如何准备Petrel数据,Make Surface算法比较,建模方法比较
1. 如何准备Petrel数据?(详细请查阅操作手册的相关章节)
1.有关井的资料
1)井口坐标
wellname y x 海拔kb 顶深(MD) 底深(MD)
s102 5120924.00 21674358.00 154.60 1000 1900
s601 5117545.10 21678424.00 154.0 1000 1900
s541 5118923.30 21673319.00 151.8 1000 1900
2)井斜数据
MD X Y Z TVD DX DY AZIM INCL
1499.878 456979.063 6782712.412 -1499.878 1499.878 0.000 0.000 9 9.853 42.277
1500.031 456979.164 6782712.395 -1499.991 1499.991 0.100 -0.017 99 .852 42.278
1500.183 456979.265 6782712.377 -1500.104 1500.104 0.201 -0.035 99.851 42.281
1500.335 456979.366 6782712.359 -1500.217 1500.217 0.302 -0.052 99 .850 42.283
3)测井曲线
DEP(MD) resis AC SP GR
1400.0000 5.1703 374.2136 35.5975 127.0
1400.1000 5.2997 374.2136 35.7233 127.0
1400.2000 5.0606 372.9888 35.8568 126.8
如有测井综合解释的孔、渗、饱资料，按相同格式加上。可直接读取测井*.las格式文件。
4)沉积相的划分,或有效厚度，孔隙度，饱和度等
深度(MD) 孔隙度饱和度渗透率岩性代码有效厚度
1046.3 0.22 0.42 3000 1 0.7
1047.2 0.27 0.53 9000 2 0.2
1047.6 0.68 0.22 15000 3 1
1048.6 0.32 0.32 12000 1 0.3
准备相或孔渗饱曲线时,一般没有以上格式的曲线,但我们可以利用现成的数据库通过编写程序来实现,准备以上曲线时要以每口井的名称为文件名来描述该井的相或孔渗饱信息.这样可以通过批量输入来节省数据的输入时间.
2.地质数据
1)分层数据
X Y Z (TVD) Wellpoint 层名井名
21674358.00 5120924.00 -1272.70 horizon pd s10 2
21674358.00 5120924.00 -1296.20 horizon pz s1 02
21674358.00 5120924.00 -1315.80 horizon pb s1 02
2)等厚图（点或面,也可以利用PETREL计算 Isochors Point）
X Y thickness
21674358.00 5120924.00 23.70
21674358.00 5120924.00 33.20
21674358.00 5120924.00 44.80
3)属性平面图（点，面）（N/G, Porosity, Permeability, Saturation）
X Y property
21674358.00 5120924.00 23.70
21674358.00 5120924.00 33.20
21674358.00 5120924.00 44.80
4)断点数据（点）
X Y z (TVD)
21674358.00 5120924.00 1123.70
21674358.00 5120924.00 1133.20
21674358.00 5120924.00 1144.80
断点数据可以通过General Point /line的方式输入,输入后要
1.首先检查断点是否大致在一个一个面上,对于一些距离该断面较远的点,解释远离的原因,然后进行编辑
2.通过Make Surface形成一个断面,然后对该断面进行平滑和上下切除处理.
3.把该断面转换成线(Along I/J Direction),选择垂直方向的线.
4.利用断层模型中的功能把该STICK转换成Key Pillar.
3.地震数据
1)SEGY数据体(可接受2D,3D地震数据体,同时地震反演的数据也可以输入到Petrel中)
2)层位解释线(Seismic line, Surface) (Petrel 可以接受多种地震解释格式)
3)断层解释（Fault stick, polygon）(Petrel 可以接受多种地震解释格式)
X Y 断点深度(TVD)
21674358.00 5120924.00 1272.70
21673319.00 5118923.30 1291.50
21678424.00 5117545.10 1278.00
21678320.00 5118938.90 1258.80
4)速度资料（Surface, Point）
2. 如何准备属性文件和相曲线?(欲了解详细信息请致信: support@https://www.360docs.net/doc/4010566262.html,)
(以下下载的程序同时提供了源文件和程序运行所需的文件,下载后即可运行验证运行效果)
1.相曲线
如果用户有描述相划分的数据库文件,但不是以单井为文件名来描述的,我们需要通过程序来完成数据的整理工作.具体步骤如下:
1.首先我们把基础数据库(一般为Foxbase格式),通过FOXPRO程序打开,另存为一个ASCII文件,文件的格式为下面的格式(此文件必须以face.dat 命名)
jh, elsyds, elsyhd, syds, syhd, yxhdds, yxhd, stl, wx, yczmc, xch;(此行为说明语句,不包括在文件中)
X1-1-122 876.4 1 876.6 0.8 876.6 0.5 0.05 2 S1 1
X1-1-122 890.3 1.1 890.3 0.5 890.3 0.3 0 3 S2 1
X1-1-122 892 0.8 892 0.7 0 0 0 4 S2 1-1
X1-1-122 893.4 0.2 0 0 0 0 0 4 S2 1-1
X1-1-122 894.1 1 894.1 1 894.1 0.3 0 3 S2 1-2
X1-1-122 895.7 0.3 0 0 0 0 0 4 S2 1-2
X1-1-D22 1048.2 3.4 1048.2 0.4 0 0 0 4 P1 7-1
X1-1-D22 0 0 1050.6 0.4 0 0 0 4 P1 7-1
X1-1-D22 1052.4 1.5 1052.8 0.4 0 0 0 4 P1 8
X1-1-D22 1055.6 0.6 0 0 0 0 0 4 P2 1
2.下载程序(点击此处下载)
3.解压后,执行 facecurvebest.exe 程序
4.检查生成的文件,注意该程序可同时生成相曲线和渗透率, face.dat 中stl列表示渗透率,如果有空隙度或其他属性值,都可以放在stl列以生成该属性曲线.生成的相,孔隙度格式如下所示:
深度岩性代码渗透率
1046.3 1 0.7
1047.2 2 0.2
1047.6 3 1
1048.6 1 0.3
5.只要更改face.dat文件即可根据自己的需要,生成所需的数据.
