ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

KHOA KỸ THUẬT ĐỊA CHẤT VÀ DẦU KHÍ

--

TIỂU LUẬN ĐỊA THỐNG KÊ

Giảng viên hướng dẫn: Thầy Phạm Sơn Tùng

Đề tài: Sử dụng phần mềm Excel kết hợp GS+ Version 9 để tính toán
Variogram 2D, Ordinary Kriging, Validation.

Họ và tên : Phạm Gia Nghĩa

MSSV : 1914324

MỤC LỤC
CHƯƠNG 1 : GIỚI THIỆU....................................................................................................
CHƯƠNG 2 : CƠ SỞ LÝ THUYẾT VÀ QUY TRÌNH TÍNH TOÁN...................................
1. Hàm cấu trúc -Variogram [(h)] [3]................................................................................
1.1. Định nghĩa................................................................................................................
1.2. Các tính chất của hàm cấu trúc – Variogram [γ(h)]..................................................
1.3. Các mô hình hàm cấu trúc........................................................................................
1.3.1. Mô hình hình cầu...............................................................................................
1.3.2. Mô hình hàm mũ...............................................................................................
1.3.3. Mô hình Gaussian..............................................................................................
2. Ordinary Kriging (OK):..................................................................................................
CHƯƠNG 3 : QUY TRÌNH TÍNH TOÁN...........................................................................
CHƯƠNG 5 : KẾT QUẢ VÀ PHÂN TÍCH KẾT QUẢ.......................................................
CHƯƠNG 6 : KẾT LUẬN....................................................................................................

2
 MỤC LỤC HÌNH ẢNH
Hình 1. Biểu đồ hàm cấu trúc.............................................................................................7
Hình 2. Mô hình cầu...........................................................................................................8
Hình 3. Mô hình hàm mũ....................................................................................................9
Hình 4. Mô hình Gaussian..................................................................................................9
Hình 5. Sơ đồ khối quá trình tính toán Variogram 2D......................................................12
Hình 6. Sơ đồ khối quá trình tính toán Kriging.................................................................12
Hình 7. Sơ đồ khối quá trình tính toán Validation............................................................13
Hình 8. Dữ liệu gốc của bộ dữ liệu khảo sát đất của Trạm thí nghiệm Broom's Barn.......13
Hình 9. Đồ thị Variogram cho bộ dữ liệu khảo sát............................................................15
Hình 10. Kết quả tính toán Variogram của bộ dữ liệu.......................................................15
Hình 11. Kết quả khảo sát mô hình Variogram đồng nhất từ phần mềm GS+..................16
Hình 12. Khu vực nội suy ở khoảng tọa độ X = [1,5], Y=[27,31].....................................17
Hình 13. Các điểm cần nội suy và các điểm quan sát được ở xung quanh nó...................17
Hình 14. Giao diện nhập tọa độ điểm cần nội suy và 4 điểm quan sát xung quanh trong
Excel................................................................................................................................. 18
Hình 15. Giao diện nhập tọa độ điểm cần nội suy và 6 điểm quan sát xung quanh trong
Excel................................................................................................................................. 18
Hình 16. Hai ma trận A và B được xây dựng trong Excel cho nội suy từ 4 và 6 điểm xung
quanh................................................................................................................................ 19
Hình 17. Kết quả các trọng số Kriging, giá trị ước tính và phương sai khi nội suy với 4 điểm
và 6 điểm xung quanh.......................................................................................................19
Hình 18. Kết quả tra từ đồ thị Kriging có từ phần mềm GS+...........................................19
Hình 19. Bảng giá trị nội suy bằng phương pháp Ordinary Kriging em có được thông qua
thuật toán xây dựng trên phần mềm Excel........................................................................20
Hình 20. Bảng giá trị thực và giá trị nội suy từ phương pháp em xây dựng lại trên phần mềm
Excel................................................................................................................................. 21
Hình 21. Biểu đồ đối chứng giữa các giá trị thực và giá trị nội suy từ phương pháp Ordinary
Kriging.............................................................................................................................. 22
Hình 22. Kết quả đường hồi quy của những điểm khảo sát giá trị thực và giá trị nội suy
không quá trùng đường thẳng có hệ số góc bằng tan(45o) = 1..........................................22
Hình 23. Kết quả đối chứng validation với mô hình Variogram Isotropic........................22
Hình 24. Kết quả đối chứng validation với mô hình Variogram Anisotropic...................23
Hình 25. Hình ảnh kết quả đồ thị Kriging biểu diễn trên mặt phẳng thực hiện bằng Excel.23
Hình 26. Hình ảnh kết quả đồ thị Kriging biểu diễn dạng 3D thực hiện bằng Excel.........24
Hình 27. Kết quả nội suy Ordinary Kriging từ mô hình Variogram đồng nhất.................25
Hình 28. Kết quả nội suy Ordinary Kriging từ mô hình Variogram không đồng nhất phân bố
theo đúng hướng 140o đã thiết lập trước đó......................................................................26
3
Hình 29. Vùng dữ liệu mà em chọn thực hiện nội suy, kết quả nhìn từ từ phần mềm GS+.26

