Escolar Documentos
Profissional Documentos
Cultura Documentos
ESCOLA DE ENGENHARIA
Simulação Geoestatística
PORTO ALEGRE
2017
ÍNDIDE DE ILUSTRAÇÕES
1. INTRODUÇÃO ..................................................................................................... 1
1.1 - Objetivos.......................................................................................................... 1
Random Walk....................................................................................................... 9
T3 - SGS ................................................................................................................ 20
Simulação .......................................................................................................... 22
Validação ........................................................................................................... 23
Simulação .......................................................................................................... 27
Validação ........................................................................................................... 29
T5 - SISIM de variáveis categóricas ...................................................................... 32
Simulação .......................................................................................................... 33
Validação ........................................................................................................... 35
Simulação .......................................................................................................... 38
Validação ........................................................................................................... 40
T7 – GTSIM ........................................................................................................... 42
Simulação .......................................................................................................... 43
Validação ........................................................................................................... 45
4. CONCLUSÃO .................................................................................................... 48
ANEXOS ................................................................................................................... 51
Anexo 1.................................................................................................................. 51
Anexo 2.................................................................................................................. 52
Anexo 3.................................................................................................................. 53
1
1. INTRODUÇÃO
Fenômenos espaciais muitas vezes apresentam situações em que há o
interesse na avaliação da incerteza de um conjunto de pontos em simultâneo. Essa
incerteza espacial resultante de um conjunto de variáveis pode ser avaliada por
modelos geoestatísticos de simulação.
1.1 - OBJETIVOS
Os objetivos desse trabalho são estudar os métodos de simulação
geoestatística, suas vantagens e desvantagens, e compara-los através da resolução
de sete estudos de caso propostos na disciplina. Os dados fornecidos para o exercício
serão analisados e utilizados da maneira mais adequada para cada método proposto.
A coleta de 470 amostras foi dividida em três etapas (Figura 1-1), na primeira
foram obtidas 195 amostras locadas em um grid regular de 20 x 20 m2, onde foram
analisados apenas os teores de V, na segunda etapa foram amostradas 150 amostras
próximas aos locais onde foi encontrado alto teor de V em um grid 10 x 10 m2 com o
objetivo de cobrir locais com alta concentração de V, e na terceira etapa foram
adicionadas amostras 5 m a leste e 5 m a oeste das amostras que apresentaram altos
teores de V nas campanhas anteriores. A terceira etapa teve como objetivo delinear
as anomalias e adicionou 125 amostras ao banco de dados em linhas leste-oeste
(ISAAKS; SRIVASTAVA, 1989). As amostras de V foram obtidas em todas as etapas,
mas as amostras de U foram coletadas apenas na segunda e terceira etapa da
amostragem.
1.2.2 - Jura
O banco de dados Jura foi coletado pelo Swiss Federal Institute of Tecnology
em Luisiana, reunindo um total de 359 locais de coleta nos quais foram medidos as
3
2. REVISÃO BIBLIOGRÁFICA
Simulações condicionais são usadas de modo qualitativo para obter imagens da
variabilidade espacial, permitindo avaliar o impacto da incerteza espacial nos
resultados de procedimentos complexos tais como modelamento numérico de um
sistema dinâmico ou a optimização econômica de um deposito mineral (CHILES;
DELFINER, 1989). Estes métodos pertencem a família dos métodos de Monte Carlo
onde o objetivo não é reproduzir os mecanismos genéticos que formaram o fenômeno,
mas imitar as variações espaciais do modo mais realista o possível.
()
( ) = ( ), ∀ (2-1)
Uma vez que um número foi gerado a partir de uma fórmula matemática, o próximo
número gerado será definido a partir da mesma formula, tornando os geradores
aritméticos pseudo-randômicos. Desta forma, o conceito básico da não previsibilidade
que caracteriza um número aleatório não é respeitado.
=( + )( ) (2-2)
Para que a não negatividade seja garantida os valores não inteiros de m,a,c e
Z0 devem satisfazer 0 < , < , < < (LAW; KELTON, 1991).
() ()
= = 1, … , (2-4)
( )( )≤ = [ ( )] = ( ) (2-5)
( )
As demais realizações { , = 1, … , }, l’≠l, são obtidas ao repetir a
segunda e o terceira etapas com um caminho randômico diferente.
1 ( )≤
( ; )= = 1, … , (2-6)
0 á
( )
As demais realizações { , = 1, … , }, l’≠l, são obtidas ao repetir as
etapas com um caminho randômico diferente.
