Bernstein Copula-Based Spatial Stochastic Simulation of Petrophysical Properties Using Seismic Attributes as Secondary Variable

Díaz-Viera, Martín A.; Erdely, Arturo; Kerdan, Tatiana; del-Valle-García, Raúl; Mendoza-Torres, F.

doi:10.1007/978-3-319-46819-8_33

Cited by 1 publication

(1 citation statement)

References 10 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Recently, the copula-based simulation method was successfully applied for the prediction of petrophysical properties using seismic attributes as a secondary variable in (Le, 2021), (Le et al, 2020), (M. Díaz-Viera et al, 2018), (Vázquez, 2018). But in these works, the method was implemented using a non-parametric approach with Bernstein copulas.…”

Section: Introductionmentioning

confidence: 99%

Joint stochastic simulation of petrophysical properties with elastic attributes based on parametric copula models

Vázquez-Ramírez

Díaz-Viera

et al. 2023

Geofis Int

View full text Add to dashboard Cite

El método de co-simulación estocástica espacial, basado en cópulas, es un método general que permite simular variables con cualquier tipo de dependencia y funciones de distribución de probabilidad. Esta flexibilidad proviene del uso de un modelo de cópula para la representación de la función de distribución de probabilidad conjunta. El método se ha implementado principalmente a través de un enfoque no paramétrico utilizando cópulas de Bernstein y se ha aplicado con éxito para la simulación de propiedades petrofísicas usando atributos sísmicos elásticos como variables secundarias. En el presente trabajo este método se implementa mediante otros dos enfoques: paramétrico y semi-paramétrico. Específicamente, para el enfoque paramétrico se usa la familia de cópulas Arquimedianas. Primero, el enfoque paramétrico se valida con un caso publicado y luego se realiza una comparación de los tres enfoques en términos de precisión y rendimiento. Los resultados mostraron que el enfoque paramétrico es el que peor reproduce las estadísticas de los datos y presenta mayor incertidumbre con un menor costo computacional, mientras que el enfoque no-paramétrico resultó el que mejor reproduce la dependencia de los datos a un alto costo computacional. El enfoque semi-paramétrico reduce un 10% el costo computacional respecto al no-paramétrico, pero se degrada significativamente su precisión.

show abstract

Section: Introductionmentioning

confidence: 99%