Mô Hình Hóa Tướng

  • Published on
    08-Jan-2016

  • View
    11

  • Download
    1

DESCRIPTION

Facies Modeling

Transcript

Báo cáo Địa thống kê trong mô hình hóa vỉa GVHD: TS. Tạ Quốc Dũng Báo cáo Địa thống kê trong mô hình hóa vỉa GVHD: TS. Tạ Quốc Dũng I. Mô hình tướng dựa trên Variogram (Variogram – based facies modeling): 1. Chọn phương pháp thích hợp: Các tướng được phân biệt bởi kích cỡ hạt khác nhau hoặc quá trình biến đổi tạo đá khác nhau. Có nhiều sự phân biệt rõ ràng giữa chất lượng vỉa cát kết và sét kết, giữa đá vôi và dolomite. Mối quan tâm của chúng ta là không phải các loại tướng được xác định như thế nào, nhưng cách xây dựng sự phân bố thực 3D của các tướng có thể được sử dụng trong chuỗi ra quyết định vỉa. Câu hỏi đầu tiên là liệu có phải mô hình tướng trước khi mô hình độ rỗng và độ thấm. Xem xét một số lý do dưới đây: · Các loại tướng đá phải có kiểm soát đáng kể trên độ rỗng, độ thấm hoặc hàm bão hòa; mặt khác mô hình 3D phân bố các tướng sẽ được lợi ích nhỏ do độ bất định sẽ không được giảm và các mô hình kết quả sẽ không có năng lực dự đoán nhiều. Kiểm soát đáng kể: Biểu đồ phân phối tần suất của độ rỗng hoặc độ thấm trong các tướng khác nhau nên có sự khác biệt đáng kể về giá trị trung bình, phương sai, và hình dạng, ví dụ, hơn 30%. Đo lường hàm độ bão hòa giữa các tướng không nên chồng lên nhau. · Các tướng phải được nhận biết tại các vị trí giếng, từ dữ liệu log giếng cũng như từ dữ liệu mẫu lõi. Kiểm tra cẩn thận dữ liệu mẫu lõi cho phép nhận biết nhiều tướng, tuy nhiên, sẽ có độ bất định lớn trong mô hình 3D của các tướng chi tiết này nếu chúng không thể được xác định từ lượng lớn dữ liệu log giếng. Sự xem xét này là dễ dàng để kiểm tra. · Các ràng buộc trong sự lựa chọn các tướng là chúng phải có mô hình không gian biến thiên đơn giản. Sự phân phối các tướng nên được mô hình dễ dàng như dự đoán trực tiếp độ rỗng và độ thấm. Lựa chọn các tướng là một trường hợp khó khăn mà có thể không có giải pháp rõ ràng. Sự đơn giản là được ưa thích. Hai tướng, một loại đá chứa “thực” (“net”) và một loại đá “không thực” (“non – net”) thường là đủ. Có tối đa năm loại tướng khác nhau (ba tướng “thực” và 2 tướng “không thực”). Một khi các tướng được xác định, dữ liệu thích hợp phải được đánh giá và công nghệ mô hình 3D được chọn. Sự lựa chọn cho mô hình tướng là: · Mô hình địa thống kê dựa trên variogram (Variogram – based geostatistical modeling). · Thống kê nhiều điểm (Multiple – point statistic). · Mô hình ngẫu nhiên dựa trên đối tượng (Object – based stochastic modeling). · Phương pháp bắt chước (Process mimicking). · Lập bản đồ xác định (Deterministic mapping). Lập bản đồ xác định luôn được ưu tiên khi có đủ dữ liệu và bằng chứng về sự phân bố các tướng để loại bỏ bất kỳ sự nghi ngờ về sự phân bố 3D. Trong nhiều trường hợp, có bằng chứng về các hướng địa chất, nên bao gồm mô hình tướng ngẫu nhiên. Năm bước chính trong mô hình tướng ngẫu nhiên, mỗi bước · Dữ liệu giếng thích hợp với các thông tin khu vực và hướng địa chất thẳng đứng phải được tập hợp bên trong lớp địa tầng được mô hình. · Thuộc tính địa chấn thường liên quan đến các tướng trong một cách gần đúng, nếu có sẵn, dữ liệu địa chấn phải được kiểm tra để điều chỉnh xác suất các tướng. · Decluster, đại diện không gian, bất kỳ mô hình tướng nào cũng phải xác định tỷ lệ toàn cục. · Thống kê không gian như variogram, hình ảnh đào tạo, kích thước phân bố phải được tập hợp như đầu vào của mô hình ngẫu nhiên. · Mô hình 3D phải được xây dựng và hợp lệ. Kĩ thuật dựa trên Variogram thường được áp dụng để tạo các mô hình tướng trước khi mô hình hóa độ rỗng và độ thấm. Tính phổ biến của kĩ thuật dựa trên variogram là do: · Dữ liệu cục bộ được mô phỏng bởi sự xây dựng. · Các kiểm soát thông kê cần thiết (variogram) có thể được suy ra từ giới hạn dữ liệu giếng. · Dữ liệu địa chấn mềm và các hướng địa chất tỉ lệ lớn (large – scale) được xử lý minh bạch. · Các kết quả thực tế xuất hiện cho những thiết đặt địa chất nơi không có hình học tướng địa chất rõ ràng – khi các tướng đang kiểm soát quá trình tạo đá hoặc nơi các tướng trầm tích ít được cấu trúc, bán kính ngắn hoặc các mô hình biến thiên bị pha trộn. Nhiều hệ thống trầm tích (Multiple Depositional Systems/ Systems Tract) Một hệ thống trầm tích là một thành phần dưới mặt đất được suy ra từ một thiết lập trầm tích đặc trưng – ví dụ, trầm tích sông (fluvial), trầm tích châu thổ (deltaic), hệ thống mặt bờ - phần trũng hình lòng chảo, dốc nhưng ngắn ở trong thềm lục địa (shoreface systems) hoặc hệ thống trầm tích nước sâu (deepwater depositional systems). Các hệ thống trầm tích được liên kết di truyền được nhóm lại thành các hệ thống trầm tích (system tracts). Ví dụ, tổ hợp của hệ thống bờ biển và kênh sông (fluvial and coastal system) hoặc hệ thống châu thổ và nước sâu (deltaic and deepwater system). Nhiều vỉa rơi vào một thiết lập hệ thống trầm tích đơn. Như một kết quả, các tướng bất đồng nhất vẫn nhất quán, vì vậy, có nhiều lựa chọn mô hình thích hợp trên toàn bộ vỉa. Tuy nhiên, hệ thống trầm tích địa chất có thể thay đổi băng qua kích thước khu vực của mô hình, bởi vì hệ thống trầm tích chuyển tiếp có thể được chuyển tiếp hoặc vỉa có thể bao gồm nhiều thiết đặt trầm tích. Ví dụ, các tướng sông và tướng đất liên quan có thể chuyển tiếp rõ ràng thành các tướng châu thổ và tướng biển khác. Những sự thay đổi trong các tướng phải được tính toán cho mô hình tướng, sử dụng phương pháp mô hình dựa trên variogram hoặc các phương pháp mô hình khác. Hầu hều các phương pháp tướng có thể sử dụng thống kê không ổn định (nonstationary statistics) để tính toán cho những thay đổi trong thiết đặt trầm tích. Các phương pháp mô hình tướng cụ thể cung cấp cơ hội phù hợp để tính toán cho các chuyển tiếp. Phương pháp nhiều điểm (multiple – point – based methods) có thể làm việc với nhiều hình ảnh đào tạo (training images) được cung cấp trong mỗi thiết đặt trầm tích. Mô hình dựa trên đối tượng (Object – based modeling) có thể quen với việc xử lý các hướng – đối tượng được xây dựng để tăng dần thay đổi ngang qua vỉa. Một tiếp cận khác để tính toán cho những sự thay đổi tỉ lệ lớn trong hệ thống trầm tích là để xác định phân chia khu vực thành các vùng hoặc các miền tỉ lệ lớn. Khi đó, các tướng được mô hình riêng biệt trong mỗi vùng. Các vùng được mô hình liên tục từ gần nhất đến xa nhất, với điều kiện dữ liệu trùng lặp từ một vùng đến vùng kế tiếp. Sự mô phỏng thay đổi theo mức độ tăng dần trong các tướng tại các biên của các vùng. Mô hình riêng biệt cho các vùng khác nhau có thể gây nên tính gián đoạn nhân tạo tại các ranh giới. 2. Mô phỏng chỉ số liên tục (Sequential Indicator Simulation) (SIS): SIS được sử dụng rỗng rãi cho kiểm soát các tướng trong quá trình tạo đá do kết quả có sự biến thiên cao và có thể được đặc tính tốt với bất đẳng hướng và đo lường variogram tương quan không gian. Xét K tướng loại trừ lẫn nhau sk, k = 1, …, K. Chỉ số chuyển đổi (indicator transform) tại một vị trí cụ thể uj cho một tướng cụ thể sk là xác suất của tướng sk chiếm ưu thể tại vị trí đó: 1 nếu nó hiện diện và 0 nếu ngược lại. Có K chỉ số chuyển đổi tại mỗi vị trí dữ liệu. SIS bao gồm truy cập vào mỗi nút lưới theo một trình tự ngẫu nhiên. Tại mỗi nút lưới một mã tướng (facies code) sẽ được chỉ định theo các bước sau: · Tìm dữ liệu gần đó và các nút lưới được mô phỏng trước đây. · Xây dựng điều kiện phân bố bằng kiging - tính toán xác suất có mặt của mỗi tướng tại vị trí hiện tại, p*k, k = 1, …, K. · Vẽ một tướng được mô phỏng từ bộ xác