Principios matemáticos de la predicción del modelo de proceso gris
La tecnología central del algoritmo de identificación del proceso gris es: a través de varias transformaciones matemáticas, se extraen vectores de características multidimensionales (características del proceso) que pueden reflejar tanto la estructura interna del patrón como las diferencias entre los patrones. a partir de los datos sísmicos, representando así de manera integral, multidireccional y dinámica las características digitales del modelo ② La teoría y el diseño de software de algoritmos de identificación de procesos grises multimodo y multiesquema para características de procesos multidimensionales; tecnología de síntesis de interacción de resultados de identificación de esquemas múltiples y, finalmente, obtener resultados que sean consistentes con la realidad geológica. Resultados de evaluación confiables (4) La tecnología de gráficos visuales aclara las tendencias macro y los estados cambiantes de los resultados de los cálculos de un vistazo, y los facilita y precisa; realiza comunicación e interacción entre el proceso de cálculo y los intérpretes de evaluación geológica.
La predicción y evaluación se basan en perfiles sísmicos y sus perfiles convertidos, como perfiles de litología, perfiles de velocidad, perfiles VSP y otros datos, utilizando varios métodos para extraer parámetros característicos, utilizando diferentes métodos para identificar parámetros múltiples. patrones, y evaluar los cambios laterales de las capas objetivo y la posibilidad de petróleo y gas, y luego inferir la sección de petróleo y gas.
5.1.1 Principios básicos de predicción y evaluación
El sistema de reconocimiento de patrones de proceso gris es un sistema de reconocimiento inteligente integral que integra conocimientos de geología, sismología, matemáticas, informática e inteligencia artificial. Sin embargo, el yacimiento de carbonato enterrado en una colina es un cuerpo geológico altamente heterogéneo, por lo que se deben seguir los siguientes cuatro principios en el modelado, la extracción de características y el razonamiento de identificación:
(1) Principio de variabilidad: en la extracción de características, el tiempo El método de deslizamiento de ventana se utiliza para describir las características del proceso dinámico y se pueden extraer varios vectores de características para cada traza de CDP.
(2) Principio de aleatoriedad: una secuencia de datos sísmicos puede considerarse como una variable aleatoria o puede procesarse estadísticamente para obtener los parámetros característicos de la submuestra, como media, varianza, rango, etc. . Este principio coincide con el punto básico de la teoría gris.
(3) Principio de similitud y analogía: partiendo del contexto geológico, elija un rango de evaluación adecuado, que no puede ser demasiado largo. Para la capa objetivo, sus límites superior e inferior deben calibrarse y seleccionarse en función de los resultados de los perfiles sísmicos y las capas geológicas.
(4) Principio de continuidad: debe haber algunos elementos de continuidad entre ubicaciones de CDP adyacentes.
En consecuencia, por un lado, el modo se puede seleccionar según el principio de proximidad, o se puede seleccionar el canal CDP más cercano a la posición del pozo para formar un modo combinando varios canales adyacentes en el; Por otro lado, también se puede suavizar los resultados del reconocimiento de patrones hasta una cierta longitud para eliminar algunas interferencias aleatorias.
5.1.2 Pasos de predicción y evaluación
(1) Determinar la capa objetivo, interceptar los datos del perfil de la capa objetivo y establecer el volumen de datos básicos del algoritmo de evaluación;
( 2) Determinar el eje del modo y construir el volumen de datos del modo de evaluación;
(3) Extracción de características: la extracción de características es el primer enfoque de investigación de este método, porque la calidad de la extracción de características Afecta directamente el efecto de la evaluación final. Dado que la traza sísmica original es un sistema de respuesta integral que incluye sedimentación, estratigrafía, estructura, litología y otra información geológica, es clave extraer información que pueda reflejar las diferencias características entre los modelos.
Desde la perspectiva de los procesos dinámicos, este método propone varios métodos de extracción de vectores de características y métodos de cálculo, como estadísticas de Jacklife, parámetros grises, membresía de autosimilitud difusa, dimensión fractal difusa y dimensión fractal geométrica.