2.属性的平面图处理
1)首先准备两个文件:
1.face1.txt
准备该文件需注意相同的井放在一起,层位以深度递增排列,xch以深度递增排列the file is sort by microsoft excle,(jh,yczmc,xch)
face1.txt文件格式如下:
jh yczmc xch elsyds elsyhd syds syhd yxhdds yxhd stl
X1-1-122 G1 1 1095.8 0.6 0 0 0 0 0
X1-1-122 G1 1 1097.3 0.3 1097.3 0.2 0 0 0
X1-1-122 G1 12 1119.6 0.3 0 0 0 0 0
X1-1-122 G1 12 1120.6 0.8 0 0 0 0 0
X1-1-122 G1 12 1122.1 1.5 1122.7 0.6 1122.7 0.3 0
X1-1-122 G1 13 1124.6 0.8 1125 0.4 1125 0.4 0
X1-1-122 G1 13 1126 0.6 0 0 0 0 0
X1-1-122 G1 18+19 1135.2 0.4 0 0 0 0 0
X1-1-122 G1 2 1098.2 0.8 1098.2 0.8 1098.6 0.4 0.05
X1-1-122 S3 7-1 980.9 0.3 981 0.2 0 0 0
X1-1-122 S3 7-1 981.6 1 982.2 0.4 982.3 0.3 0
X1-1-122 S3 8 983.8 0.2 0 0 0 0 0
X1-1-122 S3 8 984.4 1 984.4 0.5 984.4 0.3 0
X1-1-122 S3 9 987.6 1.6 988 1 988.2 0.5 0.03
X1-1-122 S3 9-1 990.4 1 991.2 0.2 0 0 0
X1-1-20 G1 1 1175.2 0.6 0 0 0 0 0
X1-1-20 G1 2 1176.7 0.3 0 0 0 0 0
X1-1-20 G1 2 1177.4 0.4 0 0 0 0 0
X1-1-20 G1 2-1 1177.8 0.9 0 0 0 0 0
X1-1-20 G1 3 1179.1 1.2 0 0 0 0 0
X1-1-20 S3 7-1 1053.4 2.2 1054 1 1054.7 0.3 0
X1-1-20 S3 8 1057.2 0.2 0 0 0 0 0
2.wellhead.txt
wellhead.txt文件的格式如下:
jh x y bxhb toplayer's depth bottom's depth
X1-1-122 36234 10264 142.09 -311.4 -953.1
X1-1-20 36497 9040 144.81 -369.2 -1029
X1-1-21 36442 9658 141.01 -345 -965
X1-1-210 36384 9672 139.97 -342.5 -963.8
X1-1-22 36297 10022 140.94 -332.6 -957.9
X1-2-121 36142 9454 140.12 -344.4 -997.9
X1-2-122 36017 9651 140.89 -338.1 -948.3
X1-2-21 36195 9220 150.7 -347.8 -992.5
X1-2-22 36073 9700 140.1 -336.4 -951.5
X1-2-222 35959 9898 141.24 -328.8 -926.4
X1-2-23 35946 10189 140.07 -318.4 -952.7
X1-2-611 36270 8858 149.35 -374.7 -1017.9
X1-2-612 36207 9092 145.08 -362.4 -1000.3
X1-2-613 36153 9386 141.14 -348.4 -996.9
X1-2-614 36095 9622 140.41 -339.1 -948.8
2.下载程序(点击此处下载)
3.解压后,执行 sandbest.exe 程序
4.检查生成的文件,注意该程序可同时描述二类砂岩和砂岩的N/G属性,生成的相,孔隙度格式如下所示:
X1-1-122 36234 10264 0.008130 0.150000
X1-1-21 36442 9658 0.000000 0.428564
X1-1-22 36297 10022 0.007435 0.181812
X1-20-615 36352 9661 0.001203 0.000000
X1-20-616 36259 9952 0.000638 0.024000
X1-20-S613 36464 9226 0.129033 0.357137
X1-2-121 36142 9454 0.000553 0.016393
5.只要更改face1.txt和wellhead.txt文件即可根据自己的需要,生成所需的数据.
3.其他程序
如果用户有如下的相描述文件,可以下载下面的程序处理生成以井命名的相曲线文件.
jh, depth facies;
X3 9392 3
X3 9606 4
X3 9640 4
X3 9666 2
X3 9690 2
X3 9708 4
X3 9730 3
X3 9762 4
X3 9780 2
X3 9803 5
X3 9812 2
2.下载程序(点击此处下载)
3.解压后,执行 facecurvebest.exe 程序
4.检查生成的文件
3. 如何进行数据分析?(详细请查阅操作手册的相关章节) 1.Variogram modelling – definitions
2.Variogram modelling – 2D search area
3.Variogram terminology
Sill:描述两点的最大差异程度
Nugget:描述距离为0时观测值的差异程度
Range:描述达到最大差异程度时的空间距离
4.Workflow for Variogram Generation
The generation of variogram models is an iterative process that can be quite time consuming. A typical workflow can be described as follows:
1.Finding the axis of anisotropy by the use of variogram maps.
2.Creating sample variograms for the maximum , minimum directions, vertical direction in data analysis module.
3.Editing a variogram model to the sample variograms.
https://www.360docs.net/doc/4010566262.html,ing the variogram model as input in the Petrophysical property modeling.
4.Make surface 几种方法比较(详细请查阅操作手册的相关章节)
1.Closest
The map is divided into polygons by the method of perpendicular bisectors. All cells within each polygon is given the value observed in the corresponding well. or, the same: Each cell is given the value observed in the closest well.
2.Moving average interpolation
Exponent = 1
Exponent = 2
Exponent = 4
3.Functional interpolation
Functional, Plane
Functional, Bilinear
Functional, Simple Parabol
Functional, Parabol
4.Kriging interpolation
These models illustrate the effect of arying the range. Short range => Local adjustment of mean value Long range => Each point has large influence radius
N=0,S=10,R=1,Exp
N=0,S=10,R=10,Exp
N=0,S=10,R=100,Exp
5.属性建模几种方法的介绍(详细请查阅操作手册的相关章节)
A:相建模技术
1.基于目标体建模技术( Object Modeling )
目标体建模技术是基于对象的随机模拟。具有随机大小、方向和形状的对象在模拟区块内随机设置。属性如大小、形状也遵循一种分布。如果模拟对象满足井中信息，则是条件模拟。无论是条件还是非条件模拟,井间都会被模拟,该方法主要用于建立离散模型,如砂体格架平面、剖面或三维分布模型。这种算法易于理解、快速。但目标形状较为简化，需较准确的先验知识。如沉积砂体的横向宽度、厚度两者之间的定量统计关系。该方法能忠实于井资料并能很好地运用相建模的成因控制原则,即能运用大量、丰富的己知地质经验,在密井网区能充分地发挥其特长,从而有较好的预测效果。在密井网区尽管地质情况复杂,目标体建模技术能把地下沉积特征充分地由数字方式表达出米,符合程度高。该方法中内含的河流相建模技术是建立河流相的最佳方法。该方法结合趋势面的约束会达到更好的效果.
优点:
1.容易理解,使用灵活,模拟的参数少,可以将沉积学的一些知识,如砂体的宽厚比,砂体的分布趋势加入到模型中.使模型的结果贴近地质概念.
2.Facies Transition Simulation
该方法对于相排序规律性很强的地区有很好的效果,但有这种有规律的沉积层序并不常见,尤其在陆相地层中,砂体的沉积不仅仅是受水面对升降的控制,构造运动影响沉积过程的作用更强烈,气候因素和局部构造也对沉积物的分布起一定的控制作用。所以, 还没有见到一个陆相湖盆从边缘到湖盆中心有极为规律的相序排列。该方法适合相排序有规律的沉积环境.
