为了充分利用已有地质知识来降低三维地质模型的不确定性,采用了一种基于贝叶斯—马尔科夫链蒙特卡洛(Bayesian-MCMC,Bayesian-Markov chain Monte Carlo)方法的三维地质模型概率性推断框架,在协同克里金(Cokriging)插值的三维地质隐式...为了充分利用已有地质知识来降低三维地质模型的不确定性,采用了一种基于贝叶斯—马尔科夫链蒙特卡洛(Bayesian-MCMC,Bayesian-Markov chain Monte Carlo)方法的三维地质模型概率性推断框架,在协同克里金(Cokriging)插值的三维地质隐式建模过程中,显式地考虑先验参数(即建模数据集)的不确定性,并将已有地质知识(如地层厚度、地层产状、断层产状等)或地球物理勘探数据以似然函数的方式嵌入到推断框架中,来充分保证三维地质模型符合已有的地质知识.首先,基于Bayesian概率理论,建立不同建模数据集的先验分布以及已有地质知识似然函数约束;其次,使用MCMC随机采样的方法对先验参数的后验概率空间进行采样,获得大量既满足建模数据先验分布、又符合已有地质知识似然约束的建模数据样本;再次,由重新计算的建模数据样本集采用Cokriging插值算法获得一系列模型实现,获得符合已有地质知识的三维地质模型;最后,相比确定性三维地质建模方法,Bayesian-MCMC概率性建模框架可得到一系列模型实现,同时采用信息熵对模型的不确定性进行评价.以桂西南地区凌念—那茶地区为例,采用本文构建的Bayesian-MCMC概率性推断框架,考虑地层、断层采样点及产状数据的不确定性,由已知的地层厚度、地层倾角和断层倾角等地质知识对三维地质模型进行优化,结果表明该方法既能重建地质体的三维空间形态,又可降低三维地质模型的不确定性,为地质学家通过已有地质知识来降低三维地质模型的不确定性提供了有效的途径.展开更多
文摘为了充分利用已有地质知识来降低三维地质模型的不确定性,采用了一种基于贝叶斯—马尔科夫链蒙特卡洛(Bayesian-MCMC,Bayesian-Markov chain Monte Carlo)方法的三维地质模型概率性推断框架,在协同克里金(Cokriging)插值的三维地质隐式建模过程中,显式地考虑先验参数(即建模数据集)的不确定性,并将已有地质知识(如地层厚度、地层产状、断层产状等)或地球物理勘探数据以似然函数的方式嵌入到推断框架中,来充分保证三维地质模型符合已有的地质知识.首先,基于Bayesian概率理论,建立不同建模数据集的先验分布以及已有地质知识似然函数约束;其次,使用MCMC随机采样的方法对先验参数的后验概率空间进行采样,获得大量既满足建模数据先验分布、又符合已有地质知识似然约束的建模数据样本;再次,由重新计算的建模数据样本集采用Cokriging插值算法获得一系列模型实现,获得符合已有地质知识的三维地质模型;最后,相比确定性三维地质建模方法,Bayesian-MCMC概率性建模框架可得到一系列模型实现,同时采用信息熵对模型的不确定性进行评价.以桂西南地区凌念—那茶地区为例,采用本文构建的Bayesian-MCMC概率性推断框架,考虑地层、断层采样点及产状数据的不确定性,由已知的地层厚度、地层倾角和断层倾角等地质知识对三维地质模型进行优化,结果表明该方法既能重建地质体的三维空间形态,又可降低三维地质模型的不确定性,为地质学家通过已有地质知识来降低三维地质模型的不确定性提供了有效的途径.
