Anda di halaman 1dari 22

S-GEMS Tutorial Catatan

disajikan
oleh
indra Sulistyanto
Hydrogeophysics: Teori, Metode, dan Modeling
Boise State University, Boise, Idaho
Geoff Bohling
Asisten Scientist
Kansas Geological Survey
geoff@kgs.ku.edu
864-2093
Catatan-catatan ini, tutorial, dan data yang tersedia di:
http://people.ku.edu/ ~ gbohling / BoiseGeostat

Pengantar
Catatan ini memberikan pengenalan singkat analisis data geostatistik dengan perangkat lunak S-
permata, yang tersedia dari http://sgems.sourceforge.net/. Untuk Windows, Anda dapat men-
download installer dan otomatis. Download ini juga mencakup S-GEMS manual, sgems_manual.pdf,
yang berakhir di folder C: \ Program Files \ SGeMS \ src \ doc (jika Anda menginstal ke direktori
default di Windows).
Anda dapat membaca informasi latar belakang pada perangkat lunak pada halaman tersebut. Seperti
disebutkan di sana, S-Gems menyediakan (cukup) koleksi yang komprehensif estimasi geostatistik
dan algoritma simulasi dan juga menyediakan lingkungan visualisasi 3D yang bagus. Ini menyediakan
pilihan lebih terbatas pilihan untuk analisis data statistik standar dan pada dasarnya tidak ada fasilitas
untuk pengelolaan data (subsetting set data, dll). Jadi, Anda mungkin ingin menjalankan S-Gems
bersama-sama dengan beberapa analisis data lain & software manajemen, seperti Excel atau
(preferensi saya), R. R adalah paket data analisis open source yang dibangun pada bahasa S dan
tersedia dari http://www.r-project.org/.
Ada beberapa paket analisis data spasial & geostatistik yang tersedia bagi R. favorit saya adalah paket
gstat oleh Edzer Pebesma (www.gstat.org). Beberapa pilihan perangkat lunak lainnya tercatat di
http://people.ku.edu/ ~ gbohling / geostats /.
Perhatikan bahwa S-Gems tidak menangani layar real estat sangat baik. Anda sering harus gulir
sekitar dalam berbagai jendela dan panel untuk mengakses semua kontrol.

Memuat data
S-Gems dapat membaca data dari file dalam format sendiri dan juga dapat membaca file dalam
format GSLIB, yang cukup banyak format standar untuk data geostatistik. Kami akan mulai dengan
memuat data dari sebuah file bernama ZoneA.dat, file data GSLIB-format yang mengandung
porositas dan data permeabilitas dari 85 sumur di Zona A dari Big Bean Oil Field (fiktif, namun
berdasarkan karakteristik lapangan yang nyata, 20 x 16 km luasnya). Anda dapat membuka ZoneA.dat
dalam editor teks, seperti WordPad, untuk melihat apa yang ada di dalamnya. Garis header dan baris
pertama enam data terlihat seperti:
Zone A Data, Big Bean Field
8
X m meters east of origin
Y m meters north of origin
Thk m zone thickness in meters
Por % porosity in percent
Perm md permeability in millidarcies
LogPerm - base 10 log of permeability
LogPermPrd - LogPerm predicted by regression against Por
LogPermRsd - Residual from LogPerm-Por regression
12100 8300 37.1531 14.6515 2.8547 0.4556 0.1357 0.3198
5300 8700 31.4993 14.5093 -999.9999 -999.9999 -999.9999 -999.9999
3500 13900 36.9185 14.0639 -999.9999 -999.9999 -999.9999 -999.9999
5100 1900 24.0156 15.1084 1.1407 0.0572 0.2268 -0.1696
9900 13700 35.0411 13.919 -999.9999 -999.9999 -999.9999 -999.9999
2900 900 28.4249 13.1304 0.3897 -0.4093 -0.1674 -0.2419

The -999.9999 's mewakili nilai-nilai yang hilang (informasi permeabilitas hanya tersedia di 42 dari 85
sumur).
Pertama, jalankan S-permata. Setelah terbuka, saya sarankan memaksimalkan pada layar Anda, yang
mungkin memerlukan menyeret jendela S-permata ke kiri sehingga Anda dapat mencapai
memaksimalkan tombol di sudut kanan atas. (Seperti yang saya katakan, S-Gems tidak menangani
layar real estat sangat baik.)