3.Sequential Indicator Simulation
序贯指示模拟以各微相的指示变差函数为基础,指示变差函数的代表性完全决定了模拟结果。陆相地层砂体分布过于复杂,其各向异性并非几个方向的变程能描述的。所以序贯指示模拟在陆相地层中,至少密井网区的应用较为困难。希望能有更好的变差函数求取方法使之能反映陆相地层相变复杂性,以使序贯指示方法得以更多、更好的应用。该方法中其变差函数的求取对模拟的结果有很大的影响.
优点:
1.比常用的插值方法更能反映储层参数的变化,而且能够描述由于资料的缺乏而引起的模型的不确定性.
2.克服了传统插值方法对变化较大的参数的光滑效应.
3.能够在建模中考虑参数奇异值的空间分布模式,在我国陆相高含水和开发油田以及以裂缝为主的油田油藏描述中特别有用.
4.可以为油藏工程师提供多种可选的储层地质模型.
4.Indicator Kriging Interpolation
该方法适用于密井网区的相建模
B:属性建模技术
1.Sequential Gaussian Simulation
序贯高斯模拟是高斯模型常用的一种模拟方法。它是应用高斯概率理论和序贯模拟算法产生连续变量空间分布的随机模拟方法。
该算法的优点是:
(l)算法稳定,用于产生连续变量的实现；
(2)当用于模拟比较稳定分布的数据时,序贯高斯模拟能快速建立模拟结点的ccdf。然而当模拟级差较大的变量数据时,高斯矩阵不稳定,且不能用于类型变量的模拟。下图是各种变程下的模拟结果.
Range 50 m Range 500 m
Range 1000 m Range 1500 m
2.Moving Average(移动平均):
只考虑观测点与待估点之间的距离,而不考虑地质规律所造成的储层参数在空间上的相关性,因此插值精度较低.为了提高精度,人们普遍应用Kriging方法进行井间的插值.
3.Kriging(克立格):
是地质统计学的核心,它是一种应用能够考虑储层参数空间分布规律的随机函数来进行井间的插值或模拟的方法.克立格方法的主要研究手段是变异函数,研究对象为区域化变量,即在空间上既有随机性又有相关性的变量.该方法是根据待估点周围的信息,应用变异函数所特有的性质,对待估点作出最优,无偏的估计.该方法是一种光光滑内插方法,实际是特殊的加权平均法,它主要反映了储层参数的宏观变化趋势,而忽略了井间的细微变化和离散性,且储层的连续性越差,井距离大,井点分布越不均匀,其误差就越大,因此,该方法所给出的结果虽然是确定性的,但并非真实的值,仅是接近真实的值,其误差取决于方法本身的适用性及宏观地质条件,然而,就井间估值来讲,该方法比传统的数理统计方法更能反映客观地质规律.精度相对较高,是定量描述的有力工具.
4.Kriging by GSLIB(克立格):
该方法和Kriging方法大致相同,不同之处在于它提供比Kriging更多的选项.
《大数据时代下的数据挖掘》试题及答案要点
《海量数据挖掘技术及工程实践》题目 一、单选题（共80题） 1)( D )的目的缩小数据的取值范围，使其更适合于数据挖掘算法的需要，并且能够得到 和原始数据相同的分析结果。 A.数据清洗 B.数据集成 C.数据变换 D.数据归约 2)某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖 掘的哪类问题？(A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 3)以下两种描述分别对应哪两种对分类算法的评价标准？ (A) (a)警察抓小偷，描述警察抓的人中有多少个是小偷的标准。 (b)描述有多少比例的小偷给警察抓了的标准。 A. Precision,Recall B. Recall,Precision A. Precision,ROC D. Recall,ROC 4)将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？(C) A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘 5)当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数 据相分离？(B) A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链 6)建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的 哪一类任务？(C) A. 根据内容检索 B. 建模描述 C. 预测建模 D. 寻找模式和规则 7)下面哪种不属于数据预处理的方法？ (D) A.变量代换 B.离散化
C.聚集 D.估计遗漏值 8)假设12个销售价格记录组已经排序如下：5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内？ (B) A.第一个 B.第二个 C.第三个 D.第四个 9)下面哪个不属于数据的属性类型：(D) A.标称 B.序数 C.区间 D.相异 10)只有非零值才重要的二元属性被称作：( C ) A.计数属性 B.离散属性 C.非对称的二元属性 D.对称属性 11)以下哪种方法不属于特征选择的标准方法： (D) A.嵌入 B.过滤 C.包装 D.抽样 12)下面不属于创建新属性的相关方法的是： (B) A.特征提取 B.特征修改 C.映射数据到新的空间 D.特征构造 13)下面哪个属于映射数据到新的空间的方法？ (A) A.傅立叶变换 B.特征加权 C.渐进抽样 D.维归约 14)假设属性income的最大最小值分别是12000元和98000元。利用最大最小规范化的方 法将属性的值映射到0至1的范围内。对属性income的73600元将被转化为：(D) A.0.821 B.1.224 C.1.458 D.0.716 15)一所大学内的各年纪人数分别为：一年级200人，二年级160人，三年级130人，四年 级110人。则年级属性的众数是： (A) A.一年级 B.二年级 C.三年级 D.四年级
Petrel中的属性建模流程简介
属性建模： 一、相模型的建立： 1、测井曲线离散化 双击：Process ——Proerty modelding——Scall up well logs； 弹出对话框：
在Select里选择需要离散化的相曲线数据facies(input到wells的沉积相数据)，点击all可以对需要离散的井进行选择，剔除没有曲线或者曲线数据不正确的井）。 在相模型建立时：Average选择“most of”、method选择“Simple”。单击“Apply”或“OK”确定。完成沉积相数据的离散化，离散化后，沉积相数据赋给井轨迹所通过的网格。离散化后models里的properties里新增了沉积相属性“facies”，可在3D视图里进行查看。
2、沉积相模型建立; 双击：Process ——Proerty modelding——Facies modeling。 弹出对话框：
对话框右上角选择离散化后的沉积相数据，依次选择各小层（zone）进行属性控制；点击解锁进行编辑控制。 目前的沉积相建模算法很多；通常，纵向上细分网格后用序贯高斯的算法，纵向上未细分用经典算法（此处的“纵向细分“是指layering里把zone细分为不同个数的网格。 ⑴、序贯高斯的算法； “Method for zone /facie”选项单击下拉菜单， 选择序贯高斯算法：“Sequential indicator simula”，在左侧选择该小层所以相类型（可从 左侧出现的百分比统计中看出）单击箭头，相 类型移动到右侧。
下侧空白区域新增两个选项卡“Variogram”，“Fraction”，点击按钮，弹 出对话框：
大大数据概念、技术、特点、应用与案例