suất. Toàn bộ quá trình này được lặp lại với số hạt giống ngẫu nhiên khác nhau để tạo ra nhiều sự thực hiện. Một đường dẫn ngẫu nhiên được xem xét để tránh bất kỳ sự giả tạo mà có thể là kết quả từ một tổ hợp của một đường dẫn thường xuyên và một tìm kiếm hạn chế, nó cần thiết để giới hạn kích cỡ ma trận kriging. Dữ liệu gốc và các giá trị mô phỏng trước đó đều được sử dụng để thực hiện đúng cấu trúc không gian giữa các dữ liệu gốc, giữa dữ liệu gốc và các giá trị được mô phỏng và giữa các cặp giá trị được mô phỏng. Figure 1: Tầm nhìn nghiêng với mặt cắt đường phương, góc cắm và lát cắt địa tầng của của một phép thể hiện SIS dựa trên tỉ lệ biến cục bộ về đá vôi sinh vật tại chỗ (boundstone), đá hạt (grainstone), dăm kết (breccia) và đá bùn (mudstone). Hình 1 là một ví dụ của SIS từ vỉa Carbonate từ bồn trũng tổng hợp Paleo. Mô hình gồm bốn tướng đá vôi sinh vật tại chỗ, đá hạt, dăm kết và đá bùn. Đá vôi sinh vật tại chỗ và đá hạt dọc theo đường phương liên tục tốt hơn, dăm kết liên tục tốt hơn dọc theo góc cắm. Chúng là địa chất được kỳ vọng và được mô hình với chỉ số variogram định hướng (directional indicator variograms). Tỉ lệ variogram cục bộ được áp dụng để áp đặt các hướng trong mô phỏng tướng với ưu thế đá vôi sinh vật tại chỗ trên đỉnh ám tiêu (reef), đá hạt và dăm kết trên sườn và đá bùn trở nên phổ biến hơn về phía bờ từ đỉnh ám tiêu. Figure 2: Tầm nhìn nghiêng với mặt cắt đường phương, góc cắm và lát cắt địa tầng của một phép thể hiện SIS và tỉ lệ biến cục bộ cho cát (sand), lớp kẹp cát và sét (interbedded sand and shale) và sét (shale). Hình 2 là một ví dụ ứng dụng SIS cho vỉa châu thổ (Deltaic Reservoir) từ bồn trũng tổng hợp Paleo. Trong mô hình này, ba chỉ sô variogram được mô hình cho cát, cát kẹp, và sét. Tỉ lệ biến cục bộ cho mỗi tướng được áp đặt cho các hướng với cát chiếm ưu thế ở gốc châu thổ, lớp kẹp cát và sét ở trung tâm châu thổ, và sét ở rìa châu thổ. Tính liên tục của cát và sét thấp hơn của lớp kẹp cát và sét được áp đặt bởi mô hình chỉ số variogram. Không có thứ tự tướng rõ ràng trong phép thực hiện SIS. Thậm chí với một bán kính thẳng đứng rất ngắn cho mỗi tướng, các mô hình hóa hướng tướng tập trung mỗi tướng trong phần riêng biệt của mô hình, và điều này làm tăng tính liên kết theo chiều thẳng đứng của các tướng trong phép thực hiện. Dữ liệu địa chấn trong SIS (Seismic Data in SIS) Dữ liệu địa chấn thường là giá trị tuyệt vời trong ràng buộc mô hình tướng, nó đã bao quát toàn bộ vỉa và có thể nhạy cảm với các tướng thay đổi. Dĩ nhiên, các tướng biến đổi trên quy mô nhỏ hơn khối lượng đo lường địa chấn và có sự biến thiên của đặc tính âm học trong mỗi tướng giống nhau. Bước đầu tiên sẽ là hiệu chỉnh dữ liệu địa chấn thành tỉ lệ tướng. Có ít dữ liệu giếng đặc trưng và nhiều dữ liệu địa chấn, Chỉ số variogram theo phương ngang cho SIS khó được xác định chỉ từ dữ liệu giếng. Một giải pháp phù hợp là sử dụng dữ liệu địa chấn để giúp xác định mô hình variogram 3D. Trung tâm của mô phỏng chỉ số là sử dụng kriging để xác định xác suất có điều kiện cho mỗi loại tướng. Trong sự hiện diện của dữ liệu địa chấn, một vài thuật toán cokriging và kriging khối phải được xem xét để tính toán cho dữ liệu địa chấn. Bước thứ ba sẽ là chọn thuật toán cokriging và tập hợp các thông số đầu vào cần thiết. Hiệu chỉnh dữ liệu địa chấn thành tướng Cokriging không yêu cầu dữ liệu địa chấn được hiệu chĩnh rõ ràng thành tỉ lệ tướng. Các đơn vị địa chấn ban đầu có thể được giữ lại và sự hiệu chỉnh được nhập vào thông qua hiệp phương sai chéo giữa chỉ số dữ liệu cứng và dữ liệu địa chấn mềm. Tuy vậy, các giá trị xác suất hiệu chỉnh được ưu tiên do: · Các giá trị xác suất được hiệu chỉnh trong các đơn vị người dùng hiểu. · Variogram chéo hoặc hiệp phương sai chéo thường khó suy ra từ dữ liệu giếng thưa thớt. · Sự hiệu chỉnh cho phép tích hợp những thông tin và ràng buộc khác. Dữ liệu địa chấn được gọi là trở kháng âm học (acoustic impedance) (AI) nhưng nó có thể là bất kì thuộc tính thích hợp nào được nghĩ đến. Không cần làm việc với trở kháng âm học, quá trình tương tự có thể được sử dụng cho bất kỳ đạo hàm hoặc thuộc tính địa chấn cụ thể. Khoảng biến thiên của AI được chia thành chuỗi các lớp. Quá ít các lớp thì các mối liên hệ quan trọng bị mất. Quá nhiều các lớp thì không đủ dữ liệu trong mỗi lớp để suy luận độ tin cậy mối quan hệ của nó với tướng. Thông thường, 10 lớp dựa trên thập phân vị của biểu đồ tần số AI là đủ (hình 3). Figure 3: Biểu đồ tích lũy tần suất và biểu đồ tần số của thuộc tính địa chấn với 10 lớp được xác định bởi ngưỡng thập phân vị. Có số lượng dữ liệu giống nhau trong mỗi lớp Quá trình hiệu chỉnh bao gồm xác định xác suất của mỗi tướng cho mỗi lớp địa chấn: p(k|aij), k = 1, …, K, j= 1, …, Na Với p(k|aij) là xác suất của loại tướng k cho jth lớp địa chấn thứ aij. Xác suất được đánh giá tại các vị trí giếng khoan. Cho mỗi mặt chuẩn ai, tại một vị trí giếng, mỗi tướng có một tỉ lệ thực tế tương ứng. Bảng dưới là một bảng rỗng sự hiệu chỉnh cho K= 3 loại tướng và 10 lớp ai. Quan tâm đặc biệt trong xây dựng một bảng hiệu chỉnh là độ phân giải theo phương đứng của dữ liệu địa chấn. Dữ liệu địa chấn (ai giá trị) có thể được ghi lại tại một tốc độ mẫu nhỏ (2 ms hoặc thấp hơn), tuy nhiên, độ phân giải thực theo phương đứng phải thô hơn. Cần thiết để xem xét một cửa sổ thẳng đứng của kích thước thực tế để tính toán xác suất trước. Mặt khác, sự hiệu chỉnh sẽ không đại diện đúng độ phân giải địa chấn và sự nhiễu quy mô nhỏ có thể che dấu giá trị thông tin của dữ liệu địa chấn. Dữ liệu địa chấn mang theo thông tin khi sự hiệu chỉnh xác suất p(k|aij) khởi hành từ xác suất toàn cục của mỗi tướng, pk. Sự hiệu chỉnh xác suất sẽ chạy từ 0 tới 1, tuy nhiên, không bao giờ có trường hợp do sự thay đổi quy mô nhỏ của tướng và sự biến đổi đặc tính âm học trong mỗi tướng. Suy luận chỉ số Variogram (Indicator Variogram Inference) Phải suy luận một tập K chỉ số Variogram mà mô tả cấu trúc tương quan không gian cho mỗi loại tướng. Thách thức chính trong suy luận variogram là theo phương ngang, thường có quá ít giếng để tính toán variogram ngang với một độ tin cậy cao. Độ phân giải theo phương thẳng đứng thường cho phép một variogram đứng đáng tin cậy được tính toán. Dữ liệu địa chấn cung cấp một nguồn thông tin tuyệt vời để hướng dẫn lựa chọn các thông số theo phương ngang cho các chỉ số variogram. Mỗi chỉ số variogram cho tướng sẽ được tính toán lần lượt. Bước đâu tiên là để tính toán chỉ số variogram theo phương đứng 𝛄k(h) từ dữ liệu giếng và chuẩn hóa nó thành sill đơn vị bằng phương sai pk (1 – pk). Thứ hai, tính toán variogram ngang từ tỉ lệ địa chấn tương ứng, giá trị p(k|aij). Variogram tỉ lệ địa chấn dựa trên loại tướng k = 1, …, K, tuy nhiên không thể tránh khỏi sự phủ chồng do tỉ lệ đến từ các đặc tính đá bên duới có trở kháng giống nhau. Variogram địa chấn còn được chuẩn hóa thành sill đơn vị. Cuối cùng, variogram đứng và ngang được làm khớp với hình dạng của chỉ số variogram theo phương đứng. Chỉ có tỉ lệ độ dài, bán kính ảnh hưởng và bất kỳ đới bất đẳng hướng là được lấy từ variogram tỉ lệ địa chấn. Có một vài giả thiết để xác định chỉ số variogram. Giả thiết quan trọng nhất là variogram tỉ lệ địa chấn cung cấp một sự xấp xỉ hợp lý cho chỉ số theo phương ngang, bán kính ảnh hưởng i. Điều này là hợp lý nếu địa chấn tương quan cao với tỉ lệ tướng và nếu trung bình địa chấn theo phương đứng là quá rõ rệt. Phải xem xét sự giảm nhẹ bán kính ảnh hưởng theo phương ngang bằng việc ủng hộ dữ liệu địa chấn theo phương ngang