Avaliação MPS (2014)

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
ESCOLA DE ENGENHARIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE MINAS
DAVID ALVARENGA DRUMOND
PRÁTICAS AVANÇADAS DE SIMULAÇÃO GEOESTATÍSTICA
PORTO ALEGRE
2014
DAVID ALVARENGA DRUMOND
PRÁTICAS AVANÇADAS DE SIMULAÇÃO GEOESTATÍSTICA
Trabalho de avaliação da disciplina – Práticas

avançadas de simulação geoestatística, do programa
de pós-graduação em engenharia de minas da
Universidade Federal do Rio Grande do Sul, como
requisito para aprovação da disciplina.
ORIENTADOR: JOÃO FELIPE COIMBRA LEITE COSTA
PORTO ALEGRE
2014
Sumário
Objetivo ........................................................................................................................................................ 5
1) Conceituações ....................................................................................................................................... 5
2) Introdução à simulação de múltiplos pontos ......................................................................................... 5
3.1 - Exemplo inicial ................................................................................................................................. 5
3.2 – Diferenças entre a simulação convencional e a simulação de múltiplos pontos ............................ 10
3.3 – Princípios do modelo ..................................................................................................................... 13
3.3.1 - Características da TI ................................................................................................................ 13
3.3.2 - Características da Search Pattern ............................................................................................. 13
3.3.4 - Características da Search Tree ................................................................................................. 15
3) Estudo comparativo do SIS e do SINESIM ........................................................................................ 17
4.1) Análise primária dos dados ............................................................................................................. 17
4.2) Simulação de múltiplos pontos ........................................................................................................ 19
4.3) Simulação de indicadores ................................................................................................................ 25
4.4) Comparação entre os dois métodos de simulação SINESIM e SI .................................................. 28
4.4.1) Qualidade visual dos dados ..................................................................................................... 28
4.4.2) Qualidade da continuidade espacial dos dados ......................................................................... 28
4.4.3) Variogramas simulados por SINESIM X TI............................................................................. 29
4.4.4) Comparação qualitativa ............................................................................................................ 31
4) SINESIM: Análise de parâmetros ....................................................................................................... 32
5.1) Análise primordial dos dados .......................................................................................................... 32
5.2) Análise da variação de parâmetros .................................................................................................. 35
5.3) Análise da variação das proporções segundo a variação de parâmetros .......................................... 35
5.4 ) Análise da continuidade espacial dos dados ................................................................................... 51
5.5) Análise visual das simulações ......................................................................................................... 63
5.5.1) Análise visual do ST-4.............................................................................................................. 63
5.5.2) Análise visual do TV- 3 ............................................................................................................ 64

5.5.3) Análise visual do MG -4 ........................................................................................................... 64
5.5.4) Análise visual da #nós-1 ........................................................................................................... 64
5.5.5) Análise visual do Servo System-3 ............................................................................................ 65
5.6) Conclusões sobre os efeitos das variáveis e efeito da variável que mais altera a simulação ........... 65
5) SNESIM : INCORPORANDO INFORMAÇÃO SECUNDÁRIA ..................................................... 66
6.1) Análise dos dados principais ........................................................................................................... 66
6.2) Criação do mapa de probabilidade .................................................................................................. 67
6.3) Simulação SNESIM - mudança do tau ........................................................................................... 68
6.4) Simulação SNESIM - rotação......................................................................................................... 70
6) SNESIM : SIMULAÇÃO DE CONTATOS....................................................................................... 71
Bibliografia ................................................................................................................................................. 76
Objetivo
O seguinte trabalho constitui em uma série de exercícios sobre simulação de múltiplos pontos,
envolvendo principalmente a metodologia do algoritmo SINESIM (Single Normal Equation Simulation) e
sobre suas similaridades com outras rotinas de simulação, tais como indicadores.
1) Conceituações
TI = training image = Imagem utilizada como padrão primário para simulação de estruturas.
SP = search pattern = padrão de procura dos pixels para simulação das formas geométricas
ST = search tree = árvore de procura dos valores de padrão para a simulação
2) Introdução à simulação de múltiplos pontos
3.1 - Exemplo inicial
Como forma de explanar os conceitos de simulação de múltiplos pontos, utilizou-se de um exemplo

inicial no trabalho. Imagine precisar saber a forma de um rio, mas não há disposição das informações
completas para defini-lo, apenas conhece-se, em alguns pontos, os valores de fluxo em que se tem certeza
onde a água flui. A figura abaixo demonstra as amostragens em alguns pontos azuis, que corresponderiam
às áreas de certeza da medição:
Pela lógica física de como ocorre um deflúvio, sabe-se que ele sempre caminha de montante à
jusante, e que se os pontos amostrados estão corretos, então o rio deve se mover na direção sudeste. Pode-
se criar um padrão da representação do canal, que mesmo incorreto, simularia o fenômeno estudado. A este
padrão denomina-se de imagem de treinamento.
A imagem de treinamento pode ser dividia em uma série de subcategorias ao qual se definiria uma
árvore de procura, também chamada de Search Tree. Ela é uma forma de armazenamento dos padrões da
imagem que podem ser consultados de forma mais rápida no processo, para a determinação das
probabilidades de simulação de um pixel.
No entanto, deve-se criar uma forma de procura na search tree que transladará por toda a training
image simulando pixel à pixel. Essa forma de procura, a search pattern, deve ser compatível
geometricamente com a search tree. Nela interessa simular apenas um pixel central, enquanto os demais
pixels procurarão pelos dados condicionantes no padrão.
Utilizando da search tree, procura-se em uma dada região o valor a ser simulado condicionado
aos dados envolta da search pattern.
Existe uma chance de 100% de que o valor do pixel se encontre no rio e 0% de que ele se
encontre na terra, dada a condição de que os pixels na diagonal são os valores reais.
Os dados poderiam então ser incorporados no banco de dados a cada simulação. O procedimento
geral está demonstrado na figura abaixo:
Como resultado haveria duas realizações da simulação da forma do rio, e decisões sobre a
variabilidade de fluxo de água no canal baseando nas diferenças de forma do mesmo poderiam ser
tomadas.
A simulação de múltiplos pontos é uma ferramenta a qual o interesse não é a variação dos valores
numéricos de uma variável aleatória regionalizada, mas os padrões obedecidos pela categorização de
elementos em um mapa, propondo atingir o espectro de variabilidade não pelas amostras, mas pelas formas
e geometrias que se apresentam em um padrão inicial, também chamado de training image. A principal
vantagem do modelo é sua aderência às sinuosidades deste padrão estabelecido, que não é garantida pelos
modelos geoestatísticos clássicos.
3.2 – Diferenças entre a simulação convencional e a simulação de múltiplos

pontos
Imagine um depósito de ouro em que temos várias amostragens no espaço. Não conhecemos os
valores entre o espaço das amostras para definir a estrutura do corpo geológico, mas temos um padrão
interpretado pelo geólogo baseado no modelo metalogenético prescrito. Então poderíamos simular as
características de sua estrutura sem necessitar de uma análise em cada ponto entre as amostras tomadas.
Nesta simulação é mais interessante ter os dados condicionados apenas para determinar os tipos litológicos,
pois estaremos interessados na forma geométrica entre a interpretação do geólogo e os valores reais, e não
na estimação das características do depósito no espaço.
Na simulação geoestatística convecional, hipóteses iniciais devem ser realizadas para a utilização
coerente da ferramenta, principalmente as relacionadas aos graus inerentes de estacionaridade. Este quesito
não pode ser certificado, mas apenas analisado por causa de alguns fatores, tais como:
1. O agrupamento de amostras pode levar à criação artificial de interpretações das populações.