大数据 目录 一、大数据概念 (1) 二、大数据分析 (2) 三、大数据技术 (3) 四、大数据特点 (4) 五、大数据处理 (4) 六、大数据应用与案例分析 (6) 一、大数据概念 "大数据"是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。"大数据"首先是指数据体量(volumes)?大，指代大型数据集，一般在10TB?规模左右，但在实际应用中，很多企业用户把多个数据集放在一起，已经形成了PB级的数据量；其次是指数据类别(variety)大，数据来自多种数据源，数据种类和格式日渐丰富，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。接着是数据处理速度（Velocity）快，在数据量非常庞大的情况下，也能够做到数据的实时处理。最后一个特点是指数据真实性（Veracity）高，随着社交数据、企业内容、交易与应用数据等新数据源的兴趣，传统数据源的局限被打破，企业愈发需要有效的信息之力以确保其真实性及安全性。 "大数据"是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。从数据的类别上看，"大数据"
指的是无法使用传统流程或工具处理或分析的信息。它定义了那些超出正常处理范围和大小、迫使用户采用非传统处理方法的数据集。亚马逊网络服务（AWS）、大数据科学家JohnRauser提到一个简单的定义：大数据就是任何超过了一台计算机处理能力的庞大数据量。研发小组对大数据的定义："大数据是最大的宣传技术、是最时髦的技术，当这种现象出现时，定义就变得很混乱。" Kelly说："大数据是可能不包含所有的信息，但我觉得大部分是正确的。对大数据的一部分认知在于，它是如此之大，分析它需要多个工作负载，这是AWS的定义。当你的技术达到极限时，也就是数据的极限"。大数据不是关于如何定义，最重要的是如何使用。最大的挑战在于哪些技术能更好的使用数据以及大数据的应用情况如何。这与传统的数据库相比，开源的大数据分析工具的如Hadoop的崛起，这些非结构化的数据服务的价值在哪里。 二、大数据分析 从所周知，大数据已经不简简单单是数据大的事实了，而最重要的现实是对大数据进行分析，只有通过分析才能获取很多智能的，深入的，有价值的信息。那么越来越多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于如此的认识，大数据分析普遍存在的方法理论有哪些呢？ 1、可视化分析 大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了 2、数据挖掘算法 大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，
Petrel建模常用术语
Petrel建模常用术语 Petrel引入了一些新的术语和公式表达式，现简要地解释如下。 3D Grid –是一个用来描述三维地质模型的由水平线和垂直线组成的网格。Petrel中应用了角点三维网格技术。 Artificial method –用于make surface进程中，意思是在建surface 时不用任何输入数据。 Attribute map –是一张地震属性图。可以从地震体中通过提取穿过某一层面的属性值来获得（分两种：一种是从某一表面开始的一定偏移量内的平均属性；另一是两个面之间的平均属性）。 Automatic legend - 一个预先确定好的用于显示窗口中目标体色标的模板 Bitmap image - 输入的位图，例如BMP和JPG格式的位图文件，它们都可以在UTM（通用横轴墨卡托投影坐标系）中显示出来。 Bulk Volume - 总的岩石体积 Cell Volume –三维网格中单位网格的体积。 Connected Volume –在离散的3D属性中计算相连体积的进程，可用来查找相连的河道。 Contact Level –油水或油气界面，通常是一个固定深度值。Contact Set –由用户自己定义的一组接触界面，用作储量计算的输入值，也可用作显示使用。 Cropping –通过定义主线、联络线和时间范围，创建真实的地震体。Crossline intersection –垂直于主测线方向的垂向地震切面。
Cross plot –两个或两个以上的数据相互间形成的交会图（也叫做scatter plot（散点图））。 Datum –在测定海拔时用到的一个固定深度、时间值或是一个层面。Depth Contours –层面的等高线，描述相同的深度或时间值。Depth Conversion –将Z值在深度域和时间域间相互转换。 Depth panel –井上的垂向深度标尺。 Display Window –用于显示模型的窗口，分为二维、三维两种类型。Dongle –硬件加密锁（hardware key），也叫做软件防盗锁(software protection key)，它控制着软件模块的使用时间。 Drainage Area –流域，指的是可能产生烃的区域。 Erosion Line –剥蚀线，用于定义层面间的相互削截。 Fault Center Line –3D网格中用于连接断层Pillar中点的线。 Fault Modeling - 在三维空间骨架中建立断面的过程。其第一步就是建立Key Pillar（主要断层柱子）。 Fault Polygon –断层平面和层面间的交线。 Fault Stick (fault dip line) –描述断层的线，通常是贯穿顶部和底部。Fluid Constants （流体常量）–地层体积系数，油Bo，气Bg。GOR：气油比。严格讲采收率不是流体常量，但在Petrel中将其列入了储量计算的流体常量菜单中。 Formation Volume Factor –地层体积系数。地表情况下的烃体积与油藏中的体积之比（油和气的分别为Bo和Bg）。 Function Bar –在微软术语中叫作工具栏（toolbar）。不同的进程中，
大数据建模与挖掘应用
关于举办“大数据建模与分析挖掘应用”实战培训班的通知地点北京上海 时间12月 23-26 1月 12-15 一、课程简介 大数据建模与分析挖掘技术已经逐步地应用到新兴互联网企业（如电子商务网站、搜索引擎、社交网站、互联网广告服务提供商等）、银行金融证券企业、电信运营等行业，给这些行业带来了一定的数据价值增值作用。 本次课程面向有一定的数据分析挖掘算法基础的工程师，带大家实践大数据分析挖掘平台的项目训练，系统地讲解数据准备、数据建模、挖掘模型建立、大数据分析与挖掘算法应用在业务模型中，结合主流的Hadoop与Spark大数据分析平台架构，实现项目训练。 结合业界使用最广泛的主流大数据平台技术，重点剖析基于大数据分析算法与BI技术应用，包括分类算法、聚类算法、预测分析算法、推荐分析模型等在业务中的实践应用，并根据讲师给定的数据集，实现两个基本的日志数据分析挖掘系统，以及电商（或内容）推荐系统引擎。 本课程基本的实践环境是Linux集群，JDK1.8， Hadoop 2.7.*，Spark 2.1.*。 学员需要准备的电脑最好是i5及以上CPU，4GB及以上内存，硬盘空间预留50GB（可用移动硬盘），基本的大数据分析平台所依赖的软件包和依赖库等，讲师已经提前部署在虚拟机镜像（VMware镜像），学员根据讲师的操作任务进行实践。 本课程采用技术原理与项目实战相结合的方式进行教学，在讲授原理的过程中，穿插实际的系统操作，本课程讲师也精心准备的实际的应用案例供学员动手训练。 二、培训目标 1.本课程让学员充分掌握大数据平台技术架构、大数据分析的基本理论、机器学习的常用算法、国内外主流的大数据分析与BI商业智能分析解决方案、以及大数据分析在搜索引擎、广告服务推荐、电商数据分析、金融客户分析方面的应用案例。 2.本课程强调主流的大数据分析挖掘算法技术的应用和分析平台的实施，让学员掌握主流的基于大数据Hadoop和Spark、R的大数据分析平台架构和实际应用，并用结合实际的生产系统案例进
petrel建模步骤
目录 1.加载数据 (4) 1.1 井位数据 (4) 1.2 井斜数据 (4) 1.3 测井曲线加载 (5) 1.4 分层数据加载 (9) 1.5 测井解释成果加载 (13) 1.6 断层加载 (14) 1.7 地震数据加载 (15) 1.8 制作地震子体 (17) 1.9 地震解释 (23) 2.Make surface (32) 2.1 圈定边界 (32) 2.2 做面 (32) 3.调节断层 (37) 3.1 双击加载的断层.TXT文件 (37) 3.2 删掉断层一盘 (37) 3.3 将断层赋给一个面 (38) 4.断层模型 (39) 4.1 初步调整 (39) 4.2 pillar Giidding (45) 4.3 Make horizons (47) 4.4 Make zones (50)
