍSTICA APLICADA
CON SGeMS Guía del usuario
NICOLAS REMY
Yahoo! Medios y Comunicaciones Yahoo! y Comunidades
ALEXANDRE BOUCHER
Universidad Stanford
y
JIANBING WU
ConocoPhillips
CAMBRIDGE UNIVERSITY PRESS
Cambridge, Nueva York, Melbourne, Madrid, Cape Town, Singapur, Sao~ Paulo, Delhi
Cambridge University Press El Edificio Edimburgo, Cambridge CB2 8RU, Reino Unido
Publicado en los Estados Unidos de América por Cambridge University Press, Nueva York
www.cambridge.org La información sobre este título: www.cambridge.org/9780521514149
N. Remy, A. Boucher y J. Wu 2009
Esta publicación está en el derecho de autor. Sujeto a excepción legal y de lo dispuesto en los acuerdos de licencia colectivos pertinentes, sin la reproducción de cualquier parte puede tener lugar sin el permiso escrito de Cambridge University Press.
Publicado por primera vez 2009
Impreso en el Reino Unido en el University Press, Cambridge
Un registro de catálogo de esta publicación está disponible en la Biblioteca Británica
ISBN 9780521514149
Cambridge University Press no tiene ninguna responsabilidad por la persistencia o la exactitud de las direcciones URL externas o terceras páginas de internet mencionadas en esta publicación, y no garantiza que cualquier contenido en dichos sitios web es, o se mantendrá, preciso o apropiado.
Todo el material contenido en el CDROM está protegido por derechos de autor y otras leyes de propiedad intelectual. El cliente adquiere únicamente el derecho a utilizar el CD-ROM y no adquiere ningún otro derecho, expresa o implícita, salvo que estuvieran señaladas expresamente en una licencia independiente.
En la medida permitida por la ley aplicable, Cambridge University Press no se hace responsable por los daños directos o pérdida de cualquier tipo que resulten del uso de este producto o de los errores o fallos contenidos en el mismo, y en cada
caso Cambridge University Press de responsabilidad se limitará a la cantidad efectivamente pagada por el cliente para el producto.
Contenido
Prólogo por Albert Tarantola Prefacio
página xi
x i
Lista de programas
Lista de símbolos
xiii
xv
1 Introducción
1
2 Panorama General
5
2.1
Una visita rápida de la interfaz grafica del usuario
5
Un análisis geoestadístico típica usando SGEMS
5
2.2.1 Carga de datos en un projec SGeMS t
8
2.2.2 análisis de datos exploratorio (EDA )
1 0
2.2. 3 Variograma modelin g
1 0
2.2. 4 Creación de un gri d
1 2
2.2.5 Ejecución de un geoestadística algorith m
1 3
2.2. 6 Viendo los resultados s
1 4
2.2.7 Postprocesamiento de los resultados con Pytho n
1 9
2.2.8 Cómo guardar los resultados
21
2.2.9 Automatización de tareas
21
2.3
Formatos de archivos de datos
23
2.4
Archivos de parámetros
24
2.5
La definición de un elipsoide 3D
26
2.2
3 Geoestadística: un retiro de conceptos
3.1
Variable aleatoria
29
30
3.2
3.3
Función aleatoria
33
3.2.1 Realizaciones simulados
34
3.2.2 Mapas estimadas
37
Distribuciones condicionales y simulaciones
38
3.3.1 Simulación Secuencial
40
3.3.2 Estimación de las distribuciones condicionales locales
42
v
vi
Contenido
3.4
Inferencia y estacionariedad
44
3.5
El variograma, una estadística de 2 puntos
48
3.6
El paradigma kriging
50
3.6.1 Kriging simple
51
3.6.2 kriging ordinario y otras variantes
54
3.6.3 Kriging con variable promedio lineal
57
3.6.4 Cokriging
59
3.6.5 Indicador kriging
61
3.7
Una introducción a pf estadísticas
62
3.8
Algoritmos de simulación de dos puntos
65
3.8.1 Simulación gaussiana secuencial
66
3.8.2 Simulación secuencial directa
67
3.8.3 Simulación error directa
68
3.8.4 Simulación Indicador
69
Algoritmos de simulación múltiple de punto
71
3.9.1 Individual simulación ecuación normal (SNESIM)
71
3.9.2 Algoritmo basado en filtro (FILTERSIM)
72
3.9
3.10
La expresión nu / tau para combinar condicional
probabilidades
74
3.11 Problema inverso
4 conjuntos de datos y herramientas SGeMS EDA
4.1
4.2
80
Los conjuntos de datos
80
4.1.1 El conjunto de datos 2D
80
4.1.2 El conjunto de datos 3D
81
Las herramientas SGeMS EDA
84
4.2.1 Parámetros comunes
85
4.2.2 Histograma
85
4.2.3 QQ parcela y PP trama
87
4.2.4 Gráfico de dispersión
87
5 variograma cálculo y modelización
5.1
79
90
Cómputo variograma en SGeMS
92
5.1.1 Selección de las propiedades de cabeza y cola
92
5.1.2 Parámetros de cálculo
93
5.2
5.1.3 Visualización de los variogramas calculados
98
Modelado variograma en SGeMS
98
6 interfaces de entrada de parámetros comunes
101
6.1
Panel Algoritmo
101
6.2
Selección de una rejilla y la propiedad
102
6.3
Selección de múltiples propiedades
103
6.4
Búsqueda barrio
104
Contenido
vii
6.5
Variograma
104
6.6
Kriging
105
6.7
Entrada de línea
105
6.8
La distribución no paramétrica
106
6.9
Los errores en los parámetros
108
7 Algoritmos de estimación
7.1
Kriging: kriging univariado
109
109
7.2
INDICADOR kriging
113
7.3
Cokriging: kriging con datos secundarios
119
7.4
BKRIG: bloque de estimación kriging
122
8 Algoritmos de simulación estocástica
8.1
132
Simulaciones basadas en variograma
132
8.1.1
Simulación LU: LUSIM
133
8.1.2
SGSIM: simulación gaussiana secuencial
135
8.1.3
COSGSIM: cosimulación gaussiana secuencial
139
8.1.4
DSSIM: simulación secuencial directa
143
8.1.5
Sisim: simulación indicador secuencial
147
8.1.6 COSISIM: indicador secuencial
cosimulación
153
8.1.7
BSSIM: bloque de simulación secuencial
157
8.1.8
BESIM: simulación de error de bloque
163
8.2
Algoritmos de simulación múltiple de punto
168
8.2.1 SNESIM: simulación ecuación normal de un solo
169
8.2.2
191
Simulación basada en filtro: FILTERSIM
9 Utilidades
215
9.1
TRANS: transformación histograma
215
9.2
TRANSCAT: transformación categórica
218
9.3
POSTKRIGING: postprocesamiento de kriging
estimaciones
222
9.4
POSTSIM: postprocesamiento de las realizaciones
224
9.5
NUTAU MODELO: la combinación de campos de probabilidad
227
9.6
BCOVAR: cálculo de la covarianza bloque
228
9.7
PROCESAMIENTO DE IMÁGENES
233
9.8
MOVIMIENTO DE LA VENTANA: mover estadísticas ventana
234
9.9
Generador de imagen basada objeto: TIGENERATOR
237
9.9.1
239
La interacción de objetos
10 secuencias de comandos, los comandos y los plugins
10.1 Comandos
245
245
10.1.1 Listas de comandos
246
10.1.2 Ejecutar archivo de comandos
248
viii
Contenido
10.2 Script Python
249
10.2.1 Módulos SGeMS Python
250
10.2.2 Ejecución de scripts de Python
250
10.3 Plugins
252
Bibliografía
254
Índice
260
Prefacio
Geoestadística es una ciencia. Es también un arte.