do bán kính ảnh hưởng variogram địa chấn thường dài hơn chỉ số bán kính ảnh hưởng theo phương ngang. Nhiều giá trị trung bình cục bộ (Locally Varying Mean) Thay vì cokriging, xác suất dữ liệu địa chấn được hiệu chỉnh có thể được sử dụng như các giá trị trung bình cục bộ khác nhau cho kriging, đó là xác suất của tướng k được ước tính bởi kriging: Với i(u; k), k = 1, …, K, là xác suất cục bộ được ước tính được dùng cho mô phỏng, n là số dữ kiệu cục bộ, , α = 1, …, n là trọng số, là chỉ số dữ liệu cục bộ, và p(k|ai(u)) là xác suất được suy ra từ địa chấn của tướng k tại vị trí u đang được xem xét. Khi có ít dữ liệu cục bộ, tổng các trọng số của dữ liệu là nhỏ và xác suất suy ra từ địa chấn nhận một trọng số lớn. Khi trọng số cho dữ liệu cục bộ là cao, xác suất suy ra từ địa chấn được cho là thấp. Tập hợp các xác suất i (u; k), k = 1, …, K, phải được hiệu chỉnh cho các quan hệ trình tự, mặt khác, thủ tục SIS không bị thay đổi. Thủ tục này đơn giản và khá hiệu quả. Không có kiểm soát variogram rõ ràng trên ảnh hưởng của dữ liệu địa chấn. Một số hình thức cokriging sẽ được yêu cầu cho việc kiểm soát như vậy. Phương pháp tiếp cận cập nhật Bayesian (The Bayesian Updating Approach) Hình thức đơn giản nhất của cokriging là cokriging tuần tự (collocated cokriging) hoặc phương pháp tiến cận cập nhật Bayesian (Bayesian Updating Approach). Phương pháp này phổ biến vì tính đơn giản và dễ dàng của nó trong tính toán dữ liệu địa chấn. Tại mỗi vị trí dọc theo đường dẫn ngẫu nhiên, chỉ sô kriging được sử dụng để ước tính xác suất có điều kiện của mỗi tướng i*(u; k), k = 1, …, K, chỉ từ dữ liệu cứng i, và sau đó sửa đổi cập nhật Bayesian và cập nhật xác suất theo công thức sau: k = 1, …, K Với i**(u; k), k = 1, …, K là xác suất được cập nhật cho mô phỏng, p(k|ai(u)) là xác suất suy ra từ địa chấn của tướng k tại vị trí u đang được xem xét, pk là toàn bộ tỉ lệ của tướng k, và C là một hằng số chuẩn hóa để đảm bảo tổng xác suất cuối cùng là 1. Nhân tố p(k|ai(u))/pk hoạt động để tăng hoặc giảm xác suất, dựa trên khác biệt của tỉ lệ tướng được hiệu chỉnh từ tỉ lệ toàn cục. Không thay đổi khi p(k|ai(u)) = pk, trong trường hợp khi giá trị địa chấn ai(u) không chứa thông tin mới vượt quá tỉ lệ toàn cục. Có hai giả thiết đơn giản phía sau cập nhật Bayesian có thể là quan trọng: · Dữ liệu địa chấn được xếp tuần tự sàng lọc dữ liệu địa chấn gần đó. · Tỉ lệ của dữ liệu địa chấn đơn giản được giả định giống như kích thước ô lưới địa chất. Một sự kiểm tra tương đối đơn giản trên phép thực hiện mô phỏng sẽ phán xét liệu các giả định này có gây ra giả tạo hay không. Bảng hiệu chỉnh có thể được kiểm tra sử dụng dữ liệu địa chấn và phép thực hiện SIS, một tương thích chặt chẽ với xác suất tính toán từ dữ liệu gốc chỉ ra phương pháp này làm việc tốt. Vấn đề sẽ được khám phá bằng xác suất cao được phóng đại để cao hơn nhiều giá trị trong mô hình cuối cùng, giá trị thấp hơn sẽ là thấp hơn nhiều. Kriging chỉ sô mềm Markov – Bayes (Markov – Bayses Soft Indicator Kriging) Một khi dữ liệu địa chấn đã được hiệu chỉnh thành các xác suất đơn vị, chỉ số kriging có thể được dùng để hợp nhất các thông tin thành các giá trị xác suất có điều kiện được cải thiện cho SIS. Phương pháp tiếp cận Bayesian được trình bày ở trên là một cách tiếp cận để cập nhật kết quả của chỉ số kriging sử chỉ sử dụng dữ liệu giếng. Các nguồn thông tin khác nhau như là dữ liệu giếng và dữ liệu địa chấn là có sẵn. Với đầy đủ dữ liệu, có thể tính toán trực tiếp và mô hình ma trận hàm hiệp phương sai và hàm hiệp phương sai chéo (một hiệp phương sai chéo cho mỗi tướng k). Một phương án thay thế cho bài tập khó này là được cung cấp bởi mô hình Markow – Bayes. Để đơn giản, viết mô hình này về mặt hiệp phương sai. Có ba hiệp phương sai được cần là CI(h; k), hiệp phương sai của các tướng có chỉ số dữ liệu cứng cho tướng loại k, được tính toán từ dữ liệu giếng hoặc một tổ hợp dữ liệu giếng và địa chấn; CIS(h;k), hiệp phương sai chéo giữa các tướng có chỉ số dữ liệu cứng và giá trị xác suất địa chấn; và CS(h;k), hiệp phương sai của các giá trị xác suất địa chấn. Hai hiệp phương sai sau cùng được cho bởi mô hình: Hệ số Bk thu được theo công thức dưới đây: Với E{.} là toán tử giá trị kỳ vọng hoặc trị trung bình số học đơn giản. E{P(k|ai(u))|I(u;k)=1} gần 1 nếu dữ liệu địa chấn là tốt, xác suất dự đoán địa chấn của tướng đang hiện diện rất cao nếu tướng có mặt. E{P(k|ai(u))|I(u;k)=0} gần 0 nếu dữ liệu địa chấn là tốt, xác suát dự đoán địa chấn của tướng đang hiện diện là rất thấp nếu tướng không có mặt. Thông số K, Bk, k = 1, …, K, đó lường xác suất địa chấn mềm phân biệt các tướng khác nhau. Tốt nhất là khi Bk≈1 và tệ nhất khi Bk≈0. Khi Bk= 1, xác suất dữ liệu địa chấn p(k|ai(u)) được xử lý như chỉ số dữ liệu cứng. Ngược lại, khi Bk= 0, dữ liệu địa chấn được bỏ qua, trọng só kriging sẽ là 0. Cokriging khối (Block Cokriging) Các phiên bản cokriging được trình bày trên đều là phương pháp xấp xỉ để cô gắng tránh: · Tính toán variogram chéo hoặc hiệp phương sai chéo. · Lăp ráp một mô hình đầy đủ của coregionalization. · Xử lý dữ liệu bản chất tỉ lệ lớn của dữ liệu địa chấn. Có thể làm đúng các công việc trên và tất cả mô hình variogram và variogram chéo có thể được tính toán. Những mô hình variogram này có thể giảm tỉ lệ thành điểm tỉ lệ, giả định rằng dữ liệu địa chấn cung cấp thông tin trên một trung bình tuyến tính của dữ liệu chỉ số tướng. Một mô hình của hai vùng có thể được phù hợp. Một cokriging khối có thể được thực hiện bằng SIS, sẽ tính toán cho dữ liệu địa chấn tỉ lệ thực tế và dữ liệu mềm được hiệu chỉnh từ trở kháng âm học thành tỉ lệ tướng. Hầu hết các phần mềm mô hình hóa địa thống kê xem xét các loại dữ liệu khác nhau tại các tỉ lệ không gian giống nhau. Tuy vậy, khi mô hình tỉ lệ nhỏ của hai vùng được thiết lập, trung bình không gian tuyến tính của variogram có thể được sử dụng dễ dàng trong phương trình cokriging. Chú thích về sự thực thi đầy đủ SIS có thể áp dụng được với các tướng bất đồng nhất đã thay đổi trong quá trình tạo đá hoặc không có hình dạng hình học rõ ràng với tính không liên tục trong đặc tính thạch học. Có một số nhận định như sau: · Có một sự cần thiết về tỉ lệ đại diện toàn cục được tính toán thông qua declustering hoặc tỉ lệ cục bộ đáng tin được xác định thông qua mô hình xu hướng (trend modeling). · Mỗi loại tướng cần một mô hình variogram. Có K-1 bậc tự do cần thiết trong mô hình chỉ số variogram. Một hệ thống nhị phân chỉ cần một mô hình variogram do tính liên tục của một tướng hoàn toàn rõ ràng so với các tướng khác. Tính toán và làm khớp tất cả K mô hình variogram khi K≥ 3, sự mâu thuẫn giữa K mô hình variogram sẽ được bộc lộ để liên kết các vấn đề. · Loại kriging được dùng trong khung mô phỏng liên tục được thích ứng để xử lý dữ liệu địa chấn. Các chỉ số được lồng vào nhau (Nested Indicators) Một sự thực hiện thay thế của SIS là áp dụng chúng lồng vào nhau hoặc phân cấp chúng. Ví dụ, xét một SIS thứ nhất để chia các tướng thực và không thực. Sau đó, một SIS thứ hai có thể được áp dụng trong các tướng thực để phân biệt sự khác nhau giữa các tướng thực. Thủ tục này cho phép quan hệ “lồng vào” giữa các tướng để chọn ra tướng hiệu quả. 3. Mô phỏng Gauss cắt ngắn (Truncated Gaussian Simulation): Ý tưởng chủ chốt với mô phỏng Gauss cắt ngắn là để tạo ra các phép thực hiện của một biến Gauss liên tục và sau đó cắt ngắn chúng tại một loạt các ngưỡng để tạo ra các phép thực hiện cho một loại tướng. Hình 4 là một ví dụ 1D về mô phỏng Gauss cắt ngắn. Trục hoành thể hiện phạm trù