2. A estacionaridade pode ser mascarada pela utilização de valores médios no modelo que
suavizam os resultados e regularizam os dados em um campo estacionário.
3. Variações com números diferentes podem causar mesmo resíduo, suavizando os resultados e
criando um efeito artificial de estacionaridade.
A simulação de múltiplos pontos é fortemente ligada aos dados condicionantes e ao padrão de

training image, mas não utiliza valores médios, o que facilita incorporar as sinuosidades no modelo
simulado.
Referente aos modelos de simulação geoestatística convencionais, baseados na estruturação

variográfica e na variação de dados numéricos, podemos considerar que o resultado de uma variável pode
ser descrito pelo seu valor médio e seu valor residual tal como formulado abaixo:
𝑍(𝑥) = 𝜇 + 𝑅(𝑥)
Portanto podemos realizar as seguintes operações matemáticas:

2
𝑅𝑒𝑠 = 𝐸(𝑍 ∗ (𝑥) − 𝑍(𝑥) )
2
𝑅𝑒𝑠 = 𝐸(𝜇 + 𝑅 ∗ (𝑥) − 𝜇 − 𝑅(𝑥) )
2
𝑅𝑒𝑠 = 𝐸(𝑅 ∗ (𝑥) − 𝑅(𝑥) )
𝑅𝑒𝑠 = 𝐸(𝑅 ∗ (𝑥) 𝑅∗ (𝑥) ) − 2𝐸(𝑅(𝑥) 𝑅∗ (𝑥) ) + 𝐸(𝑅(𝑥) 𝑅(𝑥) )
𝑅𝑒𝑠 = 𝐶𝑜𝑣(𝑅 ∗ (𝑥) , 𝑅 ∗ (𝑥) ) − 2𝐶𝑜𝑣(𝑅(𝑥) , 𝑅 ∗ (𝑥) ) + 𝐶𝑜𝑣(𝑅(𝑥) , 𝑅(𝑥) )
Logo se o modelo está sob a hipótese de estacionaridade, as alternâncias da variável aleatória em

um local podem ser determinadas por krigagem, e podemos simular um depósito sem necessitar dos dados
condicionantes para mantermos a estruturação do mesmo, mas apenas com o modelo de variograma
estipulado anteriormente. O mesmo, no entanto, não pode ser realizado com a simulação de múltiplos
pontos, que exigirá condicionantes dos pontos, ou do hard data, ou da training image.
Embora o conceito de continuidade espacial não esteja intimamente ligado ao processo de

elaboração da simulação de múltiplos pontos é necessário, na criação de uma TI, padrões que reproduzam
os fenômenos de continuidade espacial do processo. O conhecimento do fenômeno natural é extremamente
importante para que os processos de simulação com múltiplos pontos produzam resultados coerentes.
Segundo (REMY, 2009) a metodologia MPS tem base em objetos e não em variáveis reais, e são
também são chamados de algoritmos Booleanos. O princípio booleano define variáveis que se caracterizam
como verdadeiras ou falsas em um processo. A comparação é a característica que define os algoritmos pela
definição de estruturas, padrões, anisotropias e outras similaridades que podem ser reprodutíveis e
simuladas dentro de um dado domínio.
Enquanto a simulação geoestatística provém da utilização do variograma como um objeto de

continuidade espacial vetorial, os modelos de MPS simulam regiões inteiras, atribuindo bandas de procura.
Neles definem-se regiões de busca procurando padrões como um todo, e não associando a um componente
direcional, diferentemente das metodologias clássicas de simulação que buscam a continuidade por um
variograma.
Segundo (REMY, 2009), a definição de algoritmos baseados em estatística bipontual é uma

característica que permite a reprodutibilidade do variograma, mas falha na definição de formas e padrões
naturais das imagens a serem simuladas.
Segundo (Pastini, 2012):

“...,embora as técnicas geoestatísticas sejam suficientes para resolver
grande parte dos problemas de modelagem de litologias e teores, elas são pobres para
caracterizar depósitos com escassez de dados amostrais. Essas técnicas também não
produzem bons resultados em depósitos com grande variabilidade e com alto grau de
complexidade na sua formação, pois são baseadas em dados de furo de sonda, informações
sobre a geologia local e variogramas, todos mesclados às interpretações feitas por
especialistas, ou seja, estão baseadas essencialmente em estatísticas de pares de
amostras.”
É claro, portanto, que a metodologia de MPS pretende caracterizar as propriedades de forma e

estrutura de um depósito por quantidades pequenas de dados que não seriam reprodutíveis por um modelo
vetorial conciso como a simulação geoestastística, assumindo que para a utilização de dados em um modelo
convencional é necessária uma densidade amostral compatível com o processo de estimação.
A utilização de simulação por métodos geoestatísticos cria sempre uma textura de baixa
sinuosidade representativa das alternâncias da variável considerada. No entanto, essas diferenças podem
não representar a textura natural do fenômeno estudado, principalmente quando a variável considerada é a
geometria do depósito.
Figure 1-*Simulação de estruturas diferentes com variogramas semelhantes
Ao incorporar dados secundários escassos, juntamente com a training image, consegue-se uma
maior aderência entre os valores retirados a partir da TI e a condição real do depósito. Os dados
condicionantes apesar de não possuírem papel direto na simulação das formas incorporadas, tem a vantagem
de incorporar realidade ao modelo.
3.3 – Princípios do modelo
3.3.1 - Características da TI
A reprodução dos valores simulados provém sempre de uma base de padrões. Esse padrão a ser
informado como input dos dados é a imagem de treinamento (TI). A complexidade das formas da imagem
define as condições da simulação, como a variabilidade das sinuosidades, textura e orientação espacial. É
a qualidade da TI que permitirá uma aderência com a realidade. Imagens como maior resolução e densidade
de pixels são primordiais para a definição das variabilidades de texturas e padrões que possam ser
reproduzidos.
A qualidade da imagem de treinamento nem sempre é igual em cada utilização do modelo. Ela pode
ser proveniente de um modelamento de blocos, de uma outra simulação dos objetos, de uma simulação
física de um dado fenômeno natural, de um mapeamento geofísico ou geológico, mas deve ser sempre
factível e objetiva.
3.3.2 - Características da Search Pattern
O princípio da simulação de múltiplos pontos é sempre a comparação, de padrões obtidos pela

imagem de treinamento, pelos dados amostrados e por padrões criados pela própria simulação. Os valores
simulados constituem sempre em uma região da search pattern, sendo que a sua geometria condiciona a
estruturas a serem simuladas.
Figure 2-Padrão de procura
A prática empírica requer que a search pattern tenha de 20 a 140 nós para que as representações
das formas geológicas sejam melhor reprodutíveis. Outra condição bem clara é que o grid de representação
da imagem de treinamento tem que ser compatível com o grid de simulação, de forma que o suporte dos
elementos amostrados seja semelhante ao suporte dos elementos simulados. A search pattern poderá ter a
forma geométrica segundo uma representação de uma dada continuidade espacial. Ela pode ser mais
alongada em uma dada direção de maior continuidade e menos em uma região de menor continuidade.
A dificuldade mais encontrada durante um processo de simulação em múltiplos pontos é definir a

geometria da search pattern que condiz com a continuidade espacial a ser reproduzida. O problema de
definir uma região estruturalmente estacionária e que ao mesmo tempo representa a variabilidade do
depósito, ocorre em qualquer processo de simulação. A figura abaixo demonstra como a partição da TI em
padrões que não se relacionam com a continuidade espacial da figura, formam sinuosidades não
representativas do fenômeno estudado.
Figure 3-*Efeito da geometria dos padrões na simulação
Uma forma de incorporar as estruturas não apenas em menor escala, mas em macro escala, consiste
na expansão dos grids, obtendo padrões na simulação que sejam reprodutíveis em níveis maiores do que as
regiões adjacentes à simulada. O procedimento de expansão pode ser gradual para que os valores
incorporados sejam representados em macroescala e microescala.
Figure 4-*Utilização de múltiplos grids e refinamento durante a simulação
3.3.4 - Características da Search Tree
Determinado o grid de procura dos dados, cria-se uma árvore de procura tal que ela capture os
padrões possíveis dentro da TI. A árvore de procura representará em cada nível uma dada complexidade da
geometria e suas proporções segundo o nó simulado. Se por definição o método de simulação de múltiplos
pontos não incorporar os trends naturais da TI, então considera-se um domínio estacionário que necessitará
de árvores de busca diferenciados para cada região determinada.
Figure 5-Árvore de procura
Define-se durante o processo de simulação probabilidades que são relacionadas às condições do

grid amostral, das distribuições marginais dos dados, e dos valores de probabilidade que podem ser
utilizados como variável secundária na incorporação dos valores simulados. A variável secundária é então
uma outra informação que pode ser incorporada como probabilidade condicional ao valor simulado.
(Pastini, 2012) demonstra o processo de incorporação da variável secundária na simulação de múltiplos
pontos como uma representação do teorema de Bayes:
𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 ∩ 𝑑𝑛 )
𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 |𝑑𝑛 ) =
𝑃𝑟𝑜𝑏(𝑑𝑛 )
Se os eventos de simulação do ponto e da variável secundária utilizada são independentes, então:
𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 )𝑃𝑟𝑜𝑏(𝑑𝑛 )
𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 |𝑑𝑛 ) = = 𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 )
𝑃𝑟𝑜𝑏(𝑑𝑛 )
A probabilidade de que o ponto simulado corresponda à classe de valor determinado é igual à

