在储层建模中利用多点地质统计学整合地质概念模型及其解释
２８旦！呈ｉ！鲨垫！鲨［丝至重壁（垦！些兰！竺竺墨翌璺堕！竺２星旦塑！！！（１２
Ｆ培１Ｔｒａｉｎｉｎｇｉｍａｇｅｅｘａｍｐｌｅ８
ａ—Ｃａｔｅｇｏｒｉｃａｌ（ｍｅａｎｄｅｒｉｎｇｃｈａｎｎｅｌｓ）；ｂ＿一（ｂｎｔｉｎｕｏｕｓ（ｐｏｒｏｓｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎ）；ｃ—Ｌａｒｇｅｓｃａｌｅ（ｂｒａｉｄｅｄｃｈａｎｎｅｌｓ）
ｄ—Ｓｍａｌｌｓｃａｌｅ（ｒｏｃｋ
ｐｏｒｅｓｉｚｅ）
Ｆｉｇ．２ＥｘａｍｐｉｅｏｆｍｕＩｔｉｐｌｅ－ｐｏｉｎｔｇｅｏｓｔａｔｉｓｔｉｃｓｓｉｍｕＩａｔｉｏｎｂｙｍｅｒｇｉｎｇａＩＩａｖａｉｌａｂＩｅｉｎｆｏｍａｔｉｏｎａ—Ｔｒａｉｎｉｎｇｉｎｌａｇｅ．ｂ—Ｗｅｌｌｆａｃｉｅｓｄａｔａ；ｃ一』乜ｉｍｕｔｈｄａｔａ；卜ＭＰＳｓｉｍｕｌａｔｉｏｎ；ｅＳａｎｄｐｒｏｂａｂｉｌｉｔｙ；ｄ—Ｓｃａｌｉｎｇｆａｃｔｏｒ
ｈｉｇｈｓｔａｎｄａｎｄｌｏｗｓｔａｎｄｔｒａｃｔｓｈａｖｅｄｉｆｆｅｒｅｎｔｇｅ—ｏｍｅｔｒｉｅｓ．（３）Ｏｂｉｅｃｔ书ａｓｅｄａｌｇｏｒｉｔｈｍｓ（ＨａｌｄｏｒｓｅｎａｎｄＤａｍｓｌｅｔｈ，１９９０；Ｄｕｂｒｕｌｅ，１９９３；Ｈｏｌｄｅｎｅｔａ１．，１９９８）．Ｏｂｉｅｃｔ—ｂａｓｅｄａｌｇｏｒｉｔｈｍｓｈａｖｅｔｈｅｃａ—ｐａｂｉｌｉｔｙｔｏｇｅｎｅｒａｔｅｒｅａｌｉｓｔｉｃｓｈａｐｅｓｆｏｒｇｅｏｌｏｇｉｃａｌｂｏｄｉｅｓａｎｄｔｈｅｉｒｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎ．Ｅｖｅｎｔｈｏｕｇｈｔｈｅｙａｒｅｈａｒｄｔｏｃｏｎｄｉｔｉｏｎｔｏｄｅｎｓｅｗｅｌｌｌｏｃａｔｉｏｎｓ，ｏｂｊｅｃｔ－ｂａｓｅｄａｌｇｏｒｉｔｈｍｓａｒｅｆｌｅｘｉｂｌｅ萏矗ｄｗｅｌｌｓｕｉｔｅｄｔｏｃｒｅａｔｅｎｏｎ—ｃｏｎｄｌｔｌｏｎａｌｓｉｍｕｌａｔｉｏｎｓｔｈａｔｃａｎｂｅｕｓｅｄａｓｔｒａｉｎｉｎｇｉｍａｇｅｓ．（４）Ｐｒｏｃｅｓｓ—ｂａｓｅｄｍｏｄｅｌｓ（ＨａｒｂａｕｇｈａｎｄＢｏｎｈａｎｌ＿Ｃａｒｔｅｒ，１９７０），ａｒｅｇｅｎｅｒ—ａｔｅｄｂｙｆｏｒｗａｒｄｍｏｄｅｌｉｎｇｔｈｅｇｅ０１０９ｉｃａｌｐｒｏｃｅｓｓｅｓｔｈｒｏｕｇｈｔｈｅｐｈｙｓｉｃａｌｌａｗｓｔｈａｔｇｏｖｅｒｎｔｈｅｔｒａｎｓ—ｐｏｒｔａｔｉｏｎｏｆｓｏｕｒｃｅｍａｔｅｒｉａｌｓ，ｔｈｅｄｅｐｏｓｉｔｉｏｎａｎｄｃｏｍｐａｃｔｉｏｎｏｆｒｏｃｋｓ，ｔｈｅｉｒｅｒｏｓｉｏｎ，ｒｅｄｅｐｏｓｉｔｉｏｎ，ｅｔｃ．
Ｓｉｍｉｌａｒｔｏｏｂｊｅｃｔ－ｂａｓｅｄｍｏｄｅｌｓ，
ｃｏｎｄｉｔｉｏｎｉｎｇ
３０ＴｕａｎｆｅｎｇＺｈａｎｇ／地学前缘（ＥａｒｔｈｓｃｉｅｎＣｅＦｒｏｎｔｉｅｒｓ）２００８．１５（１）
Ｆ醇３Ａｎｉｌｌｕｓｔｒａｔｉｏｎｏｆｐｈｙｓｉｃａｌｒｅｇｉｏｎｃｏｎｃｅｐｔ
ｅｓｓａｒｉｌｙｈａＶｅｔｏｃｒｅａｔｅａｎｅｗｔｒａｉｎｉｎｇｉｍａｇｅｆｏｒｅａｃｈｎｅｗｒｅｓｅｒｖｏｉｒｉｎｔｅｒｖａｌｔｏｂｅｍｏｄｅｌｅｄ．（５）ＴｈｅＶｅｒｔｉｃａｌｐｒｏｐｏｒｔｉｏｎｃｕｒＶｅｉｓｔｙｐｉｃａｌｌｙａｐｐｌｉｅｄｔｏｆａ—ｃｉｅｓｄａｔａ．ＩｔｄｅｔｅｒｍｉｎｅｓｔｈｅｖａｒｉａｔｉｏｎｏｆｆａｃｉｅｓＤｒｏ—ｐｏｒｔｉｏｎｓａｌｏｎｇｔｈｅｓｔｒａｔｉｇｒａｐｈｉｃａｌｌｙｕｐｄｉｒｅｃｔｉｏｎ，ａ１１０ｗｉｎｇｔｈｅｒｅｐｒｏｄｕｃｔｉｏｎｏｆｃｈａｎｇｅｓｉｎｔｒｅｎｄｏｆｆａ—ｃｉｅｓｄｉｓｔｒｉｂｕｔｉｏｎ．Ｔｈｉｓｉｎｆｏｒｍａｔｉｏｎｉｓｅｘｔｒａｃｔｅｄｆｒｏｍｗｅｌｌｌｏｇｓｏｒｏｔｈｅｒｇｅｏｌｏｇｉｃａｌｉｎｔｅｒｐｒｅｔａｔｉｏｎｓ．（６）Ｆａｃｉｅｓｐｒｏｂａｂｉｌｉｔｙｍａｐｓ，ａｌｓｏｃａｌｌｅｄｓｏｆｔｃｏｎ—ｔ１０ｎＳ。