Geoestadística no es simplemente la aplicación de métodos estadísticos para distribuciones espaciales geología impulsado, también proporciona un marco conceptual para hacer inferencias a partir de datos de las ciencias de la Tierra datos que son, más a menudo que no, incompleta.
Algunos pueden decir, como lo haría, que la mayoría de los problemas abordados en geostatistics son problemas inversos, en el sentido de que los datos se utilizan para inferir parámetros del modelo anterior. Sin embargo, existe una brecha entre los problemas inversos y problemasgeostatis tico: en problemas en verso que modelan las observaciones pueden ser equipo intensiva, pero el modelo a priori es típicamente sencilla (o simplista); en una solución de cal geostatisti los datos están directamente relacionados con los parámetros del modelo, esto permite considerar modelos anteriores tha t encapsular propiedades de la verdadera Tierra, a veces con un realismo impresionante.La brecha se está reduciendo y desaparecerá en
un futuro próximo. Por el momento, debemos tratar de hacer lo mejor que podamos en cada uno de los dos campos.
La mayoría de las soluciones geoestadísticas i nvolve funciones aleatorias, y un largo camino se ha pisado ya que los modelos Gaussianos simples utilizados en el principio.El equipo de Stanford ha estado en el origen de muchos desarrollos no Gaussianos que ahora se han convertido en norma. Ellos están otra vez con el concepto geoestadístico mixto de varias p y algoritmos relacionados, que permiten definir funciones aleatorias verdaderamente complejos.
Si un pintor no tiene escobillas, o no hay pinturas, él / ella no puede producir arte. Lo mismo sucede aquí: con el fin de hacer frente a problemas difíciles pidiendo priores no simplistic y la elaboración de soluciones prácticas (el arte), se necesita el software de ordenador.Las ecuaciones de suscripción geoestadística se pueden colocar en el papel, sino que incluso la aplicaciónsim plest requiere software dedicado. Aquí es donde el d Geostatistical Modeling Software Stanfor (SGeMS) brilla.Con este libro el lector aprenderá cómo utilizar el software hacia la solución de problemas no triviales.
ix
X
Prefacio
Nada puede reemplazar mis estancias repetidas en Stanford y la interacción con el people hay en el Centro de Predicción del depósito con, entre otros, los autores de este libro y mi querido amigo Andre' Journel. Tener este libro conmigo es lo más parecido a estar en Stanford.
Albert Tarantola
Pasadena
Prefacio
Este libro no es una introducción a la geoestadística y su teoría. Aunque algunos elementos de la teoría geoestadística se recuerdan, el texto supone un nivel razonable de familiaridad con los conceptos principales de la geoestadística: nociones de una función aleatoria, aridad estación o variograma no deben dejar preguntándose.
El objetivo principal de este libro es una copia de seguridad del Stanford Geostatistical Modeling Software (SGeMS) y, con suerte, ampliar la comprensión del lector de geostatistics más allá de su teoría en sus muy diversas aplicaciones.En esa perspectiva, se hace hincapié en los aspectos prácticos (en qué contexto se debe preferir una herramienta sobre otro) y consideraciones de implementación (¿En qué medida el algoritmo implementaciones se desvían de la teoría, ¿cuáles son los e hipótesis y limitaciones de la implementación º) .Sin embargo, este libro no es un manual de referencia para el programa-ming en SGeMS y no hay detalles sobre el código fuente de SGeMS o sus APIs se dan. Si usted está interesado en aprender cómo contribuir código para SGe
MS consulte el sitio web SGeMS, http://sgems.sourceforge.net, donde una descripción de las API SGeMS y varios tutoriales están disponibles.
Las herramientas geoestadísticas de SGeMS fueron diseñados para proporcionar suficiente flexibilidad para adaptarse a diferentes problemas. Como resultado, el número de parámetros de control disponibles puede parecer desalentador para el practicante principiante. No se deje intimidar! La mayoría de los parámetros advanc ed tienen valores por defecto, y la mejor manera de construir su comprensión de esos parámetros es repetir los ejemplos de carreras y experimento por su cuenta.
Mientras que la mayoría de las herramientas en SGeMS se basan en geoestadística clásicos (kriging, simulación de Gauss, simulación indicador, etc.), una gran parte del libro está dedicada al concepto de múltiples puntosestadísticas. Múltiples puntos estadísticas son un nuevo un nd área prometedora de la geoestadística, su teoría subyacente se expone con mayor detalle, y dos algoritmos de múltiples puntos se describen a fondo.
Este libro ha tenido una larga gestación. La idea de un geoestadística genéricos programación biblioteca (el libr ary GSTL), acompañado de un software simple escaparate
xi
xii
Prefacio
data de 2001 y se inició con la colaboración del profesor Arben '
Schtuka, a continuación, un t Ecole Nationale Superieure' de Geologie' (Francia), y el apoyo del profesor Jef Caers en la Universidad de Stanford.Lo que se supone que es un software de simple, sin embargo, se convirtió en un esfuerzo de programación muy involucrado. SGeMS ahora es un software de pleno derecho en el XX proporciona una plataforma moderna, cómoda y de gran alcance para los nuevos desarrollos de la geoestadística.Gracias al apoyo de Jef Caers y Andre' Journel, el software SGeMS ganó
fuerza en el Centro Stanford de Previsión Embalse (SCRF), y luego con su i ndustrial afiliados y universidades colaboradoras.
Este libro no habría existido sin el apoyo de Andre' Journel, su incansable supervisión alegría líder, dedicada y su obsesiva corrección de pruebas. También estamos muy agradecidos con el Dr. Mohan Srivastav una, el Dr. Ricardo Olea y el Dr. Pierre Goovaerts quien cuidadosamente repasó los primeros borradores del manuscrito y meticulously rastreó las inconsistencias y muchos errores de software.El texto y el software se beneficiaron enormemente de sus muchas sugerencias y RKS rema.Nos gustaría agradecer al Dr. Sebastien' Strebelle, el profesor Sanjay Srinivasan y el profesor Guillaume Caumon, que revisó cuidadosamente las versiones finales del manuscrito. Por último, estamos muy agradecidos con el profesor Jef Caers para iniciar y creyendo firmemente en el proyecto GSTL: sin su apoyo, SGeMS no habrían sido escritos.
Por diseño, SGeMS no es un software de estática y completa. Se añadirán nuevos algoritmos y su API subyacente pueden cambiar. Damos la bienvenida a los comentarios sobre ella, informes de errores, valu las ideas de mejora que puedan o código fuente.Puede enviar sus comentarios a los SGeMS listas de correo y consulte el sitio web SGeMS en http://sgems.sourceforge.net para las actualizaciones y documentación de código.