4
 CHƯƠNG 1 : GIỚI THIỆU

Địa thống kê là một phương pháp mới và đang được tiếp tục hoàn thiện. Đã từ nhiều năm,
phương pháp được xem là hiện đại, và đang trở lên rất phổ biến, đặc biệt là các nước tư bản
phát triển: Pháp, Mỹ, Canada, Anh .... Địa thống kê không chỉ áp dụng rộng rãi trong khảo
sát thăm dò mỏ, địa vật lý, địa chất thuỷ văn, địa chất công trình, địa hoá, dầu khí, khai thác
mỏ mà còn ở nhiều lĩnh vực khác: Nông nghiệp, sinh học, khí tượng thuỷ văn, ngư nghiệp,
xã hội học, cơ học và môi trường Error: Reference source not found. Trong địa thống kê, vấn
đề luôn được quan tâm khi nghiên cứu một hiện tượng, vật chất chính là dữ liệu của hiện
tượng, vật chất đó nhưng không phải lúc nào chúng ta đều có thể thu thập hết toàn bộ và đầy
đủ những dữ liệu cần thiết cho quá trình phân tích và nghiên cứu. Từ những khó khăn này,
các nhà nghiên cứu đã tìm tòi và phát triển các mô hình, phương pháp giúp ước tính (nội
suy) các dữ liệu chưa biết từ những dữ liệu đã biết, nổi bật trong những mô hình, phương
pháp đó chính là hàm cấu trúc Variogram và Kriging. Nắm bắt được tầm quan trọng của
những phương pháp trên em tiến hành nghiên cứu và tính toán Variogram , Kriging 2D,
Validation bằng phần mềm Excel kết hợp so sánh với phần mềm thương mại GS+ Version 9.
Mục tiêu của Bài tập lớn là xây dựng lại phương pháp Variogram 2D và Ordinary Kring
để giúp em cũng hiểu sâu hơn về bản chất và cách thức tác giả xây dựng nên phương pháp,
hiểu được các khái niệm, định nghĩa và mục đích ứng dụng của hai phương pháp này.
Phạm vi và đối tượng nghiên cứu của Bài tập lớn là sử dụng bộ dữ liệu khảo sát độ thấm
của khu vực đất Trạm thí nghiệm Broom's Barn để tiến hành phân tích dữ liệu và tính toán.
Phương pháp nghiên cứu của em là chọn lọc các thông tin từ tài liệu tìm được, kết hợp
các mô hình cũng như so sánh các kết quả có được để đưa ra kết luận. Để hiểu rõ hơn về bản
chất và cách thức tác giả xây dựng nên phương pháp thông qua sử dụng phần mềm Excel
xây dựng thuật toán nội suy, đánh giá hiệu quả nội suy,vẽ ra đồ thị độ thấm một khu vực nhỏ
và so sánh các kết quả trực quan có được với phần mềm thương mại GS+ Version 9.
Em xin gửi lời cảm ơn chân thành nhất đến các thầy bộ môn địa kĩ thuật và địa thống kê,
Khoa Kỹ thuật Địa chất & Dầu khí nói chung và Thầy Phạm Sơn Tùng nói riêng. Xuyên
suốt quá trình học và làm các bài tập của em, em đã nhận được sự trợ giúp cũng như là
những kiến thức đã được giảng dạy một cách nhiệt tình từ quý giảng viên, đặc biệt là thầy
Tùng, từ đó tạo cho em vốn kiến thức cần có để có thể hoàn thành bài tiểu luận. Tuy nhiên,
trong quá trình làm bài tiểu luận do kiến thức chuyên ngành của em về môn học này còn hạn
chế nên không thể tránh khỏi một vài thiếu sót khi trình bày và đánh giá vấn đề. Rất mong
nhận được sự góp ý, đánh giá của quý thầy cô để kiến thức của em thêm hoàn thiện hơn.
Một lần nữa em xin chân thành cảm ơn quý thầy cô !!!