Ｆｉｇｕｒｅ２ｉｓａｎｅｘａｍｐｌｅｔｈａｔｉｌｌｕｓｔｒａｔｅｓｈｏｗｍｕｌｔｉｐｌｅ—ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎｂｕｉｌｄｓａｆｌｕｖｉａｌｄｅｌｔａｓｖｓ—ｔｅｍｆｒｏｍａｓｔａｔｉｏｎａｒｙｃｈａｎｎｅｌｔｒａｉｎｉｎｇｉｍａｇｅｓｗｉｔｈｔｈｅｉｎｔｅｇｒａｔｉｏｎｏｆｄｉｖｅｒｓｅｄａｔａ（Ｓｃａｒｌｅｔｅｔａ１．，２００５）．Ｔｈｅｐｒｉｎｃｉｐｌｅｏｆｍｕｌｔｉｐｌｅ—ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎｗｉｌｌｂｅｄｉｓｃｕｓｓｅｄｉｎｓｅｃｔｉｏｎ４．
ＡｎｏｔｈｅｒａｐｐｒｏａｃｈｔｏｄｅａｌｗｉｔｈｎｏｎｓｔａｔｉｏｎａｒｙｒｅｓｅｒＶｏｉｒｓｉｓｔｈｅｕｓｅｏｆｐｈｙｓｉｃａｌｒｅｇｉｏｎｃｏｎｃｅｐｔ
ｓｔｒａｉｎｔｓ，ｉｎｄｉｃａｔｅｔｈｅ１ｉｋｅｌｉｈｏｏｄｏｆｆａｃｉｅｓｏｃｃｕｒ一（Ｗｕｅｔａ１．，２００７）．Ｉｔｐｒｏｃｅｅｄｓｂｙｓｐｌｉｔｔｉｎｇｔｈｅｅｎ
ｒｅｎｃｅｓｗｉｔｈｉｎｔｈｅｄｉｆｆｅｒｅｎｔ
ａｒｅａｓｏｆｔｈｅｒｅｓｅｒｖｏｉｒ．
Ｔｈｉｓ
ｔｙｐｅ
ｏｆｉｎｆｏｒｍａｔｉｏｎｔｙｐｉｃａｌｌｙｉｓｕｓｅｄｔｏｒｅｄｕｃｅｔｈｅｕｎｃｅｒｔａｉｎｔｖｏｆｆａｃｉｅｓｄｉｓｔｒｉｂｕｔｉｏｎｂｅｔｗｅｅｎｗｅｌｌｓ，ｅｓｐｅｃｉａＵｙｉｎｔｈｅａｒｅａｓｔｈａｔａｒｅｆａｒａｗａｙ
ｆｒｏｍｗｅＨ１０ｃａｔｉｏｎｓ．Ｆａｃｉｅｓｐｒｏｂａｂｉｌｉｔｙｍａｐｓ
ａｒｅ
ｍｏｓｔｏｆｔｅｎｄｅｒｉｖｅｄｆｒｏｍｓｅｉｓｍｉｃｄａｔａ，ｂｕｔ
ｃａｎｂｅｐｒｏｄｕｃｅｄｆｒｏｍｗｅｌｌ—ａｎｄｍａｐ－ｂａｓｅｄｉｎｔｅｒｐｒｅｔａ—ｔｌｒｅｎｏｎｓｔａｔｌｏｎａｒｙｒｅｇｉｏｎｉｎｔｏｓｅｖｅｒａｌｓｍａｌｌｓｔａｔｉｏｎ—ａｒｙｒｅｇＩｏｎｓａｎｄｔｎｅｎｓＩｍｕｌａｔｌｎｇｅａｃｈｒｅｇｌｏｎ１ｎｓｅ—
ｑｕｅｎｃｅｕｓｌｎｇｄｌ士ｉｅｒｅｎｔｔｒａｌｎｌｎｇｌｍａｇｅｓ．
Ｔｈｅｎｕｍｂｅｒｓｏｆｆａｃｉｅｓｗｉｔｈｄｉｆｆｅｒｅｎｔｒｅｇｉｏｎｓ
ａｒｅｎｏｔｎｅｃｅｓｓａｒｉｌｙｔｈｅｓａｍｅｐｒｏｖｉｄｅｄｔｈｅｆａｃｉｅｓａｒｅｃｏｄｅｄｃｏｎｓｉｓｔｅｎｔｌｙａｍｏｎｇａ１１ｔｈｅｓｕｂ—ｒｅｇｉｏｎｓ．Ｔｈｅ
ｋｅｙｔｏｔｈｅ
ｓｌｍｕｌａｔｌｏｎｌｓｔｏｅｎｓｕｒｅｔｈｅｓｍｏｏｔｈ
ｔｒａｎ—
ＴｕａｎｆｅｎｇＺｈａｎｇ／地学前缘（ＥａｒｍＳｃｉｅｎｃｅＦｒｏｎｔｉｅｒｓ）２００８．１５（１）
Ｆｉｇ．４Ａｎｏｎｓｔａｔｉｏｎａｒｙｆａｃｉｅｓｄｉｓｔｒｉｂｕｔｉｏｎｃｒｅａｔｅｄｂｙｐｅｒｆｏｍｉｎｇｎｏｎｃｏｎｄｉｔｉｏｎａｌｍｕｌｔｉｐｌｅ—
ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎｉｎｅａｃｈｏｆｆ。ｕｒｓｔａｔｉｏ眦ｒｙｓｕｂ－ｒｅｇｉｏｎｓｉｎｓｅｑｕｅｎｃｅ
ａ—ｓｉｍｕｌａｔｅｄｒｅｇｉｏｎ１；ｂ＿一ｓｉｍｕｌａｔｅｄ
ｒｅｇｉｏｎ２；ｃ—Ｓｉｍｕｌａｔｅｄｒｅｇｉｏｎ３；ｄ—Ｓｉｍｕｌａｔｅｄｒｅｇｉｏｎ４
ｓｉｔｉｏｎａｃｒｏｓｓｄｉｆｆｅｒｅｎｔｓｕｂ—ｒｅｇｉｏｎｂｏｕｎｄａｒｉｅｓ．Ｆｉｇ—ｕｒｅ３ｉｓａ２Ｉ）ｓｙｎｔｈｅｔｉｃａｌｅｘａｍｐｌｅ，ｓｈｏｗｉｎｇｔｈｅ
ｓｐｌｉｔｔｉｎｇｏｆａｎｏｎｓｔａｔｉｏｎａｒｙｒｅｇｉｏｎｉｎｔｏｆｏｕｒｓｔａ—ｔｉｏｎａｒｙｐｈｙｓｉｃａｌｓｕｂ—ｒｅｇｉｏｎｓ；ｅａｃｈｓｕｂ—ｒｅｇｉｏｎｈａｓａｃｏｒｒｅｓｐｏｎｄｉｎｇｔｒａｉｎｉｎｇｉｍａｇｅ．Ｎｏｔｅｔｈａｔｔｈｅｓｕｂ—ｒｅｇｉｏｎＲ２ｃｏｎｓｉｓｔｓｏｆｔｗｏｓｅｐａｒａｔｅｐｉｅｃｅｓ，ｂｕｔｔｈｅｙｓｈａｒｅｔｈｅｓａｍｅ４ｆａｃｉｅｓｔｒａｉｎｉｎｇｉｍａｇｅ．
Ｆｉｇｕｒｅ４ｉ１１ｕｓｔｒａｔｅｓｈｏｗｔｈｅｍｕｌｔｉｐｌｅ—ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎｐｒｏｃｅｅｄｓｆｒｏｍ
ｏｎｅｓｕｂ—ｒｅｇｉｏｎｔｏａｎｏｔｈ—ｅｒ．
ＥＶｅｎｔｈｏｕｇｈａｓｐｅｃｉｆｉｅｄｔｒａｉｎｉｎｇｉｍａｇｅｉｓｕｔｉ—