Lista de programas
Análisis exploratorio de datos
Histograma: histograma y las estadísticas, 85 QQ / pageref parcela: QQ o PP trama y estadísticas, 87 Dispersión de parcelas: parcela diagrama de dispersión y las estadísticas, 87 variograma: cómputo variograma y modelado, 90
Estimación
BKRIG: Bloque de kriging, 122
Cokriging: kriging con datos secundarios, 59 INDICADOR Kriging: kriging indicador, 113 Kriging: kriging, 109
Simulación
BESIM: simulación de error de bloque, 163 BSSIM: simulación secuencial bloque, 157
COSGSIM: cosimulación gaussiana secuencial, 139 COSISIM: indicador secuencial cosimulación, 153 DSSIM: simulación secuencial directa, 143 FILTERSIM: simulación basada en el filtro, 191
LUSIM: simulación de LU, 133
SGSIM: simulación gaussiana secuencial, 135 Sisim: simulación indicador secuencial, 147 SNESIM: simulación ecuación normal, solo, 169
xiii
xiv
Lista de programas
Utilidad
Cálculo covarianza bloque,: BCOVAR La manipulación de imágenes,: 228 PROCESAMIENTO DE IMÁGENES 233 MOVIMIENTO DE LA VENTANA: mover las estadísticas de las ventanas, 234
NUTAU MODELO: la combinación de probabilidades condicionales, 227 POSTKRIGING: post procesamiento de las estimaciones kriging, 222 POSTSIM: postprocesamiento de las realizaciones, 224 TIGENERATOR: entrenar generador de imágenes, 237
TRANS: histograma transformación continua, 215 TRANSCAT: transformación histograma categórico, 218
Lista de símbolos
cdf
Etype
Función de distribución acumulativa
Estimación expectativa condicional obtenida por punto a gota
un promedio de realizaciones simulados
EDA
Análisis de datos primaria
FFT
GSLIB
Transformada Rápida de Fourier
Biblioteca de software geoestadístico, como en Deutsch y Journel
(1998)
IK
Indicador kriging
KT
Kriging con una tendencia
LVM
De tipo M
Kriging con una media que varía locales
Estimación mediana condicional
MM1
Markov Model 1
MM2
Markov Model 2
mp
Múltiples puntos
OK
Kriging ordinario
PP trama
pdf
QQ parcela
Probabilidad probabilidad trama
Función de densidad de probabilidad
Parcela Cuantilcuantil
RF
Función aleatoria
RV
Variable aleatoria
SGeMS
SK
Stanford Geostatistical Modeling Software
Kriging simple
Ti
Imagen Entrenamiento
⊥
Ortogonal
∀
Lo Que Sea
xv
xvi
α, β, γ γ (H)
γ (Z (u
α),
*
γ γ
(L)
γ
ij
λ
α,
_
_ λ
_ ν
Z (u
i
(h)
λ
α (u)
β))
(H)
ω
φ
lti
σ
2
(·) φ
σ
2
(·) ρ (h)
(u)
g
TJ τ
SK
uti
i
T
J
C
BB
¯
¯
PB,
_
¯
, C (V, V)
¯
(, ())
CC u V s h
hj
DD
i
K k prot ~
La
Lista de símbolos
Ángulos de rotación para azimuth, dip y rastrillo semivariogram modelo Papelería
Valor semivariogram entre dos variables aleatorias Z (u
α
) y Z (u
β
)
Semivariogram Experimental
l ª componente de un modelo semivariogram anidada
Cross modelo semivariograma entre cualquier Z i dos al azar variables (U) y Z j (U + h) Kriging peso asociado a la ubicación de referencia u α-ción para Estima en la ubicación u.Los superíndices (SK), (OK), (KT) se utilizan cuando es necesario diferenciar entre los distintos tipos de kriging
Pesos Kriging matriz Escala matriz
Matriz de la columna de la matriz de n (u) pesos kriging Rotación
nu parámetro para el atributo ª i
Parámetro de una función de potencia; o una función de extrapolación bajo factor de cola servosistema
Función superior extrapolación cola correlogram Papelería ∈ [- 1, + 1] Varianza
Varianza de Kriging Z (U).Los subíndices (SK), (OK), (KT) se utilizan cuando es necesario diferenciar entre los distintos tipos de kriging
Plantilla de búsqueda ampliada en el n d parámetro múltiple tau rejilla para el iésimo atributo
Una plantilla de búsqueda con J nodos
Bloque a bloque modelo de covarianza modelo de covarianza punto a bloque Coordenadas compensado vector o un vector lag
Desplazamiento de la j nodo en la plantilla de búsqueda de su centro matriz columna de n (u) datos residuales valores z (u α ) - m vector de datos que involucra i múltiples ubicaciones de datos {D i = d i , i = 1,. . . , n}
Dataalos datos de la matriz de covarianza cuadrados de datos a desconocidos Prototipo matriz de covarianza de una categórica variables No A
Lista de símbolos
u
u
v
Coordina vectorial
α
,U
β
Lugares de Datos
Volumen del bloque, o un conjunto de puntos
xvi i
un
Parámetro Range
un i (U)
Coeficiente de número k componente del modelo de tendencia
B
Bloque de datos
B (v
α
)
B V (S)
Un valor promedio lineal dentro de un volumen de bloque v
α
Un valor promedio lineal dentro de un bloque V centrada en la localización
s
C (0)
Valor de covarianza en la separación del vector h = 0.También es el
varianza estacionaria de azar variable Z (U)
C (h)
Covarianza entre dos variables aleatorias Z (U) y
Z (u + h) separadas por vector h
cl
Contribución Varianza de la l ª anidado modelo semi variograma
CR
Matriz de covarianza de error
C ij (H)
Covarianza cruzada entre dos variables aleatorias Z i (U)
y Z j (U) separados por el vector h
cmin
Número mínimo de repeticiones de patrones
de v
Local evento data acondicionado
de v
Local evento data acondicionado encontrado por plantilla
J
de búsqueda T J
E {·}
Valor esperado
Exp (·)
Función semivariograma exponencial
F
Número de filtros
f (h j )
Filtra peso asociado con el nodo j plantilla
F (u, z)
Función de distribución acumulada de azar variable Z (U)
F (z)
Histograma acumulado de RV
f (z)
Función de densidad de probabilidad o histograma
1
F - (p)
Función de distribución acumulada inversa o función cuantil
para el valor de probabilidad p ∈ [0, 1]
fx,Fy,Zf
Factor de Affinity en cada X / Y / Z dirección
FZ
Cdf Marginal de azar función Z
G (·)
Función de distribución acumulada normal estándar
1
G - (p)
Función cuantil normal estándar tal que
1
G (G - (p)) = P ∈ [0, 1]
hx,Hy,Hz
Variograma oscila en sentido X / Y / Z
I (u; k z )
Función aleatoria indicador binario en la ubicación u y para
corte z k
Valor del indicador binario en la ubicación u y para i (u; k z )
corte z k
*
I (u
k
z)
Estimador Indicador de corte z
k
z)
Indicador kriging valor estimado de corte z k
k
;
i* (u
;
xviii
Lista de símbolos
I SK * (u)
Indicador kriging estimador del indicador categórico I k (U)
I k (U)
Función aleatoria indicador binario en la ubicación u y para
categoría k
i k (U)
Valor del indicador binario en la ubicación u y para la categoría k
K
Número de categorías
L
α
Una función de promediación lineal conocida
M
La mediana de un RF
m
El valor medio de una variable aleatoria
m (u)
Función en la ubicación u media; valor esperado de variable aleatoria
Z poder (U); o modelo componente de tendencia en la descomposición
Z (u) = M (u) + R (u), donde R (u) es el componente residual
modelo
*
m (u)
Estimación del componente de tendencia o localmente variando media al
ubicación u
N (h)
Número de pares de datos separados por el vector h
n (u)
datos n acondicionado encontraron en un barrio con centro en u
nk
Número de patrones cuyo centro tiene un valor k específica
P
Datos Point
p