5
CHƯƠNG 2 : CƠ SỞ LÝ THUYẾT VÀ QUY TRÌNH TÍNH TOÁN

1. Hàm cấu trúc -Variogram [(h)] Error: Reference source not found

Khi xét đến những đặc tính không gian của đối tượng nghiên cứu, lý thuyết toán cơ bản
được dùng là “lý thuyết biến số vùng”. Biến số đó biến đổi một cách liên tục từ điểm quan
sát này đến điểm quan sát khác song rất khó mô hình hóa bằng một hàm thông thường.
Giả sử ta có dẫy mẫu (điểm đo) trong các điểm đo x i của ô mạng hình vuông và đo được
biến số Z(xi) tương ứng; nếu biến số này thuộc kiểu ổn định (dừng) thì có thể xác định được
giá trị trung bình và nhận được biến số quy tâm Z'(x) bằng cách trừ các biến số vùng cho giá
trị trung bình. Lấy trung bình bình phương biến số Z(x):

- tương ứng với phương sai mẫu của biến vùng

Dễ nhận thấy rằng, giá trị trong một điểm quan sát nào đó có liên quan đến giá trị tổng
các điểm khác phân bố cách nhau một khoảng cách nhất định. Đồng thời ảnh hưởng của
những mẫu ở khoảng cách xa ít ảnh hưởng hơn những mẫu có khoảng cách gần nhau. Hơn
nữa cũng có thể xảy ra trường hợp mức độ ảnh hưởng của mẫu còn phụ thuộc vào phương vị
không gian của vị trí lấy mẫu (khi có tính dị hướng). Để phản ánh sự phụ thuộc này, người ta
thường dùng vectơ khoảng cách h có phương vị xác định. Mức độ phụ thuộc giữa các điểm
đo (lấy mẫu) nằm trên một khoảng cách hi và theo một hướng xác định nào đó được phản
ánh bằng momen tương quan và có thể biểu diễn bằng đồ thị.
Vì vậy, Matheron đã đề ra lý thuyết variogram hay còn gọi là hàm cấu trúc:

| là hàm của số gia Z (x1)-Z(x2), đã được Matheron gọi biểu đồ phương sai hay
Variogram hoặc hàm cấu trúc.
Hàm cấu trúc đã giải quyết tốt vấn đề giá trị ước lượng bị ảnh hưởng nhiều bởi những
điểm ở xa. Đồng thời, phương vị không gian lấy mẫu cũng sẽ ảnh hưởng đến tính tương
quan của mẫu.
1.1. Định nghĩa

Hàm cấu trúc được sử dụng trong kỹ thuật địa thống kê để mô tả mối quan hệ không gian.
Hàm cấu trúc được định nghĩa như là một nửa kỳ vọng toán học của biến ngẫu nhiên Z:

6
 Hàm cấu trúc thực nghiệm được xác định bằng trung bình bình phương của một hiệu giữa
các giá trị khác biệt một khoảng h:

N(h) = số lượng cặp điểm nghiên cứu.