mô phỏng, được suy ra từ một mô phỏng Gauss liên tục được cho bởi đường cong màu đen in đậm. Các ngưỡng cắt ngắn biến Gauss cho tướng không cần thiết là hằng số. Figure 4: Biểu đồ mô tả cách mô phỏng Gauss cắt ngắn làm việc: một biến liên tục Gauss bị cắt ngắn tại một loạt các ngưỡng để tạo ra một loại biến thực hiện. Thứ tự của các tướng (Ordering of Facies) Một đặc điểm quan trọng của mô phỏng Gauss cắt ngắn là thứ tự của các mô hình tướng tổng hợp. Các mã tướng được sinh ra từ một biến liên tục dưới mặt đất. Trong ví dụ ba tướng ở hình 5, hầu hết sẽ thấy tướng 2 giữa tướng 1 và 3. Hiếm khi thấy được mã 1, sau đó là mã 3, khi biến liên tục thay đổi rất nhanh từ các giá trị thấp đến cao. Thứ tự này mang lại lợi ích quan trọng cho mô phỏng Gauss cắt ngắn khi xử lý các tướng được xếp thứ tự. Ví dụ, các tướng có thể được xác định bởi số lượng sét: 1= sét, 2= lớp kẹp giữa cát và sét, 3= cát sạch. Mô phỏng Gauss cắt ngắn có thể làm việc tốt cho trường hợp này. SIS sẽ làm việc tốt hơn khi không có thứ tự rõ ràng do điều kiên ràng buộc tính liên tục không gian rõ ràng của mỗi tướng. Figure 5: Phân phối chuẩn với ba mã tướng. Có hai ngưỡng (y1t và y2t) và ba giá trị y liên tục cho mỗi tướng (y1, y2 và y3). Tỉ lệ mỗi tướng là vùng nằm đường phân phối chuẩn Tỉ lệ, ngưỡng và điều kiện dữ liệu Tỉ lệ tướng được lấy như hằng số hoặc được mô hình như biến cục bộ với những kĩ thuật mô hình hóa xu hướng. Trong mọi trường hợp, giả thiết rằng tỉ lệ của mỗi tướng thứ tự được biết tại mỗi vị trí u trong lớp A, pk(u), k = 1, …, K, u ∈ A. Tỉ lệ này có thể được chuyển thành tỉ lệ tích lũy: Với cp0 = 0 và cpK = 1 do tỉ lệ tổng là 1 tại mọi vị trí. Có K – 1 ngưỡng cho quá trình chuyển biến liên tục Gauss thành tướng Với ykt(u), k = 1, …, K – 1, ∀u ∈ A là các ngưỡng cho mô phỏng Gauss cắt ngắn, y0t= -∞, yKt = +∞, G-1(.) là nghịch đảo hàm phân phối tích lũy của phân phối chuẩn, và cpk(u), k = 1, …, K-1 là xác suất tích lũy cho vị trí u. Cho một độ lệch chuẩn hoặc biến chuẩn, những ngưỡng này có thể được dùng để gán một mã tướng: Facies tại u = k nếu Các ngưỡng biến cục bộ giới thiệu thông tin xu hướng. Các giá trị Gauss y(u) được xem là ổn định, E{Y(u)} = 0, ∀u ∈ A. Các loại dữ liệu tướng phải được chuyển thành dữ liệu liên tục Gauss có điều kiện cho mô phỏng có điều kiện biến ổn định Gauss, Y. Có hai sự xem sét: · Các tỉ lệ cục bộ và các ngưỡng tương ứng phải được xem xét để chắc rằng các tướng chính xác thu được từ việc chuyển đổi dữ liệu về miền ban đầu. · Các tướng được phân loại và một số quyết định phải được thực hiện về các spikes (nhiễu do sự tăng đột biến) được gây bởi loại dữ liệu. Việc xử lý các tỉ lệ và các ngưỡng khác nhau là đơn giản: Một thông tin cục bộ được sử dụng. Despiking (loại bỏ nhiễu spikes) yêu cầu các quyết định bổ sung. Despiking ngẫu nhiên sẽ đưa vào ngẫu nhiên các tỉ lệ nhỏ không hợp lý. Một despiking phức tạp hơn có thể được sử dụng, nhưng có lợi ích nhỏ. Các quyết định liên quan đến các thông số despiking có thể đưa ra những giả tạo khác. Giải pháp đơn giản nhất là thiết lập số điểm chuẩn chuyển đổi cho mỗi tướng thành trung tâm của lớp trong phân phối chuẩn, chỉ các spike không thay đổi: Với y(u) là điểm chuẩn chuyển đổi tại vị trí u, k là mã tướng tại vị trí u, và cpk là tỉ lệ tích lũy. Tất cả sự đo lường tướng được chuyển đổi và sử dụng trong mô phỏng Gauss có điều kiện. Variogram Mô phỏng Gauss cắt ngắn yêu cầu một variogram đơn cho biến y. Đây là một thuận tiện có ý nghĩa rằng chỉ sô variogram K không cần được tính toán và mô hình một cách nhất quán. Điều này còn là một bất lợi do không có khả năng kiểm soát sự biến đổi các mô hình khác nhau cho các tướng khác nhau. Thông thường, đó không phải là một ý tưởng tốt để tính toán và làm khớp trực tiếp variogram y với dữ liệu y do các spike. Trong trường hợp hai tướng (một ngưỡng đơn y1t), hiệp phương sai điểm chuẩn được liên kết trực tiếp, thông qua quan hệ một với một cho các hiệp phương sai chỉ số tướng. Một cách để khắc phục hạn chế trên sẽ được xem sét một loạt các hàm ngẫu nhiên Guass Yk(u), k = 1, …, K, mỗi hàm được dùng để mô phỏng (sau khi cắt ngắn) một tập hợp lồng nhau của hai tướng, đó là, mô phỏng mỗi tập hợp lồng nhau vào một tập hợp được mô phỏng trước đó. Điều này sẽ là một phiên bản phức tạp hơn phương pháp tiếp cận chỉ số lồng nhau được thảo luận trong mô phỏng chỉ số liên tục. Phương pháp tiếp cận này không được phát triển hơn do các tướng hiếm khi có một mô hình tùy ý của biến được lồng nhau. Phương pháp gần đúng khác gồm có nghịch đảo mô hình hiệp phương sai đơn CY(h) từ một số trung bình các variogram chỉ số K. Trung bình variogram chỉ số đơn (average indicator variograms) sẽ được sao chép thông qua mô phỏng, không có bất kỳ mô hình variogram chỉ số của tướng nào. Mô phỏng Gauss nhiều trục (Pluri – Gaussian Simulation) (PGS) mở rộng phương pháp Gauss cắt ngắn cho mô phỏng nhiều tướng không lồng nhau (K ≥ 2) cho nhiều hàm ngẫu hiên Gauss. Ngược lại cho trường hợp K = 2, mô phỏng cho nhiều tướng không lồng nhau có phép nghịch đảo không phải duy nhất. Các thủ tục lặp đi lặp lại dựa trên lựa chọn thử và sai (trial and error) của hiệp phương chéo và hiệp phương sai điểm chuẩn đầu vào giữa nhiều hàm ngẫu nhiên Gauss được xem xét, nhưng với kết quả giới hạn. Ứng dụng gần đây cỉa PGS đã chứng minh tính linh hoạt và hữu ích trong việc có thể tôn trọng mối quan hệ liên kết bậc cao. Trong thực tế, PGS được yêu cầu để đặc tính: · Các quy luật tướng thông qua các quyết định về mối tương quan giữa nhiều hàm ngẫu nhiên Gauss. · Sự cắt ngắn của không gian bậc cao hơn vào trong tướng K. Phương pháp tiếp cận được giới thiệu là để lấy nhiều nhất variogram chỉ số quan trọng và nghịch đảo số liệu của nó thành variogram điểm chuẩn tương ứng. Variogram điểm chuẩn có tính dị hướng và cùng một bán kính ảnh hưởng, hình dạng mượt hơn – hình parapol hoặc Gauss tại khoảng cách ngắn. Figure 6: Mối quan hệ giữa variogram chỉ số được chuẩn hóa (nét liền) và semivariogram điểm chuẩn (nét đứt) với các tỉ lệ đơn biến khác nhau. Figure 7: Hậu quả của sử dụng variogram sai cho mô phỏng Guass cắt ngắn. Phép thực hiện Variogram chỉ số được chuẩn hóa (bên trái) ứng với phép thực hiện Variogram điểm chuẩn (bên phải). Kết quả của variogram chỉ số có ảnh hưởng nugget quá cao. Chú thích về sự thực hiện đầy đủ Mô phỏng Gauss cắt ngắn có thể áp dụng được cho các tướng bất đồng nhất đã được thay đổi trong quá trình tạo đá, có hình dạng hình học không rõ ràng và được thứ tự trong một số kiểu có thể dự đoán được. Một số chú thích: · Như với SIS, cần thiết tính toán tỉ lệ toàn cục đại diện thông qua declustering hoặc tỉ lệ cục bộ đáng tin được xác định thông qua mô hình xu hướng. Những tỉ lệ này xác định nhiều ngưỡng cục bộ và dữ liệu điều kiện. · Một mô hình variogram chỉ số được cần cho hầu hết các loại tướng quan trọng. Variogram này được chuyển đổi thành một variogram cho mô phỏng biến Gauss, trong thực tế, hình dạng variogram được thay đổi thành hình Gauss. · Thực hiện mô phỏng Gauss có điều kiện được cắt ngắn bởi nhiều ngưỡng cục bộ để tạo ra các phép thực hiện tướng. Figure 8: Vỉa châu thổ với tướng cát kết, lớp kẹp cát sét và sét. Tầm nhìn nghiêng với mặt cắt đường phương, góc cắm và lát cắt ngang của một phép thực hiện SIS (trên) và mô phỏng Gauss cắt ngắn (dưới). Cả hai trường hợp, bản đồ góc phương vị cho biến cục bộ được áp dụng để xoay hướng ban đầu của variogram cục bộ nhằm sao chép mô hình nhánh sông. Chú ý rằng sự chuyển đổi cho Gauss cắt ngắn từ cát đến lớp kẹp cát sét và cuối