Valor de probabilidad
pk
p
Proporción actual de categoría k simulado hasta el momento
c
t
Proporción de destino de categoría k
0
Probabilidad previa de que ocurra el evento
k
p
palmadita
Patrón de entrenamiento
Prob {·}
Función de probabilidad
prot
Prototipo de una variable continua
1
q (p) = F - (p)
Función cuantil para el valor de probabilidad p ∈ [0, 1]
R (u)
Residual modelo de función aleatoria en el lugar u en la
descomposición
posición Z (U) = m (u) + R (u), donde m (u) es la tendencia
modelo de componentes
r (u)
Valor residual en la ubicación u
ri
Ángulo de giro azimutal en la región de rotación i
r s (u)
Valor residual simulada en el lugar de u
S
Un conjunto de lugares u, o un depósito
k
S T (U)
El késimo valor de la puntuación del filtro + del patrón pat (U) encontrado por búsqueda
plantilla de T
Sph (·)
Función semivariograma esférico
t (u)
Imagen Entrenamiento valor nodal en la ubicación u
V, V (u)
Un bloque centrado en la localización u
Var {·}
Desacuerdo
xi
Antes de distancia una probabilidad dada, que se utiliza en el modelo de tau
Z (u)
z (u)
z (u α ) Z * (u)
*
z (u) z
*
E
(U)
z * M (U)
z z
k
*
Ks (l)
(u)
(u) z
LVM
(V
l)
*
z (u)
(u)
z
Z
cs
(u) z
cs
(u)
Lista de símbolos
xix
Variable aleatoria genérica en la ubicación u, o una función aleatoria genérico de ubicación u
Genérico función de variables de ubicación u valor de referencia z en la ubicación u
α
Estimador de Kriging Z (U).Los subíndices (SK), (OK), (KT) se utilizan cuando es necesario diferenciar entre los distintos tipos de kriging
Una estimación del valor de z (u)
Expectativa condicional, o de tipo E, que se obtiene como media aritmética de punto racional de realizaciones (l) múltiples z (u)
Tipo M valor estimado, donde z valor desconocido real
*
M
(U) tiene una probabilidad del 50% a ser mayor (o menor) que el
Estimación Kriging construido a partir del valor z simulada s (u α ) Valor estimado con diferentes locales significaría en la ubicación u l TH realización de la función aleatoria Z (u)
El valor simulado sobre un bloque V promedio desde el l ° z apoyo punto de realización
(l)
(u)
k valor umbral TH para el atributo z continua variable aleatoria simulada condicional en la ubicación u valor simulado condicional en lugar de u
1 Introducción
SGeMS, el Stanford Geostatistical Modelado cerámica suave, es un software desarrollado en la Universidad de Stanford que implementa varios algoritmos geoestadísticas para el modeling de los sistemas de tierra y de los fenómenos más en general el espaciotiempo distribuidos.Fue escrito con dos objetivos en mente. El primero, orientado towar d el usuario final, es proporcionar un software fácil de usar que ofrece una amplia gama de herramientas geoestadísticas: los geoestadística más comunes algoritmos se implementan, además de los desarrollos más recientes, como las estadísticas de varios punto de simulación .Los EE.UU. er de uso de SGeMS viene de su interfaz gráfica de usuario no intrusiva, y la posibilidad de visualizar directamente los conjuntos de datos y resultados en un entorno interactivo en 3D.
El segundo objetivo era diseñar un software que atender a los ds nee de los usuarios avanzados.En SGeMS, la mayoría de las operaciones realizadas mediante la interfaz gráfica también se puede ejecutar mediante programación. El soporte integrado para el lenguaje de programación Python permite la creación de macros sencillas hasta llegar a completar aplicaciones anidadas con una interfaz gráfica independiente.Las nuevas características convenientemente se pueden añadir en SGeMS través de un sistema de plugins, es decir, piezas de software que no se pueden ejecutar por sí mismos sino que se complementan un programa principal. En SGeMS, plugins se pueden utilizar para agregar nuevas herramientas geoestadísticas, añadir nuevas estructuras de datos de rejilla (cuadrículas estratigráficas con fallos por ejemplo) o definir nuevos filtros de archivo de importación / exportación.SGeMS se utiliza como una plataforma de desarrollo para la geoestadística en el Centro Stanford para Forecasting Embalse (SC RF).
La estructura del libro
Capítulo 2 comienza con un tutorial conciso que guía al lector a través de los principales pasos a seguir en un estudio geoestadístico simple.El objetivo de este tutorial es para dar una
1
2
Introducción
visión general de las capacidades de SGeMS y dirigir al lector a las diferentes partes del libro para más detalles. La segunda parte del capítulo 2 da las convenciones utilizadas en todo el libro, por ejemplo, cómo elipsoides 3D se definen, cómo rejillas cartesianas se definen y los detalles de los formatos de archivo de datos.
Capítulo 3 recuerda los conceptos fundamentales geoestadísticas utilizadas en el libro.Aparte de los aspectos clásicos de la geoestadística como variogramas y kriging, este capítulo también introduce el concepto de múltiples puntosestadísticas, en la raíz de dos algoritmos principales presentados en la Sección 8.2.
Capítulo 4 presenta los conjuntos de datos principales utilizados en todo el resto del libro.Todos estos conjuntos de datos están disponibles en el CD incluido con este libro. Como se describen los conjuntos de datos, se introducen las herramientas para la exploración de datos elementales: histogramas, diagramas de dispersión, quan azulejocuantiles y probabilidad de probabilidad parcelas.Variicionales siendo de particular importancia en la geoestadística se describen en un capítulo aparte: Capítulo 5 detalla las herramientas para calcular variogramas experimentales y modelarlos.
Capítulos 6 a través de manual de referencia ea 9 Constitut a los algoritmos SGeMS geoestadísticas.Para cada algoritmo, aspectos prácticos y CONSIDERAciones de implementación son revisados, los parámetros de entrada necesarios se describen de forma exhaustiva, y un breve ejemplo de ejecución se presenta. Se alienta al lector a tratar de reproducir las pistas para familiarizarse con el algoritmo y sus parámetros.Capítulo 6 presenta las principales interfaces gráficas que se utilizan para los parámetros de entrada a los algoritmos SGeMS.Por ejemplo, muchos algoritmos como kriging, secuencial de simulación ussian Ga y simulación secuencial directa requieren un variograma y un elipsoide de búsqueda.Las interfaces de entrada elipsoide variogram y búsqueda utilizados por estos tres algoritmos se describen en este capítulo.
El Capítulo 7 describe los algoritmos de estimación disponibles en SGeMS: kriging simple, kriging ordinario, kriging con una tendencia o una media, indicador de kriging localmente variando y cokriging.La teoría detrás de cada algoritmo se recuerda brevemente y se discuten consideraciones de implementación. Todos los parámetros ng Controlli se describen a continuación a fondo.Consideraciones prácticas están aislados en cajas de color gris de fondo.