1.2. Các tính chất của hàm cấu trúc – Variogram [γ(h)]

Các hàm cấu trúc – variogram có những khái niệm sau:

 a = bán kính ảnh hưởng là khoảng cách mà variogram đạt giá trị trần. Khi khoảng
cách lag h > a thì giá trị nghiên cứu biến đổi hoàn toàn ngẫu nhiên và không có mối
quan hệ tương quan lẫn nhau.
 C = Giá trị trần Sill là giá trị mà variogram không tăng nữa.
 Nugget = là hiệu ứng tự sinh khi (h=0) # 0. Hiệu ứng này xảy ra khi khoảng cách dữ
liệu quá nhỏ so với khoảng nội suy. Có sự gián đoạn trong dữ liệu hoặc dữ liệu có
khoảng cách lag rất lớn.
Tính chất của variogram
 (0) = 0
 (h) = (-h): là hàm đối xứng

 : điều này chứng tỏ γ(h) tăng chậm hơn so với .

 (h) > 0

Hình 1. Biểu đồ hàm cấu trúc

7
  Nếu covariance tồn tại thì variogram tồn tại, ngược lại, nếu variogram tồn tại thì chưa
chắc tồn tại hàm covariance.
1.3. Các mô hình hàm cấu trúc

Trong phần này sẽ nói về những phương pháp được sử dụng để mô phỏng các mô hình
variogram. Ước lượng variogram chỉ cho phép chúng ta biết các giá trị variogram tại một
khoảng lag nhất định.
1.3.1. Mô hình hình cầu
Mô hình hình cầu là loại mô hình variogram phổ biến nhất và được đặc trưng bởi một
đường tuyến tính ở những khoảng lag nhỏ, sau khi vượt qua bán kính ảnh hưởng (a) thì giá
trị variogram sẽ không thay đổi và bằng Sill (C).

Hình 2. Mô hình cầu

1.3.2. Mô hình hàm mũ

Mô hình hàm mũ giống với mô hình hình cầu nhưng nó gần như tiệm cận với sill và có độ
dốc lớn hơn về phía gốc so với các loại mô hình khác.

khi

8
 Hình 3. Mô hình hàm mũ

1.3.3. Mô hình Gaussian

Mô hình Gaussian có độ tương quan cao trên bán kính ảnh hưởng ngắn và được dùng để
mô hình hóa các biến có tính liên tục cao. Mô hình Gaussian chỉ có thể tiệm cận nhưng
không bao giờ hoàn toàn đạt đến trần Sill (~95%).

khi

Hình 4. Mô hình Gaussian

2. Ordinary Kriging (OK):

Kriging là một nhóm phương pháp địa thống kê dùng để nội suy số liệu của một trường
ngẫu nhiên tại một điểm (một khối) chưa biết giá trị (ví dụ: không lấy được mẫu phân tích,
…) từ những giá trị đã biết ở những điểm lân cận.

Ưu điểm của Kriging bao gồm Error: Reference source not found:
9
  Kriging là một bộ nội suy chính xác và phương sai nội suy tương ứng bằng không.
 Kriging không chỉ xem xét khoảng cách giữa các điểm quan sát và điểm cần ước
lượng mà còn cả vị trí tương đối của các điểm quan sát.
 Trọng số (λ) không bị ảnh hưởng bởi giá trị tại điểm đo. Ví dụ: nếu cấu trúc phân
bố điểm giống nhau xuất hiện ở hai vị trí khác nhau, trọng số kriging sẽ giống
nhau, không phụ thuộc vào các giá trị đo được.
 Trọng số Kriging cho thấy hiệu ứng sàng lọc, các điểm ở xa điểm cần ước tính sẽ
có trọng số thấp hơn và ngược lại các điểm ở gần điểm cần ước tính sẽ có trọng số
lớn hơn (sức ảnh hưởng lớn).

