Simulacion Condicional

GEOESTAD
GEOESTAD
STICA
STICA
APLICADA
APLICADA
Tema:
Tema:
M
M
todos de
todos de
Simulaci
Simulaci
n
n
Instructores:
Dr. Martn A. Daz Viera (mdiazv@imp.mx)
Dr. Ricardo Casar Gonzlez
(rcasar@imp.mx)
2009
UNIVERSIDAD NACIONAL AUT UNIVERSIDAD NACIONAL AUT NOMA NOMA
DE M DE M XICO XICO
24/11/2009 G_MGPY2- Mtodos geoestadsticos
de simulacin
2
Contenido
Introduccin
Objetivos de la simulacin
Condicionamiento
Simulacin vs Estimacin
Simulacin condicional
Mtodos de simulacin ms conocidos
Mtodos del tipo Gaussiano
Mtodos para FA categricas
Secuencial Indicador
Gaussiano Truncado (Monogaussiano)
Plurigaussiano
Booleano
Mtodos para FA continuas
Bandas Rotantes
Secuencial Gaussiano
Recocido Simulado
de simulacin
3
Introduccin
Las estimaciones espaciales obtenidas empleando
incluso Kriging, son demasiadas imprecisas debido
a la carencia de informacin (incertidumbre).
No se dispone de un conocimiento exacto de la
realidad "in situ" y la informacin disponible
en muchos casos est usualmente muy
fragmentada y se limita fundamentalmente al
conocimiento de unos pocos puntos muestrales
Una simulacin entonces consiste en obtener una
nueva realizacin de la FA.
de simulacin
4
La idea bsica detrs de las simulaciones
estocsticas consiste en obtener nuevas
realizaciones artificiales de una FA de manera
tal que stas posean las mismas propiedades
estadsticas de la FA.
Pero no conocemos con precisin las propiedades
estadsticas de las FA y cuando ms lo que
podemos hacer es inferirlas a travs de una sola
realizacin o muestra de la misma
Entonces lo que se hace es intentar obtener
realizaciones simuladas que sean estadsticamente
equivalentes a la muestra que se posee de la FA.
de simulacin
5
La equivalencia estadstica en un sentido
estricto significa que todas las simulaciones
tengan la misma distribucin de
probabilidad de la FA que se simula.
Mayormente nos tenemos que conformar
con que al menos reproduzcan los
momentos de primer y segundo orden que
inferimos a partir de una muestra de la FA.
de simulacin
6
Condicionamiento
Resulta deseable quedarse solamente con
aquellas simulaciones que en los puntos
muestrales los valores simulados coinciden
con los valores experimentales
A estas realizaciones de la FA se les
conoce como:
Simulaciones Condicionales"
de simulacin
7
El Kriging produce un suavizado de las dispersiones
(variabilidades) reales.
de simulacin
8
Mientras que las simulaciones reproducen la variabilidad
espacial de los valores reales.
de simulacin
9
Los estimadores no reproducen las propiedades Los estimadores no reproducen las propiedades
estad estad sticas de la FA. sticas de la FA.
de simulacin
10
Mientras que la simulacin reproduce las propiedades
estadsticas de la FA.
de simulacin
11
Cuando se cuenta con mucha informacin pueden ser
equivalentes o complementarios
de simulacin
12
Ventajas y Desventajas
Estimaciones
Dependen fuertemente nmero de puntos y de
su distribucin espacial
No requieren de mucho esfuerzo de computo
Simulaciones
No dependen tan fuertemente del nmero de
puntos y de su distribucin espacial
Son ms demandantes computacionalmente
de simulacin
13
Simulacin Condicional
Existe un nmero infinito de realizaciones que
cumplen con la condicin de que sus valores
simulados coinciden con los valores
experimentales
La simulacin condicional puede ser perfeccionada
agregndole todo una suerte de informacin
cualitativa disponible del fenmeno real. Como por
ejemplo en el caso de un yacimiento se le puede
aadir la geometra de las fallas principales,
restringir la variacin de una facies con la ssmica,
complementar el conocimiento de una propiedad
petrofsica con un atributo ssmico, etc.
de simulacin
14
Simulacin Condicional
!!! Todas las
!!! Todas las
simulaciones son
simulaciones son
equiprobables
equiprobables
Pregunta:
Pregunta:
Cu
Cu
l
l
debemos usar?
debemos usar?
Respuesta: Tomar
Respuesta: Tomar
el promedio
el promedio
de simulacin
15
Mtodos de simulacin
Si No Si
Recocido Simulado
No Si Si
No Si No
Bandas Rotantes
No No No
Booleano
No Si Si
Plurigaussiano
No Si Si
Gaussiano Truncado
No No Si
Malla
Regular
Gaussiano Cond. Mtodo
de simulacin
16
Mtodos de simulacin
Seg
Seg
n la geometr
n la geometr
a:
a:
Basadas en celdas (pixeles)

