INTRODUCTION

Kebanyakan lingkungan geologis, khususnya clastic environments, bercirikan deposisi elemen secara berturut-turut
sepanjang waktu. Unsur-unsur ini dikelompokkan ke dalam kelas, umumnya disebut "facies deposisi", berdasarkan lithologi
mereka, geometri, sifat fisik, dan struktur biologis. Reservoir heterogen, dan akibatnya kinerja aliran, dikendalikan oleh
distribusi spasial facies deposisi. Oleh karena itu, setiap kali fasies desimal dapat ditandai, itu harus dimodelkan terlebih
dahulu. Namun, praktik terbaik ini masih belum diterima secara luas oleh pemodelan Reservoir. Alasan utama adalah yakni
masih memiliki beberapa keterbatasan:

● • Dalam teknik variogram-based , Model ini tidak sanggup menangkap kelangsungan jangka panjang
dan/atau sinuitas facies geobodies. Akibatnya, mereka menyalahartikan hubungan reservoir, dan memberikan
prakiraan kinerja reservoir yang buruk.
● • Dalam metode simulasi berbasis objek berbeda dengan variasi teknik. mensimulasikan rancangan facies
yang relatif realistis itu mungkin, tetapi proses pengkondisian data masih menjadi keterbatasan.
Selama sepuluh tahun terakhir, pendekatan facies alternatif
pemodelan hadir yakni Multiple-Point Statistics (MPS).
Idenya adalah untuk menggabungkan kemampuan untuk
mereproduksi "bentuk" teknik berbasis objek dengan
kecepatan dan mudah mengubah data dari teknik berbasis
variasi. Implementasi simulasi MPS mereka adalah sama
dengan simulasi indikator berurutan, kecuali variogram
diganti dengan training image. Salah satu keuntungan
utama dari implementasi ini adalah bahwa data yang
diperoleh tepat. Selain itu, dengan menangkap statistik
multiple-point dari training image melalui estimasi facies
probabilitas kondisional untuk multiple-point data cabang,
model MPS menghasilkan pola gambar teruji. Namun,
pemindaian berulang citra untuk memperkirakan facies
probabilitas sangat memakan waktu.
Untuk membantu memecahkan masalah ini, oleh Strebelle
hadirlah Search Tree untuk menyimpan, melakukan
simulasi awal, semua kemungkinan yang dapat
disimpulkan dari training image. Ia juga mengembangkan
pendekatan simulasi jaringan multiple-grid yang terdiri
dari simulasi jaringan yang semakin halus untuk
menangkap pola training image di berbagai skala. Dalam
pendekatan multiple-grid, lingkungan pengkondisian data
pencarian didefinisikan template yang hanya terdiri dari
node dari kumpulan grid saat simulasi. Satu Search Tree
dibangun per template data, atau per kumpulan grid.