(4) Reconocimiento de patrones multimétodo y parámetros múltiples: el reconocimiento de patrones es otro foco de investigación de este método.
Después de la extracción de características, es un paso crítico realizar una "clasificación" y comparación razonables basadas en los resultados cuantitativos de los datos de ubicación del CDP para evaluar los cambios en el yacimiento y la posibilidad de existencia de petróleo (gas).
5.1.3 Extracción de parámetros característicos sísmicos
La llamada extracción de características consiste en extraer de la serie temporal sísmica mediante transformación matemática que pueda reflejar las características del yacimiento y el petróleo (gas) posibilidad de información. Debido a que la serie temporal de cada rastro sísmico es en realidad un proceso dinámico que cambia con el tiempo, es razonable tratarlo como un proceso gris. Por lo tanto, el resultado de su generación de características también debe ser un proceso que cambie con el tiempo, es decir, las características del proceso sean más completas y razonables.
La serie temporal con trazas sísmicas es x:
Investigación y predicción de las características del yacimiento
No sólo puede reflejar claramente capas, estructuras, fallas, etc. La información geológica subterránea también incluye características del almacenamiento de petróleo, como litología, porosidad y permeabilidad. Obviamente, la clave para extraer parámetros característicos es: cómo extraer parámetros característicos que puedan reflejar las propiedades del yacimiento y del petróleo y el gas de la serie temporal sísmica.
Al estudiar los métodos anteriores de extracción de parámetros de características, podemos ver que ya sean parámetros estadísticos, coeficientes autorregresivos o incluso dimensiones fractales, se obtiene uno para cada serie de tiempo (es decir, una traza sísmica). representan las características generales de toda la secuencia. Este método de extracción de parámetros que utiliza un parámetro para representar una traza sísmica se denomina método de extracción de características puntuales. Sin embargo, este método de extracción de parámetros característicos tiene grandes limitaciones, porque cada traza sísmica puede considerarse como un proceso dinámico aleatorio que cambia con el tiempo. No solo tiene las características estructurales internas del sistema, sino que también cambia en diferentes períodos de tiempo. Los estratos tienen diferentes grados y diferentes propiedades. En base a esto, debemos seleccionar la duración de la ventana de tiempo correspondiente de acuerdo con la situación específica, realizar una selección deslizante dentro de esta ventana de tiempo y extraer los parámetros de características uno por uno para cada ventana de tiempo para formar un vector de características. Esto puede reflejar de manera integral y meticulosa las características generales de toda la secuencia, lo que llamamos características del proceso.
Generalmente existen tres tipos de extracción de características para volúmenes de datos sísmicos, a saber: características estadísticas basadas en amplitud; características de frecuencia basadas en espectro de potencia, autocorrelación y autorregresión y características basadas en dimensión fractal, matemáticas difusas y grises; Teoría de parámetros característicos no lineales. Puede haber decenas de parámetros en estas tres categorías, pero no todos los parámetros característicos son efectivos para los problemas geológicos a resolver. La práctica ha demostrado que es muy necesario descartar parámetros característicos obvios para diferentes regiones, diferentes yacimientos y diferentes problemas a resolver. El propósito de este estudio es predecir directamente la distribución de las zonas de corrosión y fractura, por lo que se seleccionaron 19 vectores de parámetros característicos. Estos vectores de parámetros característicos reflejan las características estadísticas de los cambios de amplitud, las características de autocorrelación de los cambios de frecuencia y la no linealidad de los cambios más complejos. combinaciones de características (como parámetros grises y dimensiones fractales difusas), a saber:
(1) Extracción de características estadísticas
Promedio absoluto:
Reservorio. Investigación y predicción de características
Valor máximo de pico:
Investigación y predicción de características del embalse
Valor máximo de valle:
Investigación y predicción de las características del yacimiento
El valor máximo de pico y el valor máximo de valle representan la amplitud máxima y la amplitud mínima de la secuencia sísmica respectivamente, y definen el rango de valores general.