Basadas en celdas (pixeles)
Basadas en objetos
Basadas en objetos
(simulaciones booleanas)
(simulaciones booleanas)
de simulacin
17
Mtodos de simulacin
Ejemplo: Simulaciones Basadas en Celdas Ejemplo: Simulaciones Basadas en Celdas
de simulacin
18
Mtodos de simulacin
Ejemplo: Simulaciones Basadas en Objetos Ejemplo: Simulaciones Basadas en Objetos
de simulacin
19
Mtodos de 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.
de simulacin
20
A este tipo de transformacin se le conoce como
anamorfosis.
En la prctica los n datos de la muestra de Z son
ordenados de modo creciente :
La FDP acumulativa de est dada por
Entonces la transformacin correspondiente sera
(1) (2) ( )
...
n
z z z
( )
( ) k
Z
F z k n =
( )
( ) 1 k
y G k n
=
de simulacin
21
Datos muestrales de la FA
Distribucin
Gaussiana ?
Transformacin Gaussiana
Si
No
Anlisis Estructural:
Obtencin del variograma
Simulacin Gaussiana
Condicional ?
Condicionamiento: Kriging
Transformacin Gaussiana Inversa
Simulacin Condicional de la F.A
Si
No
Esquema
general
de las
Simulaciones
de tipo
Gaussianas
de simulacin
22
Mtodos para FA
categricas
de simulacin
23
Mtodos para FA categricas
Son mtodos de simulacin para datos
discretos:
Gaussiano Truncado o Monogaussiano
Plurigaussiano
Booleano o de Objetos
de simulacin
24
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.
de simulacin
25
Un nuevo valor simulado se obtiene a
partir de la FDP estimada usando los
valores observados (datos) 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:
de simulacin
26
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 .
de simulacin
27
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.
de simulacin
28
Ejemplos de
imgenes en
3D y 2D de
porosidad de
un medio
poroso
vugular con
tomografa
computarizada
(izquierda) y
simulacin
indicator
(derecha).
de simulacin
29
0. 100. 200. 300.
0.
20.
40.
60.
80.
100.
0. 100. 200. 300.
0.
20.
40.
60.
80.
100.
0.9 matriz, 0.05 halo alta porosidad y 0.05 vgulo
0. 100. 200. 300.
0.
20.
40.
60.
80.
100.
0. 100. 200. 300.
0.
20.
40.
60.
80.
100.
Simulacin de medios porosos vugulares
de simulacin
30
Mtodo Gaussiano Truncado
Se basa en obtener realizaciones mediante
el truncado de una funcin aleatoria
gaussiana.
Sea Z una funcin aleatoria gaussiana
estndar estacionaria con covarianza C y
variograma .
Por construccin los conjuntos de
excursin forman una familia de conjuntos
aleatorios montonamente decrecientes