cùng là sét. 4. Thực hiện làm sạch tướng dựa trên ô lưới (Cleaning Cell – Based Facies Realizations): Một mối quan tâm của phép thực hiện tướng dựa trên ô lưới là sự hiện diện của các biến đổi tỉ lệ ngắn không thể tránh được, với sự xuất hiện địa chất không thực tế. Trong một số trường hợp, sự biến đổi như vậy ảnh hưởng đến mô phỏng dòng chảy và dự báo trữ lượng, đây một lý do chính đáng để xem xét thực hiện các thuật toán làm sạch. Một mối quan tâm thứ hai là tỉ lệ tướng thường lệch khỏi tỉ lệ mục tiêu đầu vào. Đặc biệt là, các loại tướng với tỉ lệ tương đối nhỏ (5 – 10%) có thể kém phù hợp. Trong mô phỏng chỉ số, nguồn chính của sự sai lệch là việc điều chỉnh các mối quan hệ trình tự (xác suất được ước tính được hiệu chỉnh là không âm và tổng bằng 1). Không có giải pháp rõ ràng thường được dùng II. Mô hình tướng dựa trên đối tượng (Object – Based Facies Modeling): 1. Khái quát: Một triển vọng địa chất thuận tiện để nhìn vỉa từ một thời địa tầng triển vọng. Kiến trúc trầm tích được xem xét rõ ràng qua một biểu đồ phân cấp địa tầng. Các tướng vỉa được chia thành các nhịp, á nhịp, các lớp, tập lớp địa tầng. Ví dụ, bất đồng nhất trong một hệ thống kênh sông được mô tả bởi các lớp vỉa địa tầng, các hốc, rãnh phức tạp, các kênh (channel), các đê (levee) và các khe nứt vỡ (crevass) thông qua các đặc điểm tỉ lệ nhỏ thêm vào. Xem xét mô hình phân cấp thành tạo của bất đồng nhất bằng sự chuyển đổi tọa độ liên tiếp và đối tượng hình học đại diện các tướng liên kết. Các mô hình độ rỗng và độ thấm được xây dựng sau tại một tỉ lệ thích hợp sử dụng hệ thống tọa độ được đồng chỉnh với trầm tích liên tục tại một tỉ lệ đặc biệt hoặc thậmchí với ảnh hưởng từ nhiều tỉ lệ. Các mô hình dựa trên đối tượng được tạo ra hàng ngày trong đặc tính vỉa. Có ba vấn đề cốt lõi được chỉ ra trong sử dụng mô hình dựa trên đối tượng: · Các hình dạng địa chất và phân phối thông số của chúng. · Thuật toán điều chỉnh vị trí đối tượng. · Dữ liệu thích hợp để ràng buộc kết quả thực hiện. Các mô hình dựa trên đối tượng có thể tạo ra các mô hình bất đồng nhất với hình học ghồ ghề mà không thể thực hiện bởi phương pháp dựa trên ô lưới. Một giả thiết cơ bản với mô hình dựa trên đối tượng là hình dạng của các đơn vị trầm tích cụ thể là ghồ ghề và có thể được mô tả bởi một hình học được tham số hóa. Trong khi quá trình trầm tích sinh ra các dạng hình học có thể nhận biết được, sinh ra địa chất phức tạp do được gia công lại, sự phủ lên và quá trình tạo đá có thể dẫn đến đặc điểm có nhiều phá vỡ hoặc ngẫu nhiên trong hình thức, thiếu các hình học rõ ràng. Trong trường hợp này, các phương pháp dựa trên ô lưới có thể thích hợp hơn cho việc cải thiện khả năng điều kiện của chúng. Mặc dù các mô hình dựa trên đối tượng có thể được xử lý sau để giảm hình học gồ ghề (với điều kiện nhiễu), nhưng nó thường không thể có thêm thông tin hình học để mô hình dựa trên ô lưới. Các mô hình dựa trên đối tượng là giả thành tạo (pseudo – genetic) trong ý nghĩa các quy luật xâm thực (đá trẻ hơn ở trên) và nguồn gốc địa chất khác được sử dụng nhiều nhất có thể. Hầu hết quá trình bắt chước (process – mimicking) các phương pháp mô hình tướng đều dựa trên các đối tượng và bề mặt. Nếu một thuật toán nơi các đối tượng không có một khái niệm về thời gian nhịp địa tầng, gọi là mô hình dựa trên đối tượng. Nếu một thuật toán nơi các đối tượng trong nhịp địa tầng mà không có quy luật liên quan đến một đối tượng kế tiếp, vẫn là mô hình dựa trên đối tượng. Nếu một thuật toán nơi các đối tượng trong thời gian nhịp địa tầng với quy luật bắt chước quá trình trầm tích, gọi là mô hình hóa quá trình bắt chước (process – mimicking model). Các dạng địa chất (Geological Shapes) Không có giới hạn vốn có cho các hình dạng được mô hình với các kĩ thuật dựa trên đối tượng. Hình dạng có thể được định rõ bằng các phương trình, một mẫu mành (raster template) (trên màn máy tính, mành là toàn bộ các dòng quét ngang tạo nên hình ảnh, trên mỗi dòng là các chấm có thể phát sáng độc lập với nhau), hoặc kết hợp cả hai. Các hình dạng này có thể được tổ hợp từ một tập hợp các thông số hình dạng được xác định trước hoặc thậm chí được định rõ hoặc vẽ tự do trước khi mô hình. Các hình dạng địa chất có thể được mô hình phân cấp. Một hình dạng đối tượng có thể được sử dụng tại một tỉ lệ lớn, và sau đó các hình dạng khác nhau có thể được sử dụng cho cho các hình dạng địa chất nội bộ tỉ lệ nhỏ. Một số hình dạng rõ ràng sau đây: · Các kênh sông lấp đầy cát bở rời (abandoned sand – filled fluvial channels) trong một khối trầm tích sét đông bằng (floodplain shales) và trầm tích hạt mịn. Những kênh dạng hình sin được mô hình bởi một đường tâm 1D và một mặt cắt thay đổi dọc theo đường tâm. Những đôi tượng đê (levee)và khe nứt vỡ (crevasse) có thể được gắn liền với kênh (chennel). Các nút sét (shale plugs), xi măng kết hạch (cemented concretions), đá phiến sét (shale clasts) và những tướng không thực (non – net) khác có thể được bố trí trong các kênh dọc theo các xu hướng (trends) trong các tướng thực (net). Xếp nhóm của các kênh vào trong kênh hoặc vành đai phức tạp có thể được xử lý bởi các đối tượng tỉ lệ lớn hoặc như một phần thuật toán vị trí đối tượng. · Các hệ thống sông ngoằn ngoèo năng lượng thấp hơn (lower – energy meandering fluvial system) có thể được mô hình như các thấu kính cát trong một nền tảng không thực. Thỉnh thoảng xem xét mô hình hóa toàn bộ tướng sông và sau đó gán cát và sét bên trong kênh theo một số cách thực tế. · Các hệ thống trầm tích sông hóa khác (channelized depositional systems) bao gồm hệ thống nước sâu và cửa sông thường được mô hình bởi các kĩ thuật mô hình hóa phỏng theo kênh sông nhằm xem xét hệ thống cụ thể như kích thước kênh, tỉ số bề rộng và bề dày, và bất đồng nhất bên trong. · Các ám tiêu carbonate rìa thềm lục địa (shelf edge carbonate reefs) có thể được mô hình với một gò lõi ám tiêu (mounded reef core) và dăm kết thùy che phủ mũi ám tiêu (breccia lobes draping the fore reef) và đám ám tiêu phân tán (patch reef scatter) trong khu vực phía sau ám tiêu. Các hạt đá có thể tạo thành tấm chắn bao quanh ám tiêu. Trong bối cảnh này, sự biến đổi quá trình tạo đá có thể phá vỡ lượng lớn tầm quan trọng của mô hình tướng dựa trên đối tượng. · Các dạng cồn cát do gió (eolian dune shapes) là ứng cử viên cho mô hình dựa trên đối tượng. Mặc dù hình học 3D của đối tượng này không quan trọng để xác định phân tích, nhưng có thể cần thiết cho giả định về mô hình thực tế. · Sét tàn dư (remnent shales) có thể được mô hình như các đối tượng hình đĩa hoặc elip bên trong một khối cát. Điều này có thể thích hợp trong các vỉa có tỉ số thực/ tổng cao (net – to- gross). Mặc dù sét có tỉ lệ thấp, nhưng chúng sẽ ảnh hưởng đáng kể đến độ thấm theo phương đứng, do đó giếng khai thác ngang và tạo nón nước. · Các vỉa châu thổ (deltaic reservoir) có thể được mô hình như các đơn vị cát hình quạt trong bên trong một khối trầm tích kém chất lượng. Về mặt lịch sử, các kĩ thuật dựa trên ô lưới được sử dụng nhiều hơn với các hệ thống như vậy. · Môi trường mặt bờ (shoreface) có một sự tiến triển có hệ thống từ các tướng gần bờ đến các tướng xa bờ. Vị trí của bờ biển có thể được mô hình như một hàm tuổi địa chất (vị trí trong lớp địa tầng) và thứ tự cụ thể của các tướng được liên kết vào vị trí này. Một sơ đồ mô hình hỗn hợp dựa trên đối tượng và ô lưới sẽ thích hợp. Dữ liệu thích hơp Một mô hình tướng thực tế nên sao chép tất cả dữ liệu có sẵn bên trong vùng thể tích hỗ trợ và độ chính xác của mỗi nguồn dữ liệu. Dữ liệu thích hợp bao gồm