蓝马提供了多种网格化方法,以满足用户的多种需求。主要的网格化算法有: 最小平方法,适用于井数据或其它散点数据; 趋势面网格法,适用于数据具有一定趋势的情况,比如地层速度,并具有高达八次方的多项式拟合公式; 加权平均法,适用于具有噪音或统计型的数据; 最近点法,适用于岩石类型、相和古生物等离散型数据; 克里金法,适用于具有空间相关性的数据; 距离化法,适用于确定的图形和特殊空白网格; 带限范围法,适用于带有上下边界的数据,如孔隙度数据; 等深线法,适用于地层厚度数据; 线性网格化法,适用于呈线性分布的数据,如地震解释数据; 等值线网格化法,适用于对等值线进行再网格化; 投影斜率法,适用于变化缓慢型的数据; 块状滑动和线性趋势滑动法,适用于等加权数据。 discovery中具体等值线算法如下: Minimum Curvature(最小曲率法):基于连续,定位多项式的迭代方法可形成具有最小曲率特性的表面。 Adaptive Fitting(自相关拟合法):可立体解约束调和函数方程。 Triangulation(三角法法):通过根据所有可用数据点形成三角形来推导网格节点值。 Weighted Slope(加权斜率法):反向距离函数用来权衡相邻数据位置处表面斜率。 Kriging(克里金算法):通过使用半变量图分析数据的方向和空间持续性来形成表面。 Moving Weighted Average(可移动的加权平均) Weighted Least Squares(加权最小平方法):Weighted Least最小二乘拟合法用于局部相邻数据值。 Closest Point(最临近点法):给每一图格节点赋以最近数据点Z值。 Distance to Data(距离控制点法):绘制显示网格节点和控制点(而不是)之间距离的图。 注意:当数据点多余150个时,最好使用最小曲率法,当数据点小于150个时,建议使用自相关拟合法。
|