X X
de simulacin
31
Considere una serie de indicadores que se originan de aplicar uno o
mas umbrales a la FA Z que posee una FDP Gaussiana estndar. Es
decir,
Los umbrales son seleccionados de manera tal que coincidan con las
proporciones p
i
de los indicadores
Una vez que el variograma de la F.A. Gaussiana es conocido, los
variogramas simples y cruzados de los indicadores son tambin
conocidos.
( )
( )
1
1, si
0, en caso contrario
i i
i
z Z x z
I x
+
<
1
1
; 1,..., -1
i
i j
j
z G p i m
=
| |
= =
|
\

de simulacin
32
El variograma del conjunto de excursin de una F.A.
Gaussiana estndar est relacionado con el variograma de
sta mediante la siguiente expresin
En particular para el umbral del valor medio (=0) , resulta la
siguiente frmula
Consecuentemente, la simulacin de los indicadores se reduce
a la simulacin de la F.A. Z(x).
En aplicaciones prcticas se selecciona directamente el
variograma de manera tal que los variogramas tericos de los
indicadores obtenidos se ajusten bien a los variogramas
muestrales.
( )
( )
( )
2
arcsin 2
2
0
1
exp 1 tan
2
h
h t dt
| |
= +
|
\
( )
( )
0
1
arcsin
2
h
h


de simulacin
33
Ejemplo esquemtico en 1-D que ilustra el concepto de la
simulacin Gaussiana Truncada. Se generan realizaciones
continuas Gaussianas de la variable las cuales se truncan mediante
valores de corte, para as crear realizaciones categricas.
de simulacin
34
a) Funcin aleatoria Gaussiana
b) Histograma de la funcin aleatoria Gaussiana
c) Variable truncada
de simulacin
35
Una distribucin normal con tres cdigos de facies, dos valores
umbrales o de corte Y
t
1 y Y
t
2 y tres valores continuos de Y uno
para cada facies (Y
1
, Y
2
y Y
3
). La proporcin de cada facies es el
rea bajo la curva normal estndar.
de simulacin
36
Simulaciones Gaussianas Truncadas
Dos realizaciones mediante Simulacin Secuencial Indicador y
SGT. Ambas realizaciones presentan la misma relacin espacial
(estructura). La Simulacin Gaussiana Truncada es adecuada
cuando se tiene un orden claro de las facies
de simulacin
37
Simulacin
condicional
Gaussiana
Truncada. Cuadro
superior izquierdo,
simulacin no
condicional.
Cuadro superior
derecho, 400 datos
condicionantes.
Cuadros inferiores,
dos simulaciones
condicionales con
los puntos
condicionantes
de simulacin
38
Ejemplo: simulacin de litofacies
de simulacin
39
Mtodo PluriGaussiano
El mtodo Gaussiano Truncado (Monogaussiano)
es un modelo diseado para representar los
fenmenos fsicos que consisten slo en dos fases
distintas.
Una forma de extender estos modelos para
acomodar fenmenos con ms de dos fases,
digamos 3 fases, es truncar la funcin aleatoria en
dos diferentes niveles.
Esto no es siempre satisfactorio en la prctica
porque si se tienen realizaciones continas
entonces ambas fases no puede estar en contacto.
Esta observacin incidi en Galli (1994) para
disear un modelo ms general basado en el
truncado de varias funciones aleatorias gaussianas.
de simulacin
40
Funcin aleatoria Gaussiana (Izquierda),
Histograma de la funcin acumulativa y
bandera (Centro) y Variable truncada
de simulacin
41
Los ingredientes bsicos requeridos para la
construccin de una funcin aleatoria plurigaussiana
son:
Dos funciones aleatorias gaussianas estandarizadas
definidas en una regin con funciones de
covarianzas dadas. Ambas funciones aleatorias se
suponen independientes, aunque relaciones de
dependencia entre ellas pueden ser consideradas
en ciertos casos (Armstrong et al., (2001)).
Una familia de subconjuntos de que
constituyen una particin (bandera). El ndice es
numrico o categrico.
( )
,
i
D i I
2

