CA2374896A1 - Methode pour deformer graduellement une repartition initiale d'objets dans un milieu heterogene pour l'adapter a des contraintes physiques imposees - Google Patents
Methode pour deformer graduellement une repartition initiale d'objets dans un milieu heterogene pour l'adapter a des contraintes physiques imposees Download PDFInfo
- Publication number
- CA2374896A1 CA2374896A1 CA002374896A CA2374896A CA2374896A1 CA 2374896 A1 CA2374896 A1 CA 2374896A1 CA 002374896 A CA002374896 A CA 002374896A CA 2374896 A CA2374896 A CA 2374896A CA 2374896 A1 CA2374896 A1 CA 2374896A1
- Authority
- CA
- Canada
- Prior art keywords
- points
- objects
- density
- migration
- gradually
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000005012 migration Effects 0.000 claims abstract description 37
- 238000013508 migration Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 3
- 210000003934 vacuole Anatomy 0.000 abstract description 2
- 238000005315 distribution function Methods 0.000 description 7
- 241000251468 Actinopterygii Species 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 241000566613 Cardinalis Species 0.000 description 1
- 241000819038 Chichester Species 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
- Méthode géostatistique pour déformer graduellement une répartition initial e d'objets, de type géologique par exemple, formée par simulation d'un modèle stochastiq ue de type objet, d'après des mesures ou observations, pour l'adapter au mieux à d es contraintes physiques imposées, de type hydrodynamique par exemple. - Les objets étant répartis dans une zone d'un milieu hétérogène selon un processus ponctuel de Poisson sous forme de points figuratifs avec une densité de poin ts .lambda.(x) qui varie en fonction de leur position (x) dans la zone, on forme une réalisation d'un vecteur aléatoire uniforme selon lequel la position de chaque objet est définie tout en respectant la densité .lambda.(x), et on modifie graduellement le vecteur aléatoire uniforme selon un processus de déformation graduelle, pour obtenir la migration graduelle de chaque objet jusqu'à obtenir une réalisation finale ajustée au mieux à des paramètres relatifs à la structure du milieu tels que des paramètres hydrodynamiques. - Applications par exemple à la modélisation géostatistique des réservoirs hétérogènes constitués d'objets divers : fractures, chenaux, vacuoles, etc.
Description
METHODE POUR DEFORMER GRADUELLEMENT UNE REPARTITION ITTITIALE
D'OBJETS DANS UN MILIEU HETEROGENE, GENEREE PAR SMJLATION D'UN
MODELE STOCHASTIQUE DE TYPE OBJET, POUR L'ADAPTER AU MIEUX A DES
CONTRAINTES PHYSIQUES llVIPOSEES
La présente invention a pour objet une méthode pour déformer graduellement une répartition initiale d'objets de nature géologique, formée par simulation d'un modèle stochastique de type objet, d'après des mesures ou observations, pour l'adapter au mieux à
des contraintes physiques imposées, de type hydrodynamique par exemple.
La méthode selon l'invention trouve des applications dans la modëlisation de zones 1o souterraines où il s'agit de générer des représentations montrant comment est distribuée une certaine grandeur physique dans une zone du sous-sol (la perméabilité par exemple), qui soient compatibles au mieux avec des données observées ou mesurées :
données géologiques, enregistrements sismiques, mesures obtenues dans des puits notamment mesures des variations au cours du temps de la pression et du débit de fluides issus d'un ~5 gisement, etc.
ETAT DE LA TECIiIVIQUE
Par le brevet FR 2 780 798 du demandeur, on connaît une méthode pour déformer graduellement un modèle stochastique (de type gaussien ou apparenté) d'un milieu hétérogène tel qu'une zone souterraine, contraint par un ensemble de paramètres relatifs à
2o la structure du milieu. Cette mêthode comporte le tirage d'un nombre p de réalisations (ou représentations) indépendantes du modèle ou d'une partie au moins du modèle choisi du milieu, parmi l'ensemble de toutes les réalisations possibles et une ou plusieurs étapes itératives de déformation graduelle du modèle en effectuant une ou plusieurs combinaisons linéaires successives de p réalisations initiales indépendantes entre elles puis des ?5 réalisations composites successivement obtenues éventuellement avec de nouveaux tirages, etc., les coefficients de cette combinaison étant tels que la somme de leurs carrés est égale à
1.
Par le brevet FR 2 795 841 du demandeur, on connaît une autre méthode pour déformer graduellement les représentations ou réalisations, générées par simulation
D'OBJETS DANS UN MILIEU HETEROGENE, GENEREE PAR SMJLATION D'UN
MODELE STOCHASTIQUE DE TYPE OBJET, POUR L'ADAPTER AU MIEUX A DES
CONTRAINTES PHYSIQUES llVIPOSEES
La présente invention a pour objet une méthode pour déformer graduellement une répartition initiale d'objets de nature géologique, formée par simulation d'un modèle stochastique de type objet, d'après des mesures ou observations, pour l'adapter au mieux à
des contraintes physiques imposées, de type hydrodynamique par exemple.
La méthode selon l'invention trouve des applications dans la modëlisation de zones 1o souterraines où il s'agit de générer des représentations montrant comment est distribuée une certaine grandeur physique dans une zone du sous-sol (la perméabilité par exemple), qui soient compatibles au mieux avec des données observées ou mesurées :
données géologiques, enregistrements sismiques, mesures obtenues dans des puits notamment mesures des variations au cours du temps de la pression et du débit de fluides issus d'un ~5 gisement, etc.
ETAT DE LA TECIiIVIQUE
Par le brevet FR 2 780 798 du demandeur, on connaît une méthode pour déformer graduellement un modèle stochastique (de type gaussien ou apparenté) d'un milieu hétérogène tel qu'une zone souterraine, contraint par un ensemble de paramètres relatifs à
2o la structure du milieu. Cette mêthode comporte le tirage d'un nombre p de réalisations (ou représentations) indépendantes du modèle ou d'une partie au moins du modèle choisi du milieu, parmi l'ensemble de toutes les réalisations possibles et une ou plusieurs étapes itératives de déformation graduelle du modèle en effectuant une ou plusieurs combinaisons linéaires successives de p réalisations initiales indépendantes entre elles puis des ?5 réalisations composites successivement obtenues éventuellement avec de nouveaux tirages, etc., les coefficients de cette combinaison étant tels que la somme de leurs carrés est égale à
1.
Par le brevet FR 2 795 841 du demandeur, on connaît une autre méthode pour déformer graduellement les représentations ou réalisations, générées par simulation
2 séquentielle, d'un modèle stochastique non nécessairement gaussien d'une grandeur physique z dans un milieu hétérogène maillé, afin de les ajuster à un ensemble de données relatives à la structure ou l'état du milieu qui sont collectées par des mesures et observations préalables. La méthode comporte essentiellement l'application d'un algorithme de déformation graduelle d'un modèle stochastique à un vecteur gaussien à N
variables mutuellement indépendantes, qui est relié à un vecteur uniforme à N
variables uniformes mutuellement indépendantes par la fonction de répartition gaussienne de façon à
définir des réalisations du vecteur uniforme, et l'utilisation de ces réalisations pour générer des représentations de cette grandeur physique z, que l'on cale par rapport aux données.