Capítulo 8 se divide en dos partes principales.Sección 8.1 se dedica a los algoritmos basados en variograma de simulación: simulación gaussiana secuencial, secuencias y c simulación indicador ntial, simulación secuencial directa y sus variantes cosimulación.La segunda mitad del capítulo 8 (Sección 8.2) presenta dos algoritmos simulación recientemente desarrollados: SNESIM y FILTERSIM. Estos dos algoritmos se basan en el paradigmamúltiples puntos estadísticas presentadas en el Capítulo 3.Debido a que estos algoritmos son recientes, una gran parte del texto está dedicado a la descripción de las mejores prácticas y el impacto de los parámetros de entrada en el rendimiento del tiempo de ejecución y la calidad de los resultados finales.
El código fuente y compilación
3
Capítulo 9 presenta algoritmos de servicio, denominado utilidades, útiles para preparar los datos de entrada de los algoritmos de estimación y simulación, y luego analizar su salida.
El último capítulo (capítulo 10) enseña al usuario avanzado cómo automatizar tareas en SGeMS, utilizando su sistema de comandos o en el lenguaje de programación Python incrustado.Describiendo Python sería un tema del libro de su propia; este capítulo se describe cómo acaba SGeMS y Python cooperan, y dirige al lector que quiera aprender Python a fuentes externas.Por último, una característica
importante de SGeMS se introduce: SGeMS apoya un mecanismo de plugin para aumentar sus funcionesrealidades, lo que permite, por ejemplo, la adición de nuevos algoritmos tics geostatis o añadir soporte para nuevos tipos de redes en la que se podrían realizar geoestadística.En cuanto a Python, un tutorial sobre C ++ y SGeMS plugins de desarrollo está más allá del alcance de este libro, y el usuario avanzado se refirió a varias oficinas Resour en línea.
Contenido del disco
El disco distribuido con este libro está organizado en cuatro carpetas:
•
los SGeMS ejecutables y el código fuente correspondiente
• los conjuntos de datos, archivos de parámetros y secuencias de comandos utilizados en el tutorial del capítulo 2
•
los conjuntos de datos introducidos en el capítulo 4 y se utilizan en todo el libro
• archivos de comandos para generar la mayor parte de las cifras incluidas en el libro.Cada sub carpeta corresponde a una sección del libro y contiene una secuencia de comandos que, cuando se ejecuta a través de SGeMS, crea las figuras de esa sección.
El código fuente y compilación
S Gems es actualmente disponible en ambas plataformas Linux y Microsoft Windows.Aunque también se ha compilado con éxito en otras plataformas Unix (BSD y Solaris) y Mac OSX, no hay binarios están disponibles actualmente para esos sistemas operativos. El código es D istributed bajo la Licencia Pública
GNUGen eral (GPL).Para obtener más información acerca de la GPL, consulte http://www.gnu.org/copyleft/gpl.html.
El código fuente y ejecutable de Microsoft Windows se distribuyen en el disco que acompaña, y también se pueden descargar desde la web en http://sgems.sourceforge.net.
Para compilar SGeMS, se requieren las siguientes bibliotecas de terceros.
•
GSTL (Template Library Geoestadística)
•
Qt (biblioteca de interfaz gráfica de usuario) versión 3.x (versión 4 y superior no se admite todavía)
•
Coin3D (biblioteca OpenInventor), la versión 2.x
4
Introducción
•
SoQt (bindings Qt para OpenInventor), la versión 1.x
•
SimVoleon (extensión de representación de volumen para Coin3D), la versión 2.x
También se requiere un compilador que soporta correctamente las plantillas de C ++ (por ejemplo, plantillas miembros y plantilla de especialización). SGeMS ha sido compilado correctamente con gcc 2.96, gcc3.3.4, gcc4, Intel compilador de C ++, Visual C ++ 2003 y Visual C ++ 2005.
2
Visión general
2.1 Un rápido recorrido por la interfaz gráfica de usuario
La interfaz gráfica de usuario (GUI) de SGeMS se divide en tres partes principales, ver Fig. 2.1.
El Panel Algoritmo El usuario selecciona en este panel qué herramienta geoestadística a utilizar e introduce los parámetros necesarios (Fig. 2.2).La parte superior de dicho panel muestra una lista de los algoritmos disponibles, por ejemplo, kriging, secuencial gaussiana simmento. Cuando i s selecciona un algoritmo de esa lista, un formulario que contiene los parámetros de entrada correspondientes aparece debajo de la lista de herramientas.
El Panel de Visualización Este panel es un entorno interactivo en 3D en el que uno o varios objetos, por ejemplo, una cuadrícula cartesiana y como et de puntos, se pueden visualizar.Opciones de visualización
tales como colormapas también se establecen en el Panel de Visulización. El Panel de Visualización se muestra con más detalle en la Fig. 2.3.
El Panel de Comando Este panel da la posibilidad de controlar el software desde una línea de comandos en lugar de desde la GUI. Muestra un historial de todos los comandos ejecutados anteriormente y proporciona un campo de entrada donde los nuevos comcomandos se pueden escribir (Fig. 2.4).Ver tutorial sección 2.2 y el capítulo 10 para más detalles sobre el panel de comandos.N ota que el Grupo de comandos no se muestra por defecto cuando se inicia SGeMS: seleccione Panel de comando en el menú Ver para mostrarlo.
2.2 Un análisis geoestadístico típica usando SGeMS
Este breve tutorial da una visión general de las capacidades de SGeMS y puede servir como una guía "Getting Started".Más bien es de ritmo rápido y algunos principiantes puede resultar abrumador. Si ese es el caso, le sugerimos que leerlo a través de él y volver a ella más tarde. El tutorial describe una sesión SGeMS en el que una variable, ty porosi roca, se estima en varias ubicaciones no muestreadas utilizando el "kriging simple" algoritmo.
5
6
Visión general
Figura interfaz gráfica de 2,1 SGeMS. Se destacan los tres paneles principales.El panel superior izquierdo es el Panel Algoritmo, arriba a la derecha es el panel de visualización y el panel inferior es el panel de comandos
El conjunto de datos utilizados en este tutorial se refiere a un (sintético) depósito de aceite que muestra canales de arena alineados en la dirección NorteSur, con una proporción de arena (relación de neto a bruto) del 33%.El depósito se discretiza en 100 × 130 × 10 bloques idénticos parallelipedic (células) en los ejes X, Y y Z respectivamente.En el resto del libro, este tipo de dis concretización se conoce como una cuadrícula cartesiana.Los Variciones de la porosidad de la roca dentro de una célula se consideran insignificantes, y el problema de estimar la porosidad de la roca en cada bloque se simplifica a la estimación de porosidad en el centro de las células (células de rejilla centrada).
La figura 2.5 muestra una vista 3D del modelo de referencia con los canales de arena en negro.
SGeMS proporciona varias herramientas de estimación, la mayoría de ellos basado en el algoritmo kriging.En este kriging sencillo tutorial se utiliza para estimar la porosidad de los canales de arena.Se invita al lector no familiarizado con sencillo kriging para referirse a la Sección 3.6 para una breve presentación de kriging y referencias.
Aquí, se recogieron 563 muestras de valores de porosidad en las áreas de arena. Los pasos implicados en la estimación de la porosidad en los canales de arena son los siguientes.
2.2 Un análisis geoestadístico típica usando SGeMS
7
Figura 2.2 se destacan las tres partes del Panel Algoritmo. La parte superior muestra la lista de los algoritmos disponibles. La sección central es donde se introducen los parámetros de entrada para el algoritmo seleccionado. La parte inferior contiene los controles a loa d / guardar parámetros de los algoritmos ", y ejecutar el algoritmo seleccionado
1.
Cargue las 563 muestras establecidos en SGeMS datos.
2.