probabilidade condicionada dos valores à variável secundária multiplicado pela probabilidade dos dados
condicionantes. Essa ortogonalidade da variável secundária como apoio para a simulação é uma
característica que deve ser constatada antes da sua utilização como um mapa de probabilidade. Essa
dicotomia ao considerar que a variável secundária deve ser independente da variável simulada, mas ao
mesmo tempo ter algum tipo de relação que a possa ser considerada como informação, é uma questão
sensível à ser considerada pelo simulador.
Podemos ponderar em certos casos a utilização da informação secundária no processo de

simulação. A utilização do coeficiente Tau é um ajuste da distribuição dos valores obtidos pela search tree
e dos valores ponderados pela variável secundária. O modelo de redundância da informação caracteriza a
ponderação das informações.
Figure 6-Informação secundária condicionada
Apesar da hipótese de estacionaridade considerada pelo algoritmo SINESIM (Single Normal

Equation Simulation), pode-se realizar a incorporação de trends por regiões que dividam os padrões da
search tree, utilizando também rotações e mudanças de escala na simulação.
Outra forma de condicionamento dos dados simulados é a utilização de servosystem. O servosystem
é uma ferramenta que elimina padrões que não são mais corriqueiros durante a simulação. (REMY, 2009)
apresenta dois algoritmos relacionados à simulação de múltiplos pontos. Dentre eles podemos considerar:
1) SINESIM (Single Normal Equation Simulation) – Algoritmo de simulação por pixel que infere
probabilidades diretamente das distribuições marginais da TI, e que incorpora os valores simulados
na árvore de procura, sendo retroanalisados para uma nova simulação. A maior dificuldade da
aplicação do algoritmo é a utilização de uma imagem de treinamento de qualidade adequada. Pode
haver a incorporação de um hard data condicionante com uma quantidade relativamente pequena
de dados. O algoritmo tem problemas relacionados a um número de classes superiores a 4.
2) FILTERSIM(Filter-Based Algorith) – Algoritmo que representa uma transição de técnicas de uso

em pixel e técnicas baseadas em padrões de maior tamanho. A utilização dos padrões para
simulação é baseado na sua “similaridade”, esta sendo classificada pela distância e proporção dos
elementos. É então definida uma nuvem de possíveis padrões que serão simulados pelas suas
similaridades.
3) Estudo comparativo do SIS e do SINESIM
Objetivo: comparar histogramas e variogramas direcionais (NS e EW) de um conjunto de

realizações condicionais (10-20) obtidas através de SIS e SNESIM e comentar resultados;
Banco de dados: channels-data50.prj
4.1) Análise primária dos dados
O banco de dados denominado por channels-data50.prj, constitui uma imagem de treinamento

demonstrada pela figura abaixo, tais que são características as formas lenticulares amareladas de direção
leste-oeste, e uma matriz caracterizada pela variável verde. As proporções dos elementos na TI são tais que
ocorre uma frequência de 72% da variável verde e 28% da variável amarela. A anisotropia característica
demonstra que para a representação das estruturas, vale utilizar de uma geometria de procura condizente
com a morfologia da imagem. Abaixo se encontram a TI e as proporções das duas categorias.
Figure 7 - TI utilizada na simulação Figure 8 - Proporção das classes na TI
Estatística CATEGORIA 0 CATEGORIA 1

Proporção 0,72 0,28
O banco de dados condicionantes é dividido em amostras de 10 e 200 pontos. O primeiro

hard data condicionante de 10 pontos demonstra espaçamento superior dos dados. Além disso, a frequência
é distinta da imagem de treinamento, tal que o condicionamento dos dados resulta em posicionamento
característico durante o processo de simulação.
Proporção 0,5 0,5
4.2) Simulação de múltiplos pontos
Os parâmetros utilizados para a simulação do SINESIM podem ser constatados na figura abaixo.
Optou-se pela elipse de procura cuja dimensão seja correspondente à estrutura das lentes amareladas que
são consideradas nas direções leste-oeste. A figura abaixo demonstra a elipse de procura do processo de
simulação. Utilizou-se um multi-grid de escala igual a 4, de forma a possibilitar uma melhor representação
das estruturas de macro escala.
Figure 9-Elipse de procura na simulação

As realizações simuladas segundo o número de pontos condicionados são demonstradas abaixo. A
reprodução dos canais foi perceptível. A utilização dos múltiplos grids de certa forma auxiliou na
determinação das macro estruturas, tal como a utilização de um elipsoide de procura com direção máxima
segundo a continuidade dos valores simulados.
Figure 10-Realização de 9 simulações para 10 pontos condicionantes

A figura abaixo representa o variograma da realização 1 nas direções dos eixos cartesianos. Uma análise
visual prévia demonstra similaridade entre os valores de continuidade espacial.
Figure 11-Variograma SINESIM 10pontos Figure 12- Variograma SINESIM TI
A análise estatística das comparações dos valores é apresentada abaixo:
Relação dos variogramas L/W Relação dos variogramas N/S

0.25 0.30
Variograma simulação 10p
0.20 0.25
Relação dos Relação dos
variogramas na 0.20 variogramas na
0.15 direção leste e oeste direção norte e sul
0.15
Linear (Relação dos Linear (Relação dos
0.10 variogramas na 0.10 variogramas na
direção leste e oeste) direção norte e sul)
0.05 0.05
0.00 y = 1.1817x - 0.0188 0.00 y = 0.9693x - 0.0062

R² = 0.9948
0 0.05 0.1 0.15 0.2 0 0.1 0.2 0.3 R² = 0.9957
Variograma da TI Variograma da TI
Figure 13- Relação dos variogramas SINESIM (10p) L/W Figure 2- Relação dos variogramas SINESIM (10p)
N/S
As continuidades espaciais foram bem representadas nas direções leste e oeste, apresentando
coeficiente de determinação igual a 0,9948 e 0,9957, não somente pela característica da search pattern, mas
pela utilização de multi-grids, como também pela própria continuidade das estruturas da TI.
Os dados abaixo são relativos à simulação SINESIM de mesma imagem de treinamento,
submetido agora a um número de 200 dados condicionantes. Os dados utilizados para simulação são
determinados abaixo:
O hard data condicionante agora pode ser demonstrado pelo mapa e pelo histograma abaixo:
Proporção 0,65 0,35
As nove simulações são demonstradas abaixo. Nota-se que também ocorre a representação das estruturas
tais como na simulação anterior, mas o condicionamento dos dados permitiu uma distribuição da
categoria dos veios um pouco menos espaçada e uma representação melhor da textura dos canais.
Figure 14-Variograma_SINESIM 200p Figure 15-Variograma SINESIM TI
0.25 0.30

0.20 0.25
0.15
0.10 Linear (Relação dos Linear (Relação dos
0.05
0.05
0.00 y = 1.0745x - 0.0207
0.00 y = 0.9504x - 0.0063
0 0.05 0.1 0.15 0.2 0.25 R² = 0.9928
0 0.1 0.2 0.3 0.4 R² = 0.9619
-0.05
Variograma TI Variograma TI
Figure 16 - Relação dos variogramas SINESIM (200p) L/W Figure 14 - Relação dos variogramas SINESIM (200P)
N/S
4.3) Simulação de indicadores
Os parâmetros utilizados para a simulação dos indicadores com dez pontos condicionados estão
relacionados abaixo.
O modelo de variograma adotado foi computado nas direções 90N, 0N, 45N, 63N, 26N:
Figure 17-Modelo de variograma adotado
25 7,37
𝛾(ℎ) = 0.195 + 𝑆𝑝ℎ ( ; )
90𝑁 0𝑁
Figure 18- Simulações por indicadores 10 pontos condicionantes
Os parâmetros utilizados para a simulação dos indicadores com duzentos pontos condicionados
estão relacionados abaixo. Foi utilizado o mesmo modelo de variograma retirado da TI.
Figure 19- Simulação por indicadores com 200 pontos condicionantes
4.4) Comparação entre os dois métodos de simulação SINESIM e SI
4.4.1) Qualidade visual dos dados