D. Promedio positivo:
Estudio y predicción de las características del yacimiento
donde n' es el número de puntos mayor que 0 en la secuencia sísmica.
E. Media negativa:
Investigación y predicción de las características del yacimiento
donde m' es el número de puntos de la secuencia sísmica con valores inferiores a 0; x y x-Refleja la posición promedio de las amplitudes positivas y negativas de la secuencia del terremoto.
F. Tiempo de media energía:
Supongamos que se llama energía total de la onda sísmica, entonces hay un t, 1 < t < n adecuado, entonces,
Investigación y predicción de las características de los yacimientos
Se llama tiempo de semienergía de las ondas sísmicas.
G. Relación de puntos de muestra positivos y negativos:
Supongamos que n es el número de puntos con valores positivos en la secuencia del terremoto, n- es el número de puntos con valores negativos. valores en la secuencia del terremoto, entonces
Investigación y predicción de las características del yacimiento
Se llama relación de muestra positiva y negativa.
H. Desviación Estándar:
Investigación y Predicción de las Características del Yacimiento
Se utiliza para describir la dispersión de una serie temporal relativa a la posición media. Cuanto menor sea el valor de δ, menor será la dispersión de la secuencia, mayor será la densidad de valores de la secuencia y más cerca estará cada punto de valor de su posición promedio.
1. Coeficiente de deslizamiento del ciclo:
Investigación y predicción de las características del yacimiento
Entre ellos: n1 representa el cambio positivo de dos valores adyacentes xi y xi. 1 El número de mutaciones negativas; N2 representa el número de mutaciones de negativas a positivas entre dos valores adyacentes xi y xi 1 (i = 1, 2,..., n-1).
a se utiliza para describir la frecuencia de cambios periódicos en una serie de tiempo. Cuanto mayor sea a, mayor será la frecuencia de cambios en la serie temporal. Por lo tanto, esta característica puede reflejar la complejidad de los cambios estratigráficos en las series temporales de terremotos.
Los nueve parámetros característicos presentados anteriormente son todos los parámetros característicos generales de la serie temporal. La estimación de un valor característico refleja las características cambiantes de la secuencia sísmica desde diferentes ángulos y refleja los cambios sutiles en el rendimiento del almacenamiento del yacimiento. Sin embargo, las series temporales de terremotos reflejan el proceso dinámico de cambios estratigráficos a lo largo del tiempo. Sin embargo, los parámetros característicos estadísticos describen las características generales de la serie temporal, pero no pueden reflejar pequeños cambios en el tiempo. Con este fin, el profesor Hu Yuanlai propuso la idea de ampliar las estadísticas de Jacklife cortando cualquier período de tiempo, estimando estadísticamente los parámetros de características restantes y extrayendo el vector de características de toda la serie de tiempo.
A continuación se toma el valor promedio como ejemplo para ilustrar el proceso de cálculo de este método:
A. La duración de la ventana de tiempo dada es 1 < l < n;
B. Cálculo
Investigación y predicción de las características del yacimiento
c toma I = 1, 2,...n-1, es decir, deja que la ventana de tiempo se deslice gradualmente de x1 a xn-1, Calcule n-1 promedios. Este tipo de estimación no solo puede cumplir con los requisitos de un tamaño de muestra grande, sino que también refleja las características dinámicas de toda la secuencia, lo que será más propicio para identificar analogías.
(2) Extraer características de autocorrelación
Las características de autocorrelación son algunos parámetros característicos de la función de autocorrelación de ondas de reflexión sísmica. La práctica ha demostrado que son sensibles a cambios sutiles en las ondas de reflexión sísmica y pueden reflejar el estado repetitivo de los registros sísmicos a lo largo de la dirección del tiempo. Supongamos que la serie temporal de ondas sísmicas es X = {x1, x2,..., xn}, entonces la función de autocorrelación r de La función r es tanto una función que cambia con el tiempo como una función periódica cuya amplitud decae con el tiempo. el período A0=r(0) es el valor máximo máximo, y A1, A2 y A3 son los tres tiempos de cruce por cero respectivamente. Entonces se pueden obtener los siguientes seis: Parámetros característicos de autocorrelación:
A. La relación del segundo pico al pico máximo: s 1 = a 1/A0;
B La relación del tercer pico al pico máximo: S2 = A2/A0;
C. La relación entre el cuarto pico y el pico máximo: S3 = A3/A0;
d Ancho del lóbulo principal: S4 = 2t 1;