de simulacin
42
Una funcin aleatoria plurigaussiana
con funciones aleatorias subyacentes
Y y Z, y particin es la funcin
aleatoria X en para I que satisface
Es decir, un punto es asignado a
la fase si y slo si el par de valores
pertenece a la regin .
( )
,
i
D i I
d
( ) ( ) ( ) ( )
,
i
X x i Y x Z x D =
d
x
i I
( ) ( ) ( )
, Y x Z x
i
D
de simulacin
43
G1 y G2 Funciones aleatorias Gaussianas
independientes, truncamiento y plurigaussiana
resultante.
de simulacin
44
La figura muestra realizaciones de dos funciones aleatorias
gaussianas independientes con el mismo variograma gaussiano
con alcance igual a un dcimo del ancho del dominio de la
simulacin. Cada funcin aleatoria plurigaussiana tiene su
propia particin indicada como bandera debajo de cada
realizacin.
Cada bandera tiene tres celdas. Su tamao y forma han sido
diseados de manera tal que todas las fases ocurran con la
misma frecuencia.
Para entender la manera en que las particiones han sido
ordenadas, note que las fronteras del dominio tienen un punto
triple que va desde + a - considerando las simulaciones de
arriba hacia abajo y de izquierda a derecha. Mientras que las
celdas verde y amarilla son simtricas respecto al eje x, la roja
es obtenida mediante el desplazamiento desde + a - del
punto triple comn a las tres celdas a lo largo del eje x.
En la bandera superior izquierda el punto triple est en + . En
este caso la celda roja es una franja horizontal entre las fases
verde y amarilla, evitando que stas ltimas entren en contacto.
Esto es equivalente a la que se obtendra mediante la
simulacin monogaussiana truncada a dos niveles de corte
diferentes.
de simulacin
45
A medida que el punto triple se mueve hacia la izquierda, el
contacto entre las celdas verde y amarilla se hace posible y
por lo tanto la fase roja pierde gradualmente su poder
separador. En la simulacin superior derecha las tres fases
tienen exactamente las mismas propiedades estadsticas.
No hay contacto preferencial entre ninguna dos de ellas.
La inferior izquierda es un ejemplo de modelo jerrquico.
Las fases verde y amarilla aparentan ser parcialmente
ocultadas por la fase roja.
Finalmente, en la simulacin inferior derecha el punto triple
es desplazado hasta - por lo que la celda roja est ahora
formada por dos tiras paralelas limitando a las celdas verde
y amarilla. Esta se obtiene mediante la simulacin truncada
de tres niveles de corte diferentes. Esto produce
componentes rojos rodeados ya sea por la fase verde o por
la fase amarilla.
de simulacin
46
Realizaciones de
seis funciones
aleatorias
plurigaussianas.
Ellas han sido
obtenidas partiendo
de la misma funcin
aleatoria gaussiana
pero usando
particiones
diferentes
(representadas
como banderas
debajo de cada
realizacin)
de simulacin
47
Simulacin
condicional
plurigaussiana.
La bandera usada es la
del medio a la derecha
de la figura 16.4.
Arriba a la izquierda,
una simulacin no
condicional.
Arriba a la derecha 400
puntos condicionantes.
Abajo, dos simulaciones
condicionales.
de simulacin
48
Ejemplo 1 de
Simulacin
plurigaussiana:
FA Gaussiana 1 con
variograma exponencial
FA Gaussiana 2 con
variograma Gaussiano
Regla jerrquica de las
facies.
Interpretacin: Por
ejemplo, cuerpos de
arenas intercalados en un
fondo de limo-arcillo.
de simulacin
49
Ejemplo 2 de
Simulacin
plurigaussiana:
FA Gaussiana 1 con
variograma Gaussiano
FA Gaussiana 2 con
variograma exponencial
Regla jerrquica de las
facies.
Interpretacin: Por
ejemplo, disolucin de un
medio poroso carbonatado
de simulacin
50
Simulacin plurigaussiana de facies en un yacimiento
Areno-Arcilloso Turbidtico
Matriz de proporciones de
las facies
Distribucin de facies
de simulacin
51