(ℎ ) = (ℎ )+ , = 1, … , (2-7)
no qual U é a função randômica dada por u número real +f ou –f cada um tendo 50%
de probabilidade de ocorrência e hi é uma variável distancia que começa em h0=0
(CAIXETA et al., 2017). Essa última pode ser definida como:
ℎ =ℎ + ℎ = 1, … , (2-8)
{∑ (ℎ )} = 0 (2-9)
{∑ (ℎ )} = . (2-10)
( )= ∗
+ ( ) (2-11)
{ ∗( ), ( )} = { ∗( ). ( )}
{ ∗( ), ( )} = { . + ( ) . ( )}
{ ∗( ), ( )} = . . ( ) + { ( ). ( )}
{ ∗( ), ( )} = . . ( )
{ ∗( ), ( )} = . ( − )
{ ∗( ), ( )} = ( − ) (2-12)
( ) = [∑ . ( )] + [ +∑ . (ℎ )] (2-13)
Figura 2-1: Calibração de f para atingir o fator de escala ideal para o MRWS obter a variância total.
Figura 2-2: Distribuição normal com três categorias litológicas. Os dois limiares e separam os
três valores contínuos para cada categoria. A proporção de cada categoria é a área abaixo da
distribuição normal.
( )= ( ) , = 1, … 1, − 1, Ɐu ϵ A (2-15)
probabilidades acumulativas para o local u. Dada uma variável, esse limiares podem
ser utilizados para assinalar categorias:
= ( )< ( )≤ ( ) (2-16)
3. ESTUDOS DE CASO
Nos estudos de caso apresentados a seguir foram aplicados os métodos de
simulação: Simulação Sequencial Gaussiana, Simulação Sequencial dos Indicadores
Contínuos e Categóricos, Random Walk Simulation e Simulação Gaussiana Truncada.
Além disso, foram realizados dois estudos práticos sobre a geração de números
randômicos e a comparação entre estimativas por Krigagem Ordinária e a Simulação
Sequencial Gaussiana.
Para isso foram utilizados de dois bancos de dados modificados para possibilitar a
aplicação dos métodos: o banco de dados Walker Lake e o banco de dados Jura.
T1 – ESTIMATIVA VS SIMULAÇÃO
A Figura 3-1 apresenta a estimativa dos dados de cobre por Krigagem Ordinária
e uma simulação obtida pelo método da Simulação Sequencial Gaussiana. Ao
compararmos as duas imagens podemos contrastar a diferença entre eles, a
estimativa busca encontrar um valor para um local não amostrado enquanto a
simulação pretende apresentar uma imagem possível da realidade.
Figura 3-1: Estimativa versus simulação. A) Krigagem Ordinária. B) Simulação Sequencial Gaussiana.
A Figura 3-3 apresenta os dados exaustivos para a variável cobre o que pode
ser considerado uma imagem da realidade, neste caso, para o depósito de cobre. Ao
compararmos os dados exaustivos com a simulação e a estimativa, temos que a
simulação reproduz melhor as características do depósito de maneira global.
Parâmetros V1 V2 V3 V4 V5 V6 V7 V8
a 5,0 69069,0 1310 75,0 5,0 69069,0 1310 75,0
c 3,0 1,0 0,0 0,0 3,0 1,0 0,0 0,0
m 16,0 232,0 259,0 2 +1 16,0 232,0 259,0 216+1
16
Figura 3-4: Gráficos das distribuições de frequência das sequências de 32 números randômicos. A)
Histograma A da variação V1. B) Histograma B da variação V2. C) Histograma C da variação V3. D)
Histograma D da variação V4.
Figura 3-5: Gráficos das distribuições de frequência das sequências de 1000 números randômicos. A)
Histograma A da variação V5. B) Histograma B da variação V6. C) Histograma C da variação V7. D)
Histograma D da variação V8.
20
T3 - SGS
O método da Simulação Sequêncial Gaussiana foi aplicado utilizando o banco
de dados Walker Lake modificado no qual a variável de interesse a ser simulada é o
teor de cobre em porcentagem.
Figura 3-6: Banco de dados Walker Lake modificado. A) Localização das amostras. B) Histograma Cu.
Figura 3-8: Variogramas das direções de maior e menor continuidade. A) Maior continuidade 157,5º. B)
Menor continuidade 67,5º.
. /º º . º/ º
(ℎ) = 3,0 + 5,99 ∗ ℎ ; (3-1)
A Tabela 3-2 apresenta os valores obtidos para o efeito pepita (nugget effect)
e contribuições (sill) para os variogramas dos dados originais, dos dados
desagrupados e do n-score.