1o Les méthodes précédentes sont applicables aux modèles maillés (modèles de type pixel) qui conviennent pour modéliser des champs de grandeurs continues et, de ce fait, sont mal adaptés à la modélisation de zones traversées par des réseaux de fractures ou des systèmes de chenaux, par exemple.
Les modèles basés sur des objets sont des arrangements dans l'espace, d'une population d'objets définis géométriquement. A la base, un modèle de type objet est un modèle booléen que l'on peut définir comme une réunion d'objets identiques par nature, distribués au hasard dans l'espace. Les modèles booléens (de type objet) présentent un grand intérêt pour la description géométrique des milieux hétérogënes, tels que les systèmes de dépôt méandriformes, les réseaux de fractures, les milieux poreux à l'échelle 2o granulométrique, les milieux vacuolaires, etc. Les objets géologiques sont définis par leurs formes et leurs tailles. Leurs emplacements dans le champ sont définis en tenant compte de leurs interactions : attirance-répulsion, tendance au regroupement (clustering), etc.
Contrairement aux modèles de type pixel, les modèles basés sur des objets peuvent fournir par exemple des représentations géologiques réalistes d'un réservoir souterrain à un stade précoce où les données obtenues par des mesures in situ sont encore rares.
L'état de l'art dans le domaine des modèles de type objet, est décrit notamment dans les publications suivantes - Matheron, G., 1967, "Elément pour une théorie des milieux poreux", Masson, Paris;
- Matheron, G., 1975, "Random sets and integral geometry", Wiley, New York;
variables mutuellement indépendantes, qui est relié à un vecteur uniforme à N
variables uniformes mutuellement indépendantes par la fonction de répartition gaussienne de façon à
définir des réalisations du vecteur uniforme, et l'utilisation de ces réalisations pour générer des représentations de cette grandeur physique z, que l'on cale par rapport aux données.
1o Les méthodes précédentes sont applicables aux modèles maillés (modèles de type pixel) qui conviennent pour modéliser des champs de grandeurs continues et, de ce fait, sont mal adaptés à la modélisation de zones traversées par des réseaux de fractures ou des systèmes de chenaux, par exemple.
Les modèles basés sur des objets sont des arrangements dans l'espace, d'une population d'objets définis géométriquement. A la base, un modèle de type objet est un modèle booléen que l'on peut définir comme une réunion d'objets identiques par nature, distribués au hasard dans l'espace. Les modèles booléens (de type objet) présentent un grand intérêt pour la description géométrique des milieux hétérogënes, tels que les systèmes de dépôt méandriformes, les réseaux de fractures, les milieux poreux à l'échelle 2o granulométrique, les milieux vacuolaires, etc. Les objets géologiques sont définis par leurs formes et leurs tailles. Leurs emplacements dans le champ sont définis en tenant compte de leurs interactions : attirance-répulsion, tendance au regroupement (clustering), etc.
Contrairement aux modèles de type pixel, les modèles basés sur des objets peuvent fournir par exemple des représentations géologiques réalistes d'un réservoir souterrain à un stade précoce où les données obtenues par des mesures in situ sont encore rares.
L'état de l'art dans le domaine des modèles de type objet, est décrit notamment dans les publications suivantes - Matheron, G., 1967, "Elément pour une théorie des milieux poreux", Masson, Paris;
- Matheron, G., 1975, "Random sets and integral geometry", Wiley, New York;
3 - Serra, J., 1982, "Image analysis and mathematical geology", Vol.l, Academic Press, London;
- Stoyan, D.S., et al., 1995, "Stochastic geometry and its applications", 2°d Edition, Wiley, Chichester;
- Lantuéjoul, C., 1997, Iterative algorithms for conditional simulations, in Baafi et others, eds.; Geostatistics Wollongong 96, Vol. 1, Kluwer Acad. Publ., Dordrecht, The Netherlands, p.27-40.
La position des objets dans un modèle de type objet est distribuée suivant un processus ponctuel de Poisson bien connu des spécialistes. La forme et la taille des objets 1o sont indépendantes de leurs positions. Ce modèle peut être généralisé par une combinaison d'objets de nature différente ou/et en utilisant un processus ponctuel de Poisson de densité
non-stationnaire.
Bien que les modèles booléens aient été largement étudiés dans la littérature, on ne dispose pas de méthode cohérente et efficace pour contraindre ces modèles aux données physiques, notamment aux données hydrodynamiques, ce qui est pourtant un enjeu majeur pour leur application en ingénierie de réservoir. Les méthodes de déformation graduelle des modèles stochastiques de réservoir de type pixel telles que décrites par exemple dans les deux brevets précités, ne sont pas directement utilisables pour les modèles booléens.
Contraindre les modèles booléens aux données hydrodynamiques par exemple requiert le 2o développement des algorithmes cohérents pour la déformation et le déplacement des objets.
LA METHODE SELON L'INVENTION
La méthode selon l'invention permet de généraliser la technique de déformation graduelle décrite dans les deux brevets précités, aux modèles booléens stationnaires ou non-stationnaires et ceci avec ou sans contrainte géométrique aux puits. La méthode s'avère particulièrement utile notamment pour les ingénieurs de réservoir soucieux d'ajuster de façon cohérente et efficace les modèles de réservoir de type objet.
La méthode selon l'invention permet de déformer graduellement une réalisation initiale définissant la répartition d'un ensemble d'objets dans une zone d'un milieu hétérogène tel qu'une structure géologique, formée par simulation d'un modèle
- Stoyan, D.S., et al., 1995, "Stochastic geometry and its applications", 2°d Edition, Wiley, Chichester;
- Lantuéjoul, C., 1997, Iterative algorithms for conditional simulations, in Baafi et others, eds.; Geostatistics Wollongong 96, Vol. 1, Kluwer Acad. Publ., Dordrecht, The Netherlands, p.27-40.
La position des objets dans un modèle de type objet est distribuée suivant un processus ponctuel de Poisson bien connu des spécialistes. La forme et la taille des objets 1o sont indépendantes de leurs positions. Ce modèle peut être généralisé par une combinaison d'objets de nature différente ou/et en utilisant un processus ponctuel de Poisson de densité
non-stationnaire.
Bien que les modèles booléens aient été largement étudiés dans la littérature, on ne dispose pas de méthode cohérente et efficace pour contraindre ces modèles aux données physiques, notamment aux données hydrodynamiques, ce qui est pourtant un enjeu majeur pour leur application en ingénierie de réservoir. Les méthodes de déformation graduelle des modèles stochastiques de réservoir de type pixel telles que décrites par exemple dans les deux brevets précités, ne sont pas directement utilisables pour les modèles booléens.
Contraindre les modèles booléens aux données hydrodynamiques par exemple requiert le 2o développement des algorithmes cohérents pour la déformation et le déplacement des objets.
LA METHODE SELON L'INVENTION
La méthode selon l'invention permet de généraliser la technique de déformation graduelle décrite dans les deux brevets précités, aux modèles booléens stationnaires ou non-stationnaires et ceci avec ou sans contrainte géométrique aux puits. La méthode s'avère particulièrement utile notamment pour les ingénieurs de réservoir soucieux d'ajuster de façon cohérente et efficace les modèles de réservoir de type objet.
