Escolar Documentos
Profissional Documentos
Cultura Documentos
ESCOLA DE ENGENHARIA
PORTO ALEGRE
2014
DAVID ALVARENGA DRUMOND
PORTO ALEGRE
2014
Sumário
Objetivo ........................................................................................................................................................ 5
1) Conceituações ....................................................................................................................................... 5
5.6) Conclusões sobre os efeitos das variáveis e efeito da variável que mais altera a simulação ........... 65
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
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.
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:
𝑍(𝑥) = 𝜇 + 𝑅(𝑥)
2
𝑅𝑒𝑠 = 𝐸(𝜇 + 𝑅 ∗ (𝑥) − 𝜇 − 𝑅(𝑥) )
2
𝑅𝑒𝑠 = 𝐸(𝑅 ∗ (𝑥) − 𝑅(𝑥) )
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.
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.
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.
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.
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
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
𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 ∩ 𝑑𝑛 )
𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 |𝑑𝑛 ) =
𝑃𝑟𝑜𝑏(𝑑𝑛 )
𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 )𝑃𝑟𝑜𝑏(𝑑𝑛 )
𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 |𝑑𝑛 ) = = 𝑃𝑟𝑜𝑏(𝑆(𝑢) = 𝑠𝑘 )
𝑃𝑟𝑜𝑏(𝑑𝑛 )
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.
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.
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
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:
Estatística CATEGORIA 0 CATEGORIA 1
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
Relação dos variogramas L/W Relação dos variogramas N/S
0.25 0.30
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
0.10 Linear (Relação dos Linear (Relação dos
variogramas na 0.10 variogramas na
direção leste e oeste) direção norte e sul)
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
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:
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
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
0.10 Linear (Relação dos Linear (Relação dos
variogramas na 0.10 variogramas na
direção leste e oeste) direção norte e sul)
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
Variograma TI Variograma TI
Figure 22 – Relação dos variogramas L/W Figure 23 – Relação dos variogramas N/S
4.4.3) Variogramas simulados por SINESIM X TI
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
0.10 Linear (Relação dos Linear (Relação dos
variogramas na 0.10 variogramas na
direção leste e oeste) direção norte e sul)
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 26 - Relação dos variogramas SINESIM (200p) L/W Figure 14 - Relação dos variogramas
SINESIM (200P) N/S
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.
variância 2% 2%
Desvios das simulações com 200 pontos condicionantes
média -3% 3%
variância 2% 2%
Considerando os aspectos considerados nas simulações e nas condições dadas, pode-se destacar um
gráfico qualitativo como descrito abaixo.
IS SINESIM
CATEGORIAS PROPORÇÕES
CATEGORIA 0 0.446978
CATEGORIA 1 0.201911
CATEGORIA 2 0.201422
CATEGORIA 3 0.149689
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
Para cada simulação alterando os valores de cada variável foram encontrados as proporções
segundo as tabelas abaixo:
PARÂMETRO 60
SIMULAÇÃO DA # DE NÓS
PARÂMETRO 90
SIMULAÇÃO DA # DE NÓS
PARÂMETRO 100
PARÂMETRO
PARÂMETRO 120
PARÂMETRO 200;50
PARÂMETRO 200;100
PARÂMETRO 200;200
PARÂMETRO 100;150
PARÂMETRO 100;100
SIMULAÇÃO DO MULTI-GRID
PARÂMETRO 1
SIMULAÇÃO DO MULTI-GRID
PARÂMETRO 2
SIMULAÇÃO DO MULTI-GRID
PARÂMETRO 3
SIMULAÇÃO DO MULTI-GRID
PARÂMETRO 4
SIMULAÇÃO DO MULTI-GRID
PARÂMETRO 5
SIMULAÇÃO DO SERVO-SYSTEM
PARÂMETRO 0
SIMULAÇÃO DO SERVO-SYSTEM
PARÂMETRO 0.25
SIMULAÇÃO DO SERVO-SYSTEM
PARÂMETRO 0.5
SIMULAÇÃO DO SERVO-SYSTEM
PARÂMETRO 0.75
SIMULAÇÃO DO SERVO-SYSTEM
PARÂMETRO 1
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 MULTI-GRID
SIMULAÇÃO
PARÂMETRO
CLASSE 0 CLASSE 1 CLASSE 2 CLASSE 3
MUDANÇA DE SERVOSYSTEM
SIMULAÇÃO
PARÂMETRO
CLASSE 0 CLASSE 1 CLASSE 2 CLASSE 3
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.
0.0008
0.0006
0.0004
0.0002
0
multi-grid tau values search servosystem # of nodes in st
template
dimension
Variáveis
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)
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)
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)
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)
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)
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:
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
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.
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
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.