Untuk memuat data Zona A, pilih Muat Obyek ... dari menu Objects. Gunakan kotak dialog yang
muncul Terbuka untuk menavigasi ke dan membuka ZoneA.dat berkas.
Anda kemudian akan disajikan dengan Impor dari kotak dialog GSLIB dengan preview file. Mengatur
jenis objek untuk menunjukkan set di Pilih Obyek Jenis dropdown box:
Then click Next> to get:
Seperti ditunjukkan di atas, menetapkan nama Pointset ke ZoneA (atau apa pun yang Anda suka),
periksa Gunakan No-Data-nilai, dan menetapkan ada-Data-Value -999,9999. Entri default mengenai
kolom koordinat benar - X dalam kolom 1, Y adalah dalam kolom 2, dan tidak ada Z (data 2D). Klik
Finish dan data akan dimuat.

Perhatikan bahwa jika Anda memiliki Perintah Panel ditampilkan (di bagian bawah jendela S-GEMS)
dengan S-GEMS Perintah tab Riwayat dipilih, Anda akan mendapatkan umpan balik tentang apa yang
S-permata lakukan. Jendela ini akan menampilkan S-GEMS perintah bahasa scripting yang terkait
dengan setiap tindakan yang Anda lakukan dan akan memberitahu Anda berapa lama yang
dibutuhkan untuk menyelesaikan setiap tindakan. Setelah loading file di atas, harus menunjukkan
sesuatu seperti:

Fitur ini sangat berguna, karena memungkinkan Anda mempelajari perintah-perintah yang terkait
dengan setiap tindakan, yang memungkinkan Anda untuk kemudian memasukkan perintah individu
menjadi Komando kotak teks Run atau mentransfer urutan perintah untuk script dan menjalankan
script (mungkin setelah mengedit) menggunakan Jalankan Perintah file ... tombol.

Melihat data
Di antara panel Algoritma di sebelah kiri dan jendela tampilan data yang di sebelah kanan, ada panel
yang berisi Objects, Preferensi, dan Info tab - sebenarnya ini adalah bagian dari panel Visualisasi.
Untuk melihat Zona A Data porositas, memperluas Objects dan kemudian ZoneA pada tab Obyek dan
centang kotak di samping untuk kedua ZoneA dan Por%:

Anda juga mungkin perlu untuk mengklik pada dunia bawah jendela visualisasi untuk mendapatkan
data untuk mendapatkan data untuk ditampilkan. Tampilan awal akan menjadi tampilan peta,
melihat lurus ke bawah pada data, yang sesuai untuk ini dataset 2D. Namun, Anda dapat memutar
data dalam ruang 3D, jika Anda peduli untuk, dengan mengklik pada jendela visualisasi dan
menggerakkan mouse di sekitar. Saya tidak akan menguraikan visualisasi kontrol di sini - mereka
cukup mudah untuk mencari tahu. Namun perlu dicatat bahwa menekan Shift + Ctrl memungkinkan
Anda untuk menggunakan mouse untuk memperbesar data dan menahan hanya Shift atau Ctrl
memungkinkan Anda untuk memutar data (tanpa berputar). Untuk mendapatkan skala warna, buka
tab Preferensi dan memeriksa Tampilkan colorbar dari, kemudian pilih ZoneA objek dan properti Por
%. Anda mungkin perlu menggulir untuk mencapai mereka kontrol.

Data Dasar Analisa / Tampilan


Data Menu Analisis berisi beberapa pilihan untuk memeriksa distribusi data. Misalnya, untuk
mendapatkan histogram porositas, pilih Histogram dari menu ini, kemudian pilih ZoneA di kotak
dropdown Obyek dan Por% di kotak dropdown Properti. Hasilnya akan terlihat seperti:

Catatan bahwa ini dan menampilkan lainnya (seperti variogram itu) muncul di jendela baru -
yang mungkin bisa disembunyikan di beberapa titik, dan perlu re-ditampilkan dengan
memilih pada task bar (atau Alt-Tab). Juga mencatat bahwa panel kontrol di sisi kiri mungkin
perlu melebar untuk memungkinkan akses ke semua kontrol.
Seperti disebutkan dalam catatan kuliah, metode geostatistik untuk variabel kontinyu yang
optimal ketika data terdistribusi secara normal, sehingga sangat baik untuk memeriksa
penyimpangan yang signifikan dari normalitas. Zona A Data porositas tidak sangat non-
normal, jadi kami akan terus menganalisis mereka tanpa transformasi. (Jadilah lebih berhati-
hati dalam pekerjaan nyata!)

Analisis variogram - Variabel Kontinyu


Untuk menghitung variogram untuk Zona A Data porositas, pilih variogram pada menu
Analisis Data. Pada variogram Modeler dialog, meninggalkan Pilih Tugas pada pengaturan
default (menghitung variogram dari awal), pilih ZoneA bawah Grid Nama (ini benar-benar
harus diberi label Object), kemudian pilih Por% baik sebagai kepala dan ekor sifat:
Kemudian klik
Kemudian klik next. . .