La méthode selon l'invention permet de déformer graduellement une réalisation initiale définissant la répartition d'un ensemble d'objets dans une zone d'un milieu hétérogène tel qu'une structure géologique, formée par simulation d'un modèle
4 stochastique de type objet, les objets étant répartis dans la zone selon un processus ponctuel de Poisson sous forme de points figuratifs avec une densité de points ~.(x) qui varie en fonction de leur position ( x ) dans la zone. Elle comporte essentiellement les deux étapes suivantes - on génère une réalisation d'un vecteur aléatoire uniforme selon lequel la position de chaque objet est définie tout en respectant la densité ~,(x) ; et - on modifie graduellement le vecteur aléatoire uniforme selon une procédure de déformation graduelle, pour obtenir la migration graduelle de chaque objet et par conséquent le changement graduel de la répartition des objets dans la zone, jusqu'à
obtenir une réalisation finale ajustée au mieux à des paramètres relatifs à la structure du milieu tels que des paramètres hydrodynamiques.
Il est possible de limiter la migration des points figuratifs d'objets dans un sous-domaine de la zone (un puits traversant la zone par exemple) en imposant une densité de points nulle dans la partie complémentaire du sous-domaine.
Suivant un mode de mise en couvre, on passe graduellement d'une réalisation contenant un premier ensemble de Nl points à une réalisation contenant un deuxième ensemble de NZ points en construisant une chaîne N(t) de nombres de Poisson entre les deux nombres N, et NZ en utilisant la procédure de déformation graduelle.
II est possible aussi de modifier graduellement la taille, la forme et l' orientation 2o d'un objet au cours de sa migration en utilisant la procédure de déformation graduelle.
En cas où elle est entachée d'incertitude, il est possible aussi d'ajuster graduellement la densité de points ~,(x) en utilisant la procédure de déformation graduelle.
La réalisation finale obtenue par la méthode constitue une représentation réaliste de la configuration des objets dans le milieu hétérogène.
2s PRÉSENTATION SOMMAIRE DES FIGURES
D'autres caractéristiques et avantages de la méthode selon l'invention, apparaîtront à
la lecture de la description détaillée ci-après, en se rëférant aux dessins annexés où
la Fig.lA, 1B montrent respectivement une fonction de densité d'un processus ponctuel de Poisson non-stationnaire et une réalisation du processus ponctuel de Poisson non-stationnaire génërée par la méthode séquentielle ;
- les Fig.2A à 2D montrent diffêrents exemples de trajectoires de migration graduelle
obtenir une réalisation finale ajustée au mieux à des paramètres relatifs à la structure du milieu tels que des paramètres hydrodynamiques.
Il est possible de limiter la migration des points figuratifs d'objets dans un sous-domaine de la zone (un puits traversant la zone par exemple) en imposant une densité de points nulle dans la partie complémentaire du sous-domaine.
Suivant un mode de mise en couvre, on passe graduellement d'une réalisation contenant un premier ensemble de Nl points à une réalisation contenant un deuxième ensemble de NZ points en construisant une chaîne N(t) de nombres de Poisson entre les deux nombres N, et NZ en utilisant la procédure de déformation graduelle.
II est possible aussi de modifier graduellement la taille, la forme et l' orientation 2o d'un objet au cours de sa migration en utilisant la procédure de déformation graduelle.
En cas où elle est entachée d'incertitude, il est possible aussi d'ajuster graduellement la densité de points ~,(x) en utilisant la procédure de déformation graduelle.
La réalisation finale obtenue par la méthode constitue une représentation réaliste de la configuration des objets dans le milieu hétérogène.
2s PRÉSENTATION SOMMAIRE DES FIGURES
D'autres caractéristiques et avantages de la méthode selon l'invention, apparaîtront à
la lecture de la description détaillée ci-après, en se rëférant aux dessins annexés où
la Fig.lA, 1B montrent respectivement une fonction de densité d'un processus ponctuel de Poisson non-stationnaire et une réalisation du processus ponctuel de Poisson non-stationnaire génërée par la méthode séquentielle ;
- les Fig.2A à 2D montrent diffêrents exemples de trajectoires de migration graduelle
5 entre deux points d'un processus ponctuel de Poisson non-stationnaire ;
la Fig. 3montre les domaines possibles de migration d'un disque dans Ie cas de trois points conditionnant ;
- les Fig. ~A à 4H montrent différentes étapes successives d'une réalisation du processus ponctuel de Poisson non-stationnaire lors de la migration graduelle des points ;
- la Fig.S montre à titre d'exemple, une chaîne complète de réalisations successives d'une simulation booléenne d'objets elliptiques où le paramètre de déformation t varie entre - ~t et ~t par pas ~t =0.1 ~ ; et - la Fig.6 montre à titre d'exemple, une chaîne incomplète de réalisations successives d'une simulation booléenne d'objets elliptiques où le paramètre de déformation t varie t5 entre 0 et 0.2 ~c par pas 0t =0.01 ~c .
DESCRIPTION DETAILLEE
Généralités Les objets géologiques auxquels la méthode s'applique sont par exemple des fractures à plus ou moins grande échelle, à l'intérieur d'une zone réservoir, ou bien encore 2o des chenaux. La méthode peut s' appliquer êgalement à des structures granulaires ou vacuolaires de taille beaucoup plus réduite. Tous ces objets sont difficiles à
modéliser par des modèles de type pixel.
Les opérations de migration progressive qui vont être décrites, s'appliquent à
un modèle initial où les positions des objets sont représentés par des configurations de points 25 (dites processus ponctuels). La répartition de ces points varie en densité
en fonction de leurs positions dans la zone modélisée. Cette répartition est basée sur différentes données connues par mesures ou observations : mesures géomécaniques obtenues dans des puits par exemple, données sismiques issues d'opérations sismiques préalables.
la Fig. 3montre les domaines possibles de migration d'un disque dans Ie cas de trois points conditionnant ;
- les Fig. ~A à 4H montrent différentes étapes successives d'une réalisation du processus ponctuel de Poisson non-stationnaire lors de la migration graduelle des points ;
- la Fig.S montre à titre d'exemple, une chaîne complète de réalisations successives d'une simulation booléenne d'objets elliptiques où le paramètre de déformation t varie entre - ~t et ~t par pas ~t =0.1 ~ ; et - la Fig.6 montre à titre d'exemple, une chaîne incomplète de réalisations successives d'une simulation booléenne d'objets elliptiques où le paramètre de déformation t varie t5 entre 0 et 0.2 ~c par pas 0t =0.01 ~c .
DESCRIPTION DETAILLEE
Généralités Les objets géologiques auxquels la méthode s'applique sont par exemple des fractures à plus ou moins grande échelle, à l'intérieur d'une zone réservoir, ou bien encore 2o des chenaux. La méthode peut s' appliquer êgalement à des structures granulaires ou vacuolaires de taille beaucoup plus réduite. Tous ces objets sont difficiles à
modéliser par des modèles de type pixel.
Les opérations de migration progressive qui vont être décrites, s'appliquent à
un modèle initial où les positions des objets sont représentés par des configurations de points 25 (dites processus ponctuels). La répartition de ces points varie en densité
en fonction de leurs positions dans la zone modélisée. Cette répartition est basée sur différentes données connues par mesures ou observations : mesures géomécaniques obtenues dans des puits par exemple, données sismiques issues d'opérations sismiques préalables.