Análisis de datos primaria: visualizar la distribución experimental porosidad y calcular estadísticas como cuartiles, media y la varianza experimental.
3.
Calcule el variograma experimental de porosidad y modelarlo.
4.
Crear la cuadrícula cartesiana en el que se realizará kriging. La porosidad se estiacoplado en cada nodo de esa red, si el nodo pertenece a un canal de arena.
5.
Seleccione la herramienta kriging sencilla e introduzca los parámetros necesarios.
6.
Mostrar los resultados.
7.
Postproceso de los resultados para conservar sólo la región de interés (canales de arena).
8.
8
Guarde los resultados.
Visión general
Figura 2.3 El panel de visualización. Los controles laterales izquierdas qué objetos (por ejemplo, rejillas) son visibles en la ventana derecha. También se utiliza para definir las opciones de visualización, como qué color de mapa de usar
Figura 2.4 El panel de comandos
2.2.1 Carga de datos en un proyecto SGeMS
Llamadas SGeMS proyectan el conjunto de todos los objetos cargados actualmente en su base de datos de objetos.Cuando SGeMS inicia, crea un proyecto vacío de forma predeterminada. Cualquier objeto (cuadrícula cartesiana o conjunto de puntos) más tarde cargado en SGeMS se añade a ese proyecto.
Archivo de muestra data.gslib en la C D contiene los ejes X, Y, Z y coordenadas de la porosidad de cada una de las 563 muestras aleatorias.Es un archivo ASCII, siguiendo el formato GSLIB. Consulte la Sección 2.3 para una descripción del formato de archivo GSLIB y otros formatos de archivo de los datos disponibles.
2.2 Un análisis geoestadístico típica usando SGeMS
9
Figura 2.5 Vista 3D del depósito de aceite tutorial
Figura 2.6 Carga asistente archivo GSLIB puntoset
Para cargar el archivo, haga clic en Objetos → Objeto Cargar y busque la ubicación del archivo (o arrastrar y soltar el archivo en el panel de visualización).Dado que el formato de archivo GSLIB no proporciona toda la información requerida por SGeMS, un asistente solicita la información adicional aparece (ver Fig. 2.6).La primera pantalla del asistente solicita el tipo de objeto, un conjunto de puntos o una cuadrícula cartesiana, descrito por el archivo. Seleccione la opción "Set Point" y haga clic en Siguiente.En la segunda pantalla, darle un nombre para el punto fijo, por ejemplo, datos de la muestra, e indicar qué columnas contienen los ejes X, Y y Z coordenadas de los puntos (en este caso, las columnas 1, 2 y 3).
Una vez que se carga el objeto de una nueva entrada llamada de datos sección Objetos del panel de visualización, como se muestra en la Fig. 2.7.
10
de ejemplo
Visión general
Figura 2.7 lista de objetos después de que el conjunto de datos es cargado
aparece en la
El ojo indica
El ojo indica
ese objeto "datos de la muestra"
que la propiedad "porosidad"
Se muestra actualmente
Se muestra actualmente
Figura 2.8 Mostrar / ocultar un objeto o una propiedad
Cli ck en la plaza antes de que el nombre del punto de set para visualizarlo.Objetos mostrados tienen un poco de ojo pintado dentro del rectángulo antes de sus nombres. El signo más antes de que el cuadrado
indica que el objeto contiene propiedades. Haga clic en el signo más para mostrar la lista de propiedades.Haga clic en la plaza antes del nombre de la propiedad para pintar el objeto con la propiedad correspondiente (ver Fig. 2.8).
2.2.2 análisis de datos exploratorio (EDA)
SGeMS ofrece varios datos exploratorios herramientas de análisis, tales como histogramas, diagramas de dispersión y cuantilcuantil parcelas. Estas herramientas están disponibles en el menú de análisis de datos.Sección 4.2 proporciona ejemplos de la EDA para varios datos conjuntos, con más detalles sobre las herramientas de análisis de datos de SGeMS.
El histograma de los datos de muestra porosidad se muestra en la Fig. 2.9.
2.2.3 modelado variograma
Estimación de la porosidad con una simple kriging requiere el conocimiento de la media y la semi variograma de la variable porosidad. Este semivariograma puede ser modelado del variograma experimental calculado a partir de los 563 puntos de muestreo de datos de la muestra de puntoset.
El semivariograma mide la disimilitud promedio entre dos variables, por ejemplo entre la porosidad en la ubicación U y en la ubicación u + h.Estacionariedad Assumción, los γ semi-variograma (Z (U), Z (U + h)) depende sólo de lag 2.2 Un análisis geoestadístico típica usando SGeMS
0.16
1 1
0.14 Recuento de datos:
563
La media de:
0.28755
Varianza:
0.000549915
Máximo:
0.3537
0.12
0.1
0.08 Cuartil superior: 0,303
Mediana:
0.29
Baja cuartil:
0,273
Mínimo:
0.2026
0.06
0.04
0.02
0
0.22 0.24 0.26 0.28 0.3 0.32 0.34
porosidad
Figura 2.9 Histograma de la porosidad de la muestra
vector h: γ (Z (U), (h) se calcula como:
(U
Z
+
h))
(h).Los
γ
=
γ
semi-variograma
experimental
N (h)
1
γ (h) =
2
N
(h)
α
=
[Z (u
1
α
) - z (u
α
+ h)]
2
_
donde z (u) es el (porosidad) de valor en la ubicación u y N (H) es el número de pares de datos separadas por vector h.
En el resto del texto, el término variograma liberalmente será utilizado en lugar de la más precisa semivariograma.Más antecedentes y referencias sobre variogramas se proporcionan en la Sección 3.5 y en el capítulo 5.
Para calcular el variograma experimental de porosidad, abra el variograma computación y asistente de modelado haciendo clic en Análisis de Datos → Variograma.El asistente de cómputo variograma se describe a fondo en el capítulo 5.
Seleccionar datos de la muestra y la porosidad como las propiedades de cabeza y cola.Seleccioneing dos propie prop diferentes para la cabeza y la cola se calcule la cruzvariograma entre las dos propiedades.En la siguiente pantalla cargar los parámetros variograma de archivo variogram.par, utilizando los parámetros de carga. . . Botón.Al hacer clic en Siguiente, SGeMS calcula ◦ ◦ el variograma porosidad en dos direcciones, acimut 0 y 90 acimut del norte, así como un variograma omnidireccional.Todos estos parámetros se discuten en el Capítulo 5.
La última pantalla del asistente (ver Fig. 2.1 0) muestra los variogramas resultantes y proporciona controles para ajustar de forma interactiva un modelo de variograma.La trama parte superior izquierda
12
Visión general
Figura 2.10 Última pantalla del asistente de modelado variograma
muestra juntos los tres variogramas experimentales. Cada variograma experimental también se muestra en su propia ventana gráfica. Los controles en el panel lateral de la derecha se actualizan de forma interactiva el ajuste del modelo de variograma, superpuesto en cada parcela.
Un variograma esférico isotrópica de rango 20 y alféizar 0.00055 ofrece un ajuste aceptable para demostrar el proceso / kriging estimación.
2.2.4 Creación de una cuadrícula
El siguiente paso es crear la red en la que se realizará sencilla kriging. En este caso se especifica una cuadrícula cartesiana 3D con 100 × 130 × 10 células.Rejillas cartesianas en SGeMS son rejillas regulares en 3D, es decir, todas las células tienen bordes ortogonales y mismas dimensiones. La rejilla está completamente caracteriza por nueve parámetros (véase la Sección 2.3 para más detalles):
•
el número de células en la X, Y y Z,
•
el tamaño de una celda en la X, Y y Z,
•
la x, y, z las coordenadas del origen de la cuadrícula.