ｌｉｚｅｄｉｎｅａｃｈｓｕｂ—ｒｅｇｉｏｎ，ｔｈｅｓｉｍｕｌａｔｉｏｎｉｎｔｈｅ
ｃｕｒ—ｒｅｎｔｓｕｂ—ｒｅｇｉｏｎｉｓｃｏｎｓｔｒａｉｎｅｄｂｙｔｈｅｐｒｅｖｉｏｕｓｌｙ
ｓｉｍｕｌａｔｅｄｖａｌｕｅｓｉｎｏｔｈｅｒｒｅｇｉｏｎｓ，ｈｅｎｃｅｅｎｓｕｒｉｎｇ
ａｓｍｏｏｔｈｔｒａｎｓｉｔｉｏｎａｃｒｏｓｓｓｕｂ—ｒｅｇｉｏｎｂｏｕｎｄａｒｉｅｓ．
４Ｔｈｅｐｒｉｎｃｉｐｌｅｏｆｍｕｌｔｉｐｌｅ—ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎ
Ｔｏｐｅｒｆｏｒｍｍｕｌｔｉｐｌｅ＿ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎ，ｔｈｅ
ｓｅ—ｑｕｅｎｔｉａｌｓｉｍｕｌａｔｉｏｎｐａｒａｄｉｇｍｉｎｇｅｏｓｔａｔｉｓｔｉｃｓｉｓｕｔｉ—ｌｉｚｅｄ．Ｈｏｗｅｖｅｒ，ｕｎｌｉｋｅｔｈｅｔｒａｄｉｔｉｏｎａｌ２一Ｄｏｉｎｔｏｒｖａｒｉｏｇｒａｎｌ＿ｂａｓｅｄｓｉｍｕｌａｔｉｏｎｉｎｗｈｉｃｈｔｈｅｓｐａｔｉａｌｖａｒｉａｂｌｅｉｓａｓｓｕｍｅｄｔｏｆ０１ｌｏｗｍｕｌｔｉ＿Ｇａｕｓｓｉａｎｄｉｓｔｒｉ—ｂｕｔｉｏｎｓｕｃｈｔｈａｔａｔｅａｃｈＤｉｘｅｌｔｈｅｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｔｈｅｍｅａｎａｎｄｖａｒｉａｎｃｅｏｆｔｈｅｃｏｎｄｉｔｉｏｎａｌｄｉｓｔｒｉｂｕ—ｔｌＯｎａｍＯｕｎｔｓｔＯｓＯｌＶｍｇａｓｅｔＯ士ｋｎ９１ｎｇｅｑｕａｔｌＯｎｓ，ｉｎｍｕｌｔｉｐｌｅ—ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎｔｈｅｌｏｃａｌｃｏｎｄｉｔｉｏｎａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｓｂｕ订ｔｂｙｄｉｒｅｃｔｌｙｓｃａｎｎｉｎｇｔｈｅｔｒａｉｎ—ｉｎｇｉｍａｇｅ．Ｓｕｐｐｏｓｅｔｈｅｒｅｉｓａｒｅｓｅｒｖｏｉｆｔｈａｔｈａｓ
ｂｅｅｎｄｉｓｃｒｅｔｉｚｅｄｂｙａｇｒｉｄｗｉｔｈＮ—Ｎ＿。×Ｎ，ｐｉｘｅｌｓ，ａｎｄｔｈｅｒｅｓｅｒｖｏｉｒａｔｔｒｉｂｕｔｅｉｓｄｅｎｏｔｅｄ
ａｓａｒａｎｄｏｍｆｕｎｃｔｉｏｎ｛Ｚ（ｚ）ｌｚ∈ｒｅｓｅｒｖｏｉｒ）．Ｔｈｅｓｐａｔｉａｌｌｏｗ，ｗｈｉｃｈｇｏｖｅｒｎｓｔｈｅｒｅｓｅｒｖｏｉｒＺ—ａｔｔｒｉｂｕｔｅｄｉｓｔｒｉｂｕ—ｔｉｏｎ，ｉｓｔｈｅｎｆｕｌｌｙｄｅｔｅｒｍｉｎｅｄｂｙａｊｏｉｎｔｄｉｓｔｒｉｂｕ—ｔｉｏｎｏｆＮｖａｒｉａｂｌｅｓ：
Ｐ（Ｚｌ≤ｚ１，Ｚ２≤ｚ２，…，ＺＮ≤ｚＮ）（２）
Ｕｓｉｎｇｓｅｑｕｅｎｔｉａｌｄｅｃｏｍｐｏｓｉｔｉｏｎ，ｔｈｉｓＮ—ｄｉｍｅｎｓｉｏｎ—ａｌｊｏｉｎｔｄｉｓｔｒｉｂｕｔｉｏｎｃａｎｂｅｄｅｃｏｍｐｏｓｅｄａｓａｓｅｒｉｅｓｏｆ１０ｃａｌｃｏｎｄｉｔｉｏｎａｌｄｉｓｔｒｉｂｕｔｉｏｎｓ：
Ｐ（Ｚ１≤ｚ１，Ｚ２≤２２，…，ＺＮ≤２Ｎ）一Ｐ（Ｚｌ≤ｚ１）×
Ｐ（Ｚ２≤ｚ２Ｉｚ－≤ｚ１）×…×ＪＰ（ＺＮ≤ｚＮＺ１≤ｚ１，
Ｚｊ≤≤ｚ２，…，Ｚ（Ｎ—１）≤≤ｚ（Ｎ１））（３）Ｔｈｅａｂｏｖｅｄｅｃｏｍｐｏｓｉｔｉｏｎａｌｓｏｈｏｌｄｓｆｏｒｄｉｓｃｒｅｔｅｖａｒｉａｂｌｅｓｓｕｃｈａｓｆａｃｉｅｓｉｎｄｉｃａｔｏｒｓ．Ｔｈｅｓｅａｕｅｎｔｉａｌ
ｓｉｍｕｌａｔｉｏｎａｌｇｏｒｉｔｈｍｐｒｏｃｅｅｄｓ
ａｓｆｏｌｌｏｗｓ（Ｇｏｏ—ｖｅｒｔｓ，１９９７，ｐ３８０）：
?ＤｅｆｉｎｅａｒａｎｄｏｍｐａｔｈｖｉｓｉｔｉｎｇａｌｌＮｎｏｄｅｓ
?Ｆｂｒｅａｃｈｎｏｄｅｉ一１，２，Ｎ，ｐｅｒｆｏｒｍ
ａ）ｍｏｄｅｌｔｈｅｃｏｎｄｉｔｉｏｎａｌｄｉｓｔｒｉｂｕｔｉｏｎ
Ｐ（乙≤蕾ｌＺ１≤ｚ１，Ｚ２≤ｚ２，…，ｚ（Ｈ）≤ｚ（Ｈ））ｏｆ乙，ｇｉｖｅｎａｌｌｉ一１
ｐｒｅｖｉｏｕｓｌｙｄｒａｗｎｖａｌｕｅｓ
ｂ）ｄｒａｗａｓｉｍｕｌａｔｅｄｖａｌｕｅｆｒｏｍｔｈｅａｂｏｖｅｃｏｎ—ｄｉｔｉｏｎａｌｍｏｄｅｌ
ＴｈｉｓｐｒｏｃｅｓｓｃｏｎｔｉｎｕｅｓｕｎｔｉｌａｌｌＮｐｉｘｅｌｓａｒｅＶｉｓｉｔｅｄａｎｄｏｎｅｒｅａｌｉｚａｔｉｏｎｉｓｇｅｎｅｒａｔｅｄ．ＢｙｓｅｅｄｉｎｇａｎｏｔｈｅｒｒａｎｄｏｍｐａｔｈｏｆｖｉｓｉｔｉｎｇＮｐｉｘｅｌｓ，ａｎｅｗ
ｒｅａｌｉｚａｔｉｏｎｃａｎｂｅｄｒａｗｎ．Ｆｏｒｔｈｅ
ｐｕｒｐｏｓｅ
ｏｆ
ｇａｉ—
３２Ｔｕａｎｆｅｎｇ历ａｎｇ／地学前缘ｆＥａｒｔｂｓｄｅｎｃｅＦｒｏｎｔｊ仑ｒｓ）２０Ｄ８，１５ｆｊ）
Ｆｉｇ．５１１１ｕｓｔｒａｔｉｏｎｏｆｓｅｑｕｅｎｔｉａｌｍｕｌｔｉｐｌｅ—ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎ
Ｆｉｇ．６Ａｆｌｕｖｉａｌｔｒａｉｎｉｎｇｉｒｎａｇｅｉｎ（ａ）诵ｔｈ４ｆａｃｉｅｓａｎｄｔｈｒｅｅｃｏｎｄｉｔｉｏｎａｌＳＮＥＳＩＭ
ｒｅａｌｉｚａｔｉｏｎｓ（ｃ），（ｄ）ａｎｄ（ｅ）谢ｔｈａｌｌｂｅｉｎｇｃｏｎｄｉｔｉｏｎｅｄｔｏ５０ｗｅｌｌｌｏｃａｔｉｏｎｓｉｎ（ｂ）
ｎｉｎｇｃｏｍｐｕｔａｔｉｏｎａｌｅｆｆｉｃｉｅｎｃｙ，ｏｎｌｙｔｈｏｓｅｐｒｅＶｉｏｕｓ一１ｙｓｉｍｕｌａｔｅｄｖａｌｕｅｓｗｉｔｈｉｎａｓｐｅｃｉｆｉｅｄｎｅｉｇｈｂｏｒｈｏｏｄａｒｅｕｓｅｄｆｏｒｍｏｄｅｌｉｎｇ
ｔｈｅｃｏｎｄｉｔｉｏｎａｌｄｉｓｔｒｉｂｕｔｉｏｎ．Ｆｉｇｕｒｅ５ｇｉｖｅｓａｎｉｌｌｕｓｔｒａｔｉｏｎｏｆｔｈｅｓｅｑｕｅｎｔｉａｌｍｕｌｔｉｐｌｅ－ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎａｎｄｅｘｐｌａｉｎｓｈｏｗｔｈｅ１０—ｃａｌｃｏｎｄｉｔｉｏｎａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｓｃａｌｃｕｌａｔｅｄｂｙｓｃａｎ—
ｎｉｎｇａｔｒａｉｎｉｎｇｉｍａｇｅ（ｃｏｕｒｔｅｓｙｏｆＳｅｂａｓｔｉｅｎＳｔｒｅ—ｂｅｌｌｅ，Ｃｈｅｖｒｏｎ）．Ｂｅｆｏｒｅｔｈｅｓｉｍｕｌａｔｉｏｎ，ａｎｅｉｇｈ—ｂｏｒｈｏ。ｄｔｅｍｐｌａｔｅｉｓｓｐｅｃｉｆｉｅｄｆ。ｒｓｃａｎｎｉｎｇｔｈｅ
ｔｒａｉｎｉｎｇｉｍａｇｅ．Ｓｕｐｐｏｓｅｔｈｅ１０ｃａｔｉｏｎｕａｔｔｈｅ
ｓｉｍｕ—
Ｔｕａｎｆｅｎｇ
Ｚｈａｎｇ／地学前缘（Ｅａｒｔｈ
Ｓｃｋｎｃｅ
Ｆｒｏｎｔｉｅｒｓ）２００８．１５（１）
１ａｔｉｏｎｇｒｉｄｉｓｔｈｅｃｕｒｒｅｎｔｌｙｓｉｍｕｌａｔｅｄｐｉｘｅｌ．Ｗｉｔｈｉｎｔｈｅｓｅａｒｃｈｔｅｍｐｌａｔｅｃｅｎｔｅｒｅｄａｔ甜（ｒｅｄｃｉｒｃｌｅ），ｔｈｅｒｅ
ａｒｅ
４
ｄａｔａｖａｌｕｅｓ：
ｔｗｏ
ａｒｅ
ｓａｎｄｌｏｃａｔｉｏｎｓ
（ｂｌａｃｋｐｉｘｅｌ）ａｎｄｔｗｏｆｏｒｓｈａｌｅｂａｃｋｇｒｏｕｎｄ（ｗｈｉｔｅｐｉｘｅｌ）．
Ａｌｌｆｏｕｒｄａｔａｖａｌｕｅｓａｌｏｎｇｗｉｔｈｔｈｅｉｒｇｅｏｍ—
ｅｔｒｙ
ｃｏｎｆｉｇｕｒａｔｉｏｎｔｏｇｅｔｈｅｒ
ａｒｅ
ｃａｎｅｄ
ａ
ｄａｔａ
ｅｖｅｎｔ；
ｔｈｉｓｄａｔａｅｖｅｎｔ
ｉｓｔｈｅｎｕｓｅｄｔｏ
ｓｃａｎ
ｔｈｅｃｈａｎｎｅｌ
ｔｒａｉｎｉｎｇｉｍａｇｅｆｏｒｉｎｆｅｒｒｉｎｇｔｈｅｓａｎｄｐｒｏｂａｂｉｌｉｔｙａｔ１０ｃａｔｉｏｎ“．Ｓｕｐｐｏｓｅｔｈａｔｔｈｅｒｅａｒｅｆｏｕｒｒｅｐｌｉｃａｔｅｓｏｆｔｈｅｄａｔａｅｖｅｎｆｏｕｎｄｉｎｔｈｅｔｒａｉｎｉｎｇｉｍａｇｅｉｎｗｈｉｃｈｔｈｅｒｅ
ａｒｅ
ｔｈｒｅｅｓａｎｄａｎｄ
ｏｎｅ
ｓｈａｌｅｏｂｓｅｒｖａｔｉｏｎｓ
ａｔｔｅｍｐｌａｔｅ
ｃｅｎｔｅｒ乱．
Ｈｅｎｃｅ，ｔｈｅｓａｎｄｐｒｏｂａｂｉｌｉｔｙ
ａｔ
ｐｉｘｅｌ“ｉｓ３／４—０．７５ａｎｄｄｒａｗｉｎｇｆｒｏｍｔｈｉｓｐｒｏｂａ—ｂｉｌｉｔｙｇｉｖｅｓａ
ｓｉｍｕｌａｔｅｄｖａｌｕｅ
ａｔ
ｐｉｘｅｌ“．
Ｅｉｔｈｅｒｓａｎｄ
ｏｒ
ｓｈａｌｅｃｏｕｌｄｂｅｄｒａｗｎ。ｂｕｔｔｈｅｒｅｉｓｍｏｒｅ
ｃｈａｎｃｅｔｏ
ｄｒａｗｓａｎｄｄｕｅ
ｔｏ
ｉｔｓｈｉｇｈｅｒｐｒｏｂａｂｎｉｔｙ
ｔｈａｎｓｈａｌｅ（Ｏ．７５＞Ｏ．２５）．