6 Partant de ce modèle initial, la méthode va permettre de déformer graduellement la répartition initiale suivant une série de règles, de manière que dans la répartition finale, le modèle soit optimisé pour mieux correspondre à des contraintes que l'on impose sur un ou plusieurs paramètres physiques, telle que par exemple une distribution de valeurs de perméabilité. Les règles de migration sont telles que l' on peut déplacer globalement un grand nombre de points différents du modèle à partir d'un nombre réduit de paramètres de contrôle.
En général, on définit une fonction objectif qui mesure la différence entre les paramètres physiques issues du milieu hétérogène réel et ceux simulés sur une réalisation 1o du modèle stochastique. La valeur de la fonction objectif dépend donc des paramètres de contrôle du modèle stochastique. On obtient les valeurs de ces paramètres de contrôle par minimisation de la fonction objectif.
Rappel sur le processus ponctuel de Poisson Le processus ponctuel de Poisson est un ensemble aléatoire dénombrable de points répartis dans tout espace 9~" . Cet ensemble de points a les caractéristiques suivantes:
Soit D un domaine de ~J~" . Si le volume de D , noté IDI , est fini, alors le nombre de points tombés dans D , noté N(D) , suit une loi de Poisson de paramètre ~,ID) . Soit P~N(D) = n~ = e-~'~°I ( t~ tin > 0 (1) n.
où ~, est appelée la densité du processus ponctuel; elle mesure le nombre moyen de points 2o tombés dans un domaine de volume unitaire de 9i" .
Soient Di , D~ ,..., Dx des domaines de Jî" disjoints deux à deux, alors les nombres de points tombés dans ces domaines N(D, ), N(D~ ),..., N(Dk ) sont des variables aléatoires mutuellement indépendants.
Conditionnellement à N(D) = n p , ces n p points sont indépendants et uniformément répartis dans D .
En général, on définit une fonction objectif qui mesure la différence entre les paramètres physiques issues du milieu hétérogène réel et ceux simulés sur une réalisation 1o du modèle stochastique. La valeur de la fonction objectif dépend donc des paramètres de contrôle du modèle stochastique. On obtient les valeurs de ces paramètres de contrôle par minimisation de la fonction objectif.
Rappel sur le processus ponctuel de Poisson Le processus ponctuel de Poisson est un ensemble aléatoire dénombrable de points répartis dans tout espace 9~" . Cet ensemble de points a les caractéristiques suivantes:
Soit D un domaine de ~J~" . Si le volume de D , noté IDI , est fini, alors le nombre de points tombés dans D , noté N(D) , suit une loi de Poisson de paramètre ~,ID) . Soit P~N(D) = n~ = e-~'~°I ( t~ tin > 0 (1) n.
où ~, est appelée la densité du processus ponctuel; elle mesure le nombre moyen de points 2o tombés dans un domaine de volume unitaire de 9i" .
Soient Di , D~ ,..., Dx des domaines de Jî" disjoints deux à deux, alors les nombres de points tombés dans ces domaines N(D, ), N(D~ ),..., N(Dk ) sont des variables aléatoires mutuellement indépendants.
Conditionnellement à N(D) = n p , ces n p points sont indépendants et uniformément répartis dans D .
7 Dans ce qui suit, nous nous intéressons au processus ponctuel de Poisson dans Ie domaine borné D .
Migration d'un processus ponctuel de Poisson stationnaire Considérons le problème de migration d'une réalisation d'un processus ponctuel de Poisson stationnaire dans D rectangulaire. Afin d'alléger la présentation, on admet que D
est un hyper cube unitaire [0,1]" à n dimensions. Soientxl et x2 deux points indépendants uniformément tirés dans [0,1]" . Nous définissons une trajectoire entre x1 et x2 par x(t) = G[G-' (x1 ) cos t + G-1 (x~ ) sin t] (2) où G est Ia fonction de répartition gaussienne centrée et réduite. Selon l'algorithme de 1o déformation graduelle décrit dans le brevet FR 2 780 798 précité, pour tout t , x(t) est un point uniforme dans [0,1]" . Quand les deux points sont fixés, la trajectoire de la migration graduelle entre eux est entièrement déterminée. Le changement d'emplacement d'un des deux points changera la trajectoire de migration. On peut montrer que la trajectoire définie par l'équation (2), est symétrique par rapport au centre du domaine [0,1]" , et ceci quel que soit le nombre de dimensions n . Cela suggère que même si les deux points sont isolés dans un coin/côté du domaine, la trajectoire de la migration graduelle entre eux peut toujours atteindre la partie opposée du domaine.
Migration d'un processus ponctuel de Poisson non-stationnaire On considère maintenant le processus ponctuel de Poisson dans un domaine D de 2o densité ~.(x) de forme générale. Le nombre de points dans D est une variable aléatoire de Poisson de moyenne iL(D) = f ~,(x)dx . Ces points sont distribués indépendamment dans D
D suivant la fonction de densité de probabilité
f (x) _ ~1.(x) l ~,(D) x E D (3) La simulation d'un processus ponctuel de Poisson de densité ~.(x) dans D peut se réaliser en deux étapes:
- générer un nombre n selon la loi de Poisson de moyenne égale à ~,(D) , puis Ö
- générer n points dans D indépendamment les uns des autres selon la même densité de probabilité f (x) .
On peut voir sur l'exemple de la Fig.lA une fonction de densité, et sur celui de la Fig.lB, une réalisation de processus ponctuel de Poisson de densité~,(x) .
Si on simule la loi f (x) par l'inversion de sa fonction de répartition, le point x correspond alors à un vecteur uniforme u . On peut donc appliquer l' algorithme de migration graduelle au processus ponctuel de Poisson de densité ~,(x) . Par construction, cette méthode préserve la densité et le nombre de points du processus initial.
Les Fig.2A à
2D montrent quatre exemples de trajectoire de migration.
Prenons l'exemple du processus ponctuel de Poisson non-stationnaire dans un domaine en deux dimensions D = [0,1]z dont la densité est linéairement croissante dans l'axe X et constante dans l'axe Y. Soit (x, y) le vecteur des coordonnées d'un point dans D de ce processus. Alors (x, y) admet la densité de probabilité bivariable f (x, y) = Zx, (x, y) E [0,1]2. (4) La simulation d'un point selon la loi (4) précédente est simple:
- générer l'abscisse x selon la densité linéaire f (x) = 2x, puis - générer l'ordonnée y uniformément entre 0 et 1. Soient x = ~ (5) y=v où u et v sont deux nombres indépendants et uniformes entre 0 et 1.
Nous pouvons ainsi appliquer l'algorithme de migration graduelle (2) au vecteur uniforme (ac, v) afin d'établir une trajectoire de migration du point (x, y) dans D .
En pratique, la fonction de densité ~,(x) est souvent sous forme de grille. A
titre d'exemple, on considère le cas d'une grille en 2 dimensions de M x N noeuds.
Soient x; et yl les coordonnées du noeud (i, j) . La loi marginale de x~ est alors N
.¿(xr)=~.f(x;~yj) (6) j=1 et la loi conditionnelle de yj sachant x; vaut f~;(Yj)=.¿(x~~y~)~.¿(xr) ( A partir de ces lois de probabilité monovariables, il est aisé de générer les points du processus de Poisson de densité ~.(x) sur une grille.
Afin d'illustration, nous avons construit une fonction de densité en deux dimensions à partir d'une simulation gaussienne centrée et réduite. Le variogramme est anisotrope et de type gaussien. Les directions principales d'anisotropie sont diagonales par rapport au système des coordonnées. Les facteurs d'échelle dans les directions principales d' anisotropie sont de 0.3 et 0.1 respectivement. La taille du champ est de 1x 1 et il est discrétisé en 1000x1000 pixels. Les nombres gaussiens sont transfoumés en nombres positifs selon l'expression suivante ~,(x) = 400e~Y~z~ (8) où Y(x) est la simulation gaussienne. La Fig. 1A montre la fonction de densité
ainsi construite. La figure 1B montre une réalisation de processus ponctuel de Poisson admettant la fonction de densitê de la Fig 1A. 2000 points sont générés selon la méthode séquentielle.
Les Fig.4A à 4H illustrent l'évolution d'une réalisation du processus de Poisson lors de la migration graduelle des points. On peut constater qu'au cours de la migration, la densité de points est respectée.
Migration d'objets de simulations booléennes conditionnelles La méthode ci-dessus peut être immédiatement appliquée à la migration d'un domaine S de forme quelconque dans D . En fait, la migration d'un point dans S
peut être réalisée dans D en utilisant la fonction de densité de probabilité tronquée .¿s (x) _ ~(x)l.~s ~~~5), x É D, S c D . (9) ?5 Par l'algorithme d'itération markovienne décrit dans la référence à
Lantuéjoul, 1997, on peut simuler un modèle booléen dans un domaine D sachant que deux sous-ensembles C, et Co de D appartiennent respectivement à l'union des objets et à
son complément. Ensuite, les algorithmes de migration dans un domaine quelconque peuvent être utilisés pour la déformation graduelle des simulations booléennes conditionnées par des données géométriques des puits. En effet, à partir d'une simulation booléenne 5 conditionnelle et sans compromettre le conditionnement par Cl et Co , les objets doivent se déplacer uniquement dans leurs domaines respectifs définis selon les formes des objets et la configuration de CI et Co .
Considérons un objet A d'une réalisation booléenne conditionnelle, qui inclut un sous-ensemble C1A de Cl et exclut Co . Si lors de la migration de A , il doit toujours inclut 10 C,A mais exclut Co , le domaine autorisé de migration de l'objet A est:
DA = ~x : Co n Ax = ~'Q; C1A c Ax ~ ( 10) La Fig. 3 montre un cas avec trois points conditionnant et les huit domaines possibles de migration d'un disque. Si par exemple le disque doit toujours couvrir les points (a) et (b) mais éviter le point (c), alors son centre peut se déplacer séulement dans le ~5 domaine 3.
Migration avec apparition et disparition de points Le nombre de points dans D d'un processus ponctuel suit une loi de Poisson de paramètre ~.(D) . Il est donc nécessaire de faire varier le nombre de points dans D au cours de leur migration. Dans cette section, nous présentons d'abord deux méthodes pour 2o construire des chaînes de nombres poissonniens, et ensuite nous verrons comment.migrer entre deux ensembles de points dont les cardinaux ne sont pas identiques.
Nous cherchons à construire une chaîne de nombres poissoniens entre deux nombres poissoniens Nl et N2, générés indépendamment par l'inversion de la fonction de répartition. Soient Ul et U, deux nombres uniformes (entre 0 et 1) indépendants à partir 25 desquels sont obtenus les nombres N, et NZ
N' F 1(U') (11) N~ = F ' (Uz ) où F-' dësigne la fonction de répartition inverse de la loi de Poisson. Selon l'algorithme de déformation graduelle, nous pouvons construire une chaîne de nombres uniformes entre U, et U~ par U(t) = G[G-1 (U, ) cos t + G-' (U2 ) sin t] . (12) En inversant la fonction de répartition de la loi de Poisson, on obtient une chaîne de nombres poissonniens N(t) = F-' [U(t)] . (13) Le calcul de la fonction de répartition inverse peut s'effectuer par dichotomie.
Néanmoins, si le paramètre de la loi de Poisson est trop grand, cette méthode reste quelque Io peu coûteux.
Pour éviter le calcul de la fonction de répartition inverse de la loi de Poisson, on peut envisager une autre façon de générer les nombres poissoniens. On sait que le nombre de sauts, d'un processus de Poisson de paramètre unité, dans un segment de longueur ~. , suit précisément une loi de Poisson de paramètre ~, . Simuler un processus de Poisson est chose simple. En effet, les intervalles entre deux sauts consécutifs du processus sont indépendants et suivent la loi exponentielle de paramètre 1. En déformant graduellement les segments exponentiels, on obtient une chaîne de nombres poissoniens. Il est aisé de construire une chaîne de nombres exponentiels, car le calcul de la fonction de répartition inverse de la loi exponentielle est simple. On rappelle ici que la fonction de répartition de la loi exponentielle de paramètre 1 s'écrit F(s)=1-e-S, s>0 (14) et sa fonction inverse s'écrit F-' (u) =-ln(1-u), 0 < u < 1. (15) Toujours est-il que, comme le nombre de sauts dans le segment de longueur ~, est en moyenne égal à ~, , le nombre de chaînes de nombres exponentiels est en moyenne proche de ~, .
Considérons maintenant la migration d'un ensemble de N, points (ensemble 1) à
un ensemble de N2 points (ensemble 2). Comme N, $ N2, la migration de l'ensemble 1 à
l'ensemble 2 implique nécessairement l'apparition ou la disparition de certain points. Le nombre de points à apparaître ou à disparaître est déterminé par la chaîne de nombres poissoniens entre N, et N2. L'algorithme de migration est le suivant a) Calculer le nombre maximal N~x de la chaîne N(t) .
b) Compléter l'ensemble 1 de N~x -Nl points et l'ensemble 2 de N~x -NZ
points.
c) Pour chaque ensemble, classer les points de 1 à N",~x . Tous les points initiaux sont classés au début.
d) Calculer la trajectoire de migration du point n de l'ensemble 1 au point n de l'ensemble 2. ( n =1,2,..., NmaX ) e) A chaque état t de l'ensemble, supprimer les N,~,~ - N(t) derniers points.
Migration d'un processus ponctuel de Poisson stationnaire Considérons le problème de migration d'une réalisation d'un processus ponctuel de Poisson stationnaire dans D rectangulaire. Afin d'alléger la présentation, on admet que D
est un hyper cube unitaire [0,1]" à n dimensions. Soientxl et x2 deux points indépendants uniformément tirés dans [0,1]" . Nous définissons une trajectoire entre x1 et x2 par x(t) = G[G-' (x1 ) cos t + G-1 (x~ ) sin t] (2) où G est Ia fonction de répartition gaussienne centrée et réduite. Selon l'algorithme de 1o déformation graduelle décrit dans le brevet FR 2 780 798 précité, pour tout t , x(t) est un point uniforme dans [0,1]" . Quand les deux points sont fixés, la trajectoire de la migration graduelle entre eux est entièrement déterminée. Le changement d'emplacement d'un des deux points changera la trajectoire de migration. On peut montrer que la trajectoire définie par l'équation (2), est symétrique par rapport au centre du domaine [0,1]" , et ceci quel que soit le nombre de dimensions n . Cela suggère que même si les deux points sont isolés dans un coin/côté du domaine, la trajectoire de la migration graduelle entre eux peut toujours atteindre la partie opposée du domaine.
