UNIVERSIDAD ALAS PERUANAS

FACULTAD DE INGENIERA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERA DE MINAS

CURSO: GEOESTADSTICA II

DOCENTE DEL CURSO

ING. KROVER W. LAZARTE PONCE

Ing. Krover W. Lazarte P. 1

 4. CONTENIDO ANALTICO

SEMANA 15
4.6 Mtodos de simulacin de funciones aleatorias ms conocidos
4.7 Mtodos del tipo Gaussiano
4.8 Mtodo matricial
4.9 Mtodo espectral
4.10 Mtodo de bandas rotantes
4.11 Mtodos secuenciales
4.12 Mtodos del tipo Recocido Simulado

SEMANA 16 EXAMEN FINAL

SEMANA 17 EXAMEN SUSTITUTORIO

Ing. Krover W. Lazarte P. 2

 4.6 Mtodos de Simulacin de FA ms conocidos
Las aplicaciones de la simulacin de FAs Z(x) en los ltimos tiempos han
adquirido una importancia cada vez mayor en la industria de los
hidrocarburos, la minera, en geofsica e hidrogeologa lo cual ha hecho
que esta rea de la geoestadstica sea la que ms activamente se ha
desarrollado.
Debido a esto se han diversificado los mtodos de simulacin, por lo que
intentar establecer alguna clasificacin sistemtica de los mismos resulta
una tarea compleja y difcil.
Una de las caractersticas distintivas de los mtodos de simulacin es si
generan directamente simulaciones condicionadas o si se requiere de un
post-procesamiento para condicionarlas usando Kriging.
Existe una gran cantidad de mtodos que generan simulaciones
Gaussianas, por lo que ste es otro punto a tener en cuenta.

Ing. Krover W. Lazarte P. 3

 4.6 Mtodos de Simulacin de FA ms conocidos
En la siguiente tabla se revisara algunas caractersticas como:
Condicionamiento, es o no gaussiano y si requiere una malla regular.
Mtodo de Simulacin Condicionado Gaussiano Malla Regular
Matricial SI SI NO
Espectral NO SI NO
Bandas Rotantes NO SI NO
Secuencial Gaussiano SI SI NO
Secuencial Indicador SI NO NO
Gaussiano Truncado SI SI NO
Recocido (Annealing) SI NO SI
Simulado
Plurigaussiano SI SI NO
Booleano NO NO NO
Ing. Krover W. Lazarte P. 4
 Mtodos de simulacin

Basadas en celdas (pixeles)

Basadas en objetos (simulaciones booleanas)

Ing. Krover W. Lazarte P. 5

 Mtodos de simulacin
Ejemplo: Simulaciones Basadas en Celdas

Ing. Krover W. Lazarte P. 6

 Mtodos de simulacin
Ejemplo: Simulaciones Basadas en Celdas

Ing. Krover W. Lazarte P. 7

 4.7 Mtodos del tipo Gaussiano
Estos mtodos requieren que la FDP multivariada de la funcin aleatoria
a simular sea Gaussiana.
La mayora de los fenmenos de ciencias de la tierra no presentan
histogramas simtricos y mucho menos gaussianos.
Necesitamos transformar a la FA de manera que resulte su FDP normal.
En la prctica los n datos de la muestra de Z son ordenados de modo
creciente.

La FDP acumulativa de Z(x) est dada por

Entonces la transformacin correspondiente
sera
A este tipo de transformacin se le conoce
como anamorfosis.
Ing. Krover W. Lazarte P.
Isomrficas: Son aquellas
que conservan las formas. Se
pueden establecer relaciones
de proporcionalidad entre dos
figuras transformadas.
Anamrficas: Son las
transformaciones que no
conservan las formas.
8
 Mtodos de tipo Gaussiano
Esquema general de
cmo proceder con
las simulaciones de
tipo Gaussianas

Ing. Krover W. Lazarte P. 9

 4.8 Mtodo matricial
El mtodo matricial consiste en generar variables aleatorias cuya matriz de
covarianza coincide con la obtenida a partir del Kriging.
Es sencillo de implementar pero resulta muy costoso al incrementarse la
cantidad de puntos a simular ya que el tiempo de procesamiento es
superior al cuadrado del nmero de puntos.
En el caso estacionario los componentes de la matriz de covarianza son:

Mientras que para funciones intrnsecas se usa como alternativa

equivalente:

donde x0 es un punto arbitrario pero comn a todos los Cij .