Quanto à qualidade visual dos dados podemos verificar que a simulação de múltiplos pontos se
adequou melhor à textura e estrutura dos elementos do canal. O condicionamento dos dados é muito mais
relevante na simulação por indicadores do que pela simulação de múltiplos pontos.
4.4.2) Qualidade da continuidade espacial dos dados

Em relação à qualidade da continuidade espacial dos dados, podemos obter a relação dos
variogramas simulados nas direções principais para duzentos pontos, tal que obtemos uma aderência
significativa nos dois casos.
4.4.2.1) Variogramas simulados por IS X TI
Figure 20-Variograma simulado-IS (200p) Figure 21-Variograma TI

0.25 0.30
0.20 0.25
0.15
0.05
0.05
0.00 y = 1.0495x - 0.0333 0.00
0 0.05 0.1 0.15 0.2 0.25 R² = 0.9944 y = 1.3332x - 0.0876
0 0.1 0.2 0.3 R² = 0.871
-0.05
Figure 22 – Relação dos variogramas L/W Figure 23 – Relação dos variogramas N/S
4.4.3) Variogramas simulados por SINESIM X TI
Figure 24-Variograma_SINESIM 200p Figure 25-Variograma SINESIM TI

0.25 0.30
0.20 0.25
0.15
0.05
0.05
0.00 y = 1.0745x - 0.0207
0.00 y = 0.9504x - 0.0063
0 0.05 0.1 0.15 0.2 0.25 R² = 0.9928
0 0.1 0.2 0.3 0.4 R² = 0.9619
-0.05
Figure 26 - Relação dos variogramas SINESIM (200p) L/W Figure 14 - Relação dos variogramas
SINESIM (200P) N/S
Uma tabela comparativa nos demonstra os coeficientes de correlação entre os valores de

variograma tomados das simulações por SINESIM e IS.
Simulação 1_ (200pontos) Coeficiente de correlação com TI

Variograma simulado IS LW 0,994
Variograma simulado IS NS 0,871
Variograma simulado SINESIM LW 0,993
Variograma simulado SINESIM NS 0,962
3.1.5) Qualidade das proporções tomadas
Relativo às proporções dos dados tomados, nota-se que ocorre convergência das distribuições marginais
quando utilizada uma quantidade de dados superior. Para quantidade pequena de dados condicionantes,
ocorre variação brusca da simulação de múltiplos pontos pela adição da probabilidade associada aos
padrões.
Desvios das simulações com 10 pontos condicionantes
SI MPS Residuos Residuos

Simulações
Verde Amarela Verde Amarela verde amarelo
1 50.60% 49.40% 68.99% 31.01% -18.4% 18.4%
2 50.10% 49.90% 67.45% 32.55% -17.4% 17.4%
3 49.51% 50.49% 70.06% 29.94% -20.5% 20.5%
4 47.18% 52.82% 68.56% 31.44% -21.4% 21.4%
5 50.41% 49.59% 69.20% 30.80% -18.8% 18.8%
6 49.93% 50.07% 66.20% 33.80% -16.3% 16.3%
7 51.13% 48.87% 69.66% 30.34% -18.5% 18.5%
8 49.50% 50.50% 68.01% 31.99% -18.5% 18.5%
9 46.15% 53.85% 68.06% 31.94% -21.9% 21.9%
10 49.46% 50.54% 68.89% 31.11% -19.4% 19.4%
média -19% 19%
variância 2% 2%
Desvios das simulações com 200 pontos condicionantes
SI MPS Residuos Residuos

Simulações
Verde Amarelo Verde Amarelo verde amarelo
1 63.32% 36.68% 67.38% 32.62% -4.1% 4.1%
2 65.26% 34.74% 68.13% 31.87% -2.9% 2.9%
3 63.65% 36.35% 67.93% 32.07% -4.3% 4.3%
4 65.31% 34.69% 66.81% 33.19% -1.5% 1.5%
5 65.31% 34.69% 66.90% 33.10% -1.6% 1.6%
6 65.28% 34.72% 69.25% 30.75% -4.0% 4.0%
7 63.18% 36.82% 68.65% 31.35% -5.5% 5.5%
8 65.24% 34.76% 69.49% 30.51% -4.2% 4.2%
9 66.92% 33.08% 67.39% 32.61% -0.5% 0.5%
10 65.21% 34.79% 69.09% 30.91% -3.9% 3.9%
média -3% 3%
variância 2% 2%
4.4.4) Comparação qualitativa
Considerando os aspectos considerados nas simulações e nas condições dadas, pode-se destacar um
gráfico qualitativo como descrito abaixo.
IS SINESIM
4) SINESIM: Análise de parâmetros
5.1) Análise primordial dos dados
A TI utilizada no banco de dados apresenta características semelhantes à utilizada no exercício

anterior, pela constituição 4 variáveis categóricas, uma representativa de canais amarelados, uma matriz
esverdeada, uma representação rocha que envolve os canais e pequenos trechos vermelhos que se encontram
nas sinuosidades. A figura abaixo demonstra a utilização da TI como fonte de dados para os padrões de
busca.
Para a utilização da simulação das diversas variáveis de entrada (input) foi destacado as
distribuições marginais de cada classe como fator constante a ser considerado.
CATEGORIAS PROPORÇÕES
CATEGORIA 0 0.446978
O variograma experimental das variáveis categóricas é representado abaixo. A direção de maior

continuidade é a leste-oeste como demonstrado pela TI onde ocorrem as similaridades dos canais
amarelados, das faixas rosa e dos lóbulos vermelhos.
Com a utilização de médias móveis pela extensão da TI, definiram-se os mapas de probabilidade
de cada categoria.
5.2) Análise da variação de parâmetros
Foram consideradas as variações dos parâmetros selecionados, analisando que certas variáveis
permaneceram fixas enquanto apenas uma se modificava. A tabela abaixo demonstra a sequência de
variação das variáveis de input e os valores fixos em cada simulação.
# of nodes
Search Tau
in search Multi-grid Servosystem
Template values
template
# of nodes in search template CHANGE 200;50 3 0 1;1
Search Template 60 CHANGE 3 0 1;1
Multi-grid 60 200;50 CHANGE 0 1;1
Servosystem 60 200;50 3 CHANGE 1;1
Tau values 60 200;50 3 0 CHANGE
5.3) Análise da variação das proporções segundo a variação de parâmetros
Para cada simulação alterando os valores de cada variável foram encontrados as proporções
segundo as tabelas abaixo:
5.3.1) Análise da variação das proporções segundo a variação da densidade de nós

SIMULAÇÃO DA # DE NÓS
PARÂMETRO 60
SIMULAÇÃO CLASSE 0 CLASSE 1 CLASSE 2 CLASSE 3
1 0.419111 0.187156 0.202578 0.191156
2 0.456978 0.164311 0.236133 0.142578
3 0.436978 0.157689 0.210311 0.195022
4 0.421022 0.213244 0.187556 0.178178
5 0.500356 0.208889 0.161422 0.129333
6 0.410089 0.2616 0.178356 0.149956
7 0.481333 0.177244 0.185867 0.155556
média 0.446552 0.195733 0.194603 0.163111
desvpad 0.034252 0.03575 0.024242 0.025247
PARÂMETRO 90
1 0.559822 0.090667 0.153867 0.195644
2 0.454222 0.205689 0.236222 0.103867
3 0.378178 0.218178 0.236089 0.167556
4 0.463422 0.177156 0.185556 0.173867
5 0.517244 0.165111 0.184044 0.1336

6 0.523467 0.171956 0.189467 0.115111
7 0.4008 0.238044 0.219333 0.141822
média 0.471022 0.180972 0.200654 0.147352
desvpad 0.066663 0.04788 0.030789 0.03315
PARÂMETRO 100
1 0.530133 0.089378 0.162978 0.217511
2 0.440933 0.172267 0.232178 0.154622
3 0.405556 0.227556 0.202756 0.164133
4 0.469689 0.198889 0.163556 0.167867
5 0.453556 0.226756 0.167111 0.152578
6 0.440489 0.223733 0.176133 0.159644
7 0.391333 0.253022 0.217067 0.138578
média 0.447384 0.1988 0.188826 0.16499
desvpad 0.045394 0.05454 0.028315 0.025017
PARÂMETRO
PARÂMETRO 120

