3 D моделирование свойств Инструменты Непрерывны е. Дискретные

Скачать презентацию 3 D моделирование свойств Инструменты Непрерывны е. Дискретные Скачать презентацию 3 D моделирование свойств Инструменты Непрерывны е. Дискретные

5_3d_property_modeling_overview_2010_rus.ppt

  • Размер: 2.2 Мб
  • Автор: Лусинэ Арутюнян
  • Количество слайдов: 5

Описание презентации 3 D моделирование свойств Инструменты Непрерывны е. Дискретные по слайдам

3 D моделирование свойств Инструменты Непрерывны е. Дискретные Детерминистические  Стохастические Моделирование свойств. Выберите3 D моделирование свойств Инструменты Непрерывны е. Дискретные Детерминистические Стохастические Моделирование свойств. Выберите наибольшее количество данных Подготовка данных & & QCQC — Непрерывные каротажи — Дискретные каротажи — Если есть сейсмика — Визуализация анизотропии — Анализ данных Структурная модель Модель свойств Прикладное моделирование

3 D моделирование свойств Методы фациального моделирования – Petrel Детерминистические Обучаемые системы Оценочные Прямые3 D моделирование свойств Методы фациального моделирования – Petrel Детерминистические Обучаемые системы Оценочные Прямые Искусственные Indicator Kriging Assign values Interactive Neural Net Дискретное распространение свойств в соотвествии с заранее заданной гистограммой. Задайте неопределенное или постоянное значение или другое свойство, поверхность или функцию. Позволяет пользователю рисовать фации непосредствен но на 3 D модели. Использование модели классификации, построенной в процессе Train Estimation.

3 D моделирование свойств  Методы фациального моделирования – Petrel (продолжение ) Стохастические Пиксельные3 D моделирование свойств Методы фациального моделирования – Petrel (продолжение ) Стохастические Пиксельные Объектные Sequential Indicator Simulation Truncated Gaussian Simulation with trends Multi-point Facies Simulation Object Modeling • General object • Fluvial • Adaptive Распределен ие свойства основано на гистограмме, вариограмме и трендах. Подходит для карбонатных отложений, для последователь — ных фаций. Следует входным данным и трендам. Распространяе т фации на основе перехода между ними и трендовым направлением. Тренды затем используются, как вероятность В качестве вариограммы используется тренировочный рисунок, из которого определяются фации и их расположение, описывая пространствен- ную корреляцию между ними Распростран яет дискретную фациальную модель с формой тел различной геометрии.

3 D моделирование свойств  Методы петрофизического моделирования – Petrel Детерминистические Оценочные Интерполяция Kriging3 D моделирование свойств Методы петрофизического моделирования – Petrel Детерминистические Оценочные Интерполяция Kriging Interpolat ion Kriging by GSLIB Closest Functiona l Moving average Соответствуе т скважинным данным, входному распределени ю, вариограмма м и трендам. Работает быстро и в координатах (X, Y, Z). Работает с большим количеств ом данных и как в координат ах (X, Y, Z) , так и в (I, J, K ). Быстрый Collocated co-kriging. Имеется опция collocated co-kriging и опция выбора между простым и обычным кригингом. Работает только в координата х (I, J, K). Использую тся значения ближайши х скважинн ых данных. Соответст вует скважинн ым данным и трендам, создается 3 D функция, используе мая при интерполя ции. Использует среднее значение входных данных и рассчитыва ет веса соответстве нно растоянию от скважин.

3 D моделирование свойств  Методы петрофизического моделирования – Petrel (продолжение) Детерминистич еские Обучаемые3 D моделирование свойств Методы петрофизического моделирования – Petrel (продолжение) Детерминистич еские Обучаемые системы Стохастические Прямые Искусственные Пиксельные Assign values Neural Net Sequential Gaussian Simulation (GSLIB) Gaussian Random Function Simulation Задайте неопределенное или постоянное значение или другое свойство, поверхность или вертикальную функцию. Использует модель классификации, построенной в процессе Train Estimation. Соответствует скважинным данным, входному распределению, вариограммам и трендам. Вариограмма и распределение используются для создания локальной изменчивости на большом расстоянии от входных данных. Этот метод работает быстее SGS и лучше воспроизводит вариограмму. Также быстрее работает опция collocated co-simulation.