Haga clic en Objetos → Nueva cuadrícula cartesiana para abrir el diálogo de creación de red.Introduzca las dimensiones de la cuadrícula, las coordenadas del origen de cuadrícula, aquí (0,0,0), y el
2.2 Un análisis geoestadístico típica usando SGeMS
13
Figura 2.11 Lista de objetos después de crear la cuadrícula cartesiana
0.3537
0.3285
0.3033
0.2782
0,253
0.2278
0.2026
Figura 2.12 Los datos y la red de rejilla kriging 563 muestras en malla de alambre
dimensiones de cada celda de la cuadrícula. Dé un nombre para la nueva rejilla, rejilla kriging por ejemplo, y haga clic en Crear cuadrícula para crear la red.Una nueva entrada llamada kriging cuadrícula aparece en la Objetos Panel del panel de visualización, como se muestra en la figura. 2.1 1.
La base de datos de objetos ahora contiene dos objetos: un punto de ajuste con la propiedad de la porosidad de la roca (y otra propiedad), y una cuadrícula cartesiana sin embargo la propiedad adjunta.
Figura 2.12 da el contorno de la rejilla con los 563 puntos de datos de la muestra en su interior.
2.2.5 Ejecución de un algoritmo de geoestadística
En este punto, todo está listo para ejecutar el algoritmo de kriging simple: los datos de la muestra y la red de trabajo están disponibles para SGeMS y un modelo de variograma se ha creado.
Seleccione la herramienta kriging de la lista en el panel de algoritmo. Una forma que llevó a los parámetros kriging aparece debajo de la lista de algoritmos. Los parámetros necesarios para la sencilla kriging son:
14
Visión general
•
el nombre de la red de trabajo, rejilla
•
el nombre de la propiedad que contendrá los resultados del kriging
• *
•
kriging
en este caso
el simple kriging significa.Vamos a utilizar la muestra = 0. 2875, que se calcula durante la EDA, ver Fig. 2. 9
el nombre del objeto que contiene los datos de ejemplo:
datos de la
m
significar
muestra, la propiedad
porosidad
• el tamaño de la elipsoide en el que para buscar datos acondicionado: datos serán mar rched dentro de una esfera de radio 80, más del doble de la gama de la variograma.Buscar elipsoides en SGeMS se caracterizan por seis parámetros: tres gamas y tres ángulos: azimut, inmersión y el rastrillo, ver sección 2.5.Para una esfera de radio 80, ajuste todos los tres rangos a 80 y dejar los ángulos a 0 ◦
• el modelo de variograma: variograma esférico isotrópica de gama 20, cero efecto de pepita y alféizar de 0,00055.
Capítulos 7, 8 y 9 proporcionan la descripción de todas las herramientas geoestadísticas disponibles en SGeMS y los parámetros que requieren.La teoría de kriging se recuerda brevemente en la Sección 3.6 y la herramienta kriging SGeMS se detalla en la Sección 7.1.
Los parámetros o bien se pueden introducir o cargar desde un archivo.Haga clic en la carga, pero toneladas en la parte inferior del panel Algoritmo (Fig. 2.2) y vaya al archivo de parámetros kriging.par, o arrastrar y soltar el archivo de parámetros en el panel de algoritmo.Archivos Parameter son archivos ASCII en el XML (eXtended Markup Language) formato, como se muestra en la figura. 2,1 3.Consulte la Sección 2.4 para más detalles sobre XML y archivos de parámetros SGeMS.
Una vez introducidos todos los parámetros, haga clic en el botón Ejecutar Algoritmo en la parte inferior de la Algoritmo Pane l.Si algunos parámetros no están ajustados correctamente, que se destacan en rojo; una descripción del error aparecerá si el ratón se deja unos pocos segundos en el parámetro infractor. Corrija cualquier error y haga clic en el botón Ejecutar Algoritmo de nuevo.
Si kriging se ha ejecutado con los parámetros que se muestran en la Fig. 2,1 3, la red llamado rejilla kriging ahora contiene dos nuevas propiedades: porosidad estimada, y se var krig porosidad, la varianza kriging asociado.
estima
2.2.6 Viendo los resultados
Los resultados kriging se han colocado en la propiedad estimado porosidad.Haga clic en el signo más antes de la entrada rejilla kriging en la lista de objetos para mostrar la lista de propiedades asociadas a la cuadrícula y haga clic en la plaza antes estimada porosidad para mostrar la nueva propiedad.Figura 2.14 espectáculos una vista superior de rejilla kriging cuadrícula con propiedad estimado porosidad pintado.
El panel de visualización es un entorno interactivo en 3D que permite a los objetos para ser visto (por ejemplo rejilla kriging rejilla) desde diferentes ángulos, zoomin / out, etc. Imagínese una cámara que se
puede mover libremente en el espacio alrededor de los objetos estáticos.El Grupo Visulización funciona en dos modos diferentes: un modo de cámara, donde el ratón
2.2 Un análisis geoestadístico típica usando SGeMS
15
<Ángulos x = "0" y = "0" z = "0" />
Figura archivo de parámetros 2.13 Kriging
0.33
0.31
0.29
0.27
0.25
0.24
0.22
Y
X Z
Figura 2.14 Resultados Kriging vista desde arriba
16
Visión general
controla los movimientos de la cámara, y un modo de selección, donde el ratón se puede utilizar para seleccionar un objeto visualizado. En el modo de cámara, el cursor del ratón se ve como dos flechas curvas que forman un círculo, mientras que en el modo de selección, el cursor es una flecha de puntero estándar.Pulse la tecla Esc para alternar entre los dos modos.
El control de la cámara
La cámara se controla con el ratón.
Rotación: botón izquierdo del clic y arrastre en cualquier dirección para "vuelven" los objetos en que dirección (la cámara se mueve en la dirección opuesta, dando la ilusión de que los objetos se convirtieron en la dirección del ratón se movía).
Traducción: botón central del ratón (o Mayús + clic izquierdo) y arrastre para traducir los objetos.
Zoom: rueda del ratón (o Shift + Ctrl + clic izquierdo) y arrastre para hacer zoom in / out.
La parte inferior del panel de visualización ofrece varios botones (ver Fig. 2,1 5) para controlar aún más la cámara:
1.
coloque la cámara de tal manera que todos los objetos que se muestran son visibles
2.
alinear la cámara con el eje X
3.
alinear la cámara con el eje Y
4.
alinear la cámara con el eje Z (vista desde arriba)
5.
coloque la cámara en la posición guardada previamente (véase botón 6)
6.
guardar la posición actual de la cámara
7.
tomar una instantánea de la vista actual.La imagen se puede guardar en el múltiple para los mates, incluyendo PostScript, PNG o BMP. La imagen capturada es exactamente lo que se muestra en la vista actual.
1
2
3
4
5
6
7
Figura botones de control 2.15 Cámara
La pestaña de Preferencias del Panel de visualización contiene varios controles para CUStomize la forma en que se muestran los objetos. Las Preferencias lista desplegable para permite la selección del usuario, que se opone a establecer las preferencias para (ver Fig. 2,1 6).Hay una entrada para cada objeto cargado actualmente en los SGeMS objeto de base de datos, así como un panel de preferencias.