1 0.491733 0.137156 0.194844 0.176267
2 0.387111 0.224356 0.2268 0.161733
3 0.418622 0.229333 0.222178 0.129867
4 0.494711 0.170356 0.171156 0.163778
5 0.471867 0.197111 0.161644 0.169378
6 0.393289 0.253378 0.209289 0.144044
7 0.396133 0.214711 0.212756 0.1764
média 0.436209 0.203772 0.19981 0.16021
desvpad 0.04821 0.039277 0.025128 0.017326
5.3.2) Análise da variação das proporções segundo a variação da geometria do search

template
SIMULAÇÃO DA GEOMETRIA DO SEARCH TEMPLATE
PARÂMETRO 200;50
1 0.419111 0.187156 0.202578 0.191156
2 0.456978 0.164311 0.236133 0.142578
3 0.436978 0.157689 0.210311 0.195022
4 0.421022 0.213244 0.187556 0.178178
5 0.500356 0.208889 0.161422 0.129333
6 0.410089 0.2616 0.178356 0.149956

7 0.481333 0.177244 0.185867 0.155556
média 0.446552 0.195733 0.194603 0.163111
desvpad 0.034252 0.03575 0.024242 0.025247
PARÂMETRO 200;100
1 0.420933 0.193422 0.242756 0.142889
2 0.455244 0.209111 0.2004 0.135244
3 0.446489 0.173378 0.228267 0.151867
4 0.407111 0.203689 0.205289 0.183911
5 0.449422 0.225511 0.198978 0.126089
6 0.466844 0.206089 0.2368 0.090267
7 0.5148 0.169422 0.191556 0.124222
média 0.451549 0.197232 0.214864 0.136356
desvpad 0.034618 0.020074 0.020556 0.028644
PARÂMETRO 200;200
1 0.493467 0.156222 0.210533 0.139778

2 0.443911 0.208489 0.232978 0.114622
3 0.461911 0.199644 0.239644 0.0988
4 0.483511 0.179333 0.189422 0.147733
5 0.549156 0.149778 0.199822 0.101244
6 0.568 0.142622 0.208889 0.080489
7 0.479156 0.168133 0.208311 0.1444
média 0.497016 0.172032 0.2128 0.118152
desvpad 0.045321 0.025067 0.017717 0.026214
PARÂMETRO 100;150
1 0.485733 0.152222 0.229022 0.133022
2 0.457867 0.181867 0.236178 0.124089
3 0.425689 0.202622 0.226978 0.144711
4 0.493956 0.170489 0.192756 0.1428
5 0.445422 0.175422 0.251956 0.1272
6 0.525644 0.155289 0.219467 0.0996
7 0.477778 0.167111 0.1956 0.159511
média 0.473156 0.172146 0.221708 0.13299
desvpad 0.033225 0.017045 0.021333 0.018994

PARÂMETRO 100;100
1 0.493822 0.1588 0.2112 0.136178
2 0.428844 0.215867 0.249111 0.106178
3 0.457244 0.211956 0.233156 0.097644
4 0.476889 0.169644 0.179644 0.173822
5 0.5476 0.140089 0.203156 0.109156
6 0.566267 0.134978 0.215467 0.083289
7 0.483111 0.168844 0.2068 0.141244
média 0.493397 0.171454 0.214076 0.121073
desvpad 0.048478 0.031878 0.022209 0.030978
5.3.3) Análise da variação das proporções segundo a variação da geometria do multi-grid
SIMULAÇÃO DO MULTI-GRID
PARÂMETRO 1
1 0.4436 0.144133 0.247778 0.164489
2 0.473022 0.158089 0.237911 0.130978
3 0.414044 0.165778 0.244622 0.175556
4 0.470622 0.118978 0.2352 0.1752

5 0.439244 0.164178 0.248044 0.148533
6 0.442444 0.164089 0.2364 0.157067
7 0.421422 0.172267 0.255378 0.150933
média 0.443485 0.155359 0.243619 0.157537
desvpad 0.022292 0.018282 0.007436 0.015892
PARÂMETRO 2
1 0.510489 0.130178 0.211689 0.147644
2 0.442533 0.136489 0.237644 0.183333
3 0.373511 0.191111 0.226 0.209378
4 0.400667 0.170756 0.254267 0.174311
5 0.410711 0.195022 0.222178 0.172089
6 0.461644 0.189689 0.2156 0.133067
7 0.410222 0.141911 0.2144 0.233467
média 0.429968 0.165022 0.225968 0.179041
desvpad 0.045555 0.028238 0.015257 0.034329
PARÂMETRO 3
1 0.419111 0.187156 0.202578 0.191156
2 0.456978 0.164311 0.236133 0.142578
3 0.436978 0.157689 0.210311 0.195022
4 0.421022 0.213244 0.187556 0.178178
5 0.500356 0.208889 0.161422 0.129333
6 0.410089 0.2616 0.178356 0.149956
7 0.481333 0.177244 0.185867 0.155556
média 0.446552 0.195733 0.194603 0.163111
desvpad 0.034252 0.03575 0.024242 0.025247
PARÂMETRO 4
1 0.434844 0.236222 0.259111 0.069822
2 0.512844 0.189467 0.161244 0.136444
3 0.410622 0.215111 0.243689 0.130578
4 0.464044 0.190133 0.237333 0.108489
5 0.444044 0.241867 0.199867 0.114222

6 0.318222 0.3244 0.264578 0.0928
7 0.546044 0.140933 0.223556 0.089467
média 0.447238 0.219733 0.227054 0.105975
desvpad 0.073597 0.057358 0.036287 0.023668
PARÂMETRO 5
1 0.366711 0.249467 0.276267 0.107556
2 0.428489 0.187022 0.2396 0.144889
3 0.477867 0.157022 0.226844 0.138267
4 0.3908 0.253422 0.278667 0.077111
5 0.416 0.220267 0.261378 0.102356
6 0.543244 0.175422 0.207511 0.073822
7 0.309911 0.317111 0.303156 0.069822
média 0.419003 0.222819 0.256203 0.101975
desvpad 0.075753 0.055379 0.033284 0.030645
5.3.4) Análise da variação das proporções segundo a variação do servo-system
SIMULAÇÃO DO SERVO-SYSTEM
PARÂMETRO 0
1 0.419111 0.187156 0.202578 0.191156
2 0.456978 0.164311 0.236133 0.142578
3 0.436978 0.157689 0.210311 0.195022
4 0.421022 0.213244 0.187556 0.178178
5 0.500356 0.208889 0.161422 0.129333
6 0.410089 0.2616 0.178356 0.149956
7 0.481333 0.177244 0.185867 0.155556
média 0.446552 0.195733 0.194603 0.163111
desvpad 0.034252 0.03575 0.024242 0.025247
PARÂMETRO 0.25
1 0.431822 0.182178 0.217778 0.168222
2 0.460044 0.167556 0.217911 0.154489
3 0.443556 0.188089 0.2052 0.163156
4 0.419333 0.197644 0.202222 0.1808
5 0.454578 0.245867 0.182044 0.117511

6 0.418533 0.2536 0.1916 0.136267
7 0.467422 0.220044 0.168978 0.143556
média 0.442184 0.207854 0.197962 0.152
desvpad 0.01958 0.032824 0.018235 0.021337
PARÂMETRO 0.5
1 0.411289 0.216133 0.236267 0.136311
2 0.4516 0.192578 0.194178 0.161644
3 0.453156 0.191111 0.215156 0.140578
4 0.433022 0.183956 0.183422 0.1996
5 0.454889 0.1804 0.192667 0.172044
6 0.418267 0.236044 0.1984 0.147289
7 0.464711 0.215867 0.176844 0.142578
média 0.440991 0.202298 0.199562 0.157149
desvpad 0.020324 0.020615 0.020186 0.022592
PARÂMETRO 0.75