Ｓｕｐｐｏｓｅｓａｎｄｈａｓｂｅｅｎ
ｄｒａｗｎ
ａｓ
ｉｎｔｈｅｉｌｌｕｓｔｒａｔｉｏｎｅｘａｍＤｌｅ．Ｔｈｉｓｓｉｍｕｌａ—
ｔｅｄｖａｌｕｅｉｓｔｈｅｎａｄｄｅｄ
ｔｏ
ｔｈｅｃｏｎｄｉｔｉｏｎｉｎｇｄａｔａ
ｓｅｔ
ｆｏｒｃｏｎｓｔｒａｉｎｉｎｇｔｈｅｓｉｍｕｌａｔｉｏｎａｔｏｔｈｅｒｐｉｘｅｌｓ．Ｎｅｘｔ，ｔｈｅｓｉｍｕｌａｔｉｏｎｍｏｖｅｓｔｏａｎｏｔｈｅｒＤｉｘｅｌｌｏｃａ—
ｔｉｏｎ。
Ｔｈｉｓｓｅｑｕｅｎｔｉａｌ
ｐｒｏｃｅｓｓ
ｃｏｎｔｉｎｕｅｓｕｎｔｉｌａｌｌ
ｐｉｘｅｌｓｉｎｔｈｅｓｉｍｕｌａｔｉｏｎｇｒｉｄ
ａｒｅ
ｖｉｓｉｔｅｄ，ｒｅｓｕｌｔｉｎｇ
ｉｎ
ｏｎｅ
ｍｕｌｔｉｐｌｅ—ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎｏｆｃｈａｎｎｅｌｓ．
Ｔｈｅｓｅｑｕｅｎｔｉａｌｍｕｌｔｉｐｌｅ－ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎａｌｇｏ—ｒｉｔｈｍｄｅｓｃｒｉｂｅｄａｂｏｖｅｈａｓｂｅｅｎｇｉｖｅｎａｎａｍｅ：
ＳＮＥＳＩＭ（ＳｉｎｇｌｅＮｏｒｍａｌＥｑｕａｔｉｏｎＳＩＭｕｌａｔｉｏｎ）．Ｔｈｅｏ“ｇｉｎａｌＳＮＥＳＩＭａｌｇｏｒｉｔｈｍｗａｓｄｅｖｅｌｏｐｅｄｂｙ
ＧｕａｄｉａｎｏａｎｄＳｒｉｖａｓｔａｖａｉｎ１９９３ａｎｄｉｔｗａｓＣＰＵｄｅｍａｎｄｉｎｇｂｅｃａｕｓｅｔｈｅｔｒａｉｎｉｎｇｉｍａｇｅｈａｓｔｏｂｅｓｃａｎｎｅｄｐｅｒｓｉｍｕｌａｔｉｏｎｎｏｄｅ．Ｉｎ２０００，Ｓｔｒｅｂｅｌｌｅｐｒｏｐｏｓｅｄ
ｔｏｕｓｅａ
ｄｙｎａｍｉｃｄａｔａ
ｓｔｒｕｃｔｕｒｅ，
ｎａｍｅｄ
１
’’
?
．
ｒ
１?
ｓｅａｒｃｈｔｒｅｅ，ｔｏｓｔｏｒｅ
ａ儿ｔｒａｌｎｌｎｇｐａｔｔｅｒｎｓｔｏｕｎｄ
Ｉｎａ
ｔｒａｉｎｉｎｇｉｍａｇｅｗｉｔｈｉｎａ
ｓｅａｒｃｈｔｅｍｐｌａｔｅｂｅｆｏｒｅｔｈｅ
ｓｉｍｕｌａｔｉｏｎ．ＴｈｉｓｓｅｍｉｎａｌｉｄｅａｍａｄｅＳＮＥＳＩＭ
ａ
ｍｏｒｅｐｒａｃｔｉｃａｌａｌｇｏｒｉｔｈｍｂｅｃａｕｓｅｔｈｅｃｏｎｄｉｔｉｏｎａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅａｃｈｄａｔａｅｖｅｎｔｉｎｔｈｅｓｉｍｕｌａｔｉｏｎ
ｓｔａｇｅ
ｃａｎ
ｂｅｄｉｒｅｃｔｌｙｒｅａｄ
ｆｒｏｍｔｈｅｓｅａｒｃｈ
ｔｒｅｅ
ｗｌｔｈＯｕｔｒｅｓｃａｎｎｌｎｇｔｈｅｔｒａｌｎｌｎｇｌｍａｇｅ；ｈｅｎｃｅ１ｔ
１ｓ
ｓｅｖｅｒａｌｏｒｄｅｒｓｏｆｍａｇｎｉｔｕｄｅｆａｓｔｅｒｔｈａｎｔｈｅｏｒｉｇｉｎａｌ
ＳＮＥＳＩＭａｌｇｏｒｉｔｈｍ．
Ｆｉｇｕｒｅ６
ｉｓ
ａ
２ＤｓｙｎｔｈｅｔｉｃａｌｅＸａｍｐｌｅｔｈａｔ
ｓｈｏｗｓｔｈｒｅｅｃｏｎｄｉｔｉｏｎａｌＳＮＥＳＩＭｒｅａｌｉｚａｔｉｏｎｓｏｆ
ａ
ｆｌｕｖｉａｌｄｅＤｏｓｉｔｉｏｎｉｎ（ｃ），（ｄ），ａｎｄ（ｅ）．Ｔｈｅｔｒａｉｎ＿
ｉｎｇ
ｉｍａｇｅ
ｉｎ
（ａ）
ｃｏｎｔａｉｎｓ４ｆａｃｉｅｓ：
ｃｈａｎｎｅｌ
（ｇｒｅｅｎ），１ｅｖｅｅ（ｙｅｌｌｏｗ），ｃｒｅｖａｓｓｅ（ｒｅｄ），ａｎｄｓｈａｌｅｂａｃｋｇｒｏｕｎｄ（ｂｌｕｅ）．Ｔｈｅｒｅ
ａｒｅ
５０ｗｅｌｌ１０ｃａｔｉｏｎｓｉｎ
（ｃ）．
Ａｌｌｔｈｒｅｅｒｅａｌｉｚａｔｉｏｎｓｈａｖｅ
ａ
ｇｏｏｄｒｅｐｒｏｄｕｃ—
ｔｉｏｎｏｆ
ｔｈｅｆａｃｉｅｓｇｅｏｍｅｔｒｙａｎｄｔｈｅｉｒａｓｓｏｃｉａｔｉｏｎｓ
ｗｈ订ｅｃｏｎｄｉｔｉｏｎｅｄｔｏ５０ｗｅｌｌｄａｔａ．ＩｎｔｈｉｓｅｘａｍＤｌｅ，ｔｈｅｎｕｍｂｅｒｏｆｐｉｘｅｌｓｉｎｔｈｅｓｉｍｕｌａｔｉｏｎｇｒｉｄａｎｄｔｈｅｎｕｍｂｅｒｏｆｔｈｅｔｒａｉｎｉｎｇｉｍａｇｅａｒｅｔｈｅｓａｍｅ；ｂｏｔｈ
ａｒｅ
１５０×１５０ｐｉｘｅｌｓ．Ｈｏｗｅｖｅｒ，ｔｈｉｓｉｓｎｏｔｒｅｑｕｉｒｅｄ
ｆｏｒｍｕｌｔｉ—ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎ，ｉ．ｅ．，