El panel de preferencias tiene controles para:
2.2 Un análisis geoestadístico típica usando SGeMS
17
Figura 2.16 Selección del objeto para el que para establecer las preferencias
Figura 2.17 La sección Explorador de volumen del panel de preferencias para una cuadrícula cartesiana
•
exagerar la escala a lo largo del eje Z
• cambiar el modo de perspectiva: vista en perspectiva, la cara frontal de un cubo aparece más grande que la cara posterior, mientras que en ortotrópico se conservan Ver distancias y ángulos
•
cambiar el color del fondo entre blanco y negro
• mostrar la barra de colores utilizado para un objeto dado.Aunque es posible mostrar varios objetos al mismo tiempo, sólo una barra de colores puede mostrarse. Por defecto, la barra de colores se coloca en la parte derecha de la vista y puede ser mo ved con teclas Alt + flecha o cambiar de tamaño con teclas de flecha Ctrl +.
Al visualizar los resultados de nuestro simple ejecución kriging, sólo las caras exteriores de la red se pueden ver de forma predeterminada. Sin embargo, el panel de preferencias para la cuadrícula de kriging contiene opciones para mostrar sólo rodajas o parte de la red (utilizando representación de volumen).Seleccione rejilla kriging en las Preferencias de la lista.El panel de preferencias se divide en tres secciones: General, Propiedades y Explorador de Volumen. La sección de Explorador de Volumen se muestra en la Fig. 2,1 7.
18
Visión general
Figura 2.18 Cuatro rebanadas de rejilla kriging
Primero vamos a explorar la red por corte de la misma. Pantalla rejilla kriging y el Explorador de verificación Utilizar volumen.Compruebe Ocultar volumen de manera que sólo las rebanadas son visibles.Desde que nosotros no han mostrado ninguna rebanada, sin embargo, no se ve nada en la vista.Por defecto sólo tres rebanadas se pueden ver de forma simultánea, los ortogonal a X, Y y Z. Marque la casilla al lado de una rebanada para visualizar y utilizar el cursor para mover la rebanada.Si se necesitan más rebanadas, seleccione el eje ortogonal y haga clic en el botón Agregar.Figura 2.1 8 muestra cuatro rebanadas de rejilla kriging, dos ortogonales a X, uno ortogonal a Y y uno ortogonales a la Z.
Otra aplicación útil del Explorador de volumen es ocultar partes de la red. Por ejemplo, se puede utilizar para mostrar sólo las celdas de la cuadrícula con valor de porosidad extrema y ocultar todas las demás. Desactive la opción Ocultar volumen e introduzca el intervalo de 0. 255, 0. 303 en la línea Gamas transparente.Todas las células con un valor de porosidad entre 0.255 y 0.303 están ocultos como se ilustra en la Fig. 2,1 9.
Es posible introducir varios intervalos; cada intervalo debe estar separado por un punto y coma. Por ejemplo 0 2, 0 25;.... 3 0, 0 35 habría ocultar todas las células con un valor de porosidad en el intervalo [0 2, 0 25..] O el intervalo [0 3, 0 35..].
2.2 Un análisis geoestadístico típica usando SGeMS
19
Figura prestación 2.19 Volumen todas las celdas con un valor de porosidad entre 0.255 y 0.303 están ocultos (casi completamente transparente)
2.2.7 Postprocesamiento de los resultados con Python
No todas las células de la rejilla kriging pueden ser de interés. El depósito modelado por rejilla kriging cuenta con dos principales tipos de roca: canales de arena alineados en el Norte De dirección y de fondo lutitas Sur (ver Fig. 2.5).Todos los 563 puntos de datos se tomaron muestras de los cuerpos de arena, y se utilizaron para estimar la porosidad en la arena chanNels. En esta sección se muestra cómo aplicar una máscara y eliminar las células del canal no arena de rejilla kriging.
archivo contiene los datos de máscara: es una cuadrícula cartesiana en GSLIB para la colchoneta con una sola propiedad adjunta a cada célula.La propiedad es igual a 1 si la celda está en un canal, 0 en caso contrario.Haga clic en Objetos → Objeto Cargar y busque el archivo máscara ubicación (o arrastrar y soltar el archivo en el panel de visualización).Dado que el formato de archivo GSLIB no proporciona toda la información requerida por SGeMS, un asistente le solicitará información adicional se apareció.La primera pantalla del asistente solicita el tipo de objeto, una cuadrícula cartesiana en este caso. En la pantallasec OND, proporcione un nombre para la red, por ejemplo, máscara, e indicar el número de células en la red (100 × 130 × 10), el tamaño de cada celda (1 × 1 × 1) y el origen de la Mask.gslib
20
Visión general
rejilla (0,0,0). Consulte la Sección 2.3 para más detalles sobre los parámetros que caracterizan a una cuadrícula cartesiana en SGeMS.
Para aplicar la máscara, SGeMS necesita
1. 2.
bucle sobre todas las células u 1,. . . , u n de la red de kriging para una célula dada u k, comprobar si la celda correspondiente u k en la propiedad facies igual a 0
máscara tiene una
3.
en caso afirmativo, retire el valor de porosidad de u k.SGeMS utiliza valu e - 9966699 como un código nodatosvalor.
Esto se puede lograr fácilmente escribiendo un guión. SGeMS pueden ejecutar scripts escritos en Python, un lenguaje de programación muy popular y de gran alcance (www.python.org proporciona antecedentes sobre Python, así como tutoriales).Al pesar de Python se introduce brevemente en esta sección y en la Sección 10.2, se invita al lector a consultar la sección Documentación de www.python.org para aprender más sobre cómo escribir scripts de Python.
Haga clic en Scripts → Mostrar Scripts Editor para abrir el editor de scripts.Desde el editor de secuencias de comandos, archivo de script de carga se aplica mask.py.El guión se reproduce a continuación:
SGeMS importación
1
2
3
enmascarar = sgems.get_property ('máscara', 'facies')
4
porosidad = sgems.get_property ('grid kriging "," porosidad estimada')
6
for i in range (len (máscara)):
5
si la máscara [i] == 0:
7
8
9
porosidad [i] = -9966699
sgems.set_property ('grid kriging "," porosidad estimada', porosidad)
Lo que sigue es la explicación línea por línea del script.
Línea 1 le dice a Python para cargar SGeMS comandos específicos (ver Sección 10.2), tal como propiedad sgems.get y la propiedad sgems.set.
Línea 3 transfiere la facies propiedad de la red enmascarar en una matriz llamada enmascarar Línea 4 transfiere los porosidad estimada propiedad de la red rejilla kriging en
una matriz llamada porosidad
La línea 6 crea un bucle, yo irá desde 0 al tamaño del array enmascarar - 1 Línea 7 pruebas si el yo TH celda de cuadrícula enmascarar es el fondo de esquisto
La línea 8 si el yo º celular es el fondo de pizarra, deseche el valor de porosidad estimada estableciéndola en SGeMS del notanúmero de código (NaN): - 9966699
Línea 9 transferencias array porosidad en propiedad porosidad sobrescribiendo los valores anteriores de la porosidad estimada
estimada
de la red rejilla kriging,
Pulse el botón Ejecutar en la parte inferior del editor para ejecutar el script.Cualquier messabio del mensaje guía o error se imprime en la mitad inferior del editor, titulado
Los mensajes de salida de secuencias de comandos.