E. ancho: S5 = T2-t 1;
F. Ancho trilobulado: S6=t3-t2.
(3) Extracción de características en escala de grises
La idea básica es considerar la serie temporal de terremotos como un sistema gris intrínseco, estableciendo así un modelo gris del sistema y luego a partir del patrón. reconocimiento Con base en el propósito, se construye mediante transformación matemática un vector de características grises que puede reflejar las diferencias entre modos en la mayor medida posible.
El objetivo de este método es determinar los parámetros de identificación -a y -u estableciendo un modelo de predicción GM(1,1). En la teoría gris, -a se denomina coeficiente de desarrollo y -u/-a es el término de ajuste.
Ambos describen la estructura del sistema del modelo y reflejan la tendencia de cambio general del sistema. Luego pueden usarse para describir el patrón característico del yacimiento o la secuencia de trazas sísmicas con o sin petróleo y gas, por ejemplo. diferentes características generales del modelo Cuanto mayor sea la diferencia, mejor para patrones iguales o similares, cuanto mayor sea la diferencia, mejor combinará -a y -u para extraer características en escala de grises.
Se descubre que, aunque el valor -a es pequeño, es relativamente sensible. Los pequeños cambios en la secuencia provocarán fluctuaciones violentas en -a; sin embargo, el término de ajuste -u/-a cambia lentamente.
Por lo tanto, el método de construcción de los vectores de características en escala de grises para -a y -u se propone de la siguiente manera:
Establezca la serie temporal del terremoto X=(x1, x2, x3,… , xn), determine la duración de la ventana de tiempo deslizante para la extracción de características 1,1? n, para cualquier ventana deslizante I (I = 1, 2,..., n-L);
A Obtenga los parámetros de identificación -ai y -UI de GM (1, 1) en la ventana de tiempo I. ;
b. Regularícelo para que se convierta en un número gris entre [0, 1]
Construya ai=f(-ai,-ui) de modo que ai ∈. [0, 1];
Entonces ai (a1, a2,..., an-1), llamado vector de características en escala de grises.
(4) Extracción de características difusas
Las características difusas se refieren a dimensiones fractales difusas y características de membresía autosimilares difusas extendidas a partir de características de dimensiones fractales. La dimensión fractal es un parámetro de descripción cuantitativa de las características fractales y una poderosa herramienta para describir figuras geométricas irregulares complejas. Se pueden extraer tres parámetros característicos.
A. Dimensión de correlación
Dimensión de correlación
Investigación y predicción de las características del yacimiento
En...
Investigación y predicción de las características del yacimiento
Es la probabilidad de que la distancia dst entre dos puntos S y T en el espacio de fase sea menor que r es el límite superior de la distancia especificada; Función Heaviside, es decir,
Investigación y predicción de las características del yacimiento
B. Dimensión fractal difusa
La dimensión fractal difusa es una extensión de la dimensión fractal. La dimensión fractal geométrica cree que existe autosemejanza entre el todo y parte de una figura compleja, mientras que la dimensión fractal difusa (en lo sucesivo denominada dimensión fractal F) cree que la autosemejanza no necesariamente existe, solo la autosemejanza difusa. lo que significa que muchas estructuras complejas en realidad sólo son autosimilares hasta cierto punto. Este fenómeno se puede representar mediante un conjunto difuso, y la dimensión fractal calculada desde esta perspectiva se denomina dimensión fractal F.