ｔｈｅｎｄｍｂｅｒｏｆ
３３
ｐｉｘｅｌｓ／ｖｏｘｅｌｓ
ｉｎｔｈｅｓｉｍｕｌａｔｉｏｎｇｒｉｄｃｏｕｌｄｂｅｄｉｆｆｅｒ—
ｅｎｔ
ｆｒｏｍｔｈａｔｉｎｔｈｅｔｒａｉｎｉｎｇｉｍａｇｅｐｒｏｖｉｄｅｄｂｏｔｈｇｒｉｄｓｈａｖｅｔｈｅｓａｍｅｐｉｘｅｌ／ｖｏｘｅｌｒｅｓｏｌｕｔｉｏｎ．Ｔｈｅｓｉｍｕｌａｔｅｄｔａｒｇｅｔ
ｆａｃｉｅｓｐｒｏｐｏｒｔｉｏｎｓ
ａｒｅ
ｓｅｔｔｏ
ｂｅｔｈｅ
ｓａｍｅ
ａｓ
ｔｈｏｓｅ
１ｎ
ｔｈｅ
ｔｒａｌｎｌｎｇｌｍａｇｅ（ａｇａｌｎ，ｎｏｔ
ｒｅ—ｑｕｉｒｅｄ
ｆｏｒｍｕｌｔｉｐｌｅ－ｐｏｉｎｔ
ｓｉｍｕＩａｔｉｏｎ）；ｔｈｅｙ
ａｒｅ
０．４５，０．２５，０．２５，ａｎｄＯ．１５ｒｅｓｐｅｃｔｉｖｅｌｙ．
ＳＮＥＳＩＭａｌｇｏｒｉｔｈｍｏｎｌｙｄｅａｌｓｗｉｔｈｃａｔｅｇｏｒｉｃａｌ
ｖａｒｉａｂｌｅｔｒａｉｎｉｎｇｉｍａｇｅｓｓｕｃｈａｓｆａｃｉｅｓ．Ｆｏｒｐｕｒｐｏ—ｓｅｓｏｆｍｏｄｅｌｉｎｇｃｏｎｔｉｎｕｏｕｓｆｅａｔｕｒｅｓｃａｐｔｕｒｅｄｆｒｏｍ
ａ
ｃＯｎｔｌｎｕｏｕｓＶａｒｌａｂｌｅ
ｔｒａｌｎｌｎｇ１ｍａｇｅ，ｔｏｒｅｘａｎｌｐｌｅ，
ｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｓｏｆｐｏｒｏｓｉｔｙｏｒｐｅｒｍｅａｂｉｌｉｔｙ，ａｎｏｔｈｅｒｍｕｌｔｉｐｌｅ—ｐｏｉｎｔｓｉｍｕｌａｔｉｏｎａｐｐｒｏａｃｈｔｅｒｍｅｄ
ＦＩＬＴＥＲＳＩＭ
ｗａｓｐｒｏｐｏｓｅｄ．Ｕｎｌｉｋｅ
ＳＮＥＳＩＭａｌｇｏ—
ｒｉｔｈｍｔｈａｔｄｉｒｅｃｔｌｙｃａｌｌｓｆｏｒｈｉｇｈｅｒｏｒｄｅｒｓｔａｔｉｓｔｉｃｓ
ｔｏ
ｒｅｐｒｏｄｕｃｅ
ｐａｔｔｅｒｎｓ
ｆｒｏｍ
ａ
ｔｒａｉｎｉｎｇｉｍａｇｅ，ＦＩＬ—
ＴＥＲＳＩＭ
ｓｔａｒｔｓ
ｗｉｔｈｔｒａｉｎｉｎｇｉｍａｇｅｐａｔｔｅｒｎｃｌａｓｓｉ—
ｆｉｃａｔｉｏｎｂａｓｅｄｏｎｆｉｌｔｅｒｓａｎｄｔｈｅｎｐｅｒｆｏｒｍｓｐａｔｔｅｒｎ
ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ．
Ａｄｅｔａ订ｅｄｄｉｓｃｕｓｓｉｏｎ
ｏｎ
ｔｈｉｓａｌｇｏ一
“ｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｓｃａｎ
ｂｅｆｏｕｎｄｉｎｔｈｅ
ｐａｐｅｒ
ｗｒｉｔｔｅｎｂｙＺｈａｎｇ
ｅｔ
ａ１．
（２００６ａａｎｄ２００６ｂ）．
Ａｔｈｅｏｒｅｔｉｃｌｉｎｋｂｅｔｗｅｅｎｍｕｌｔｉｐｌｅ—ｐｏｉｎｔａｎｄ２一ｐｏｉｎｔｇｅｏｓｔａｔｉｓｔｉｃｓ
Ｔｈｉｓｓｅｃｔｉｏｎａｉｍｓａｔ
ａｎｓｗｅｒｉｎｇｔｈｅｑｕｅｓｔｉｏｎ：
ｗｈｙ
ｄｏｅｓｍｕｌｔｉｐｌｅ—ｐｏｉｎｔ
ｇｅｏｓｔａｔｉｓｔｉｃｓｒｅｐｒｏｄｕｃｅ
ｈｉｇｈｌｙｎｏｎ—ｌｉｎｅａｒｓｔｒｕｃｔｕｒｅｓｍｕｃｈｂｅｔｔｅｒｔｈａｎｔｈｅｔｒａｄｉｔｉｏｎａｌ２一ｐｏｉｎｔｖａｒｉｏｇｒａｎ卜ｂａｓｅｄｍｅｔｈｏｄ？Ｉｎｏｒ—ｄｅｒｔｏａｎｓｗｅｒｔｈｉｓａｕｅｓｔｉｏｎ，ｗｅｎｅｅｄｔｏｔａｋｅａｃｌｏｓ—
ｅｒ
１００ｋ
ａｔ
ｔｈｅｃｏｎｎｅｃｔｉｏｎｂｅｔｗｅｅｎｍｕｌｔｉｐｌｅ—ｐｏｉｎｔ
ａｎｄ２一ｐｏｉｎｔｇｅｏｓｔａｔｉｓｔｉｃｓ．
Ｌｅｔ’ｓｔａｋｅ
ａ
ｓｉｍｐｌｅ
ｅｘ—
ａｍｐｌｅ：ｅｓｔｉｍａｔｅｔｈｅｓａｎｄｐｒｏｂａｂｉｌｉｔｙＰ（ｊｏ一１）ａｔ１０ｃａｔｉｏｎＨｏｇｉｖｅｎｔｈｅｔｈｒｅｅｋｎｏｗｎｄａｔａＪ１，工２，ａｎｄＬｗｉｔｈｅａｃｈｂｅｉｎｇｅｉｔｈｅｒｓａｎｄ（一１）ｏｒｓｈａｌｅ（一０）ｏｂｓｅｒｖａｔｉｏｎｓ（ｓｅｅＦｉｇ．７）．
Ｆ嘻７
０ｎｅｄａｔａｅｖｅｎｔｃｏｎｆｉｇｕｒａｔｉｏｎ谢ｔｈｔｈｒｅｅ
ｋｎｏｗｎｄａｔａ
ｔｏ
ｉｎｆｏｍ
ｏｎｅ
ｕｎｋｎｏＷｎ
Ｉｎｔｈｅ２一ｐｏｉｎｔｆｒａｍｅｗｏｒｋ，ｔｈｉｓｃａｎ
ｂｅｆｏｒｍｕ—
ｌｉｚｅｄ
ａｓ
ｅｓｔｉｍａｔｉｎｇｔｈｅｃｏｎｄｉｔｉｏｎａｌｅｘｐｅｃｔａｔｉｏｎｂｙ
ａ