Ing. Krover W. Lazarte P. 10

 4.8 Mtodo matricial
Para que la simulacin sea condicional basta con tomar al vector de
valores esperados m igual a la estimacin por kriging Z* y a C como la
matriz de covarianza de dicha estimacin, resultando:

ZSC = Simulacin condicional matricial

Z* = Variable Estimada por Kriging
M = Matriz definida desde la matriz de covarianzas C
e = Vector de variables aleatorias no correlacionadas con media
0 y varianza unitaria.

Este mtodo clsico fue introducido en aplicaciones geoestadsticas por

Davis (1987), y es aplicable hasta lmite que sea factible la descomposicin
de Cholesky, es decir, hasta unos cuanto cientos de puntos simulados.
Ing. Krover W. Lazarte P. 11
 4.9 Mtodo espectral
Los mtodos espectrales hacen uso de la representacin espectral de la
funcin de auto-covarianza.
Existen diversas variantes.
Una se basa en aproximar la funcin aleatoria Z(x) mediante serie de
cosenos en los que la frecuencia se muestrea aleatoriamente a partir de
la funcin de densidad espectral.
Otra se considera como una integracin numrica en la que se
ponderan las amplitudes y se distribuyen uniformemente las
frecuencias.

Ing. Krover W. Lazarte P. 12

 4.9 Mtodo espectral
Este mtodo se puede generalizar fcilmente para el caso de varias
dimensiones cuando Z(x) , para x R3 y tambin puede ser aplicado para
simular procesos aleatorios vectoriales.
Como en general se simulan funciones aleatorias Z(x) con valor esperado
no nulo, E[Z(x)] = M(x) luego de simular el proceso estacionario con
media cero se requiere agregar a los valores simulados el valor medio
esperado m(x) de Z(x).
El mtodo espectral tiene como ventaja que permite producir simulaciones
en cualquier punto dada la funcin de covarianzas C(h) siempre que se
pueda calcular su transformacin de Fourier. Pero su desventaja principal
es que requiere de un valor elevado de N (del orden de miles) para que
alcance la ergodicidad.

Ing. Krover W. Lazarte P. 13

 4.10 Mtodo de bandas rotantes
El mtodo de las bandas rotantes consiste en generar procesos
unidimensionales a lo largo de lneas distribuidas uniformemente en el
espacio.
La simulacin en un punto arbitrario resulta de la suma de las proyecciones
de este punto sobre las lneas. Es muy econmico puesto que slo requiere
de simulaciones unidimensionales.
La originalidad del mtodo conocido como el de bandas rotantes se
debe a G. Matheron, el cual consiste en reducir el problema de obtener
una simulacin en tres dimensiones a varias simulaciones independientes
en una sola dimensin a lo largo de ciertas lneas rotadas uniformemente
en el espacio tridimensional R3
Por lo que este mtodo produce simulaciones n-dimensionales a un costo
de computo razonable, equivalente de hecho al costo de las simulaciones
unidimensionales.

Ing. Krover W. Lazarte P. 14

 4.10 Mtodo de bandas rotantes
La simulacin en un punto arbitrario resulta de la suma de las proyecciones
de este punto sobre las lneas.
Considere una lnea en y una funcin aleatoria unidimensional,
estacionaria de segundo orden Y (xL1) definida sobre dicha lnea, con valor
esperado cero y funcin de covarianzas unidimensional C(1)(hL1) .
Sea xL1 la proyeccin de cualquier x R3 sobre la lnea L1, entonces se
define la siguiente funcin aleatoria Z1(x) en tres dimensiones como:
Z1(x) Y (xL1) ; " x R3
Si se consideran N lneas L1, , LN uniformemente distribuidas en N
direcciones en R3 Si en cada lnea L1 se genera una realizacin y (xL1) de
una FA Y (xL1) unidimensional, independiente e isomorfa a Y (xL1),
entonces se puede definir de manera anloga realizaciones
tridimensionales a partir de las simulaciones unidimensionales.

Ing. Krover W. Lazarte P. 15

 4.10 Mtodo de bandas rotantes
Finalmente a cada punto del espacio tridimensional se le asigna el
siguiente valor a partir de las simulaciones unidimensionales

Es uno de los mtodos mas eficientes para producir simulaciones en varias

dimensiones puesto que reduce su complejidad al orden de las
simulaciones en una dimensin. Usualmente se emplea el mtodo
espectral.
Como dificultades prcticas se le debe apuntar que requiere del
conocimiento o del clculo de la funcin de covarianza unidimensional.