Migration d'un processus ponctuel de Poisson non-stationnaire On considère maintenant le processus ponctuel de Poisson dans un domaine D de 2o densité ~.(x) de forme générale. Le nombre de points dans D est une variable aléatoire de Poisson de moyenne iL(D) = f ~,(x)dx . Ces points sont distribués indépendamment dans D
D suivant la fonction de densité de probabilité
f (x) _ ~1.(x) l ~,(D) x E D (3) La simulation d'un processus ponctuel de Poisson de densité ~.(x) dans D peut se réaliser en deux étapes:
- générer un nombre n selon la loi de Poisson de moyenne égale à ~,(D) , puis Ö
- générer n points dans D indépendamment les uns des autres selon la même densité de probabilité f (x) .
On peut voir sur l'exemple de la Fig.lA une fonction de densité, et sur celui de la Fig.lB, une réalisation de processus ponctuel de Poisson de densité~,(x) .
Si on simule la loi f (x) par l'inversion de sa fonction de répartition, le point x correspond alors à un vecteur uniforme u . On peut donc appliquer l' algorithme de migration graduelle au processus ponctuel de Poisson de densité ~,(x) . Par construction, cette méthode préserve la densité et le nombre de points du processus initial.
Les Fig.2A à
2D montrent quatre exemples de trajectoire de migration.
Prenons l'exemple du processus ponctuel de Poisson non-stationnaire dans un domaine en deux dimensions D = [0,1]z dont la densité est linéairement croissante dans l'axe X et constante dans l'axe Y. Soit (x, y) le vecteur des coordonnées d'un point dans D de ce processus. Alors (x, y) admet la densité de probabilité bivariable f (x, y) = Zx, (x, y) E [0,1]2. (4) La simulation d'un point selon la loi (4) précédente est simple:
- générer l'abscisse x selon la densité linéaire f (x) = 2x, puis - générer l'ordonnée y uniformément entre 0 et 1. Soient x = ~ (5) y=v où u et v sont deux nombres indépendants et uniformes entre 0 et 1.
Nous pouvons ainsi appliquer l'algorithme de migration graduelle (2) au vecteur uniforme (ac, v) afin d'établir une trajectoire de migration du point (x, y) dans D .
En pratique, la fonction de densité ~,(x) est souvent sous forme de grille. A
titre d'exemple, on considère le cas d'une grille en 2 dimensions de M x N noeuds.
Soient x; et yl les coordonnées du noeud (i, j) . La loi marginale de x~ est alors N
.¿(xr)=~.f(x;~yj) (6) j=1 et la loi conditionnelle de yj sachant x; vaut f~;(Yj)=.¿(x~~y~)~.¿(xr) ( A partir de ces lois de probabilité monovariables, il est aisé de générer les points du processus de Poisson de densité ~.(x) sur une grille.
Afin d'illustration, nous avons construit une fonction de densité en deux dimensions à partir d'une simulation gaussienne centrée et réduite. Le variogramme est anisotrope et de type gaussien. Les directions principales d'anisotropie sont diagonales par rapport au système des coordonnées. Les facteurs d'échelle dans les directions principales d' anisotropie sont de 0.3 et 0.1 respectivement. La taille du champ est de 1x 1 et il est discrétisé en 1000x1000 pixels. Les nombres gaussiens sont transfoumés en nombres positifs selon l'expression suivante ~,(x) = 400e~Y~z~ (8) où Y(x) est la simulation gaussienne. La Fig. 1A montre la fonction de densité
ainsi construite. La figure 1B montre une réalisation de processus ponctuel de Poisson admettant la fonction de densitê de la Fig 1A. 2000 points sont générés selon la méthode séquentielle.
Les Fig.4A à 4H illustrent l'évolution d'une réalisation du processus de Poisson lors de la migration graduelle des points. On peut constater qu'au cours de la migration, la densité de points est respectée.
Migration d'objets de simulations booléennes conditionnelles La méthode ci-dessus peut être immédiatement appliquée à la migration d'un domaine S de forme quelconque dans D . En fait, la migration d'un point dans S
peut être réalisée dans D en utilisant la fonction de densité de probabilité tronquée .¿s (x) _ ~(x)l.~s ~~~5), x É D, S c D . (9) ?5 Par l'algorithme d'itération markovienne décrit dans la référence à
Lantuéjoul, 1997, on peut simuler un modèle booléen dans un domaine D sachant que deux sous-ensembles C, et Co de D appartiennent respectivement à l'union des objets et à
son complément. Ensuite, les algorithmes de migration dans un domaine quelconque peuvent être utilisés pour la déformation graduelle des simulations booléennes conditionnées par des données géométriques des puits. En effet, à partir d'une simulation booléenne 5 conditionnelle et sans compromettre le conditionnement par Cl et Co , les objets doivent se déplacer uniquement dans leurs domaines respectifs définis selon les formes des objets et la configuration de CI et Co .
Considérons un objet A d'une réalisation booléenne conditionnelle, qui inclut un sous-ensemble C1A de Cl et exclut Co . Si lors de la migration de A , il doit toujours inclut 10 C,A mais exclut Co , le domaine autorisé de migration de l'objet A est:
DA = ~x : Co n Ax = ~'Q; C1A c Ax ~ ( 10) La Fig. 3 montre un cas avec trois points conditionnant et les huit domaines possibles de migration d'un disque. Si par exemple le disque doit toujours couvrir les points (a) et (b) mais éviter le point (c), alors son centre peut se déplacer séulement dans le ~5 domaine 3.
Migration avec apparition et disparition de points Le nombre de points dans D d'un processus ponctuel suit une loi de Poisson de paramètre ~.(D) . Il est donc nécessaire de faire varier le nombre de points dans D au cours de leur migration. Dans cette section, nous présentons d'abord deux méthodes pour 2o construire des chaînes de nombres poissonniens, et ensuite nous verrons comment.migrer entre deux ensembles de points dont les cardinaux ne sont pas identiques.
Nous cherchons à construire une chaîne de nombres poissoniens entre deux nombres poissoniens Nl et N2, générés indépendamment par l'inversion de la fonction de répartition. Soient Ul et U, deux nombres uniformes (entre 0 et 1) indépendants à partir 25 desquels sont obtenus les nombres N, et NZ
N' F 1(U') (11) N~ = F ' (Uz ) où F-' dësigne la fonction de répartition inverse de la loi de Poisson. Selon l'algorithme de déformation graduelle, nous pouvons construire une chaîne de nombres uniformes entre U, et U~ par U(t) = G[G-1 (U, ) cos t + G-' (U2 ) sin t] . (12) En inversant la fonction de répartition de la loi de Poisson, on obtient une chaîne de nombres poissonniens N(t) = F-' [U(t)] . (13) Le calcul de la fonction de répartition inverse peut s'effectuer par dichotomie.
Néanmoins, si le paramètre de la loi de Poisson est trop grand, cette méthode reste quelque Io peu coûteux.