Ｈｎｅａｒｃｏｍｂｉｎａｔｉｏｎｏｆｔｈｅｔｈｒｅｅｋｎｏｗｎｉｎｄｉｃａｔｏｒｓ：
Ｐ（ｊｏ一１
１１，ｊ２，ｊ３）＝Ｅ｛Ｉ。１
１１，ｊ２，１３），
在储层建模中利用多点地质统计学整合地质概念模型及其解
释
作者：张团峰， Tuanfeng Zhang
作者单位：斯伦贝谢道尔研究中心
刊名：
地学前缘
英文刊名：EARTH SCIENCE FRONTIERS
年，卷(期)：2008,15(1)
被引用次数：4次
参考文献(32条)
1.Dubrule O Introducing more geology in stochastic reservoir modeling 1993
2.Deutsch C V;Journel A G GSLIB:Geostatistical software library and user's guide 1998
3.Deutsch C V;Wang L Hierarchical object-based stochastic modeling of fluvial reservoirs 1996
4.Journel A G The abuse of principles in model building and the quest for objectivity 1977
5.Journel A G Geostatistics for conditional simulation of ore bodies[外文期刊] 1974
6.Wu J;Zhang T;Boucher A Non-stationary multiple-point geostatistical simulations with region concept[Report 20] 2007
7.Zhang T Rotation and affinity invariance in multiple-point geostatistics[Report 15] 2002
8.Zhang T;McCormick D;Hurley N Applying multiplepoint geostatistics to reservoir modeling-a practical perspective 2007
9.Zhang T;Switzer P;Journel A G Filter-based classification of training image patterns for spatial simulation[外文期刊] 2006(1)
10.Haldorsen H;Lake L A new approach to shale management in field-scale models 1984
11.Haldorsen H;Damsleth E Stochastic modeling[外文期刊] 1990
12.Guardiano F;Srivastava R M Multivariate geostatistics:beyond bivariate moments 1993
13.Goovaerts P Geostatistics for natural resources evaluation 1997
14.Caers J;Zhang T Multiple-point geostatistics:a quantitative vehicle for integrating geologic analogs into multiple reservoir models 2004
15.Zhang T;Journel A G;Switzer P Merging prior structural interpretation and local data:the Bayes updating of multiplepoint statistics 2005
16.Zhang T;Bombarde S;Strebelle S3D porosity modeling of a carbonate reservoir using continuous multiple-point statistics simulation 2006