1 0.460444 0.181644 0.183467 0.174444
2 0.453867 0.184667 0.209333 0.152133
3 0.443289 0.195156 0.218356 0.1432
4 0.453822 0.176622 0.207067 0.162489
5 0.466044 0.186978 0.209022 0.137956
6 0.440844 0.208133 0.200533 0.150489
7 0.431333 0.223733 0.1872 0.157733
média 0.449949 0.193848 0.20214 0.154063
desvpad 0.012065 0.016713 0.012654 0.012205
PARÂMETRO 1
1 0.4472 0.200933 0.201378 0.150489
2 0.446533 0.200711 0.201511 0.151244
3 0.446844 0.202089 0.201067 0.15
4 0.446844 0.200178 0.201244 0.151733
5 0.446711 0.200844 0.201511 0.150933
6 0.447067 0.199556 0.2008 0.152578
7 0.446222 0.202044 0.201067 0.150667
média 0.446774 0.200908 0.201225 0.151092

desvpad 0.000328 0.000921 0.000264 0.000857
5.3.5) Análise da variação das proporções
Em cada classe abaixo estão representados os valores médios dos conjuntos de simulações para cada
classe e para cada variação do parâmetro esperado:
MUDANÇA DE # of nodes in search template

SIMULAÇÃO
PARÂMETRO
CLASSE 0 CLASSE 1 CLASSE 2 CLASSE 3
60 1 44.66% 19.57% 19.46% 16.31%
90 2 47.10% 18.10% 20.07% 14.74%
100 3 44.74% 19.88% 18.88% 16.50%
110 4 43.94% 19.78% 19.17% 17.11%
120 5 43.62% 20.38% 19.98% 16.02%
média 44.81% 19.54% 19.51% 16.14%
var 0.000186 0.000074 0.000026 0.000077
Desvio total 0.018%
MUDANÇA DE SEARCH TEMPLATE

SIMULAÇÃO
PARÂMETRO
200;50 1 44.66% 19.57% 19.46% 16.31%
200;100 2 45.15% 19.72% 21.49% 13.64%

200;200 3 49.70% 17.20% 21.28% 11.82%
200;250 4 47.32% 17.21% 22.17% 13.30%
200;300 5 49.34% 17.15% 21.41% 12.11%
média 47.23% 18.17% 21.16% 13.43%
var 0.000538 0.000182 0.000102 0.000318
Desvio total 0.057%
MUDANÇA DE MULTI-GRID
SIMULAÇÃO
PARÂMETRO
1 1 44.35% 15.54% 24.36% 15.75%
2 2 43.00% 16.50% 22.60% 17.90%
3 3 44.66% 19.57% 19.46% 16.31%
4 4 44.72% 21.97% 22.71% 10.60%
5 5 41.90% 22.28% 25.62% 10.20%
média 43.72% 19.17% 22.95% 14.15%
var 0.01% 0.09% 0.04% 0.10%
Desvio total 0.117%
MUDANÇA DE SERVOSYSTEM
SIMULAÇÃO
PARÂMETRO
1 0 39.80% 14.91% 15.37% 10.72%

2 0.25 38.91% 14.11% 14.49% 10.23%
3 0.5 37.11% 13.60% 13.52% 9.97%
4 0.75 35.41% 12.99% 12.29% 9.42%
5 1 37.81% 13.90% 13.92% 10.09%
média 37.81% 13.90% 13.92% 10.09%
var 0.04% 0.01% 0.02% 0.00%
Desvio total 0.033%
MUDANÇA DE TAU VALUES

SIMULAÇÃO
PARÂMETRO
1 1;1 36.33% 16.60% 16.21% 11.54%
2 2;1 35.22% 16.61% 15.30% 10.48%
3 1;2 33.65% 16.12% 14.71% 9.51%
4 3;1 31.81% 15.15% 13.56% 9.33%
5 1;3 34.25% 16.12% 14.95% 10.22%
média 34.25% 16.12% 14.95% 10.22%
var 0.04% 0.00% 0.01% 0.01%
Desvio total 0.033%
Tomada as variações de cada classe considerou-se os desvios totais para cada parâmetro pela
soma da variância de cada classe e pela raiz quadrada do valor obtido. Nota-se pelo gráfico abaixo que a
maior variação nas simulações é pela utilização do multi-grid, seguindo dos valores Tau e da geometria
do search template. A proporção de nós considerados é contido na geometria do search template, logo só
terá influência maior quando extrapolar o tamanho do mesmo.
Impacto da variação de parâmetros

SINESIM - proporção das classes
0.0014
0.0012
0.001
Desvio total
0.0008
0.0006
0.0004
0.0002
0
multi-grid tau values search servosystem # of nodes in st
template
dimension
Variáveis
5.4 ) Análise da continuidade espacial dos dados

Em relação à continuidade espacial dos dados podemos demonstrar a aderência do modelo e da
simulação pelos gráficos abaixo:
5.4.1) Análise da aderência do variograma - Variação da #nós
Foi realizada a variação a regressão dos valores obtidos do variograma pela modificação da
densidade de nós na simulação. Observou-se que ao aumentar a densidade de nós na search pattern as
reproduções das direções horizontais de continuidade ficaram prejudicadas, mesmo que o coeficiente de
determinação vertical tenha ficado ruim. Isso se deve principalmente ao fato de que a escolha da
geometria do padrão de procura facilitou que o aumento da densidade de nós favorecesse a dispersão
vertical, reduzindo a reprodução dos canais horizontais.
Os valores das regressões das diferenças dos variogramas com a TI para a variação da densidade
de nós estão reproduzidas abaixo, enquanto em seguida podemos notar uma tabela resumindo os valores
obtidos pelas comparações.
ANÁLISE VARIOGRAMA - VARIAÇÃO DA DENSIDADE DE NÓS (VERTICAL)
Coeficiente Ângulo da Coeficiente de

Densidade de nós Desvio da exatidão
linear regressão determinação
#90 1.0946 47.58593524 2.585935237 0.478
#100 0.9267 42.82127151 -2.178728491 0.4693
#110 1.0309 45.87168398 0.871683978 0.421
#120 1.4403 55.22776023 10.22776023 0.5509

ANÁLISE VARIOGRAMA - VARIAÇÃO DA DENSIDADE DE NÓS (HORIZONTAL)

Densidade de nós Desvio da exatidão
#90 0.9216 42.66366613 -2.336333871 0.9089
#100 0.9267 42.82127151 -2.178728491 0.863
#110 0.8007 38.68425542 -6.31574458 0.9931
#120 0.8007 38.68425542 -6.31574458 0.9931
5.4.2) Análise da aderência do variograma - Variação do MG
Podemos notar pela variação da ampliação de multi-grid que ao aumentarmos seu valor ocorreu
uma maior aderência da continuidade espacial em maior escala, representado pelos trechos horizontais.
Em compensação a estrutura verticalizada ficou prejudicada, mostrando maiores sinuosidades na potência
dos canais
Os valores das regressões das diferenças dos variogramas com a TI para a variação do multi-grid
estão reproduzidos abaixo, enquanto em seguida podemos notar uma tabela resumindo os valores obtidos
pelas comparações.
ANÁLISE VARIOGRAMA - VARIAÇÃO DA DENSIDADE DO MULTI GRID (VERTICAL)

MULTI GRID Desvio da exatidão
MG1 1.222 50.70548702 5.705487017 0.8804
MG2 1.2228 50.72386385 5.723863847 0.8735
MG3 1.1968 50.1191685 5.119168502 0.7547
MG4 1.5408 57.01588485 12.01588485 0.7398

MG5 1.4378 55.18111555 10.18111555 0.9442
ANÁLISE VARIOGRAMA - VARIAÇÃO DO MULTI GRID (HORIZONTAL)

MULTI GRID Desvio da exatidão
MG1 0.8055 38.85144387 -6.148556127 0.6491
MG2 0.8735 41.13721291 -3.862787094 0.9387
MG3 0.8294 39.6723122 -5.327687798 0.9531
MG4 1.1753 49.60731486 4.607314858 0.8977
MG5 1.0904 47.47623098 2.476230978 0.9442
5.4.2) Análise da aderência do variograma - Variação do SS
O aumento do servo-system ocasionou problemas na forma como se desenvolveu a continuidade

espacial horizontal do problema. Ao desconsiderar os padrões utilizando uma árvore de procura que
priorizava a continuidade horizontal, pouco se pode observar numa boa continuidade dos canais na direção
vertical.
Os valores das regressões das diferenças dos variogramas com a TI para a variação do servo-
system estão reproduzidos abaixo, enquanto em seguida podemos notar uma tabela resumindo os valores
obtidos pelas comparações.
ANÁLISE VARIOGRAMA - VARIAÇÃO DO SERVO SYSTEM (VERTICAL)
SERVO Coeficiente Ângulo da Coeficiente de