Pada kotak dialog selanjutnya, set parameter sebagai berikut untuk menghitung satu
variogram omnidirectional (dengan toleransi sudut 90 derajat dan bandwidth yang sangat
besar) dan empat variograms directional (pada 0, 45, 90 dan 135 derajat, masing-masing
dengan toleransi sudut 22,5 derajat dan bandwidth 5000 m), komputasi 15 tertinggal dengan
lag jarak nominal 1.000 m dan toleransi lag 500 m. Juga memeriksa Standarisasi oleh Cov
(kepala, ekor) untuk menghasilkan skala variogram dengan ambang sekitar 1. Ini memberi
kita satu parameter kurang untuk memperkirakan (sill) dan harapan pertandingan simulasi
Gaussian sekuensial akan kita lakukan nanti.
Pengaturan ini akan menghitung hasil lag keluar untuk sekitar 15 km, hampir sepenuhnya lapangan di
arah utara-selatan. Sesuai dengan aturan yang disarankan praktis, kita tidak akan membayar terlalu
banyak memperhatikan hasil lebih dari 10 km, sekitar setengah jarak pemisahan maksimum antara
sumur.

Setelah mengatur parameter perhitungan variogram di atas, klik Next>, dan kemudian ubin plot
variogram individu dengan memilih Tile dari menu Window di bawah variogram Modeling, Anda
akan melihat sesuatu seperti:
The Omnidirectional variogram adalah di kanan bawah, dan semua plot bersama-sama berada
di kiri atas, dengan empat variograms arah di antara. Catatan: Arah konvensi di S-Gems
adalah "Cartesian" (derajat berlawanan dari timur), tidak geografis (derajat searah jarum jam
dari utara) seperti kebanyakan software lain. Para variograms directional mungkin
menunjukkan beberapa tanda-tanda tren. Secara khusus, tingkat variogram 90 terlihat cukup
"trendi" sedangkan 0 derajat variogram terlihat cukup trend bebas. Namun demikian, kami
akan menggunakan model omnidirectional tunggal, eksponensial dengan (praktis) kisaran
5500 meter dan ambang 1. Sill telah diberlakukan oleh skala kami dengan Cov (kepala, ekor).
Tanpa skala ini, kita akan melihat variogram yang sama, tetapi dengan ambang sekitar 0,8 -
varians dari nilai porositas. Menu File menawarkan berbagai pilihan untuk menyimpan dan
memuat variograms.

Kriging Variabel Kontinu


Sebelum kita Krige porositas, kita perlu membuat kotak untuk memegang nilai-nilai kriged.
Jika Anda klik pada tab Info dan pilih ZoneA dalam Informasi, Anda akan melihat bahwa
dataset ZoneA memiliki kotak berlari lari dari (100, 100) untuk (19500,15700) dalam meter.
Kami akan membuat grid 100 x 80 grid yang berjalan dari X = 100-19900 meter dengan
penambahan sebesar 200 m dan dari Y = 100-15900 meter dengan penambahan sebesar 200
m. Mereka spesifikasi untuk pusat sel grid, sehingga grid akan span 0 sampai 20 km di X dan
0 hingga 16 km di Y, ujung ke ujung. Untuk melakukan ini, pilih New Grid Cartesian pada
menu Objects, mengisi kotak dialog yang muncul sebagai berikut. . .
dan klik Buat Grid.

ZoneAGrid kemudian akan ditambahkan ke daftar objek yang tersedia untuk visualisasi. Jika Anda
memeriksa entri pada tab Objects, kotak berlari grid akan ditambahkan ke layar:
(Saya menambahkan skala warna pada layar melalui tab Preferences dan menutup Algoritma dan
Perintah panel untuk memaksimalkan ruang layar.)
Untuk melakukan hal kriging, memperluas entri Estimasi pada panel Algoritma dan pilih kriging entri.
Bagian tengah dari panel Algoritma kemudian harus menampilkan dua tab, Umum dan Data dan
variogram, untuk menentukan parameter mengendalikan proses kriging.
Isi tab Umum dan data sebagai berikut:

Ini akan menggunakan kriging biasa untuk menambah properti baru, PorOK, untuk ZoneAGrid,
dikondisikan pada nilai-nilai porositas pada set point ZoneA dan menggunakan melingkar "pencarian
ellipsoid" dengan radius 10 km, membutuhkan minimal 2 poin data yang akan ditemukan dalam jarak
10 km dari masing-masing titik grid dan menggunakan tidak lebih dari 12 poin tetangga terdekat
dalam estimasi untuk setiap titik grid.