Pour éviter le calcul de la fonction de répartition inverse de la loi de Poisson, on peut envisager une autre façon de générer les nombres poissoniens. On sait que le nombre de sauts, d'un processus de Poisson de paramètre unité, dans un segment de longueur ~. , suit précisément une loi de Poisson de paramètre ~, . Simuler un processus de Poisson est chose simple. En effet, les intervalles entre deux sauts consécutifs du processus sont indépendants et suivent la loi exponentielle de paramètre 1. En déformant graduellement les segments exponentiels, on obtient une chaîne de nombres poissoniens. Il est aisé de construire une chaîne de nombres exponentiels, car le calcul de la fonction de répartition inverse de la loi exponentielle est simple. On rappelle ici que la fonction de répartition de la loi exponentielle de paramètre 1 s'écrit F(s)=1-e-S, s>0 (14) et sa fonction inverse s'écrit F-' (u) =-ln(1-u), 0 < u < 1. (15) Toujours est-il que, comme le nombre de sauts dans le segment de longueur ~, est en moyenne égal à ~, , le nombre de chaînes de nombres exponentiels est en moyenne proche de ~, .
Considérons maintenant la migration d'un ensemble de N, points (ensemble 1) à
un ensemble de N2 points (ensemble 2). Comme N, $ N2, la migration de l'ensemble 1 à
l'ensemble 2 implique nécessairement l'apparition ou la disparition de certain points. Le nombre de points à apparaître ou à disparaître est déterminé par la chaîne de nombres poissoniens entre N, et N2. L'algorithme de migration est le suivant a) Calculer le nombre maximal N~x de la chaîne N(t) .
b) Compléter l'ensemble 1 de N~x -Nl points et l'ensemble 2 de N~x -NZ
points.
c) Pour chaque ensemble, classer les points de 1 à N",~x . Tous les points initiaux sont classés au début.
d) Calculer la trajectoire de migration du point n de l'ensemble 1 au point n de l'ensemble 2. ( n =1,2,..., NmaX ) e) A chaque état t de l'ensemble, supprimer les N,~,~ - N(t) derniers points.
Claims (5)
1) Méthode pour déformer graduellement une réalisation initiale formée d'après des mesures ou observations et définissant la répartition d'un ensemble d'objets dans une zone d'un milieu hétérogène tel qu'une structure géologique, générée par simulation d'un modèle stochastique de type objet, les objets étant répartis dans la zone suivant un processus ponctuel de Poisson sous forme de points figuratifs avec une densité
de points ~(x) qui varie en fonction de leur position (x) dans la zone, caractérisée en ce que:
- on génère une réalisation d'un vecteur aléatoire uniforme selon lequel la position de chaque objet est définie tout en respectant la densité ~(x); et - on modifie graduellement le vecteur aléatoire uniforme selon une procédure de déformation graduelle, pour obtenir la migration graduelle de chaque objet et par conséquent le changement graduel de la répartition des objets dans la zone, jusqu'à
obtenir une réalisation finale ajustée au mieux à des paramètres relatifs à la structure du milieu tels que des paramètres hydrodynamiques, donnant une représentation réaliste de la configuration des objets dans le milieu hétérogène modélisé.
de points ~(x) qui varie en fonction de leur position (x) dans la zone, caractérisée en ce que:
- on génère une réalisation d'un vecteur aléatoire uniforme selon lequel la position de chaque objet est définie tout en respectant la densité ~(x); et - on modifie graduellement le vecteur aléatoire uniforme selon une procédure de déformation graduelle, pour obtenir la migration graduelle de chaque objet et par conséquent le changement graduel de la répartition des objets dans la zone, jusqu'à
obtenir une réalisation finale ajustée au mieux à des paramètres relatifs à la structure du milieu tels que des paramètres hydrodynamiques, donnant une représentation réaliste de la configuration des objets dans le milieu hétérogène modélisé.
2) Méthode selon la revendication 1, caractérisée en ce qu'on limite la migration des points figuratifs d'objets dans un sous-domaine de la zone en imposant une densité de points nulle dans la partie complémentaire du sous-domaine.
3) Méthode selon la revendication 1 ou 2, caractérisée en ce que l'on passe graduellement d'une réalisation contenant un premier ensemble de N1 points à
une réalisation contenant un deuxième ensemble de N2 points en construisant une chaîne N(t) de nombres de Poisson entre les deux nombres N1 et N2 en utilisant la procédure de déformation graduelle.
une réalisation contenant un deuxième ensemble de N2 points en construisant une chaîne N(t) de nombres de Poisson entre les deux nombres N1 et N2 en utilisant la procédure de déformation graduelle.
4) Méthode selon l'une des revendications 1 à 3, caractérisée en ce que l'on modifie graduellement la taille, la forme et l'orientation d'un objet au cours de sa migration en utilisant la procédure de déformation graduelle.
5) Méthode selon l'une des revendications 1 à 4, caractérisée en ce que l'on ajuste graduellement la densité de points ~,(x) en utilisant la procédure de déformation graduelle.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0103194A FR2821946B1 (fr) | 2001-03-07 | 2001-03-07 | Methode pour deformer graduellement une repartition intiale d'objets dans un milieu heterogene, generee par simulation d'un modele stochastique de type objet, pour l'adapter au mieux a des contraintes physiques imposees |
| FR0103194 | 2001-03-07 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CA2374896A1 true CA2374896A1 (fr) | 2002-09-07 |
| CA2374896C CA2374896C (fr) | 2013-01-08 |
Family
ID=8860907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CA2374896A Expired - Fee Related CA2374896C (fr) | 2001-03-07 | 2002-03-06 | Methode pour deformer graduellement une repartition initiale d'objets dans un milieu heterogene pour l'adapter a des contraintes physiques imposees |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US7151845B2 (fr) |
| CA (1) | CA2374896C (fr) |
| FR (1) | FR2821946B1 (fr) |
| GB (1) | GB2377786B (fr) |
| NL (1) | NL1020107C2 (fr) |
| NO (1) | NO334508B1 (fr) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2821946B1 (fr) * | 2001-03-07 | 2003-05-16 | Inst Francais Du Petrole | Methode pour deformer graduellement une repartition intiale d'objets dans un milieu heterogene, generee par simulation d'un modele stochastique de type objet, pour l'adapter au mieux a des contraintes physiques imposees |
| US7020307B2 (en) * | 2002-02-15 | 2006-03-28 | Inco Limited | Rock fragmentation analysis system |
| FR2852710B1 (fr) * | 2003-03-18 | 2005-04-29 | Inst Francais Du Petrole | Methode pour former rapidement un modele stochastique representatif de la distribution d'une grandeur physique dans un milieu heterogene par une selection appropriee de realisations geostatistiques |
| FR2857764B1 (fr) | 2003-07-18 | 2005-08-26 | Inst Francais Du Petrole | Methode de deformation graduelle d'un modele booleen de simulation d'un milieu heterogene, contraint par des donnees dynamiques |
