Sgems Geoestadistica.pdf 234026

GEOESTADÍSTICA APLICADA CON SGeMS

Guía del 

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 tomar una decisión informada acerca de la elección de un algoritmo sobre otro.Los s 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 ­guía 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 s 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     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 

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 

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

 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  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     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 s 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     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  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 ) versión 3.x (versión 4 y superior no se ite 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  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 

La interfaz gráfica de  (GUI) de SGeMS se divide en tres partes principales, ver Fig. 2.1.

El  Algoritmo El  selecciona en este  qué herramienta geoestadística a utilizar e introduce los parámetros necesarios (Fig. 2.2).La parte superior de dicho  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  de Visualización Este  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  de Visu­lización. El  de Visualización se muestra con más detalle en la Fig. 2.3.

El  de Comando Este  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    de comandos.N ota que el Grupo de comandos no se muestra por defecto cuando se inicia SGeMS: seleccione  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 es principales.El  superior izquierdo es el  Algoritmo, arriba a la derecha es el  de visualización y el  inferior es el  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     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  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  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  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  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     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  del  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  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     Algoritmo   (Fig.  2.2)  y   vaya   al   archivo   de   parámetros kriging.par, o arrastrar y soltar el archivo de parámetros en el  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  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

<Parámetros>

<nombre_propiedad value = "porosidad estimado" />

<parámetros media = "0.27" />



<Search_Ellipsoid value = "80 80 80 0 0 0" /> <Max_Conditioning_Data value = "20" />



<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  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  de visualización contiene varios controles para CUS­tomize la forma en que se muestran los objetos. Las Preferencias lista desplegable para permite la selección del , 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  de preferencias.

El  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  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     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  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     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.