dữ liệu giếng cục bộ, dữ liệu địa chấn, dữ liệu khai thác và minh giải địa chất gồm có các đối tượng xác định, sự kết nối và các xu hướng. Dữ liệu giếng cục bộ bao gồm các mã tướng được nhận biết tại các vị trí bất kỳ trong lớp vỉa 3D. Các tướng có thể đến từ sự quan sát mẫu lõi trực tiếp hoặc suy ra từ nhiều dữ liệu log giếng. Dữ liệu giếng cục bộ cũng được lấy từ sự giao nhau của các loại tướng tại vị trí và định hướng bất kỳ. Dữ liệu khai thác và địa chấn hầu hết thường không đúng khi thông tin tỉ lệ lớn. Có nhiều cách khác nhau miêu tả những thông tin như vậy. Một cách là tính toán xác suất được suy ra từ địa chấn của mỗi tướng: Với pk(u) là xác suất hoặc tỉ lệ của tướng k tại vị trí uV, có k = 1, …, K mã tướng, và tại vị trí uV là được xác định mọi nơi trong vỉa A. Chỉ số dưới V là thể tích mà ở đó tỉ lệ tướng được xác định. Nhiều thông tin tỉ lệ tướng cục bộ còn có thể có được từ mình giải và lập bản đồ địa chất. Kiến thức về hệ thống trầm tích thường cho phép đặc điểm kỹ thuật của khu vực về tỉ lệ lớn lớn và nhỏ hơn của các tướng khác nhau. Dữ liệu địa chấn, khai thác và địa chất có thể không phân biệt được một số tướng. Ví dụ, cạnh vát khe (crevasse splay) và đê cát (levee sands) có thể không phân biệt được từ dữ liệu. Một ràng buộc quan trọng trong mô hình dựa trên đối tướng là sao chép tỉ lệ của các tướng được nhóm. Vị trí của một số đổi tượng địa chất có thể được biết chính xác từ sự quan sát địa chấn, minh giải thử vỉa (well test) hoặc dự liệu khai thác, hoặc từ bản đồ địa chất. Vị trí của những đối tượng như vậy phải được cố định và không để lại một thuật toán bố trí ngẫu nhiên. Có các loại thông tin khác nhau liên quan đến vị trí đối tượng: · Kiến thức về vị trí chính xác của một số đối tượng. · Kiến thức về hai giếng (hoặc hơn) giao nhau của tướng giống nhau không thể liên quan đến đối tượng giống nhau. · Một xác suất đo lường hai giếng (hoặc hơn) giao nhau của tướng giống nhau thuộc về đối tượng giống nhau. Sự kết nối trên đến từ minh giải địa chất của các tướng đặc biệt được lấy mẫu lõi và từ dữ liệu kỹ thuật liên quan đến áp suất chất lưu liên tục giữa sự giao nhau trong các giếng khác nhau. Trong khi các mô hình dựa trên ô lưới dễ dàng sao chép dày đặc các dữ liệu giếng, các tỉ lệ biến cục bộ và dữ liệu thứ cấp, thì các mô hình dựa trên đối tượng có một số hạn chế. Dữ liệu giếng dày đặc có thể dẫn đến, hoặc thời gian chạy lâu, hoặc các giả tạo như sơ đồ vị trí đối tượng cụ thể để cố gắng vinh danh điều kiện dữ liệu. Thời gian chạy lâu có thể đến từ sự lặp đi lặp lại để kết hợp tương thích các ràng buộc khó khăn. Sự giả tạo thường bao gồm: · Sự khác biệt động thái mô hình tại hoặc gần các giếng. · Hình học không thực tế. · Sự thay đổi không thực tế trong hình học. Một kiểm tra cơ bản cho các mô hình dựa trên đối tượng là vị trí của dữ liệu điều kiện không thể được xác định từ mô hình chính nó và hình học là ổn định, nếu không ổn định thì không được áp đặt rõ ràng. Tập hợp dữ liệu thích hợp bao gồm phân phối ngẫu nhiên liên quan đến kích thước, hình dạng, định hướng và tác động qua lại của các đối tượng. Các thông số này định rõ cho một vấn đề đặc biệt, nhưng được đặc trưng liên kết với một số ngẫu nhiên. Rất khó để thiết lập các phân phối tin cậy cho các thông số này từ dữ liệu giếng thưa thớt. Sự cải tiến trong hình ảnh địa chấn và sử dụng các dữ liệu tương tự nông đã cải thiện vấn đề suy luận khó khăn này. Tuy nhiên, suy luận từ phân phối này còn là một hạn chế lớn của mô hình dựa trên đối tượng. Các thuật toán cho vị trí đối tượng Các đối tượng phải được đặt vị trí để mà chúng xuất hiện thực tế và tôn trọng dữ liệu có sẵn. Thuật toán quá đơn giản có thể dẫn đến giả tạo gần dữ liệu điều kiện. Thuật toán cho điều kiện gồm có: các thuật toán phân tích có tác dụng sao chép dữ liệu (hai bước xác định vị trí nơi dữ liệu điều kiện được sao chép đầu tiên và sau đó phần còn lại của miền được điền), và các thuật toán kiểu tối ưu hóa mô phỏng lặp đi lặp lại. Các thuật toán điều kiện trực tiếp (Direct conditioning algorithms) điều chỉnh kích thước, hình dạng, hoặc vị trí của các đổi tượng để xây dựng các đối tượng tôn trọng dữ liệu điều kiện cục bộ. Thủ tục này có thể được thực hiện cho nhiều hình dạng địa chất, phổ biến nhất là các kênh sông. Figure 9: Mô tả mô hình biến 1D có đường tâm của một đối tượng kênh. Khởi hành từ đường hướng chính được mô hình phân tích hoặc với mô phỏng địa thống kê (Gauss). Khởi hành từ đường tâm có thể được dùng làm điều kiện cho dữ liệu giếng cục bộ. Figure 10: Hai ví dụ về điều kiện trực tiếp của các đường tâm kênh để tôn trọng dữ liệu cục bộ trong mô hình dựa trên đối tượng. Trường hợp bên trái, khoảng cách d1 và d2 được sử dụng để buộc kênh đi thông qua hai giếng. Trường hợp bên phải, kênh được bị buộc tránh xa giếng, nơi giếng không tồn tại. Thông thường, thuật toán điều kiện trực tiếp được áp dụng trong hai bước: · Thêm đối tượng bao phủ nơi giao nhau giữa các tướng cục bộ, đó là, kết hợp tất cả dữ liệu điều kiện mà không có tướng nền tảng. · Thêm đối tượng mà không làm vi phạm nơi giao nhau được biết của tướng nền tảng, cho đến khi tỉ lệ chính xác của mỗi loại tướng xuất hiện. Một phương pháp tiếp cận khác nhau để xác định vị trí đối tượng là lặp đi lặp lại. Một tập hợp ban đầu của các đối tượng được xác định vị trí trong thể tích vỉa để kết hợp tỉ lệ toàn cục của các tướng khác nhau. Sự bố trí có thể vi phạm dữ liệu giếng cục bộ và nhiều tỉ lệ cục bộ. Một hàm đối tượng được tính toán để đo lường sự không khớp từ dữ liệu được đo lường. Sau đó, mô hình bị xáo trộn nhiều lần cho đến khi hàm đối tượng hạ xuống gần bằng 0. 2. Sét ngẫu nhiên: Khi tỉ số thực/ tổng là cao rõ rệt (80% trở lên), rất hợp lý để mô hình sét tàn dư (hoặc các tướng không thực thích hợp) như các đối tượng bên trong một khối cát. Sét tàn dư này có thể không ảnh hưởng đến độ thấm ngang, nhưng có thể ảnh hưởng đáng kể đến độ thấm thẳng đứng, nón nước, mũi đất và hiệu suất dự báo của giếng ngang. Yêu cầu đầu vào của mô hình sét ngẫu nhiên là một đặc tính hình học của hình học sét, các thông số định hướng, dữ liệu giếng và có thể có thông tin trên nhiều tỉ lệ sét cục bộ. Hình dạng thường được lấy như hình ellipsoid. Phân phối bề dày có thể được suy ra từ các vị trí giếng. Tỉ số chiều dài/ chiều dày phải được thiết lập từ thông tin địa chất tương tự hoặc kết hợp từ một số loại dữ liệu khác như là dữ liệu thử vỉa, khai thác. Một số thông tin định hướng có thể có sẵn thông qua kiến thức về hệ thống trầm tích. Không chắc rằng có bất kỳ thông tin nào liên quan đến tỷ lệ cục bộ khác nhau nếu đứt gãy của sét là nhỏ (ít hơn 20%). Figure 11: Ba mô hình sét ngẫu nhiên dựa trên đối tượng. Mỗi mặt cắt có phần trăm sét (15%) và phân bố bề dày như nhau. Kích thước ngang của sét ellipsoid được thay đổi tự động. Mô phỏng có điều kiện được quan tâm hơn. Figure 12: Ba mô hình sét ngẫu nhiên dựa trên đối tượng sao chép tính liên tục của cát và sét tại một vị trí giếng đứng. Vỉa châu thổ cung cấp một ví dụ tốt để thể hiện mô hình sét dựa trên đối tượng bởi vì tỉ lệ thực/ tổng cao với các mảnh sét bị giới hạn mà có thể có ràng buộc đáng kể trên độ nhạy chất lưu vỉa. Các tướng vỉa được nhóm lại và thiết lập như tướng nền, và sét được mô phỏng có điều kiện với dữ liệu giếng. SIS có thể được áp dụng để xây dựng các mô hình lớp phủ sét, nhưng sẽ không sao chép hình học gồ ghề. Tham số hóa đối tượng được chọn cho sét là quá đơn giản và tuyến tính. Một ứng dụng hữu ích hơn của các kĩ thuật dựa trên đối tượng là cho các kênh sông hình