Mtodo Booleano o de Objetos
Conjuntos aleatorios pueden ser construidos mediante la
colocacin de objetos aleatorios independientes en puntos
de Poisson y luego tomando su unin.
Se considerar ahora una clase de modelos, los modelos
Booleanos y sus variaciones, obtenidas por la
combinacin de objetos colocados en puntos aleatorios.
Estos modelos pueden ser considerados como procesos
puntuales marcados, en el sentido de que estn basados en
procesos puntuales y marcas asignadas a los puntos del
proceso.
Constituyen una familia de modelos muy flexibles y son
en ocasiones usados en base de la interpretacin fsica o
gentica la cual define los objetos del modelo particular a
ser usado.
de simulacin
52
Dos ingredientes bsicos e independientes son requeridos
para la construccin de un modelo booleano en :
- un conjunto de grmenes x, es decir, un proceso puntual de
Poisson con funcin de intensidad .
- una familia de subconjuntos compactos
aleatorios no-vacos e independientes. Al subconjunto A(x) se
le nombra como el objeto implantado en x.
Definicin: Un modelo booleano es la unin de todos los
objetos implantados en los grmenes x de Poisson.
( )
x
A x
P
X
X
P
d
( )
( )
,
d
x x =
( )
{ }
,
d
A x x
de simulacin
53
En la figura se
muestran las
realizaciones de
cuatro modelos
booleanos.
De abajo hacia arriba
son:
discos, segmentos
de lnea, polgonos
tpicos de Poisson y
de Voronoi.
de simulacin
54
Modelo booleano
estacionario (=0.0076). El
rea de simulacin es de
100x100. Los objetos son
discos con radio
exponencial (valor medio 5).
Arriba a la izquierda, una
simulacin no condicional,
arriba a la derecha, 100
puntos condicionantes.
Abajo, una simulacin
condicional: sin puntos
(izquierda) y con los puntos
(derecha).
de simulacin
55
Canales
Lbulos
Dunas
Sigmoides
Lentes
Domo
Cua
Algunos objetos geolgicos
Petbool: A Software for Stochastic Modeling of Geological
Objects (2005)
de simulacin
56
Modelos de Yacimientos
Canales
Turbiditas
canalizadas
(SPE 77431)
de simulacin
57
Modelos de Yacimientos
Canales
Lbulos
de simulacin
58
Modelos de Fracturas
Nmero promedio de Puntos de Poisson=1000. Dimensiones promedio de los objetos A1=1000/A2=10/A3=500 metros. Nmero de
celdas=201x201x51 Tamao de la celda=50x50x1 metros.
Elipsoides
Paraleppedos
de simulacin
59
Mtodos para FA
continuas
de simulacin
60
Mtodos para FA continuas
Son mtodos de simulacin para datos
continuos:
Bandas Rotantes
Recocido Simulado
de simulacin
61
Mtodo de Bandas Rotantes
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
Por lo que este mtodo produce simulaciones n-
dimensionales a un costo de computo razonable,
equivalente de hecho al costo de las simulaciones
unidimensionales.
La simulacin en un punto arbitrario resulta de la
suma de las proyecciones de este punto sobre las
lneas.
de simulacin
62
Considere una lnea en y una funcin
aleatoria unidimensional, estacionaria de
segundo orden definida sobre dicha
lnea, con valor esperado cero y funcin de
covarianzas unidimensional .
Sea la proyeccin de cualquier sobre
la lnea , entonces se define la siguiente
funcin aleatoria en tres dimensiones como:
1
L
( )
1
L
Y x
3
( )
( )
1
1
L
C h
1
L
x
3
x
1
L
( )
( )
1
3
1
;
L
Z x Y x x
de simulacin
63
Si se consideran N lneas uniformemente
distribuidas en N direcciones en . Si en cada
lnea se genera una realizacin de una
FA unidimensional, independiente e
isomorfa a , entonces se puede definir de
manera anloga realizaciones tridimensionales a
partir de las simulaciones unidimensionales.
Finalmente a cada punto del espacio tridimensional
se le asigna el siguiente valor a partir de las
simulaciones unidimensionales
( )
i
L
y x
3
( )
1
L
Y x
( )
( )
3
1
1
;
i
N
S L
i
z x y x x
N
=
=