4.5 调节断层上下盘 (51) 4.6 补缺口/horizon (52) 4.7 做垂向网格/layering (56) 5.砂孔建模 (58) 5.1砂体模型（确定性） (58) 5.2砂体模型（指示建模） (66) 5.3夹层模型 (66) 6.沉积相模型—确定性 (70) 6.1 创建沉积相模型 (70) 6.2 相图加载 (71) 6.3 数字化位图 (72) 6.4 生成相多边形曲面/对每个相做surface (74) 6.5 生成相分布曲面 (76) 6.6 相建模 (77) 7.沉积相建模—随机性 (79) 7.1 PPT--序贯指示 (79) 7.2 阳光石油相模型建立--序贯指示 (80) 7.3 沉积相模型建立—聚类分析方法 (86) 8.沉积相相控属性建模 (103) 8.1 孔隙度模 (103) 8.2 渗透率模拟 (112) 8.3 含油饱和度模拟 (118) 9.计算储量 (126) 10.模型粗化 (134) 11 离散化测井曲线 (138)
Petrel页岩气藏的工作流程的建模要点
一个综合Barnett页岩气藏的工作流程的建模与仿真 C. Du, SPE, X. Zhang, SPE, B. Melton, D. Fullilove, B. Suliman, SPE, S. Gowelly, SPE, D. Grant, SPE,J. Le Calvez, SPE, Schlumberger 这篇文章是准备在2009年5月31日至6月3号在哥伦比亚卡塔赫纳举行的拉丁美洲和加勒比石油工程会议上作为（会议）报告用的。 这篇文章根据作者所提出的包含在摘要中的信息被程序委员会选择出来作为一篇会议上的报告。石油工程师协会没有对本文的内容进行检查，需要作者自己进行校正。该文章不反映石油工程师协会、工作人员和会员的任何态度。电子复制品、分发品，没有经过石油工程师协会的书面同意，任何文件的一部分的存储都是禁止的。允许复制的（范围）限定在不超过300字的摘要，插图可能不能被复制。（被）复制印刷的摘要必须包含显眼的石油工程协会的版权信息。 摘要 密西西比Barnett页岩储层开辟了美国的天然气生产的新时代。做的许多油藏描述方面的努力和完成的一些实际生产，以帮助更加深刻的了解Barnett页岩储层。钻孔图像解译，钻井诱导产生的裂缝和连通的/闭合的裂缝，揭示（地层）应力方向，断层的形貌和方向等解释结果指导水平井设计，控制水力压裂方向和强度。常规测井和岩心分析已经用于对岩相的分类和评价油层物性和地球物理性质，以用于井的定位和储量计算。地震调查不仅用于水平层位和断层的解释，也用于3D物性的评价分析，如岩相分布，离散裂隙网络和应力场。在实际施工方面，多钻较长的水平井和进行大规模的多级、多层次水力压裂处理。大量的井的钻探和水力压裂都被广泛实施。微震（MS）对评价水力压裂所波及到的油藏的体积和压裂产生的断裂强度估算的起到重要作用。 尽管在这个方面巨大的努力和进展，但现有的文献中仍然缺乏一个系统
工业大数据分析综述：模型与算法
摘要：随着条形码、二维码、RFID、工业传感器、自动控制系统、工业互联网、ERP、CAD/CAM/CAE等信息技术在工业领域的广泛应用，大量与工业生产活动相关的数据被实时采集并存储到企业的信息系统中。对这些数据进行分析，有助于改进生产工艺、提高生产效率、降低生产成本，为实现智能制造奠定基础。因此，工业大数据分析引起了工业界和学术界的广泛关注。模型和算法是大数据分析理论和技术中的两个核心问题。介绍了工业大数据分析的基本概念，综述了几种流行的工业大数据分析模型在工业大数据分析领域的应用情况以及相应求解算法方面的研究成果，并探索了大数据分析模型和算法的未来研究方向。 关键词：工业大数据; 大数据分析; 模型; 算法; 智能制造 1 引言 当今时代，信息化和工业化的融合已经成为发展趋势，《中国制造2025》指出：“新一代信息技术与制造业深度融合，正在引发影响深远的产业变革，形成新的生产方式、产业形态、商业模式和经济增长点”。工业大数据在两化融合过程中起着至关重要的作用，国务院颁发的《促进大数据发展行动纲要》把发展工业大数据列为主要任务之一：“推动大数据在工业研发设计、生产制造、经营管理、市场营销、售后服务等产品全生命周期、产业链全流程各环节的应用，分析感知用户需求，提升产品附加价值，打造智能工厂。建立面向不同行业、不同环节的工业大数据资源聚合和分析应用平台”。工业大数据是指在工业领域中产生的大数据。随着信息化与工业化的深度融合，信息技术渗透到了工业企业产业链的各个环节，条形码、二维码、射频识别（radio frequency identification，RFID）、工业传感器、工业自动控制系统、工业互联网、企业资源计划（enterprise resource planning，ERP）、计算机辅助设计（computer
petrel相建模实例
主要模块介绍 一、数据准备 本实例中的数据整理如下： wellhead井位坐标文件 jinghao X Y kb topdepth bottomdepth X21-233973816364714261433.0821502195 X21-243974070364716291433.082156.12193.1 X21-253974257364718491433.082154.42190.4 X21-263974480364720961436.52154.82189.8 X22-193972535364705161407.562120.32152.3 X22-203972803364707951417.462139.12165.1 X22-213973010364710401379.72102.62135.6 welltop分层文件 X Y hb wellpoint surface jinghao 397381636471426-716.92Horizon c811X21-23 397381636471426-724.92Horizon c8121X21-23 397381636471426-735.92Horizon c8122X21-23 397381636471426-755.92Horizon c813X21-23 397381636471426-761.92Horizon c821X21-23 397407036471629-723.02Horizon c811X21-24 397407036471629-731.02Horizon c8121X21-24 397407036471629-742.02Horizon c8122X21-24 397407036471629-754.02Horizon c813X21-24 397407036471629-760.02Horizon c821X21-24 测井文件准备 DEPTH PERM_K POR_K SW_K VSH_K NTG 2140.1250.00590100 2140.250.00590101 2140.3750.00590100 2140.50.00590010 二、数据输入 1 输入WellHeader（井位坐标文件）
大数据建模和算法特征
大数据建模和算法特征 Coca-cola standardization office【ZZ5AB-ZZSYT-ZZ2C-ZZ682T-ZZT18】