C(1)(r) = Covarianza Unidimencional

C(3)(r) = Covarianza Tridimencional

Ing. Krover W. Lazarte P. 16

 4.10 Mtodo de bandas rotantes

Ing. Krover W. Lazarte P. 17

 4.10 Mtodo de bandas rotantes
Simulacin en medios
porosos vugulares

100 Bandas Rotantes

Ing. Krover W. Lazarte P. 18

 4.10 Mtodo de bandas rotantes
Modelacin de Yacimientos.

Porosidad estimada con datos de pozo y condicionada por la impedancia

acstica usando el mtodo de Cosimulacin Colocada con Bandas
Rotantes (50 bandas)
Ing. Krover W. Lazarte P. 19
 4.11 Mtodos secuenciales
Un nuevo valor simulado se obtiene a partir de la FDP estimada usando los
valores observados (reales) y los valores previamente simulados en una
vecindad del punto.
En dependencia de cmo se estime la funcin distribucin de probabilidad,
existen dos mtodos secuenciales:
Secuencial Indicador
Secuencial Gaussiano

Ing. Krover W. Lazarte P. 20

 Mtodo Secuencial Indicador
Desarrollado por Alabert (1987b) y Journel (1989). Es el caso
correspondiente a la simulacin de indicadores anidados usando el
mtodo secuencial.
En particular si se considera un solo indicador debido a que toma
valores slo de 0 y 1, la distribucin condicional se reduce su valor
esperado condicional, que en general es no conocido.
Alabert y Journel propusieron usar en su lugar la estimacin mediante
Kriging Simple del indicador, la cual preserva la media y la covarianza
de la FA que comparado con el mtodo de condicionamiento estndar
tiene la ventaja de producir simulaciones binarias que reproducen el
histograma de la FA.

Ing. Krover W. Lazarte P. 21

 Mtodo Secuencial Indicador
Usa el Kriging indicador para estimar la funcin distribucin de
probabilidad local.
Requiere del modelo del semivariograma para cada valor de corte
especificado por el usuario o como alternativa ms eficiente pero menos
precisa del semivariograma obtenido para el valor de corte
correspondiente a la mediana.
Permite mezclar fcilmente datos duros con suaves.
Es un algoritmo muy eficiente.
Su principal dificultad estriba en los problemas de relacin de orden del
Kriging de los indicadores.
Como alternativa se toma en cuenta la correlacin cruzada de los
indicadores (cosimulacin de los indicadores)
Otro problema es que la calidad de la simulacin es sensible al tamao
de la vecindad empleada por el kriging, usualmente demasiado
pequea.
Ing. Krover W. Lazarte P. 22
 Mtodo Secuencial Indicador

Ejemplos de
imgenes en
3D y 2D de
porosidad de
un medio
poroso
vugular con
tomografa
computarizada
(izquierda) y
simulacin
indicator
(derecha).

Ing. Krover W. Lazarte P. 23

 Mtodo Secuencial Indicador
Simulacin de medios porosos vagulares

0.9 matriz, 0.05 halo alta porosidad y 0.6 matriz, 0.2 halo alta porosidad y
0.05 de vugulo 0.2 de vugulo

Ing. Krover W. Lazarte P. 24

 Mtodo Secuencial Gaussiano
a) Se obtiene la estimacin usando Kriging Ordinario (Simple) para el caso
intrnseco (valor medio conocido) aplicado a los datos estandarizados.
b) Se requiere del modelo del semivariograma basado en los datos
transformados y cada vez que se obtienen los valores estimado son
transformados hacia atrs a su escala original.
c) Su dificultad principal estriba en el grado de conocimiento que se posea
de la funcin distribucin de probabilidad, lo cual puede ser suplido en
parte por la experiencia previa sobre la naturaleza del fenmeno que se
simula.
d) Hay programas, como el de GSLIB que permiten extrapolar valores de la
FDP, usando modelos potencia, hiperblico y lineal.

Ing. Krover W. Lazarte P. 25

 Mtodo Secuencial Gaussiano
Es un algoritmo simple y eficiente.

Inherente a todos los mtodos Gaussianos, el tamao del campo que es

simulado debe ser mucho ms grande que el alcance de los
variogramas.
Su mayor dificultad es la eleccin del radio de bsqueda. Cuando son
pequeos conducen a un pobre condicionamiento y una mala rplica del
variograma.