Si la similitud (grado de membresía) se define como ust, entonces C(r) se puede modificar de la siguiente manera
Investigación y predicción de las características del yacimiento
C .Grado de membresía autosimilar difusa
El profesor Feng Deyi partió de la perspectiva de las matemáticas difusas y utilizó la definición de dimensión fractal difusa para dar el concepto de grado de membresía autosimilar difusa. Si la escala original es 1 y la nueva escala es Lj, entonces rj=1/Lj se denomina relación de autosimilitud difusa. Si la similitud entre la imagen I-ésima y la imagen original es ui bajo la relación de autosimilitud rj, entonces el grado de membresía de autosimilitud difusa de toda la estructura (en lo sucesivo denominado grado de membresía de autosimilitud F) puede ser definido como:
Investigación y predicción de las características del yacimiento
En la fórmula; Na es el número de mediciones de similitud; n es el número de selección de F-autosemejanza.
Se estudió el uso de la dimensión fractal, la dimensión fractal F y el grado de membresía autosimilar F para extraer las características del yacimiento y las características del petróleo y el gas representadas por datos sísmicos. Debido a que una secuencia sísmica refleja las características digitales de un cuerpo geológico subterráneo de varios metros de espesor, refleja una rica información geológica subterránea, incluidos varios yacimientos y no yacimientos de diferentes espesores. Un depósito puede contener varias capas de roca más pequeñas, por lo que si considera las curvas de la serie de mazmorras de varios metros de espesor como una colección de gráficos complejos y analiza su dimensión fractal, dimensión fractal F y autosimilitud F, entonces es demasiado tosco para reflejar diferencias en capas finas.
Creemos que debemos tratar una curva con un cierto espesor como un todo (este espesor se llama regla lógica o ventana de tiempo lógica Q), usar la fórmula anterior para calcular los tres parámetros y luego calcular los tres parámetros deslizando el tiempo. ventana, y así sucesivamente, de la siguiente manera: Se pueden obtener tres curvas características, que pueden reflejar de forma dinámica y completa la regularidad inherente del yacimiento y realizar la clasificación e identificación del yacimiento.
Además, dado que los cambios de arriba hacia abajo de la secuencia del terremoto están estrechamente relacionados con las características cambiantes de la geología subterránea, aquí debe calcularse como una estructura gris autosemejante ordenada.
5.1.4 Reconocimiento de patrones de grises
5.1.4.1 Reconocimiento de correlación de grises
El reconocimiento de patrones de grises considera el patrón X como un proceso de grises y sus características numéricas son Serie número gris:
Investigación y predicción de las características del yacimiento
Entonces, modelo estándar uno:
Investigación y predicción de las características del yacimiento
Para modelo j a evaluar:
Estudio y predicción de las características del yacimiento
La medida de similitud entre ellos está representada por la correlación gris rij. Si se conoce el patrón estándar Xi, I = 1, 2,..., m, el grado de correlación de Gray con el patrón desconocido Xj es rij, y el estándar de identificación es el siguiente:
Si
Almacenamiento Investigación y predicción de características de capa
Luego, el patrón debe clasificarse como categoría k.
La correlación de grises enfatiza el desarrollo dinámico y los cambios de los procesos del sistema, y mide la similitud entre patrones basándose en la similitud o diferencia en el desarrollo y las tendencias de cambio entre los factores característicos del patrón. Este método de análisis del sistema no tiene requisitos especiales para el tamaño de la muestra y no requiere una determinada distribución estadística como la identificación estadística, por lo que tiene una amplia aplicabilidad.
5.1.4.2 Grado de correlación de grises
El cálculo del grado de correlación de grises es una de las claves para el reconocimiento de patrones de grises. El grado de correlación es una medida de la curva patrón (vectorial) (Xj) a reconocer y la curva patrón estándar (Xi, i=1, 2,..., m). Hay muchas definiciones, pero actualmente se utilizan cuatro.
A. Correlación clásica
Se define de la siguiente manera:
Investigación y predicción de las características del yacimiento
Entre ellas:
Investigación y predicción de las características del yacimiento
0≤a≤1 se denomina coeficiente de resolución. Cuanto menor sea la resolución, mayor será la resolución. Generalmente a = 0,5, obviamente 0≤RIJ≤1; cuanto mayor es rij, mayor es la similitud entre el modo J y el modo I, y su significado geométrico es que las dos curvas son más similares.