| FR2862765B1 (fr) | 2003-11-20 | 2006-10-27 | Inst Francais Du Petrole | Methode pour former un modele stochastique optimal d'une zone souterraine heterogene, cale sur des donnees dynamiques par parametrisation de distributions continues |
| FR2871897B1 (fr) * | 2004-06-21 | 2006-08-11 | Inst Francais Du Petrole | Methode pour deformer une image sismique pour interpretation amelioree |
| AU2005285360B2 (en) * | 2004-09-10 | 2011-02-03 | Exxonmobil Upstream Research Company | A method for constructing geologic models of subsurface sedimentary volumes |
| FR2914434B1 (fr) | 2007-03-30 | 2009-05-22 | Inst Francais Du Petrole | Methode de calage d'historique d'un modele geologique par modification graduelle des proportions des facies lithologiques |
| US7907784B2 (en) * | 2007-07-09 | 2011-03-15 | The United States Of America As Represented By The Secretary Of The Commerce | Selectively lossy, lossless, and/or error robust data compression method |
| WO2011043862A1 (fr) | 2009-10-07 | 2011-04-14 | Exxonmobil Upstream Research Company | Modèles physiques discrets et simulations de régions souterraines, et leurs procédés de création et d'utilisation |
| US8930170B2 (en) * | 2009-11-18 | 2015-01-06 | Conocophillips Company | Attribute importance measure for parametric multivariate modeling |
| FR2953039B1 (fr) * | 2009-11-26 | 2012-01-13 | Inst Francais Du Petrole | Methode d'exploitation d'un gisement petrolier par reconstruction de modele de reservoir |
| CN115081725B (zh) * | 2022-07-07 | 2023-08-01 | 中国长江三峡集团有限公司 | 一种喀斯特地貌下污染物溶质分布的预测方法及装置 |
| CN117572495B (zh) * | 2023-10-24 | 2024-05-17 | 成都理工大学 | 一种裂缝尺度定量预测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5285395A (en) * | 1991-01-14 | 1994-02-08 | Kabushiki Kaisha Toshiba | Distribution generation system, and optimization system that adopts distribution generation system |
| JP2548880B2 (ja) * | 1992-04-23 | 1996-10-30 | インターナショナル・ビジネス・マシーンズ・コーポレイション | 空間分割型確率シミュレーション・システムおよび物質エネルギー・システムをシミュレートする方法 |
| JP3163185B2 (ja) * | 1992-11-27 | 2001-05-08 | 株式会社東芝 | パターン認識装置およびパターン認識方法 |
| FR2780798B1 (fr) * | 1998-07-01 | 2000-12-08 | Inst Francais Du Petrole | Methode pour deformer graduellement un modele stochastique d'un milieu heterogene tel qu'une zone souterraine |
| FR2795841B1 (fr) * | 1999-07-02 | 2001-08-10 | Inst Francais Du Petrole | Methode pour deformer graduellement des simulations sequentielles d'un milieu heterogene tel qu'une zone souterraine |
| FR2821946B1 (fr) * | 2001-03-07 | 2003-05-16 | Inst Francais Du Petrole | Methode pour deformer graduellement une repartition intiale d'objets dans un milieu heterogene, generee par simulation d'un modele stochastique de type objet, pour l'adapter au mieux a des contraintes physiques imposees |
| US7085426B2 (en) * | 2001-10-15 | 2006-08-01 | Jonas August | Volterra filters for enhancement of contours in images |
-
2001
- 2001-03-07 FR FR0103194A patent/FR2821946B1/fr not_active Expired - Lifetime
-
2002
- 2002-03-04 NL NL1020107A patent/NL1020107C2/nl not_active IP Right Cessation
- 2002-03-06 GB GB0205279A patent/GB2377786B/en not_active Expired - Fee Related
- 2002-03-06 NO NO20021104A patent/NO334508B1/no not_active IP Right Cessation
- 2002-03-06 CA CA2374896A patent/CA2374896C/fr not_active Expired - Fee Related
- 2002-03-07 US US10/091,454 patent/US7151845B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CA2374896C (fr) | 2013-01-08 |
| GB0205279D0 (en) | 2002-04-17 |
| FR2821946A1 (fr) | 2002-09-13 |
| NO334508B1 (no) | 2014-03-24 |
| NO20021104D0 (no) | 2002-03-06 |
| GB2377786A (en) | 2003-01-22 |
| GB2377786B (en) | 2004-09-15 |
| NL1020107C2 (nl) | 2002-09-10 |
| US7151845B2 (en) | 2006-12-19 |
| FR2821946B1 (fr) | 2003-05-16 |
| US20020159617A1 (en) | 2002-10-31 |
| NO20021104L (no) | 2002-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3144468B1 (fr) | Procédé pour caracteriser le réseau de fractures d'un gisement fracture et procédé pour l'exploiter | |
| CA2374896C (fr) | Methode pour deformer graduellement une repartition initiale d'objets dans un milieu heterogene pour l'adapter a des contraintes physiques imposees | |
| CA2516540C (fr) | Methode pour elaborer plus rapidement un modele stochastique representatif d`un reservoir heterogene souterrain, contraint par des donnees statiques et dynamiques incertaines | |
| EP1584951B1 (fr) | Procédé, dispositif et produit-programme de simulation stochastique de paléo chenaux ou de paléo structure géologiques | |
| EP1637904B1 (fr) | Méthode pour génerer un modèle de reservoir sur maillage flexible | |
| EP2400320B1 (fr) | Procédé d'exploitation d'un gisement pétrolier à partir d'un modèle de réservoir déformé graduellement au moyen de cosimulations | |
| Bokulich et al. | Models in geosciences | |
| FR2846767A1 (fr) | Methode pour former plus rapidement un modele stochastique representatif d'un reservoir heterogene souterrain, contraint par des donnees dynamiques | |
| FR2890453A1 (fr) | Methode pour mettre a jour un modele geologique de reservoir a l'aide de donnees dynamiques | |
| EP1978379A1 (fr) | Méthode pour modifier graduellement des proportions de faciés lithologiques d'un modéle géologique | |
| EP1110106B1 (fr) | Methode pour deformer graduellement des simulations sequentielles d'un milieu heterogene tel qu'une zone souterraine | |
| CA2276853C (fr) | Methode pour deformer graduellement un modele stochastique d'un milieu heterogene tel qu'une zone souterraine | |
| EP2479590B1 (fr) | Procédé pour mettre à jour un modèle de réservoir en temps réel à partir de données dynamiques tout en conservant sa cohérence avec les observations statiques | |
| CA2732474C (fr) | Methode de calage d'historique d'un modele geologique comportant un reseau de failles sub-sismiques | |
| FR2953039A1 (fr) | Methode d'exploitation d'un gisement petrolier par reconstruction de modele de reservoir | |
| Walsh et al. | Connectivity in pixel-based facies models | |
| EP1498748B1 (fr) | Méthode de déformation graduelle d'un modèle booléen de simulation d'un milieu hétérogène, contraint par des données dynamiques | |
| Manzocchi et al. | Compression-based facies modelling | |
| Al-Shamma et al. | History matching of the Valhall field using a global optimization method and uncertainty assessment | |
| Bonnasse-Gahot | High order discontinuous Galerkin methods for time-harmonic elastodynamics | |
| Soares et al. | Incorporating secondary information using direct sequential cosimulation | |
| Caetano et al. | Constraining multiple-point facies models to seismic amplitude data | |
| CN120930297A (zh) | 地层沉积反演数值模拟加速方法及系统 | |
| Szklarz et al. | A case study of the history matching of a sector of the norne field using the ensemble kalman filter | |
| Caeiro et al. | Geostatistical modeling of complex deltaic reservoirs integrating production data through optimized history matching |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EEER | Examination request | ||
| MKLA | Lapsed |
Effective date: 20190306 |