Isilah tab variogram dengan informasi tentang variogram porositas kami kembangkan di atas. Di sini
saya telah menggunakan "mentah" ambang 0,8, daripada ambang skala 1,0, karena kita kriging data
mentah (tapi ini benar-benar membuat tidak ada perbedaan, kecuali dalam mengubah besarnya
estimasi kriging varians pada setiap node grid) :
Jika Anda menyimpan model variogam ke file sebelumnya, Anda dapat reload informasi
bahwa di sini dengan menggunakan Load model yang ada ... tombol.
Setelah Anda telah mengisi semua parameter, klik tombol Run Algoritma bawah untuk
membuatnya pergi. . .

Kemudian, pada tab Objects untuk jendela visualisasi, periksa PorOK properti di bawah
ZoneAGrid (yang juga harus diperiksa) untuk menampilkan kriged porositas kotak:
Anda dapat beralih di layar PorOK off dan on, meninggalkan nilai-nilai data (Por% dalam objek
ZoneA) untuk melihat bahwa kriging telah direproduksi nilai data.
Jika Anda ingin, Anda dapat melihat pada peta varians kriging, PorOK_krig_var. Anda akan melihat
bahwa itu terlihat sangat mirip peta jarak ke sumur terdekat (titik kontrol).

Simulasi Gaussian berurutan Porositas


Selanjutnya kita akan menghasilkan lima realisasi porositas menggunakan simulasi Gaussian
berurutan. Untuk melakukan hal ini, memperluas Simulasi pada tab Algoritma dan mengatur tab
Umum sebagai berikut:
Apa yang tersembunyi ke kanan adalah kenyataan bahwa jumlah realisasi diatur ke 5. Anda dapat
meninggalkan nomor acak benih ("Benih") dengan nilai default. Simulasi Gaussian sekuensial benar-
benar akan menggunakan skor yang normal mengubah untuk mengubah nilai-nilai porositas pada
sumur menjadi satu set nilai-nilai yang sempurna mengikuti distribusi normal standar (mean nol,
satuan deviasi standar) dan kemudian akan menghasilkan grid nilai simulasi yang distribusinya
univariat juga normal standar. Oleh karena itu kami menggunakan Kriging Sederhana - mean spasial
konstan akan diasumsikan nol.

Mengatur Data tab kurang lebih sebagai berikut:


Kami telah memeriksa Gunakan Sasaran Histogram sehingga simulasi standar normal akan
backtransformed untuk mencocokkan histogram dari nilai-nilai porositas yang sebenarnya
setelah mereka dihasilkan. Backtransformation ini melibatkan ekstrapolasi di ekor dari
distribusi, yang pengguna harus menetapkan batas minimum dan maksimum yang
diperbolehkan untuk nilai backtransformed. Saya telah menggunakan 12% dan 17%, di luar
batas-batas data aktual.
Mengatur tab variograms untuk mewakili "Unit-ambang" versi variogram kami kembangkan
sebelumnya:

Apa algoritma SGS benar-benar ingin adalah variogram dari data ditransformasikan normal skor, yang
kita belum dihitung. Kami mengambil jalan pintas, dengan asumsi bahwa variogram dari data
ditransformasikan normal skor akan terlihat sangat mirip dengan variogram dari data mentah
ditingkatkan ke unit ambang. Ini adalah kasus untuk data ini, karena bentuk distribusi porositas
univariat sebenarnya cukup normal.

Klik pada Algoritma Run untuk membuatnya pergi dan perangkat lunak harus menghasilkan lima
realisasi equiprobable porositas, sebagai properti di ZoneAGrid:

Untuk menggambarkan simulasi indikator sekuensial facies, kita akan menggunakan data dari
Green Goblin Gas Field, lapangan gas Permian suatu tempat di AS pertengahan benua. Nilai-
nilai fasies telah dihasilkan dari sumur log geofisika menggunakan jaringan saraf dilatih pada
diamati log-fasies asosiasi dalam sumur buang biji. Header dan beberapa baris pertama dari
data yang terlihat seperti:

Facies data, Green Goblin Gas Field


11
WellNo
Depth
X ft
Y ft
Z ft
F05
Ind01
Ind02
Ind03
Ind04
Ind05
12 3031.5 65826.02 17091.19 -176.5 2 0 1 0 0 0
12 3029.75 65826.02 17091.19 -174.75 4 0 0 0 1 0
12 3027.75 65826.02 17091.19 -172.75 3 0 0 1 0 0
12 3025.75 65826.02 17091.19 -170.75 4 0 0 0 1 0
Sebagaimana ditunjukkan, koordinat, X, Y dan Z berada di kaki. X dan Y diukur dari asal sewenang-
wenang. Z adalah elevasi relatif terhadap permukaan laut. F05 adalah integer berjalan dari 1 sampai
5 yang mewakili masing-masing lima fasies yang berbeda. Ind01 - Ind05 adalah representasi indikator
fasies terjadinya. Itulah Ind01 adalah 1 jika F05 = 1 dan 0 sebaliknya. Indikator dapat dianggap
sebagai satu set probabilitas "keras", merupakan kepastian yang fasies terjadi pada setiap titik data.
(Sebenarnya kita benar-benar tidak yakin, dan representasi "lunak" atau probabilistik dari prediksi
jaringan saraf benar-benar akan lebih tepat.)

Fasies urutan (dan ini hanya sepotong itu) dikembangkan sebagai lautan digulung dalam dan laut
terguling ke sangat luas, lembut mencelupkan rak. Kode fasies mewakili:
1 - batupasir benua
2 - benua batulanau
3 - lumpur yang didukung kapur
4 - butir yang didukung kapur dolomit &
5 - pasir laut
Akhir kita akan membutuhkan proporsi masing-masing fasies dalam dataset. Ini adalah (dalam
desimal):
1: 0.008, 2: 0,437, 3:0.368, 4: 0.183, 5: 0.004
Untuk memulai, gunakan beban Obyek pada menu Objects untuk membaca di GreenGoblin.dat file,
menciptakan set point bernama GreenGoblin. Koordinat dalam kolom 3, 4, dan 5, dan Anda tidak
perlu menentukan ada-Data-Nilai karena tidak ada nilai-nilai yang hilang. Setelah file di-load Anda
dapat menggunakan tab Info untuk melihat bahwa ada 8553 titik data dan untuk mendapatkan
informasi tentang bounding box dari data.

Pada tab Objects, cek GreenGoblin dan F05 untuk menampilkan mereka di jendela visualisasi. Pada
tab preferensi, mengatur Z-scaling untuk 20 (maksimum yang diizinkan) dan menambahkan colorbar
dari F05 ke layar untuk mendapatkan rendition dari nilai-nilai fasies pada 74 sumur:
Kemudian
Kemudian gunakan Baru Grid Cartesian pada menu Objects untuk membuat 101 x 66 x 128 grid
dengan jarak dari 660 kaki di X dan Y arah dan 2 meter dalam arah Z, dengan asal koordinat 0, 0 di X
dan Y dan - 253,75 di Z. Anda dapat nama itu sesuatu seperti GreenGoblinGrid. Periksa entri grid
baru pada tab Object untuk menampilkan kotak yang berlari. Pastikan bahwa grid meliputi data.

Analisis variogram untuk variabel indikator


Untuk SIS, kita perlu menentukan variogram untuk variabel indikator yang mewakili masing-masing
kategori. Kami akan sangat singkat melalui pengembangan variogram indikator fasies 3 (fasies paling
banyak), diwakili oleh Ind03. Dari menu Analisis Data, pilih variogram, dan kemudian pilih Ind03 dari
GreenGoblin sebagai variabel untuk menganalisis. Pertama kita akan melihat variogram vertikal,
menyiapkan lag dan arah parameter sebagai berikut:
Juga memeriksa Standarisasi oleh Cov (kepala, ekor) untuk menghasilkan variogram unit
ambang. (Ini akan diseimbangkan oleh p * (1-p), di mana p adalah proporsi keseluruhan dari
facies. Ini adalah varians dari variabel yang terdistribusi Bernoulli.)

Kelambatan awal variogram vertikal dapat cukup cocok dengan struktur eksponensial dengan
kisaran 18 meter:
Pemodelan variogram horisontal akan sulit. . .
Saya telah melakukan sisa pemodelan variogram dalam R menggunakan gstat add-in dan hasilnya
dirumuskan dalam S-GEMS SIS parameter file GreenGoblinF05sis.par, yang dapat Anda baca dalam S-
permata.

Pilih sisim bawah Simulasi pada tab Algoritma dan kemudian klik beban untuk membuka file
parameter GreenGoblinF05sis.par. Ini harus mengisi Umum, Data, dan tab variogram dengan
pengaturan yang sesuai, yang dapat Anda jelajahi. Kemudian klik Algoritma Run dan menunggu
beberapa saat untuk mendapatkan sesuatu seperti