B. Correlación difusa
Para adaptarse a los cambios en el modelo y mejorar la adaptabilidad del sistema, se introduce la perspectiva de las matemáticas difusas. No es difícil ver que "gris" y "difuso" son sólo dos formas de "incertidumbre".
Aquí seleccionamos operadores difusos: max ∨ y min ∧ para obtener el grado de correlación difusa, que se registra como fij.
Ajustes:
Investigación y Predicción de las Características del Yacimiento
Son:
Investigación y Predicción de las Características del Yacimiento
De esta manera, la sensibilidad de la correlación difusa es menor que la sensibilidad clásica, es decir, la sensibilidad de reflejar cambios entre modos es menor y la medida de similitud tiene un cierto grado de ambigüedad.
C. Grado de correlación combinado
El grado de correlación clásico se centra en describir la forma geométrica entre las curvas del modelo, es decir, cuanto más cercana es la tendencia de cambio, mayor es el valor de correlación. Pero para algunos procesos (como las series temporales de trazas sísmicas), no solo se deben considerar sus cambios de posición, sino también su tasa de cambio, diferencia de velocidad y diferencia de aceleración. Por lo tanto, este método introduce un nuevo grado de correlación: el grado de correlación combinado, denominado Zij.
Ajustes:
Investigación y Predicción de las Características del Yacimiento
Son:
Investigación y Predicción de las Características del Yacimiento
El grado de correlación combinado es la síntesis de la diferencia de desplazamiento, la diferencia de velocidad y la diferencia de aceleración durante el proceso de cambio del modelo gris (curva), lo que mejora la similitud de los cambios fuera del modelo y será más propicio para la comparación del modelo.
D. Correlación de distancia
En el cálculo de la correlación clásica se utiliza la generalización mínima y máxima global, de modo que el resultado está entre 0 y 1.
En el caso de modos múltiples, rij no satisface la simetría y, por lo tanto, no se puede utilizar para el análisis de agrupamiento de modos. Sin embargo, antes de modelar, a menudo se requiere un análisis de patrones de conglomerados. Luego, para proporcionar una base para el modelado, se introduce el concepto de correlación de distancia.
Investigación y predicción de las características del yacimiento
Entre ellas: d0 es una constante adecuadamente seleccionada, pero debe cumplir los siguientes requisitos.
Investigación y predicción de las características del yacimiento
5.1.4.3 Transformación de inicialización
En el análisis de correlación, si las dimensiones entre las columnas de variables son desiguales, calcule si el grado de correlación se obtiene, será difícil reflejar correctamente las características de cambio del proceso entre columnas variables, distorsionando así la solución. Por lo tanto, a menudo es necesario inicializar primero la columna de variables (es decir, la columna de datos original) para eliminar la influencia de las dimensiones y hacer que todas las variables estén en la misma posición y sean equivalentes.
Existen muchos tipos de transformaciones de inicialización, y este sistema adopta cinco tipos: inicialización, maximización, minimización, intervalo o ninguna transformación.
Si el recuento original antes de la transformación es 2),...,y(n)}, entonces las fórmulas de los cinco algoritmos de transformación son las siguientes:
①Transformación del valor inicial
Investigación y predicción de las características del yacimiento
②Conversión máxima
Investigación y predicción de las características del yacimiento
En...
Investigación y predicción de las características del yacimiento
③Minimizar la transformación
Investigación y predicción de las características del yacimiento
En...
Investigación y predicción de características del yacimiento
④Conversión de intervalos
Investigación y predicción de características del yacimiento
⑤Sin conversión
Investigación y predicción de características del yacimiento
Muy bien Obviamente, la transformación (1) ~ (4) es un método de transformación adimensional. Niega cuál es la unidad de la secuencia original. Después de la transformación, se elimina la influencia del tamaño de la unidad. no solo elimina las dimensiones, sino que también unifica el orden de magnitud de cada secuencia variable entre 0 y 1.