i
L
( )
i
L
Y x
de simulacin
64
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.
( )
( )
( )
( )
{ }
1 3
d
C r rC r
dr
=
de simulacin
65
de simulacin
66
0 50 100
X (mm)
0
50
100
TB4569-44[00001]
Simulacin de medios
porosos vugulares
N90
N0
D-90
0 10 20 30 40 50 60 70 80 90 100
Distance (mm)
0.00
0.01
0.02
0.03
0.04
0.05
0.06
V
a
r
i
o
g
r
a
m

:

p
h
i
100 bandas Rotantes
de simulacin
67
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)
de simulacin
68
Mtodo Secuencial Gaussiano
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:
de simulacin
69
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.
de simulacin
70
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.
de simulacin
71
Medio poroso vugular
( )
40 160
0.018*Gauss ( ) 0.007*Exp ( ) h h h = +
Imgenes en 2D de
porosidad de un
medio poroso
vugular con
tomografa
computarizada
(izquierda) y
secuencial
gaussiano
(derecha).
de simulacin
72
( )
40 160
0.018*Gauss ( ) 0.007*Exp ( ) h h h = +
Imgenes en 2D de
porosidad de un
medio poroso
vugular con
tomografa
computarizada
(izquierda) y
secuencial gaussiano
(derecha).
Medio poroso vugular
de simulacin
73
Modelacin de Yacimientos
Datos de
porosidad
en pozos
Distribucin de la
Porosidad usando
de simulacin
74
Mtodo 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.
de simulacin
75
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)
de simulacin
76
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:
Funcin objetivo: E = [ [[ [ P
T
i j
- P
I
i j
] ]] ]
2
P
T
i j
y P
I
i j
son las proporciones de la j-sima clase del histograma para
el i-simo arreglo de configuracin, para la imagen de entrenamiento P
T
y para la imagen inicial P
I
P
aceptacin
= e
(E nueva - E anterior) / t
La funcin
Procedimiento
de simulacin
77
(h) = 0.008 + 0.235 Exp
6.36
(h) = 0.008 + 0.216 Exp
5.15
Imgenes en
2D de
porosidad de
un medio
poroso
vugular con
tomografa
computarizad
a (izquierda)
y recocido
simulado
(derecha).
Variograma
Variograma
de simulacin
78
Arreglos de configuracin
Estadstica
multipunto
4 x 4
2 x 8
Malla de 100 x 100
Imagen real de
un medio poroso
vugular
2 x 8
0
1
2
0 2 4 6 8 10 12 14 16
4 x 4
0
1
2
0 2 4 6 8 10 12 14 16
medios porosos vugulares
Mtodo Recocido Simulado Multipunto
de simulacin
79
Energa
Numero de cambios
Reproduce la geometra vugular
Reproduce la estadstica
Reproduce el arreglo multipunto
Arreglo de configuracin: 4 x 4
Funcin objetivo:
0
1
2
0 2 4 6 8 10 12 14 16
0.47
2.01
0
1
2
0 2 4 6 8 10 12 14 16
0.45
2.02
Estadstica inicial
Estadstica final
de simulacin
80
0. 10. 20.
0.
10.
20.
0. 10. 20.
0.
10.
20.
0. 10. 20.
0.
10.
20.
0. 10. 20.
0.
10.
20.
0. 10. 20.
0.
10.
20.
0. 10. 20.
0.
10.
20.
0. 10. 20.
0.
10.
20.
0. 10. 20.
0.
10.
20.
Imgenes reales
Imgenes simuladas
Referencia: Casar-Gonzlez and Suro-Prez, 2001
de simulacin
81
medios porosos vugulares equivalentes
Medio vugular real
Simulacin annealing
Simulacin secuencial
de variable indicator
de simulacin
82
Comparacin entre simulacin secuencial de
indicadores y simulacin annealing multipunto
SAM tiempo promedio por
realizacin: 60 minutos
SSI tiempo promedio por
realizacin: 15 segundos

Simulacion Condicional

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Simulacion Condicional

Caricato da

Copyright:

Formati disponibili

GEOESTAD

Basadas en celdas (pixeles)

24/11/2009 G_MGPY2- Mtodos geoestadsticos

24/11/2009 G_MGPY2- Mtodos geoestadsticos

24/11/2009 G_MGPY2- Mtodos geoestadsticos

Potrebbero piacerti anche