22
Simulação
A simulação foi realizada através do método da Simulação Sequencial
Gaussiana e do modelo de continuidade espacial obtido na etapa anterior. O método
foi aplicado através do software AR2GeMS para 50 realizações, das quais quatro
foram selecionadas para ilustrar os resultados na Figura 3-9.
Figura 3-9: Amostras das 50 realizações obtidas por SGS. A) Realização 6. B) Realização 10. B)
Realização 28. B) Realização 42.
Parâmetros da Simulação
Azimute 157,5 Max. Hard Data 30 Target His. NN_Cu
Dip 0,0 Max. Priv. Sim. 12 Lower tail No extrap.
Rake 0,0 Min. Octante 1 Upper tail No extrap.
Realizações 50 Max. Octante 4 Sim. seed 717161
Número de células 260x300 Alcance Máx. 65 Sim. Path multi-grid
Tamanho das células 1x1 Alcance Mín. 28 Seed for Path 1117111
Validação
A validação das simulações verifica se o método foi aplicado de maneira correta
e se os parâmetros foram selecionados de foram satisfatória. Vale ressaltar que o
principal objetivo da validação é a reprodução do histograma dos dados desagrupados
e a reprodução dos variogramas.
Figura 3-11: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações a
157,5º. B) Realizações a 67,5º.
Figura 3-12: Validações. A) Validação do histograma dos dados desagrupados versus simulações
realizadas. B).Accuracy Plot.
variância da simulação que por sua vez é menor que a variância dos dados
desagrupados. A variância do E-type é menor devido a mudança de suporte e a
suavização. A simulação em suporte bloco apresenta variância menor que a
simulação em suporte ponto devido a mudança do suporte.
Tabela 3-4: Comparação entre E-type, Realização 42 e dados desagrupados em suporte bloco.
Figura 3-13: Banco de dados Walker Lake modificado. A) Localização das amostras. B) Histograma
Cu.
Para o estudo de caso foi gerado um grid com 260 células em X e 300 em Y,
tendo cada célula 5x5m2. Este grid inicial sofreu uma transformação para o suporte
bloco para validação da simulação.
Simulação
A simulação foi realizada através do método da Simulação Sequencial
Contínua de Indicadores e do modelo de continuidade espacial obtido na etapa
anterior. O método foi aplicado através do software GSLib para 20 realizações, das
quais quatro foram selecionadas para ilustrar os resultados na Erro! Fonte de
referência não encontrada..
Figura 3-14: Amostras das 20 realizações obtidas com o Sisim. A) Realização 1. B) Realização 2. B)
Realização 3. B) Realização 4.
Parâmetros da Simulação
Azimute 157,5 Lower tail 1 1.0 Valor min. 0,0
Dip 0,0 Midle tail 1 1.0 Valor max. 15,281
Rake 0,0 Upper tail 4 3.0 Alcance Máx. 90
Realizações 20 Max. Data 30 Alcance Mín. 40
Número de células 260x300 Máx. P. Nodes 12 Multiplos Grid 3
Tamanho das células 1x1 Máx. Octante 4 Random seed 69069
Thresholds 0.025 0.313 1.003 1.742 2.249 3.126 3.885 4.877 6.014
Global cdf 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Validação
A validação das simulações verifica se o método foi aplicado de maneira correta
e se os parâmetros foram selecionados de forma satisfatória. Vale ressaltar que o
principal objetivo da validação é a reprodução do histograma dos dados desagrupados
e a reprodução dos variogramas.
Figura 3-15: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações a
157,5º. B) Realizações a 67,5º.
preto representa o histograma dos dados desagrupados. O histograma dos dados foi
reproduzido na simulação.
Figura 3-16: Validação do histograma dos dados desagrupados versus simulações realizadas.
A acurácia e precisão das simulações foi verificada a partir Accuracy Plot que
apresenta a validação cruzada em um gráfico em que a linha de 45º representa a
precisão da simulação, a região acima da reta representa a região de acurácia e a
região a baixo a região de não acurácia. A Figura 3-17 apresenta o Accuracy Plot que
comprova a boa precisão e acurácia das 20 realizações da simulação realizada.
Tabela 3-7: Comparação entre E-type, Simulação e dados desagrupados em suporte bloco.
Figura 3-18: A) Localização das amostras da variável Rock. B) Histograma das categorias na variável
Rock.