sin. Figure 13: Mô hình sét dựa trên đối tượng cho vỉa châu thổ. Các tướng vỉa được ẩn để làm nổi bật đối tượng sét. Sét chiếm 10% thể tích vỉa. 3. Mô hình hóa tướng sông (Fluvial Modeling): Các thành tạo kênh được lấp đầy cát bở rời (abandoned sand – filled channel forms) với một khối sét đồng bằng (floodplain shales) được mô hình dựa trên đối tượng. Nhiều hình học cát sông như thành tạo bãi bồi của kênh (channel bar forms), vùng cát rộng theo phương ngang (laterally extensive sand regions) do sự bồi tụ theo phương ngang và nhiều bãi bồi thể cát không liên tục (discontinuous point – bar sand bodies) được xem xét sử dụng cùng một sơ đồ với các mô hình trầm tích học phức tạp hoặc các phương pháp quá trình bắt chước (process mimicking methods). Các tướng được liên kết như đê cát (levee sands) cát nứt vỡ (crevasse sands) và các đới xi măng (cemented zones) bên trong các kênh cát được mô hình tại cùng thời gian. Figure 14: Mô hình dựa trên đối tượng phân tầng. (a) Mỗi lớp vỉa được trích ra, (b) tọa độ địa tầng của vỉa được tính toán, (c) mỗi kênh phức tạp được trích ra từ lớp, (d) hệ thống tọa độ địa tầng cục bộ cho kênh phức tạp được thiết lập, (e) mỗi kênh được trích ra từ kênh phức tạp, (f) một hệ tọa độ địa tầng cục bộ cho kênh được thiết lập, (g) thuộc tính thạch học được mô hình bên trong hệ thống tọa độ cho kênh thích hợp, (h) các tọa độ kênh được khôi phục (xây dựng) lại, (i) kênh được bố trí về lại kênh phức tạp, (j) các tọa độ kênh phức tạp được khôi phục lại, (k) kênh phức tạp được bố trí về lại lớp, (l) các tọa độ lớp được khôi phục lại, và (m) các lớp được bố trí về lại vỉa. Sự chuyển đổi tọa độ (Coordinate Transformations) Một quan điểm của mô hình dựa trên đối tượng là hệ tọa độ được lắp vào cho thích hợp với hướng chính liên tục. Hướng liên tục dựa vào tỉ lệ quan sát và đặc điểm địa chất cụ thể được mô hình. Các chuyển đổi tọa độ khác nhau được áp dụng liên tục và tại các tỉ lệ khác nhau. Ví dụ: · Mỗi lớp hoặc nhịp địa tầng chính được mô hình độc lập. Một lớp cụ thể liên quan tọa độ địa tầng được xác định từ đỉnh hiện tại (existing top), nền hiện tại (existing base), đỉnh khôi phục (restored top), nền khôi phục (restored base). · Phép tịnh tiến và phép xoay một khu vực được thực hiện để có hệ tọa độ được căn lề (sắp cho thẳng hàng) cho khu vực đó, với hướng chính là sườn lục địa cổ, là hướng có trung bình tính liên tục tuyệt nhất. · Các kênh sông thường xếp nhóm cùng nhau trong các kênh phức tạp hoặc vành đai kênh (channel belts). Các kênh phức tạp có thể có gợn sóng tỉ lệ lớn được làm thẳng. Các kênh bên trong kênh phức tạp còn được làm thẳng cho mô hình thuộc tính thạch học bên trong chúng. · Các kênh phức tạp được làm thẳng và các kênh không rộng như nhau, một liên hệ tọa độ ngang làm cho các ranh giới song song và đơn giản hóa mô hình thuộc tính thạch học đến sau. Mỗi sự chuyển đổi có thể đảo ngược và các đổi tượng địa chất có thể được nhìn và lưu dưới bất kì hệ tọa độ nào. Sử dụng hệ tọa độ thích hợp cho độ rỗng và độ thấm bên trong mỗi kênh. Hệ tọa độ thẳng đứng có thể được lấy song song với bề mặt cao nhất của kênh hoặc được làm từ tỉ lệ giữa bề mặt đỉnh và nền (top and base surface). Các đối tượng tướng sông (Fluvial Facies Objects) · Loại tướng đầu tiên là nền sét ngập lụt không thấm (impermeable background floodplain shale), được xem như một khối trong đó các đối tượng cát và vỉa chất lượng bị kẹp vào. · Loại tướng thứ hai là cát lòng suối (channel sand) lấp đầy các kênh bở rời hình sin (sinouous abandoned channels). Tướng này được xem như vỉa chất lượng nhất do năng lượng trầm tích tương đối cao và kết quả là kích thước hạt thô. Bên trong cát lòng suối có các đặc điểm đặc biệt như là: · Bất đồng nhất của vật liệu lấp đầy lòng dẫn (channel fill), chứa một số vật liệu không thực hạt mịn. · Một tích tụ tàn dư trong lòng dẫn (channel lag deposit) tại đáy · Xu hướng hạt mịn đi lên (fining – upward trends) bên trong vật liệu lấp đầy lòng dẫn. · Loại tướng thứ ba là cát đê (levee sand) được thành tạo dọc theo rìa lòng dẫn. Loại cát này kém chất lượng hơn vật liệu lấp đầy lòng dẫn (channel fill). · Loại thứ cuối cùng là quạt cát nứt vỡ (crevasse splay sand) được thành tạo trong suốt kỳ ngập lụt khi đê bị thủng và cát bị trầm tích xa kênh dẫn chính. Những loại cát này kém chất lượng hơn vật liệu lấp đầy lòng dẫn (channel fill). Thường được hình thành nơi độ cao kênh dẫn cao. Figure 15: Mô hình khái niệm của tướng sông. Gồm nền sét ngập lụt (background of floodplain shales), cát bở rời lấp đầy lòng dẫn (sand – filled abandoned channel), cát đê (levee border sands), và quạt cát nứt vỡ (crevasse splay sands). Một đối tượng cho mô hình tướng sông là một kênh dẫn (channel) và tất cả cát đê (levee sand) và cát nứt vỡ (crevasse sands) liên quan. Cụ thể hơn, tính toán hiệu quả cho các đối tượng là một mẫu ô lưới sẽ được mã hóa như cát lòng suối, cát đê và cát nứt vỡ. Các kênh dẫn được xác định bởi góc định hướng và độ lệch trung bình từ hướng kênh dẫn, chiều dài bước sóng hoặc chiều dài liên kết của độ lệch trung bình, bề dày, bề dày gợn sóng (và chiều dài liên kết), tỉ lệ chiều rộng/ bề dày, và chiều rộng gợn sóng (và chiều dài liên kết). Mỗi thông số có thể lấy một khoảng giá trị có thể theo như một xác suất phân bố. Figure 16: Một vài thông số được dùng để xác định đối tượng kênh dẫn: (a) Góc cho hướng chính và độ lệch cho đường tâm kênh dẫn thực tế, (b) biến thiên chiều rộng kênh dẫn (và bề dày) với sự kết nối khối lớn giữa các lát cắt kênh dẫn. Figure 17: Mặt cắt của một đối tượng kênh dẫn được xác định bởi chiều rộng, vị trí của bề dày lớn nhất. Các hình dạng hình học sẽ được cố định và thay đổi kích thước. Thông thường, các thông số kích thước đê nên phụ thuộc vào kích thước của kênh dẫn, một kênh dẫn lớn có các đê lớn. Các kích thước của đê trái và phải có thể khác nhau. Ba thông số khoảng cách (A) khoảng cách ngang của đê, (B) chiều cao trên độ cao chuẩn kênh dẫn và (C) độ sâu bên dưới mặt chuẩn kênh dẫn được dùng để xác định kích thước. Figure 18: Mặt cắt xuyên qua một kênh dẫn được lấp đầy cát bở rời (abandoned sand - filled channel) và cát đê (levee sand). Ba thông sô khoảng cách (A), (B), (C) được dùng để xác định kích thước của cát đê (levee sand). Một thủ tục đường đi ngẫu nhiên có thể được sử dụng để thiết lập hình học nứt vỡ (crevasse geometry). Vị trí của một nứt vỡ thường ở nơi kênh dẫn cong nhất. Một số đường đi ngẫu nhiên được tung ra từ vị trí nứt vỡ để thiết lập quy mô khu vực. Bốn thông số kiểm soát là (1) khoảng cách trung bình của cát nứt vỡ (crevasse sand) đạt được tính từ đê kênh dẫn, (2) khoảng cách trung bình dọc theo kênh dẫn, và (3) tính bất thường của cát nứt vỡ hoặc số đường đi ngẫu nhiên được sử dụng. Bề dày của cát nứt vỡ giảm tuyến tính từ một bề dày lớn nhất đến kênh dẫn. Figure 19: Kênh dẫn (channel) và nứt vỡ (crevasse) được thành tạo do thủng đê. Một số đường đi ngẫu nhiên tung ra từ lỗ thủng để thiết lập hình học nứt vỡ. Số, chiều dày và độ khuếch tán theo phương ngang kiểm soát hình học và kích thước của nứt vỡ. Dữ liệu điều kiện địa chất (Geological Conditioning Data) Nhiều thông số kích thước đối tượng cho các mô hình dựa trên đối tượng khó suy ra từ dữ liệu giếng và địa chấn có sẵn. Các giếng cung cấp thông tin về phân bố bề dày và tỉ lệ các tướng khác nhau. Tuy nhiên, thông số kích thước thường cần được đo lường thích hợp từ các vết lộ tương tự, các hệ thống trầm tích hiện đại, và các vỉa được khoan dày đặc tương tự. Tỉ lệ của mỗi loại tướng (channel sand, floodplain