Ing. Krover W. Lazarte P. 26

 Mtodo Secuencial Gaussiano
Medio poroso vugular Imgenes en 2D de
porosidad de un
medio poroso
vugular con
tomografa
computarizada
(izquierda) y
secuencial gaussiano
(derecha).

g (h) = 0.018*Gauss40(h) + 0.007*Exp160(h) 27

Ing. Krover W. Lazarte P.
 Mtodo Secuencial Gaussiano
Medio poroso vugular Imgenes en 2D de
porosidad de un
medio poroso
vugular con
tomografa
computarizada
(izquierda) y
secuencial gaussiano
(derecha).

g (h) = 0.018*Gauss40(h) + 0.007*Exp160(h) 28

Ing. Krover W. Lazarte P.
 Mtodo Secuencial Gaussiano
Modelacin de Yacimientos.
Datos de
porosidad
en Pozos

Distribucin de la
Porosidad usando
Secuencial Gaussiano
Ing. Krover W. Lazarte P. 29
 4.12 Mtodos del tipo Recocido Simulado
El recocido simulado (simulated annealing) es un mtodo heurstico
que permite la generacin de simulaciones condicionales sujetas a
restricciones complejas.
Fue introducido por Kirkpatrick (1983) como un mtodo de optimizacin
para la solucin de problemas combinatorios (discretos).
Su nombre proviene por la analoga del mtodo con el proceso de
enfriamiento lento del metal fundido de manera que alcance un estado
de mnima energa el cual corresponde a una estructura cristalina pura
completamente ordenada del metal.
Si el enfriamiento no se realiza con la lentitud adecuada, el metal no
alcanza dicho estado y degenera en una estructura amorfa o
policristalina.

Fundamento de la heurstica es que cada quien es capaz de encontrar su camino

Mtodo para aumentar el conocimiento
Ing. Krover W. Lazarte P. 30
 4.12 Mtodos del tipo Recocido Simulado
Procedimiento
Se parte de una imagen inicial (imagen de entrenamiento)
de la cual se conoce su funcin de distribucin de
probabilidad (FDP) y/o su funcin de correlacin o
variograma.
Se crea una imagen inicial con una arreglo de datos
aleatorio (pero apegado al histograma conocido). A esta
imagen inicial se le calcula su valor de la funcin objetivo.
Se toman pares de datos de manera aleatoria y se realizan
un intercambio entre ellos, en cada intercambio de datos
se calcula la funcin objetivo y se evala su alteracin
(decremento o incremento)
Ing. Krover W. Lazarte P. 31
 4.12 Mtodos del tipo Recocido Simulado
Al realizar cambios en la configuracin del sistema, se altera el valor de la
energa. La energa pasa de una energa E anterior a una energa E nueva.
Si E nueva < E anterior se acepta el cambio. Si no, el cambio se acepta con una
probabilidad P aceptacin igual a:
P aceptacin = e (E nueva - E anterior) / t
La funcin
Funcin objetivo: E = [ PTij PIij ]2

PTij y PIij son las proporciones de la j-sima clase del histograma para
el i-simo arreglo de configuracin, para la imagen de entrenamiento PT y
para la imagen inicial PI.

Ing. Krover W. Lazarte P. 32

 4.12 Mtodos del tipo Recocido Simulado
Imgenes en
2D de porosidad de
un medio poroso
vugular con
tomografa
computarizad
a (izquierda) y
recocido simulado
(derecha).

Referring to vugs, which are

cavities, voids or large pores in a
rock that are commonly lined with
mineral precipitates.
Ing. Krover W. Lazarte P. 33
 Mtodos del tipo Recocido Simulado Multipunto
Medios porosos vugulares.
Imagen real de un medio
poroso vugular Malla de 100 x 100

4x4
2x8

Arreglos de configuracin

Estadstica
multipunto

Ing. Krover W. Lazarte P. 34

 Mtodos del tipo Recocido Simulado Multipunto
Arreglo de configuracin: 4 x 4

Reproduce la geometra vugular

Reproduce la estadstica Estadstica inicial
Reproduce el arreglo multipunto
Funcin objetivo:

Estadstica final

Ing. Krover W. Lazarte P. 35

 Mtodo Recocido Simulado Multipunto
Imgenes reales Imgenes simuladas

Ing. Krover W. Lazarte P. 36

 Mtodo Recocido Simulado Multipunto
Medios porosos vugulares equivalentes.

Medio vugular real

Simulacin annealing
(Recorrido simulado)

Simulacin secuencial
de variable Indicador

Ing. Krover W. Lazarte P. 37

 Mtodo Recocido Simulado Multipunto
Comparacin entre simulacin secuencial de indicadores y simulacin
annealing multipunto.
SSI tiempo promedio por SAM tiempo promedio por
realizacin: 15 segundos realizacin: 60 minutos

Ing. Krover W. Lazarte P. 38

Ciencia Tecnologia y Medio Ambiente

Para uso restringido para KL. Todos los derechos reservados. Ninguna
parte de esta presentacin puede ser reproducida o utilizada en ninguna
forma o por ningn medio sin permiso explcito de Krover Lazarte.