Figura 3-19: A) Variável Rock desagrupada. B) Histograma dos dados desagrupados da variável Rock.
Tabela 3-8: Resumo dos dados obtidos com a variografia dos indicadores.
Simulação
A Simulação Sequencial de Indicadores categóricos utilizou do modelo de
continuidade espacial obtido na etapa anterior. O método exige conversão dos
indicadores em dados categóricos, para isso utilizou-se do plugin Categorical Property
para a conversão no software AR2GeMS da variável Rock.
Parâmetros da Simulação
Azimute 0,0 Max. Data 30 Alcance Máx. 1500
Dip 0,0 Max. Octante 4 Alcance Mín. 1500
Rake 0,0 Número de células 50x60 Sim. seed 717161
Realizações 10 Tamanho das células 87,5x87,5 Sim. Path random
Médias desagrupadas 0,18 0,40 0,25 0,02 0,15 Seed for Path 1117111
Validação
A validação das simulações verifica se o método foi aplicado de maneira correta
e verificar se os parâmetros foram selecionados de fora satisfatória.
Figura 3-22: Validações dos histogramas das variáveis categóricas. A) Histograma por categorias. B)
Histogramas por propriedade.
Figura 3-23: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações da
categoria 1. B) Realizações da categoria 2. C) Realizações da categoria 3. D) Realizações da categoria
4. E) Realizações da categoria 5.
37
T6 – RANDOM WALK
O método de simulação Random Walk foi aplicado utilizando o banco de
dados Walker Lake o mesmo utilizado anteriormente no estudo de caso T3 e T4. O
banco de dados de cobre utilizou apresenta um total de 470 amostras com teores
variando de 0 a 15,28 % de cobre, média de 4,35%, mediana de 4,23%, coeficiente
de variação de 0,69 e variância de 8,99%2.
Figura 3-24: Variogramas das direções de maior e menor continuidade. A) Maior continuidade 157,5º.
B) Menor continuidade 67,5º.
A Tabela 3-10 apresenta os valores obtidos para o efeito pepita (nugget effect)
e contribuições (sill) para os variogramas dos dados originais, dos dados
desagrupados e do n-score.
Simulação
A simulação foi realizada através do método Random Walk a partir do modelo
de continuidade espacial obtido na etapa anterior. O método foi aplicado através do
software A2GeMS para 50 realizações, das quais quatro foram selecionadas para
ilustrar os resultados na Figura 3-26.
Figura 3-26: Amostras das 50 simulações realizadas por Random Walk. A) Realização 10. B)
Realização 20. B) Realização 30. B) Realização 40.
Parâmetros da Simulação
Azimute 157,5 Max. Hard Data 30 Ref. Dis. NN_Cu
Dip 0,0 Min. Octante 1 Lower tail No extrap.
Rake 0,0 Max. Octante 4 Upper tail No extrap.
Número de células 260x300 Alcance Máx. 72 Sim. seed 14071789
Tamanho das células 1x1 Alcance Mín. 30 Realizações 50
40
Validação
O principal objetivo da validação é a reprodução do histograma dos dados
desagrupados e a reprodução dos variogramas. A validação também verifica se o
método foi aplicado de maneira correta e verifica se os parâmetros foram selecionados
de foram satisfatória.
Figura 3-27: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações a
157,5º. B) Realizações a 67,5º.
Figura 3-28: Validações. A) Validação do histograma dos dados desagrupados versus simulações
realizadas. B).Accuracy Plot.
41
Tabela 3-12: Comparação entre E-type, Realização 30 e dados desagrupados em suporte bloco.
T7 – GTSIM
O método da Simulação Gaussiana Truncada foi aplicado utilizando o banco
de dados Jura, o mesmo utilizado anteriormente no estudo de caso T5, no qual
existem cinco indicadores categóricos (Anexo 1) e a variável Rock que abrange as
cinco categorias.
Para o estudo de caso foi gerado um grid com 250 células em X e 295 em Y,
tendo cada célula 17.5x17.5m2. Os dados da variável Rock e os dados de cada um
dos cinco indicadores categóricos foram desagrupados pelo método do vizinho mais
próximo, e utilizados na próxima etapa do estudo da continuidade espacial e na
validação. Os dados da variável Rock foram transformados por n-score através do
plugin Histogram transformation do AR2GeMS (Figura 3-29).