零售银行为了给客户提供更加优质的服务，需要通过分析银行系统本身数据库所保留的客户资料信息，对客户进行分类管理。 近年来，大数据已成为科技界和企业界关注的热点，越来越多的企业和研究者正在关注大数据的应用。大数据的分析与挖掘技术在科学界正在如火如荼的展开，各种大数据的新算法被开发研究出来，例如近年来发展比较完善的一种数据分析挖掘算法支持向量机。 与此同时，大数据分析在商业中的运用受到人们的追捧，各种大数据在商业中成功运用的案例层出不穷，比如美国大型零售商target公司的广告精准推送。本文将对大数据分析技术以及大数据分析技术在零售银行行业的作用进行一番探讨。 什么是大数据 2011年，麦肯锡在题为《海量数据，创新、竞争和提高生成率的下一个新领域》的研究报告中首次提出大数据的概念。报告认为数据已经渗透到每一个行业和业务职能领域，数据中蕴含着巨大的价值，这些价值将导致数据成为重要的生产因素。2012年《纽约时报》的一篇专栏中写到，“大数据”时代已经降临，在商业、经济及其他领域中，最终决策将日益基于数据和分析而作出，而并非基于经验和直觉。2012年3月，美国奥巴马政府宣布投资2亿美元启动“大数据研究和发展计划”，这是继1993年美国宣布“信息高速公路”计划后的又一次重大科技发展部署。美国政府认为大数据是“未来的新石油”，将“大数据研究”上升为国家意志，对未来的科技与经济发展必将带来深远影响。 进入21世纪，互联网的兴起促成了数据量的大规模增长。互联网时代，几乎全民都在制造数据，与此同时，数据的形成也极其丰富。一方面，既有社交网络、多媒体、协同创造、虚拟服务等应用所主动产生的数据;另一方面，又有搜索引擎、网页浏览过程中被记录、被收集的数据。该阶段数据的特点是用户原创、主动、交互。 根据国际数据公司(IDC)的研究报告，2011年全球被创建和被复制的数据总量为(数据存储单位，泽字节，等于 1024艾字节或270个字节)，且增长趋势遵循新摩尔定律，预计到2020年，全球数据量大约每两年翻一番，全球将拥有35ZB的数据量。正是由于信息技术的发展，大数据才能生成和发展。大数据技术正是从海量的、多样化的数据中，快速获得有价值信息的能力。 大数据指的是所涉及的数据量规模巨大到无法通过人工，在合理时间内达到截取、管理、处理、整理成为人类所能解读的信息。在维克托迈尔-舍恩伯格及肯尼斯库克耶编写
Petrel建模流程
Petrel建模流程 一、数据预备 二、数据输入 三、Pillar gridding 四、Make horizon 五、Laying 六、建立几何模型 七、离散化测井曲线 八、对Vsh数据进行分析 九、相建模 十、对连续数据进行分析 十一、属性建模 十二、网格粗化及属性粗化的操作 十三、储量运算 十四、产生STOIIP （烃体积密度分布图） 十五、输出数模所需要的文件
要紧模块介绍 一、数据预备 本实例中的数据整理如下： wellhead井位坐标文件 jinghao X Y kb topdepth bottomdepth X21-233973816364714261433.0821502195 X21-243974070364716291433.082156.12193.1 X21-253974257364718491433.082154.42190.4 X21-263974480364720961436.52154.82189.8 X22-193972535364705161407.562120.32152.3 X22-203972803364707951417.462139.12165.1 X22-213973010364710401379.72102.62135.6 welltop分层文件 X Y hb wellpoint surface jinghao 397381636471426-716.92Horizon c811X21-23 397381636471426-724.92Horizon c8121X21-23 397381636471426-735.92Horizon c8122X21-23 397381636471426-755.92Horizon c813X21-23 397381636471426-761.92Horizon c821X21-23 397407036471629-723.02Horizon c811X21-24 397407036471629-731.02Horizon c8121X21-24 397407036471629-742.02Horizon c8122X21-24 397407036471629-754.02Horizon c813X21-24 397407036471629-760.02Horizon c821X21-24 测井文件预备 DEPTH PERM_K POR_K SW_K VSH_K NTG 2140.1250.00590100 2140.250.0059010 1 2140.3750.00590100 2140.50.005900 1 0 二、数据输入 1 输入Well Header（井位坐标文件） 右键点击输入Well Header: 文件类型里选：Well heads (*.*)
大数据分析的常用算法大数据处理算法研究与实现
大数据分析的常用算法大数据处理算法研究与 实现 大数据处理算法研究与实现 摘要:在适应了不同的环境的企业的发展的条下，提供有包括企业或具有确定相对运动的构的组合等在互联网上注册的名称，是互联网比较重要的部分、成套的设备、系统控制在内的完整的网络平台服务。构建有自己的电子商务寄放平台，大数据是我国重要的信息来源。随着市民、其他空间三维立体上的网络化时代经验和知识的快速发展，空间的立体化发展史越来越快了，所有步行中的全世界或一个地区的山川、气候变化等自然环境及物产、交通、居民点等社会经济因素的总的情况网络化时代经验和知识的应用更加广泛和彻底促进企业发展、不同发展阶段企业或者个人的上网要求，提供有包括企业或具有确定相对运动的构的组合等在互联网上注册的名称，构建有自己的电子商务寄放平台的到来。大数据有利有弊，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源平台网络数据时代作为大规模数据分析的主流经验和知识之一，在很多模式的基础上。在此基础上，在数据较大的时代背景下，基于互联网的相关服务的增加、使用和交互模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源平台的网络数据时代优势与中国行业网络化时代管理系
统的实际应用要求相结合，实现了有方向性的大数据管理，特别 是数据存储模型在Spacti矢量大规模数据管理中的Al备检、数 据转换、空间三维立体上的咨询及数据可视化本论文中，提出了 用于大规模有方向性的数据的组织化和管理的方法体系和关键经 验和知识。 关键词：矢量大数据，全世界或一个地区的山川、气候变化 等自然环境及物产、交通、居民点等社会经济因素的总的情况网 络化时代系统（ＧＩＳ），空间三维立体上的数据管理，Ｈａｄ ｏｏｐ，耕地质量等别数据 Research and Implementation of Large Data Processing Algorithms Abstract:In the era of big data, data has bee an important part of national basic strategic resources.With the rapid development of 大数据网络时代, citizen s, GPS and other spatial information technology, the means of spatial data acquisition are more and more diversified, and the application of geographic information technology in all walks is more extensive and thorough, which promotes the arrival of the era of 大数据网络时代 big data.The big data is the “double-edged sword“.The
petrel中储层建模具体操作