shale, crevasse splay sand, và levee sand) có thể được định rõ bằng một đường cong tỉ lệ thẳng đứng (vertical proportion curve), các bản đồ tỉ lệ khu vực (areal proportion maps), và tỉ lệ toàn cục mẫu (reference global proportion). Đây là ba loại tỉ lệ có thể thu được thông qua một tổ hợp dữ liệu giếng và địa chấn. · Tỉ lệ toàn cục mẫu được kí hiệu là Pgk, k = 1, …, K, với K là số tướng. · Một đường cong tỉ lệ thẳng đứng định rõ tỉ lệ của một tướng k như một hàm độ cao thẳng đứng hoặc hàm thời gian và được ký hiệu là Pvk(z) với z ∈ (0, 1]. · Bản đồ tỉ lệ khu vực định rõ tỉ lệ tướng như một hàm vị trí khu vực (x, y) và được ký hiệu là Pak (x, y). Đường cong tỉ lệ thẳng đứng và bản đồ tỉ lệ khu vực có thể ngầm chứa tỉ lệ toàn cục và chúng hoặc mâu thuẫn với nhau hoặc mâu thuẫn với tỉ lệ toàn cục mẫu. Các tỉ lệ này có thể được chia cùng tỉ lệ. Hai đặc tính của các thông số hình học hoặc địa chất là: · Mỗi thông số có thể lấy một khoảng giá trị có thể theo xác suất phân bố. · Khoảng giá trị thay đổi với vị trí địa tầng z hoặc thời gian. Vì vậy, các thông số xác định mỗi kênh dẫn được định rõ với một loạt điều kiện phân bố cho một tập hợp các giá trị z gián đoạn giữa nền địa tầng và đỉnh địa tầng. Sự định hướng, hình dạng, và kích thước của một kênh dẫn phức tạp phục vụ như một đơn vị mô hình cơ bản. Các phân bố đầu vào dưới đây được yêu cầu để định rõ hình học kênh dẫn phức tạp: · Góc α. · Độ lệch từ hướng kênh dẫn phức tạp và chiều dài liên kết của độ lệch này dọc theo trục của kênh dẫn phức tạp. · Chiều dày. · Tỉ số chiều rộng và chiều dày. · Tỉ số thực và tổng trong kênh phức tạp. Một vài thông số tốt hơn được yêu cầu để định rõ hình học kênh vì bề dày và bề rộng mỗi kênh không phải hằng số: · Bề dày trung bình. · Bề dày gợn sóng và chiều dài liên kết của bề dày gợn sóng. · Tỉ số chiều rộng và chiều dày. · Độ nhám đáy kênh dẫn. Các tướng được biết dọc theo mỗi giếng. Dữ liệu có thể đến từ bất kì giếng nào. Dữ liệu giếng trong tọa độ không gian gốc được chuyển đổi thành các tọa độ thích hợp tại mỗi giai đoạn của mô hình. Thủ tục mô phỏng Tất cả đầu vào địa chất được trình bày ở trên đều phải được đỉnh rõ trước khi mô hình. Các thông số này rất khó khăn để suy ra từ dữ liệu có sẵn. Một vài thông số, như tỉ lệ chiều rộng và chiều dày có thể giữ không đổi tại một số giá trị thực tế. Nghiên cứu độ nhạy có để được xem xét trên các thông số khác để phán đoán quan trọng và đánh giá khả năng chấp nhận trực quan của các kết quả thực hiện. Thủ tục mô phỏng là liên tục. · Đầu tiên, sự phân bố kênh dẫn phức tạp được thiết lập. · Thứ hai, phân bố của các kênh bên trong kênh dẫn phức tạp. · Thứ ba, độ rỗng được gán sử dụng tọa độ kênh dẫn thích hợp. · Cuối cùng, độ thấm được gán điều kiện với tướng và độ rống. Các thuật toán dựa trên variogram truyền thống có thể được dùng cho mô hình độ rỗng và độ thấm. Điều kiện cho tướng liên tục dọc theo các giếng và dữ liệu tỉ lệ tướng nên được hoàn thành ngay nếu có thể. Một thủ tục lặp đi lặp lại có thể được sử dụng để thực thi tướng tại các giếng và đường cong tỉ lệ và các bản đồ. 4. Các hệ thống trầm tích khác sông (Nonfluvial Depositional Systems): Mô hình tướng dựa trên đối tượng có thể áp dụng được cho nhiều thiết lập trầm tích. Hạn chế chính đến từ các thông số thích hợp cho đối tượng địa chất. Các thùy (lope) châu thổ hoặc thùy nước sâu là ví dụ của các đối tượng có thể được xác định. Có bảy thông số cho một hình học thùy đơn giản. Tập hợp các thông số này cung cấp một sự cân bằng giữa hình học quá đơn giản (quá ít thông số) và quá linh hoạt được liên kết với những suy luận khó khăn (quá nhiều thông số). Bảy thông số như sau: · sw = chiều rộng bắt đầu (starting width); đặc trưng cho độ rộng phía cuối kênh dẫn. · ll = chiều dài thùy (lope length); tổng chiều dài của thùy từ kênh dẫn đến điểm cuối. · rm = vị trí tương đối của chiều rộng lớn nhất (relative position of maximum width); thùy đạt chiều rộng lớn nhất một khoảng rm*ll từ nơi bắt đầu thùy. · lwlr = tỉ số chiều rộng/ chiều dài thùy (lope width/ length ratio); chiều rộng lớn nhất của thùy được cho bởi lwlr*ll tại vị trí được định rõ bở vị trí tương đối rm. · st = chiều dày bắt đầu (start thickness); chiều dày bắt đầu của thùy kế bên cạnh kênh dẫn (có thể được liên kết với chiều dày kênh dẫn tại điểm đó). Đây là chiều dày tại đường tâm thùy. · ft = chiều dày cuối cùng (final thickness); chiều dày của thùy tại điểm cuối (tại đường tâm thùy) so với chiều dày bắt đầu st. · ct = mặt cắt chiều dày hiệu chỉnh (cross section thickness correction); lượng chiều dày giảm từ đường tâm đến rìa của thùy. Figure 20: Các thông số cần thiết để mô tả hình học thùy 3D. Theo quan điểm kế hoạch, các ràng buộc hình học bao gồm: · Chiều rộng bằng với chiều rộng bắt đầu tại điểm chuyển tiếp từ kênh dẫn –y = w tại x = 0. · Chiều rộng là lớn nhất tại vị trí tương đối l – y = W tại x = l. · Chiều rộng là 0 tại chiều dài thùy lớn nhất L – y = 0 tại x = L. · Đường tiếp tuyến với hình dạng thùy có độ dốc là 0 tại x = l. · Đường tiếp tuyến với hình dạng thùy có độ dốc xác định tại x = L. Phương trình thỏa mãn các ràng buộc hình học trên là: Với y là khoảng cách từ đường tâm, x là khoảng cách dọc theo đường tâm, w = sw/2, l = rm*ll, L = ll, và W = (ll*lwlr)/2. Hình dạng là dựa trên hình dạng “p(1-p)” cho phần đầu tiên (gần nhất để kết nối với kênh dẫn) và một hình dạng elip cho phần hai. Hàm và đạo hàm phần đầu đều liên tục tại tất cả vị trí xung quanh đường viền thùy. Figure 21: (a) hình học thùy với các thông số khác nhau. Từ trên xuống dưới tỉ số rộng/ dài giảm từ 2:1 đến 0.33:1. Vị trí tương đối của chiều rộng lớn nhất là 0.65 bên trái và 0.85 bên phải. (b) hình học cơ bản W = 0.5, w = 0.01, L = 1, và l = 0.6 với sáu mô phỏng Gauss khác nhau. Các thùy có thể được bố trí tại cuối các kênh dẫn. Hình dạng cuối cùng của các kênh dẫn và thùy trong bất kỳ mô hình cuối cùng nào cũng được xác định bởi dữ liệu điều kiện và thuật toán mô phỏng. Tỉ lệ tướng khác nhau và dữ liệu giếng có thể cho ra vị trí thùy được ưu tiên. Figure 22: Mối quan hệ giữa kênh dẫn và thùy. III. Mô hình hóa độ rỗng và độ thấm: 1. Nền tảng: Các biến Đỗ rỗng và độ thấm là các biến chính cần đặc tính vỉa. Những biến khác như thể tích sét, trở kháng, vận tốc và độ bão hòa nước dư cũng được quan tâm. Độ rỗng là nồng độ thể tích của không gian rỗng. Nó là một biến ứng xử tốt do thường biến thiên nhỏ và trung bình theo theo một trung bình số học đơn giản. Độ rỗng thường được mô hình theo độ rỗng hiệu dụng (effective porosity). Tổng độ rỗng (total porosity) còn gồm cả thể tích có thể không được truy cập thông qua cơ chế thu hồi thực tế. Độ thấm và một số biến khác không ở bên trong đặc tính đá, chúng phụ thuộc vào điều kiện biên bên ngoài của đặc điểm kỹ thuật hoặc đo lường thể tích. Các biến này có thể thay đổi độ lớn một vài bậc. Độ thấm là một hằng số tốc độ hoặc đặc tính hiệu dụng không có trung bình đơn giản ở các giá trị tỉ lệ nhỏ. Một số xem xét trong mô hình hóa độ thấm: · Dữ liệu nên được hiệu chỉnh theo điều kiện áp suất và chất lưu vỉa. Những điều kiện này là khác nhau từ các phòng thí nghiệm nơi thực hiện đo lường và phải xem xét hiệu chỉnh độ thấm trước khi dùng cho thử vỉa. · Bất đẳng hướng từ ngang tới dọc là một nhân tố quan trọng, các thành phần hướng chính của độ thấm có thể được mô hình hoặc tỉ số bất đẳng hướng dọc và ngang toàn cục có thể được áp dụng trên một tướng cơ bản. Các tỉ lệ khác nhau Đặc tính thạch học phải được gán cho mỗi ô lưới trong mô hình địa chất. 42 SVTH: Nguyễn Mạnh Trường