Desvio da exatidão
SYSTEM linear regressão determinação
SS 0.00 1.1968 50.1191685 5.119168502 0.7547
SS 0.25 1.0929 47.54158641 2.541586413 0.6884
SS 0.50 1.4351 55.13061636 10.13061636 0.8302
SS 0.75 1.1094 47.96887615 2.968876146 0.5894
SS 1.00 1.1385 48.70558718 3.705587177 0.8554
ANÁLISE VARIOGRAMA - VARIAÇÃO DO SERVO SYSTEM (HORIZONTAL)
SERVO Coeficiente Ângulo da Coeficiente de

Desvio da exatidão
SYSTEM linear regressão determinação
SS 0.00 0.8294 39.6723122 -5.327687798 0.951
SS 0.25 0.9055 42.16084032 -2.839159678 0.9333
SS 0.50 0.9781 44.36569116 -0.634308836 0.8999
SS 0.75 0.848 40.29794458 -4.702055423 0.898
SS 1.00 0.8648 40.85325005 -4.146749954 0.739
5.4.2) Análise da aderência do variograma - Variação do ST
Os valores das regressões das diferenças dos variogramas com a TI para a variação do search
template estão reproduzidos abaixo, enquanto em seguida podemos notar uma tabela resumindo os
valores obtidos pelas comparações.
ANÁLISE VARIOGRAMA - VARIAÇÃO DO SEARCH TEMPLATE (VERTICAL)
SEARCH Coeficiente Ângulo da Coeficiente de

Desvio da exatidão
TEMPLATE linear regressão determinação
ST 100;100 1.265 51.67314168 6.673141681 0.7631
ST 100;150 1.0231 45.6541817 0.654181698 0.8196
ST 250;50 1.1968 50.1191685 5.119168502 0.7547
ST 250;100 1.1959 50.09795878 5.097958782 0.7449
ST 250;200 1.1959 50.09795878 5.097958782 0.7449
ST 250;250 1.1836 49.80620074 4.806200738 0.7589
ANÁLISE VARIOGRAMA - VARIAÇÃO DO SEARCH TEMPLATE (HORIZONTAL)
SEARCH Coeficiente Ângulo da Coeficiente de

Desvio da exatidão
TEMPLATE linear regressão determinação
ST 100;100 0.9519 43.58836552 -1.411634481 0.964
ST 100;150 0.9256 42.78734594 -2.212654062 0.8952

ST 250;50 0.8294 39.6723122 -5.327687798 0.9531
ST 250;100 1.0124 45.35304049 0.353040486 0.8336
ST 250;200 0.9771 44.33639438 -0.663605625 0.9489
ST 250;250 1.0124 45.35304049 0.353040486 0.8336
5.4.2) Análise da aderência do variograma - Variação do Tau Value
Os valores das regressões das diferenças dos variogramas com a TI para a variação do Tau value
estão reproduzidos abaixo, enquanto em seguida podemos notar uma tabela resumindo os valores obtidos
pelas comparações.
ANÁLISE VARIOGRAMA - VARIAÇÃO DO TAU VALUE (VERTICAL)

TAU VALUE Desvio da exatidão
TV 1_1 1.1968 50.1191685 5.119168502 0.7547
TV 1_2 1.2898 52.21307742 7.213077419 0.7504
TV 1_3 1.5085 56.45919706 11.45919706 0.6331
TV 2_1 1.0028 45.0801019 0.080101896 0.4272
ANÁLISE VARIOGRAMA - VARIAÇÃO DO TAU VALUE (HORIZONTAL)

TAU VALUE Desvio da exatidão
TV 1_1 0.8294 39.6723122 -5.327687798 0.9531
TV 1_2 0.9553 43.69039262 -1.309607384 0.9465
TV 1_3 0.9278 42.85515989 -2.144840109 0.9662
TV 2_1 0.9173 42.53015926 -2.469840745 0.8882

5.4.2) Proposta para avaliação do efeito na continuidade espacial
Para efeito de comparação da variável que melhor se adapta à continuidade espacial dos dados
podemos utilizar o índice que conjuga vetorialmente o coeficiente linear e o coeficiente de determinação
do modelo. Desta forma teremos que:
𝐼𝑄 = √(1 − 𝐶𝐿)2 + (1 − 𝐶𝐷)2 |𝐶𝐿 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑙𝑖𝑛𝑒𝑎𝑟 𝐸 𝐶𝐷 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎çã𝑜
Podemos verificar então que as variáveis que tem maior influência na continuidade espacial quanto
menor for o IQ. Para a melhoria da continuidade horizontal, as variáveis que mais afetaram foram a
geometria do Search Template e a utilização do Multi Grid, mas como efeito da qualidade total a segunda
variável que mais afetou foi o Servo System.
VERTICAL HORIZONTAL IQ
IQ TOTAL
MÉDIA CL MÉDIA CD MÉDIA CL MÉDIA CD VERTICAL HORIZONTAL
TAU VALE 1.249475 0.64135 0.90745 0.9385 0.436884 0.111120441 0.450794133
DENSIDADE DE NÓS 1.123125 0.4798 0.862425 0.939525 0.534573 0.150280093 0.555294437
MULTI GRID 1.32404 0.83852 0.95482 0.87656 0.362047 0.13144834 0.385170583
SERVO SYSTEM 1.19454 0.74362 0.88516 0.88424 0.321833 0.163060121 0.360784034
SEARCH TEMPLATE 1.1767167 0.76435 0.951466667 0.9047333 0.29455 0.106916894 0.313354312

5.5) Análise visual das simulações
Para a análise visual das simulações foi atribuído um índice de qualidade empírico, variando de 1
a 5 como forma de avaliação da similaridade com a TI.
5.5.1) Análise visual do ST-4

5.5.2) Análise visual do TV- 3
5.5.3) Análise visual do MG -4
5.5.4) Análise visual da #nós-1

5.5.5) Análise visual do Servo System-3
5.6) Conclusões sobre os efeitos das variáveis e efeito da variável que mais
altera a simulação
Para definir as variáveis que mais afetam na Training Image foram colocados os desvios
relacionados à análise variográfica e de proporções. Foi demonstrado que a densidade de nós e da variação
dos valores tau tem maior chance de produzir erraticidades na simulação, enquanto as variáveis da dimensão
do search template, do multi-grid e do servo system tem maiores capacidades de assimilar as formas da
training image.
DESVIOS DA ANÁLISE DESVIOS NA ANÁLISE DESVIO

VARIOGRÁFICA DE PROPORÇÕES TOTAL
# de nós 0.000181875 0.555294437 0.5554763119
DESVIOS DA
TRAINING
tau values 0.000651247 0.450794133 0.4514453801

IMAGE
multi-grid 0.001174822 0.385170583 0.3863454046

servosystem 0.000297059 0.360784034 0.3610810929
dimensão do search template 0.000569892 0.313354312 0.3139242040
5) SNESIM : INCORPORANDO INFORMAÇÃO SECUNDÁRIA
6.1) Análise dos dados principais

Para a realização do exercício proposto foi utilizado o banco de dados FAN, que constitui em
uma série de canais horizontalizados correspondendo à um ambiente de rio. O mapa da TI tal como as
proporções em um histograma estão demonstrados abaixo:
O variogama da TI está demonstrado abaixo nas direções horizontal de vertical, sendo o horizontal o de
maior continuidade espacial.
6.2) Criação do mapa de probabilidade
Para a criação do mapa de probabilidade foi utilizado um

modelo de médias móveis da imagem de treinamento de forma a
suavizar os dados para as duas categorias existentes, a categoria 0
esverdeada e a categoria 1 amarelada.
Foi utilizado um raio de busca do mapa de probabilidade

.compatível com o range do variograma.
Figura 1- Mapa de probabilidade da categoria 0 e 1
6.3) Simulação SNESIM - mudança do tau

Os dados utilizados para a simulação estão descritos abaixo:
A simulação pela variação dos valores de Tau está escrita abaixo:

PROPORÇÃO DAS CATEGORIAS TAU 1:1
SIMULAÇÕES simulação 1 simulação 2 simulação 3 simulação 4 simulação 5
categoria 0 0.649328 0.667776 0.686912 0.697072 0.690272
categoria 1 0.350672 0.332224 0.313088 0.302928 0.309728
PROPORÇÃO DAS CATEGORIAS TAU 1:2

categoria 0 0.6912 0.668992 0.670736 0.692704 0.683104
categoria 1 0.3088 0.331008 0.329264 0.307296 0.316896
PROPORÇÃO DAS CATEGORIAS 2:1

categoria 0 0.667696 0.645376 0.658256 0.66448 0.656576
categoria 1 0.332304 0.354624 0.341744 0.33552 0.343424
categoria 0 0.723312
PROPORÇÃO DA TI
categoria 1 0.276688
Pode-se notar que o maior desvio das proporções é quando se incorpora maior peso à distribuição
marginal e não aos mapas de probabilidade como demonstrado no gráfico abaixo:
6.4) Simulação SNESIM - rotação
Os algoritmos de simulação de múltiplos pontos permitem a alocação espacial das figuras

simuladas, de forma a garantir a estruturação espacial desejada pelo planejador. Os dados abaixo foram
utilizados para fazer a simulação rotacionando a TI e a redimensionando segundo regiões definidas. Os
dados utilizados como input da simulação estão descritos abaixo:
Foi utilizado a figura que define a região de

rotação como a descrita abaixo. Para cada
uma dessas direções foi incorporado os
valores de rotação de 45, 0 e 90 graus.
Além disso, foi utilizado um scale menor
na categoria verde e maior nas categorias
amarelo e roxo. Os resultados das
simulações estão demonstrados abaixo
6) SNESIM : SIMULAÇÃO DE CONTATOS
O exercício seguinte simula os contatos de um depósito de ouro como demonstrado abaixo. O objetivo
é variar a zona de influência de forma a verificar as variações nas proporções dos dados e realizar a análise
posterior das simulações.
O modelo de blocos utilizado como TI está demonstrado abaixo:

Foram feitas três simulações considerando as zonas de incerteza igual a 2, 3 e 5 blocos. Cada bloco
do modelo geológico tem dimensões de 5x2x5, o que fez com que as dimensões de incerteza tivesses
10x4x10, 15x6x15 e 25x10x25. As observações estão descritas abaixo:
Figura 2 -Zona de incerteza 10x4x10

Figura 3- Zona de incerteza 15x6x15
Figura 4 - Zona de incerteza 25x10x25
A mudança de proporção alterada pelos contatos está relacionada abaixo:
zona de incerteza Categoria 0 Categoria 1

TI 63% 37%
simulação 1 1 bloco 67% 33%
simulação 2 3 blocos 76% 24%
simulação 3 5 blocos 78% 22%
Podemos observar que ocorre um incremento na proporção da categoria 0 de acordo com o aumento
da zona de incerteza. Tal fato pode ser correlacionado com a geometria estratiforme do corpo, que permite
uma grande superfície relativa do depósito, ao qual as mudanças nos contatos altera significativamente o
teor do mesmo.
O gráfico dos tipos esperados de acordo com a simulação demonstra que apenas uma pequena parte
em vermelho no canto superior do depósito representa certeza maior da categoria 1, enquanto grande parte
do depósito representa maior probabilidade da categoria 0. As zonas de incerteza representam apenas uma
região central do depósito que deve ser melhor estudada.
Bibliografia
nicolas remy alexandre boucher, jianbing wu Applied Geostatistics with SGems [Livro]. - [s.l.] :
combridge university press, 2009.
Pastini Hélder Abel Geoestatística de múltiplos pontos como ferramenta para a modelagem geológica de
depósitos minerais [Livro]. - Porto Alegre : [s.n.], 2012.

Avaliação MPS (2014)

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Avaliação MPS (2014)

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE MINAS

DAVID ALVARENGA DRUMOND

PRÁTICAS AVANÇADAS DE SIMULAÇÃO GEOESTATÍSTICA

PRÁTICAS AVANÇADAS DE SIMULAÇÃO GEOESTATÍSTICA

Trabalho de avaliação da disciplina – Práticas

ORIENTADOR: JOÃO FELIPE COIMBRA LEITE COSTA

2) Introdução à simulação de múltiplos pontos ......................................................................................... 5

3.1 - Exemplo inicial ................................................................................................................................. 5

3.2 – Diferenças entre a simulação convencional e a simulação de múltiplos pontos ............................ 10

3.3 – Princípios do modelo ..................................................................................................................... 13

3.3.1 - Características da TI ................................................................................................................ 13

3.3.2 - Características da Search Pattern ............................................................................................. 13

3.3.4 - Características da Search Tree ................................................................................................. 15

3) Estudo comparativo do SIS e do SINESIM ........................................................................................ 17

4.1) Análise primária dos dados ............................................................................................................. 17

4.2) Simulação de múltiplos pontos ........................................................................................................ 19

4.3) Simulação de indicadores ................................................................................................................ 25

4.4) Comparação entre os dois métodos de simulação SINESIM e SI .................................................. 28

4.4.1) Qualidade visual dos dados ..................................................................................................... 28

4.4.2) Qualidade da continuidade espacial dos dados ......................................................................... 28

4.4.3) Variogramas simulados por SINESIM X TI............................................................................. 29

4.4.4) Comparação qualitativa ............................................................................................................ 31

4) SINESIM: Análise de parâmetros ....................................................................................................... 32

5.1) Análise primordial dos dados .......................................................................................................... 32

5.2) Análise da variação de parâmetros .................................................................................................. 35

5.3) Análise da variação das proporções segundo a variação de parâmetros .......................................... 35

5.4 ) Análise da continuidade espacial dos dados ................................................................................... 51

5.5) Análise visual das simulações ......................................................................................................... 63

5.5.1) Análise visual do ST-4.............................................................................................................. 63

5.5.2) Análise visual do TV- 3 ............................................................................................................ 64

5.5.4) Análise visual da #nós-1 ........................................................................................................... 64

5.5.5) Análise visual do Servo System-3 ............................................................................................ 65

5) SNESIM : INCORPORANDO INFORMAÇÃO SECUNDÁRIA ..................................................... 66

6.1) Análise dos dados principais ........................................................................................................... 66

6.2) Criação do mapa de probabilidade .................................................................................................. 67

6.3) Simulação SNESIM - mudança do tau ........................................................................................... 68

6.4) Simulação SNESIM - rotação......................................................................................................... 70

6) SNESIM : SIMULAÇÃO DE CONTATOS....................................................................................... 71

ST = search tree = árvore de procura dos valores de padrão para a simulação

2) Introdução à simulação de múltiplos pontos

3.1 - Exemplo inicial

Como forma de explanar os conceitos de simulação de múltiplos pontos, utilizou-se de um exemplo

3.2 – Diferenças entre a simulação convencional e a simulação de múltiplos

1. O agrupamento de amostras pode levar à criação artificial de interpretações das populações.

A simulação de múltiplos pontos é fortemente ligada aos dados condicionantes e ao padrão de

Referente aos modelos de simulação geoestatística convencionais, baseados na estruturação

Portanto podemos realizar as seguintes operações matemáticas:

𝑅𝑒𝑠 = 𝐸(𝑅 ∗ (𝑥) 𝑅∗ (𝑥) ) − 2𝐸(𝑅(𝑥) 𝑅∗ (𝑥) ) + 𝐸(𝑅(𝑥) 𝑅(𝑥) )

𝑅𝑒𝑠 = 𝐶𝑜𝑣(𝑅 ∗ (𝑥) , 𝑅 ∗ (𝑥) ) − 2𝐶𝑜𝑣(𝑅(𝑥) , 𝑅 ∗ (𝑥) ) + 𝐶𝑜𝑣(𝑅(𝑥) , 𝑅(𝑥) )

Logo se o modelo está sob a hipótese de estacionaridade, as alternâncias da variável aleatória em

Embora o conceito de continuidade espacial não esteja intimamente ligado ao processo de

Enquanto a simulação geoestatística provém da utilização do variograma como um objeto de

Segundo (REMY, 2009), a definição de algoritmos baseados em estatística bipontual é uma

Segundo (Pastini, 2012):

É claro, portanto, que a metodologia de MPS pretende caracterizar as propriedades de forma e

Figure 1-*Simulação de estruturas diferentes com variogramas semelhantes

3.3.2 - Características da Search Pattern

O princípio da simulação de múltiplos pontos é sempre a comparação, de padrões obtidos pela

A dificuldade mais encontrada durante um processo de simulação em múltiplos pontos é definir a

Figure 3-*Efeito da geometria dos padrões na simulação

3.3.4 - Características da Search Tree

Define-se durante o processo de simulação probabilidades que são relacionadas às condições do

Se os eventos de simulação do ponto e da variável secundária utilizada são independentes, então: