Académique Documents
Professionnel Documents
Culture Documents
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
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
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
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.
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 página xi
Prefacio x i
Lista de
programas xiii
Lista de
símbolos xv
1 Introducción 1
2 Panorama General 5
2.1 Una visita rápida de la interfaz grafica del usuario 5
2.2 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
2.2.5 Ejecución de un geoestadística algorith m 1 3
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
3 Geoestadística: un retiro de conceptos 29
3.1 Variable aleatoria 30
3.2 Función aleatoria 33
3.2.1 Realizaciones simulados 34
3.2.2 Mapas estimadas 37
3.3 Distribuciones condicionales y simulaciones 38
3.3.1 Simulación Secuencial 40
3.3.2 Estimación de las distribuciones condicionales
locales 42
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
3.9 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
3.10 La expresión nu / tau para combinar condicional
probabilidades 74
3.11 Problema inverso 79
4 conjuntos de datos y herramientas SGeMS EDA 80
4.1 Los conjuntos de datos 80
4.1.1 El conjunto de datos 2D 80
4.1.2 El conjunto de datos 3D 81
4.2 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 90
5.1 Cómputo variograma en SGeMS 92
5.1.1 Selección de las propiedades de cabeza y cola 92
5.1.2 Parámetros de cálculo 93
5.1.3 Visualización de los variogramas calculados 98
5.2 Modelado variograma en SGeMS 98
6 interfaces de entrada de parámetros comunes 101
Contenido vii
7 Algoritmos de estimación 109
8 Algoritmos de simulación estocástica 132
8.1.6 COSISIM: indicador secuencial
cosimulación 153
8.2.1 SNESIM: simulación ecuación normal de un solo 169
9 Utilidades 215
9.3 POSTKRIGING: postprocesamiento de kriging
estimaciones 222
NUTAU MODELO: la combinación de campos de
9.5 probabilidad 227
MOVIMIENTO DE LA VENTANA: mover estadísticas
9.8 ventana 234
9.9 Generador de imagen basada objeto: TIGENERATOR 237
10 secuencias de comandos, los comandos y los plugins 245
viii Contenido
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
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
LUSIM: simulación de LU, 133
xiii
xiv Lista de programas
Utilidad
cdf Función de distribución acumulativa
Etype Estimación expectativa condicional obtenida por punto a gota
un promedio de realizaciones simulados
EDA Análisis de datos primaria
FFT Transformada Rápida de Fourier
(1998)
IK Indicador kriging
KT Kriging con una tendencia
LVM Kriging con una media que varía locales
De tipo M Estimación mediana condicional
MM1 Markov Model 1
MM2 Markov Model 2
mp Múltiples puntos
OK Kriging ordinario
PP trama Probabilidad probabilidad trama
pdf Función de densidad de probabilidad
QQ parcela Parcela Cuantilcuantil
RF Función aleatoria
RV Variable aleatoria
SGeMS Stanford Geostatistical Modeling Software
SK Kriging simple
Ti Imagen Entrenamiento
⊥ Ortogonal
∀ Lo Que Sea
xv
xvi
α, β, γ
γ (H)
γ (Z (u α), Z (u β))
*
γ (H)
γ (L)
γ ij (h)
λ α, λ α (u)
_
ν
i
ω
2 2
σ σ SK (u)
g
TJ
τ i
T
J
C
BB , C (V, V)
¯ _ ¯
¯ ¯
PB, (, ())
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
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
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
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
{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
xvi
Lista de símbolos i
u Coordina vectorial
u α ,U β Lugares de Datos
v Volumen del bloque, o un conjunto de puntos
un Parámetro Range
un i Coeficiente de número k componente del modelo de
(U) tendencia
B Bloque de datos
B (v α ) Un valor promedio lineal dentro de un volumen de bloque v α
Un valor promedio lineal dentro de un bloque V centrada
B V (S) en la localización
Valor de covarianza en la separación del vector h =
C (0) 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
Contribución Varianza de la l ª anidado modelo semi
cl variograma
CR Matriz de covarianza de error
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
F Número de filtros
f (h j ) Filtra peso asociado con el nodo j plantilla
F (z) Histograma acumulado de RV
f (z) Función de densidad de probabilidad o histograma
Función de distribución acumulada inversa o función
1
F - (p) 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
Función aleatoria indicador binario en la ubicación u y
I (u; k z ) 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
i*
(u k z) Indicador kriging valor estimado de corte z k
;
xviii Lista de símbolos
Indicador kriging estimador del indicador categórico I k
I SK * (u) (U)
categoría k
Valor del indicador binario en la ubicación u y para la
i k (U) 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
Función en la ubicación u media; valor esperado de
m (u) variable aleatoria
Z poder (U); o modelo componente de tendencia en la
descomposición
modelo
Estimación del componente de tendencia o localmente
*
m (u) variando media al
ubicación u
N (h) Número de pares de datos separados por el vector h
datos n acondicionado encontraron en un barrio con centro
n (u) en u
nk Número de patrones cuyo centro tiene un valor k específica
P Datos Point
p Valor de probabilidad
Proporción actual de categoría k simulado hasta el
c
pk momento
t
p Proporción de destino de categoría k
p
0 Probabilidad previa de que ocurra el evento
palmadita Patrón de entrenamiento
prot Prototipo de una variable continua
1
q (p) = F - (p) Función cuantil para el valor de probabilidad p ∈ [0, 1]
modelo de componentes
r (u) Valor residual en la ubicación u
ri Ángulo de giro azimutal en la región de rotación i
S Un conjunto de lugares u, o un depósito
plantilla de T
t (u) Imagen Entrenamiento valor nodal en la ubicación u
Antes de distancia una probabilidad dada, que se utiliza en
xi el modelo de tau
Z (u)
z (u)
z (u α ) Z * (u)
* *
z (u) z E (U)
z * M (U)
* *
z Ks (u) LVM z (u)
(l) l)
z (u) z (V (u)
z
k
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 M (U) tiene una probabilidad del 50% a ser mayor (o menor) que el
valor desconocido real
(l)
El valor simulado sobre un bloque V promedio desde el l ° z apoyo punto de realización (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
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
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 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.
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.
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.
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.
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.
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. Guarde los resultados.
8 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
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
10 Visión general
Figura 2.7 lista de objetos después de que el conjunto de datos es cargado
El ojo indica El ojo indica
Se muestra
Se muestra actualmente 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
2.2 Un análisis geoestadístico típica usando 1
SGeMS 1
0.16
0.14
Recuento de
datos: 563
0.12
Varianza: 0.000549915
0.1
Máximo: 0.3537
0.08
Mediana: 0.29
0.06
Mínimo: 0.2026
0.04
0.02
Figura 2.9 Histograma de la porosidad de la muestra
N (h)
γ (h) = 2 N (h) α =
[Z (u
1
α ) - z (u α + h)] 2
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.
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.
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
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.
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 propiedad que contendrá los resultados del kriging
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.
2.4 para más detalles sobre XML y archivos de parámetros SGeMS.
Si kriging se ha ejecutado con los parámetros que se muestran en la Fig. 2,1 3,
2.2.6 Viendo los resultados
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
</ Kriging_Type>
</ Variograma>
</ Parámetros>
Figura archivo de parámetros 2.13 Kriging
0.33
0.31
0.29
0.27
0.25
0.24
0.22
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).
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
<General> panel de preferencias.
El <General> 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
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
20 Visión general
Para aplicar la máscara, SGeMS necesita
1. bucle sobre todas las células u 1,. . . , u n de la red de kriging
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:
1 SGeMS importación
7 si la máscara [i] == 0:
Lo que sigue es la explicación línea por línea del script.
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.