Assim como no exercício T5, o variograma dos dados desagrupados foi obtido
a partir de uma juste do variograma dos indicadores, na qual o sill é modificado para
o valor da variância dos dados desagrupados e as estruturas são ajustadas
proporcionalmente as estruturas dos dados originais. Os alcances permanecem os
mesmos.
Simulação
A simulação foi realizada através do método da Simulação Sequencial
Gaussiana e do modelo de continuidade espacial para o n-score obtido na etapa
anterior. A SGS para o n-score da variável Rock foi aplicada através do software
A2GeMS para 10 realizações, das quais quatro realizações ilustram os resultados na
Figura 3-30.Após a simulação as realizações obtidas foram truncadas com o uso do
plugin GTsim.
Parâmetros da Simulação
Azimute 0,0 Max. Hard Data 16 Sim. seed 717161
Dip 0,0 Max. Priv. Sim. 12 Sim. Path random
Rake 0,0 Min. Octante 1 Seed for Path 1117111
Realizações 10 Max. Octante 4 Número de células 250x295
Alcance Máx. 1500 Alcance Mín. 1500 Tamanho das células 17.5x17.5
Médias desagrupadas 0,18 0,40 0,25 0,02 0,15
Categorias 1 2 3 4 5
Validação
O objetivo da validação de uma simulação é a reprodução do histograma dos
dados desagrupados e a reprodução dos variogramas. Além disso, verifica se o
método foi aplicado de maneira correta e os parâmetros foram selecionados de fora
satisfatória.
46
Figura 3-33: Validação visual entre a realização 4 gerada por GTsim e as amostras da variável Rock.
Figura 3-34: Validações dos histogramas das variáveis categóricas. A) Histograma por categorias. B)
Histogramas por propriedade.
Figura 3-35: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações da
categoria 1. B) Realizações da categoria 2. C) Realizações da categoria 3. D) Realizações da categoria
4. E) Realizações da categoria 5.
48
4. CONCLUSÃO
Este trabalho abordou os principais assuntos desenvolvidos na disciplina
Simulação Geoestatística, ao aplicar cinco métodos de simulação a partir de dois
bancos de dados distintos. Os cinco métodos de simulações aplicados nos estudos
de caso foram a Simulação Sequencial Gaussiana, a Simulação Sequencial de
Indicadores contínuos, a Simulação Sequencial de Indicadores categóricos, a
Simulação Random Walk e a Simulação Gaussiana Truncada. Também foram
desenvolvidos estudos práticos sobre a geração de números randômicos e a
comparação prática entre simulação e estimativas.
A SGS pode ser aplicada por qualquer distribuição desde que seus parâmetros
possam ser determinados por krigagem simples. Ela apresenta como sua principal
vantagem a facilidade de aplicação do método, entretanto sua maior desvantagem
consiste em tentar caracterizar a variabilidade espacial com um único modelo de
covariância além da dificuldade em reproduzir valores extremos ao usar um modelo
gaussiano como base.
A Simulação Gaussiana Truncada foi realizada no banco de dados Jura para cinco
variáveis categóricas. Duas questões foram levantadas com a aplicação do método,
a primeira consiste na qualidade de uma transformação dos dados categóricos Rock
para uma distribuição n-score e o qual o impacto na simulação, a segunda consiste
na dificuldade do ajuste interativo do modelo n-score para que as simulações das
categorias reproduzam os variogramas dos indicadores.
50
REFERENCIAS BIBLIOGRÁFICAS
CAIXETA, R. M. et al. Multiple Random Walk Simulation: A Fast Method to Map Grade
Uncertainty with Large Datasets. Natural Resources Research, 2017. v. 26, n.
2, p. 213–221.
LAW, A. M.; KELTON, D. W. Simulation Modeling and Analysis. [S.l.]: [s.n.], 1991. V.
2.
ANEXOS
ANEXO 1
Mapa de localização e o histograma dose indicadores categóricos: A e B Ind_Cat_1;
C e D Ind_Cat_2; E e F Ind_Cat_3; G e H Ind_Cat_4; I e J Ind_Cat_5.
52
ANEXO 2
Variogramas omnidirecionais das variáveis categóricas utilizadas no estudo de
caso T5. A) Ind_Cat_1. B) Ind_Cat_2. C) Ind_Cat_3. D) Ind_Cat_4. E) Ind_Cat_5.
53
ANEXO 3
Variogramas omnidirecionais das variáveis categóricas utilizadas no estudo de
caso T7. A) Ind_Cat_1. B) Ind_Cat_2. C) Ind_Cat_3. D) Ind_Cat_4. E) Ind_Cat_5.