储层建模的步骤 目前普遍的认识是，储层建模应分为油藏构造建模、沉积（微）相建模和油藏属性建模三步完成。构造模型反应储层的空间格架，在建立储层属性的空间分布之前，应进行构造建模。由于沉积相对储层物性有决定性的作用，油藏属性建模多采用相控建模，即先建立沉积微相模型，然后以此为基础进行油藏属性建模。 张天渠油田长2油藏的储层地质模型是以测井资料为基础资料，采用确定性建模的储层建模方法建立的。储层建模的整个过程包括4个主要环节，即数据准备、构造建模、油藏属性建模、模型的应用。 一、数据准备与预处理 1．数据准备 一般从数据来源看，建模数据包括岩心、测井、地震、试井、开发动态等方面的数据。从建模的内容来看，基本数据包括以下四类： ①坐标数据：包括井位坐标、地震测网坐标等； ②分层数据：各井的油组、砂组、小层、砂体划分对比数据；地震解释层面数据； ③断层数据：断层位置、断点、断距等； ④储层数据：储层数据是储层建模中最重要的数据。包括井眼储层数据、地震储层数据和试井数据。井眼数据为岩心和测井解释数据，包括井内相、砂体、隔夹层、孔隙度、渗透率、含油饱和度等数据，这是储层建模的硬数据。 对不同来源的数据进行质量检查是储层建模中十分重要的环节。为了提高储层建模的精度，必须尽量保证用于建模的原始数据特别是硬数据的准确性。因此，必须对数据进行全面的质量检查，如检查岩心分析的孔渗参数的奇异值是否符合地质实际，测井解释的孔渗饱是否正确等等。 建模过程中能被储层建模软件所采用的资料来源于这些基础资料，但它们有特殊的格式要求，需要转换成不同格式要求的文本文件才能以正确的格式导入到Petrel软件中。从文件类型上来看，它们包括井头文件（Well head）、井斜文件或井轨迹文件（Well deviation）和测井数据文件（Well log）。它们的格式和作用分别如下： ①井头文件： 文件内容包括井名、井位坐标（X、Y）、地面补心海拔（补心高与地面海拔之和）以及目标井段深度（井段顶部深度和测井段底部深度）。井头文件主要用来确定油藏中的井数、井位和各井的研究层段等井信息。
大数据CPDA考试模拟样题—数据分析算法与模型
考试模拟样题—数据分析算法与模型 一.计算题 (共4题,100.0分） 1.下面是7个地区2000年的人均国内生产总值（GDP）和人均消费水平的统计数据： 一元线性回归.xlsx 一元线性回归预测.xlsx 要求：（1）绘制散点图，并计算相关系数，说明二者之间的关系； （2）人均GDP作自变量，人均消费水平作因变量，利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义； （3）计算判定系数，并解释其意义； （4）检验回归方程线性关系的显著性（a=0.05）； （5）如果某地区的人均GDP为5000元，预测其人均消费水平； （6）求人均GDP为5000元时，人均消费水平95%的置信区间和预测区间。（所有结果均保留三位小数） 正确答案： （1）以人均GDP为x，人均消费水平为y绘制散点图，如下：
用相关系数矩阵分析可求得相关系数为0.9981。从图和相关系数都可以看出人均消费水平和人均国内生产总值（GDP）有比较强的正相关关系。 （2）以人均GDP作自变量，人均消费水平作因变量，做线性回归分析，得到回归方程如下： y = 0.3087x + 734.6928 回归系数0.3087表示人均GDP每增加一个单位，人均消费水平大致增加0.3087个单位，人均GDP对人均消费水平的影响是正向的，人均GDP越高人均消费水平也越高。 （3）判定系数R方为0.9963，说明模型拟合效果很好。 （4）T检验和F检验的P值都小于0.05，线性关系显著。 （5）做预测分析可得，如果某地区的人均GDP为5000元，则其人均消费水平为2278.1066元。 （6）人均GDP为5000元时，由预测分析的结果可知，人均消费水平95%的置信区间为[1990.7491,2565.4640]，预测区间为 [1580.4632,2975.7500]。 2.根据以下给出的数据进行分析，本次给出鸢尾花数据，其中包含萼片长、萼片宽、花瓣长、花瓣宽、以及花的类型数据，请根据以下问题进行回答。（本
大数据算法2019尔雅答案
1 【单选题】 以下关于大数据的特点,叙述错误的是()。答案：速度慢A、 速度慢 B、 多元、异构 C、 数据规模大
D、 基于高度分析的新价值 2 【单选题】在《法华经》中,“那由他”描写的“大”的数量级是()。答案：10^28 A、10^7 B、10^14 C、10^28 D、10^56 3 【多选题】以下选项中,大数据涉及的领域中包括()。答案：社交网络计算机艺术医疗数据 A、社交网络 B、医疗数据 C、计算机艺术
D、医疗数据 4 【多选题】大数据的应用包括()。答案：推荐科学研究预测商业情报分析 A、预测 B、推荐 C、商业情报分析 D、科学研究 5 【判断题】目前,关于大数据已有公认的确定定义。答案：× 6 【判断题】大数据种类繁多,在编码方式、数据格式、应用特征等方面都存在差异。()答案：√ 1 【单选题】
大数据求解计算问题过程的第三步一般是()。答案：算法设计与分析A、 判断可计算否 B、 判断能行可计算否 C、 算法设计与分析 D、 用计算机语言实现算法 2
【多选题】在大数据求解计算问题中,判断是否为能行可计算的因素包括()。答案：资源约束数据量时间约束 A、数据量 B、资源约束 C、速度约束 D、时间约束 3 【判断题】大数据求解计算问题过程的第一步是确定该问题是否可计算。答案：√ 4 【判断题】大数据计算模型与一般小规模计算模型一样,都使用的是图灵机模型。答案：√ 1 【多选题】资源约束包括()。答案：网络带宽外存CPU内存 A、CPU B、网络带宽
C、内存 D、外存 2 【多选题】大数据算法可以不是()。答案：精确算法串行算法内存算法 A、云计算 B、精确算法 C、内存算法 D、串行算法 3 【判断题】大数据算法是在给定的时间约束下,以大数据为输入,在给定资源约束内可以生成满足给定约束结果的算法。答案：× 4 【判断题】MapReduce是一种比较好实现大数据算法的编程架构,在生产中得到广泛应用。答案：√ 5 【判断题】大数据算法是仅在电子计算机上运行的算法。答案：×
大数据建模 需要了解的九大形式
大数据建模需要了解的九大形式 数据挖掘是利用业务知识从数据中发现和解释知识(或称为模式)的过程，这种知识是以自然或者人工形式创造的新知识。 当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于实践而非理论，在其过程的理解上不太引人注意。20世纪90年代晚期发展的CRISP-DM，逐渐成为数据挖掘过程的一种标准化过程，被越来越多的数据挖掘实践者成功运用和遵循。 虽然CRISP-DM能够指导如何实施数据挖掘，但是它不能解释数据挖掘是什么或者为什么适合这样做。提出数据挖掘的九种准则或“定律”以及另外其它一些熟知的解释。从理论上来解释数据挖掘过程。 第一，目标律：业务目标是所有数据解决方案的源头。 它定义了数据挖掘的主题：数据挖掘关注解决业务业问题和实现业务目标。数据挖掘主要不是一种技术，而是一个过程，业务目标是它的的核心。没有业务目标，没有数据挖掘(不管这种表述是否清楚)。因此这个准则也可以说成：数据挖掘是业务过程。 第二，知识律：业务知识是数据挖掘过程每一步的核心。 这里定义了数据挖掘过程的一个关键特征。CRISP-DM的一种朴素的解读是业务知识仅仅作用于数据挖掘过程开始的目标的定义与最后的结果的实施，这将错过数据挖掘过程的一个关键属性，即业务知识是每一步的核心。 为了方便理解，我使用CRISP-DM阶段来说明： ?商业理解必须基于业务知识，所以数据挖掘目标必须是业务目标的映射(这种映射也基于数据知识和数据挖掘知识); ?数据理解使用业务知识理解与业务问题相关的数据，以及它们是如何相关的; ?数据预处理就是利用业务知识来塑造数据，使得业务问题可以被提出和解答(更详尽的第三条—准备律); ?建模是使用数据挖掘算法创建预测模型，同时解释模型和业务目标的特点，
Petrel建模流程
Contents 一、数据准备 二、数据输入 三、Pillar gridding 四、Make horizon 五、Laying 六、建立几何模型 七、离散化测井曲线 八、对Vsh数据进行分析 九、相建模 十、对连续数据进行分析 十一、属性建模 十二、网格粗化及属性粗化的操作 十三、储量计算 十四、产生STOIIP （烃体积密度分布图）十五、输出数模所需要的文件