17.Wagonera J V;Mitchum R;Campion K Siliciclastic sequence stratigraphy in well logs,cores,and outcrops:concepts for high resolution correlation of time and facies 1990
18.Strebelle S;Zhang T Non-stationary multiple-point geostatistical motheds 2004
19.Strebelle S Conditional simulation of complex geological structures using multiple-point statistics[外文期刊] 2002
20.Stoyan D;Kendall W;Mecke J Stochastic geometry and its applications 1987
21.Castro S;Caers J;Mukerji T The Stanford Ⅵ reservoir[Report 15] 2005
22.Matheron G The intrinsic random functions and their application 1973
23.Matheron G Les variables regionalisies et leur estimation 1965
24.Matheron G Trait de geostatistique appliquee 1962
25.Liu Y;Harding A;Abriel W Multiple-point simulation integrating wells,three-dimensional seismic data,and geology[外文期刊] 2004
26.Krige D G A statistical approach to some mine valuations and allied problems at the witwatersand 1951
27.Journel A G;Zhang T The necessity of a prior multiple-point model[外文期刊] 2006(5)
28.Journel A G Geostatistics:roadblocks and challenges 1992
29.Journel A G Deterministic geostatistics:a new visit 1977
30.Holden L;Hauge R;Skare O Modeling of fluvial reservoirs with object models[外文期刊] 1998
31.Harbaugh J;Bonham-Carter G Computer simulation in geology 1970
32.Caers J Petroleum geostatistics 2005
引证文献(4条)
1.张挺.卢德唐.李道伦.杜奕基于软硬数据的多点地质统计法在图像统计信息重构中的应用研究[期刊论文]-计算机研究与发展 2010(1)
2.周金应.桂碧雯.林闻多点地质统计学在滨海相储层建模中的应用[期刊论文]-西南石油大学学报（自然科学版） 2010(6)
3.张挺.卢德唐.李道伦基于二维图像和多点统计方法的多孔介质三维重构研究[期刊论文]-中国科学技术大学学报 2010(3)
4.唐海发.贾爱林.彭仕宓.罗娜.刘伟洪积扇相储层沉积微相-岩石相随机模拟[期刊论文]-中国石油大学学报(自然科学版) 2010(3)
本文链接：https://www.360docs.net/doc/565001323.html,/Periodical_dxqy200801003.aspx