5.1.4.4 Estrategia de reconocimiento de patrones grises
Este sistema extrae 19 vectores de características para cada rastro sísmico. Desde el punto de vista básico de la teoría de grises, cada vector de características se considera un patrón. Una secuencia de grises, formando así un sistema de reconocimiento de patrones de grises de secuencia multiparamétrica. La estrategia básica es:
(1) Se construye un sistema de identificación y optimización automática de múltiples parámetros utilizando cuatro grados de correlación. La optimización automática significa: bajo el objetivo óptimo determinado, el sistema selecciona la solución más adecuada para el problema a través de cálculos de prueba, y calcula e infiere la probabilidad de desarrollo de fracturas del yacimiento en todo el perfil sísmico;
(2) Mediante el aprendizaje y la formación para obtener la contribución de secuencias multiparamétricas en el reconocimiento de patrones. Según la contribución de cada parámetro, se construye adecuadamente el modelo matemático de identificación y se extrapolan e identifican todas las trazas en todo el perfil.
(3) Dado que puede haber múltiples patrones conocidos (bypasses) en cada categoría, se pueden utilizar dos estrategias para establecer el patrón: o seleccionar un patrón representativo y universal para cada categoría. Se utiliza el eje de patrón específico. como modelo, que se denomina patrón de pozo único; o, basándose en las diferencias sutiles de cada rastro de patrón en cada categoría, se toma su promedio ponderado como modelo, que se denomina patrón combinado.
5.1.4.5 Resultados del reconocimiento de patrones grises
(1) Diseño de múltiples esquemas para la identificación del proceso gris
Dado que la medida de similitud del patrón es una Coeficiente de correlación de grises dimensional. De acuerdo con la teoría de correlación de grises, podemos realizar diferentes transformaciones de inicialización en la secuencia de entrada original y adoptar diferentes definiciones de correlación de grises. Por lo tanto, en los cálculos reales, podemos diseñar una variedad de esquemas de cálculo diferentes para obtener resultados más efectivos a partir de técnicas de múltiples ángulos y múltiples contrastes.
Este algoritmo puede elegir cuatro transformaciones de inicialización diferentes y cuatro definiciones de asociación de grises diferentes, es decir, puede haber soluciones de algoritmo 4×4=16. Para facilitar su uso y dominio, este software de algoritmo ha diseñado un mecanismo de optimización automática para seleccionar automáticamente las mejores tres primeras soluciones para los cálculos de identificación de extrapolación y modelos digitales.
El principio de optimización es la alta resolución y un buen juicio de retorno y efectos de detección.
(2) Tecnología de síntesis de múltiples resultados
Para cualquier sección longitudinal de la línea de levantamiento, se pueden obtener varios resultados de cálculo. Es muy importante cómo seleccionar y obtener de manera integral el resultado final. Los buenos resultados deberían ser:
①La precisión del juicio inverso y la detección debe ser alta;
②La continuidad lateral debe ser buena, porque aunque el cuerpo geológico tiene heterogeneidad y anisotropía, pero hay Debe haber un cierto grado de continuidad a pequeña y gran escala.
③No debemos mirar solo los resultados de una sola línea de estudio, sino también mirar los resultados de la región y verificar los resultados de la estructura regional y los antecedentes geológicos regionales. Por lo tanto, existe la necesidad de comunicarse con evaluadores e intérpretes e implementar opciones interactivas.
A través de cálculos e interacciones repetidos, eventualmente se pueden obtener resultados satisfactorios. No debe considerarse como un simple problema de cálculo, sino un problema de investigación sistemático y científico que combina estrechamente las matemáticas y la geología.
(3) Tecnología de gráficos
Para que los resultados de salida sean vívidos e intuitivos, especialmente para realizar la selección interactiva de resultados de forma rápida y fluida, el algoritmo diseñó el perfil de tiempo de la línea de medición. y el mapa de resultados de predicción planar, puede observar claramente el estado cambiante de los resultados de toda la línea de estudio, la tendencia del yacimiento, la ubicación del pozo modelo y el nivel de clasificación de predicción.