主要模块介绍 一、数据准备 本实例中的数据整理如下： wellhead井位坐标文件 jinghao X Y kb topdepth bottomdepth X21-233973816364714261433.0821502195 X21-243974070364716291433.082156.12193.1 X21-253974257364718491433.082154.42190.4 X21-263974480364720961436.52154.82189.8 X22-193972535364705161407.562120.32152.3 X22-203972803364707951417.462139.12165.1 X22-213973010364710401379.72102.62135.6 welltop分层文件 X Y hb wellpoint surface jinghao 397381636471426-716.92Horizon c811X21-23 397381636471426-724.92Horizon c8121X21-23 397381636471426-735.92Horizon c8122X21-23 397381636471426-755.92Horizon c813X21-23 397381636471426-761.92Horizon c821X21-23 397407036471629-723.02Horizon c811X21-24 397407036471629-731.02Horizon c8121X21-24 397407036471629-742.02Horizon c8122X21-24 397407036471629-754.02Horizon c813X21-24 397407036471629-760.02Horizon c821X21-24 测井文件准备 DEPTH PERM_K POR_K SW_K VSH_K NTG 2140.1250.00590100 2140.250.0059010 1 2140.3750.00590100 2140.50.005900 1 0 二、数据输入 1 输入Well Header（井位坐标文件） 右键点击输入Well Header: 文件类型里选：Well heads (*.*)
Petrel中的属性建模流程简介讲课稿
P e t r e l中的属性建模 流程简介
属性建模： 一、相模型的建立： 1、测井曲线离散化 双击：Process ——Proerty modelding——Scall up well logs； 弹出对话框：
在Select里选择需要离散化的相曲线数据 facies(input到wells的沉积相数据)，点击all可以对需要离散的井进行选择，剔除没有曲线或者曲线数据不正确的井）。 在相模型建立时：Average选择“most of”、method选择“Simple”。单击“Apply”或“OK”确定。完成沉积相数据的离散化，离散化后，沉积相数据赋给井轨迹所通过的网格。离散化后models里的properties里新增了沉积相属性“facies”，可在3D视图里进行查看。 2、沉积相模型建立; 双击：Process ——Proerty modelding——Facies modeling。
弹出对话框： 对话框右上角选择离散化后的沉积相数据，依次选择各小层（zone）进行属性控制；点击解锁进行编辑控制。
目前的沉积相建模算法很多；通常，纵向上细分网格后用序贯高斯的算法，纵向上未细分用经典算法（此处的“纵向细分“是指layering里把zone细分为不同个数的网格。 ⑴、序贯高斯的算法； “Method for zone /facie”选项单击下拉菜单，选择序贯 高斯算法：“Sequential indicator simula”，在左侧选择 该小层所以相类型（可从左侧出现的百分比统计中看 出）单击箭头，相类型移动到右侧。
petrel地质建模软件断距计算方法
1 Fault Throw Background The offset along a fault can be measured by using the Measure Distance tool on faults that have been filtered for a certain horizon. Measuring this distance at several places along your faults will give you an approximation of the vertical displacement of a horizon. For more accurate data, you can use this workflow that calculates the exact throw at a regular interval along all your faults. Result The workflow calculates the throw along given faults for a specific horizon. This will be outputted as a point set with a Throw attribute. Intermediate results of this workflow that will be kept are a folder containing fault sticks for all faults in the model, and a polygon and point set that outline the intersection between the faults / fault sticks and the horizon. Prerequisites For this workflow one needs to have a Model with faults and horizons, for which you want to calculate the throw. These will be dropped into the first few lines of the workflow as input data. The project already contains some Reference Data that will be used during the workflow. These can be copied over to your project, when also transferring the Workflow. Alternatively, you can create your own. The workflow calculates the throw as distance along the pillars of the 3D grid. One can check the settings for the fault throw point set that is created to get more insight into the displacement along the faults for a given horizon. Under statistics the range and average values can be viewed, and in the histogram tab one can have a closer look at the distribution of the fault throw. The output point set can be used to make a surface with a throw attribute, allowing you to have a clear visual display of the displacement. Workflow Specifics Workflow Specifics Petrel Version 2009.1 Domain Geology Modules Geoscience Core or Combined Core Expert Level Intermediate