Nhược điểm của Kriging Error: Reference source not found:

 Kriging giả định rằng không gian đang được nghiên cứu là tĩnh; nghĩa là phân phối
xác suất chung không thay đổi trong toàn bộ không gian nghiên cứu.
 Kriging cũng giả định một đặc tính gọi là đẳng hướng; rằng có sự đồng nhất theo mọi
hướng.
 Độ chính xác của mô hình sẽ bị hạn chế nếu dữ liệu không tương quan về mặt không
gian hoặc phạm vi trải rộng của dữ liệu bị hạn chế hoặc số lượng điểm dữ liệu nhỏ.

Ordinary Kriging là kriging chưa biết giá trị trung bình, dựa chủ yếu vào giả thuyết hàm
ngẫu nhiên ổn định (tĩnh). Các bài toán dạng này thường giả định rằng: có n giá trị Z 1, Z2,
….Zn ứng với các giá trị điểm đo x1, x2,…xn phân bố ở lân cận điểm cần ước lượng x0 (hoặc
khối ước lượng V0). Giá trị ước lượng tuyến tính cho x 0 (hoặc V0) có dạng Error: Reference
source not found:

Trong đó:

= các trọng số

= các thông số quan sát được ở lân cận điểm (hoặc khối) cần ước lượng.
* Điều kiện tối ưu của phép ước lượng. Phép ước lượng phải đảm bảo:
 Thứ nhất: Không có sai số hệ thống, sai số trung bình phải xấp xỉ bằng 0. Viết lại dưới
dạng:

10
  Thứ hai: Phương sai của ước lượng là nhỏ nhất. Để phù hợp với điều kiện tối ưu trên,
theo phương pháp phân tử Lagrange, ta nhận được hệ phương trình trọng số Kriging
để xác định λ β

Trong đó:
α =1, 2, 3, …, N
μ :hệ số Lagrange.

: Giá trị Variogram tính theo mô hình được lựa chọn

Để giải phương trình trọng số Kriging ta đưa về dạng ma trận:

Với là ma trận nghịch đảo của ma trận , là ma trận chuyển vị của ma trận

11
CHƯƠNG 3 : QUY TRÌNH TÍNH TOÁN

Hình 5. Sơ đồ khối quá trình tính toán Variogram 2D.

Hình 6. Sơ đồ khối quá trình tính toán Kriging.

12
 Hình 7. Sơ đồ khối quá trình tính toán Validation.

CHƯƠNG 4 : SỐ LIỆU ĐẦU VÀO

Em lựa chọn phần mềm Excel để thực hiện tính toán variogram 2D/Ordinary Kriging cho
dữ liệu độ thấm (K) của bộ dữ liệu khảo sát đất của Trạm thí nghiệm Broom's Barn.

Hình 8. Dữ liệu gốc của bộ dữ liệu khảo sát đất của Trạm thí nghiệm Broom's Barn.

13
CHƯƠNG 5 : KẾT QUẢ VÀ PHÂN TÍCH KẾT QUẢ

Em chọn h = 1 đơn vị đo chiều dài trong cách tính tọa độ của bộ dữ liệu, và thực hiện tính
toán vẽ được đồ thị Variogram:

14
 Hình 5. Đồ thị Variogram cho bộ dữ liệu khảo sát.
i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
h 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sum_dev 0 28175 32803 32954 30946 35905 34680 33840 33258 25241 24260 23510 20405 15434 15035 12664 10468 9069 7274 1774 1608 1584
N(h) 435 397 363 331 300 270 240 210 181 156 136 119 106 93 82 72 63 57 53 48 43 38
Experimental γ(h) 0 35.485 45.183 49.779 51.577 66.491 72.25 80.571 91.873 80.901 89.191 98.782 96.25 82.978 91.677 87.944 83.079 79.553 68.623 18.479 18.698 20.842
γ(h)/γ(h)max 0 0.3592 0.4574 0.5039 0.5221 0.6731 0.7314 0.8157 0.9301 0.819 0.9029 1 0.9744 0.84 0.9281 0.8903 0.841 0.8053 0.6947 0.1871 0.1893 0.211
C 91.873
a 8 Min square
Spherical γ(h) 0 17.136 33.735 49.256 63.163 74.916 83.978 89.809 91.873 91.873 91.873 91.873 91.873 91.873 91.873 91.873 91.873 91.873 91.873 91.873 91.873 91.873
γ(h)/γ(h)max 0 0.1865 0.3672 0.5361 0.6875 0.8154 0.9141 0.9775 1 1 1 1 1 1 1 1 1 1 1 1 1 1
erro 0 336.66 131.07 0.2739 134.23 70.984 137.54 85.34 0 120.39 7.1918 47.729 19.159 79.111 0.0385 15.433 77.327 151.79 540.58 5386.6 5354.6 5045.4 17741.48858

Exponential γ(h) 0 28.73 48.475 62.046 71.373 77.784 82.19 85.218 87.299 88.729 89.712 90.388 90.852 91.171 91.391 91.542 91.645 91.716 91.765 91.799 91.822 91.838
γ(h)/γ(h)max 0 0.3128 0.5278 0.6756 0.7772 0.847 0.8949 0.9279 0.9506 0.9661 0.9769 0.9842 0.9893 0.9927 0.9951 0.9968 0.9979 0.9987 0.9992 0.9996 0.9998 1
erro 0 45.633 10.837 150.47 391.91 127.53 98.796 21.588 20.922 61.286 0.2716 70.452 29.135 67.125 0.0818 12.939 73.373 147.96 535.59 5375.8 5347.2 5040.4 17629.29335

Gaussian γ(h) 0 4.2072 15.708 31.621 48.475 63.412 74.878 82.633 87.299 89.811 91.027 91.557 91.765 91.84 91.864 91.871 91.872 91.873 91.873 91.873 91.873 91.873
γ(h)/γ(h)max 0 0.0458 0.171 0.3442 0.5276 0.6902 0.815 0.8994 0.9502 0.9776 0.9908 0.9966 0.9988 0.9996 0.9999 1 1 1 1 1 1 1
erro 0 978.3 868.81 329.72 9.6189 9.4785 6.9071 4.2502 20.922 79.399 3.3695 52.197 20.112 78.519 0.0349 15.414 77.317 151.79 540.57 5386.6 5354.6 5045.4 19033.36905
Min 17629.29335 Exponential

Hình 6. Kết quả tính toán Variogram của bộ dữ liệu.

Dựa vào đồ thị trong Excel nhóm sinh viên xác định:

 Variogram tăng sau đó ổn định dần ở trị số = C, Sill - Giá trị ngưỡng (trần) C = 91.873.
 Range - Bán kính ảnh hưởng trong bộ dữ liệu này là a = 8 ft
 Hiệu ứng tự sinh (nugget effect) không có do .

15
  Variogram biến thiên và có tính chu kỳ.
 Độ thấm khảo sát không có tính xu hướng.
 Qua khảo sát bằng excel thì Variogram của thông số độ thấm này gần với mô hình
hàm mũ (Exponential) nhất.

Hình 7. Kết quả khảo sát mô hình Variogram đồng nhất từ phần mềm GS+.

Kết quả của phần mềm cho thấy khá sát với kết quả nhóm sinh viên tính toán từ excel.
Sill, Range, hình dạng đồ thị cho ra từ phần mềm GS+ khá là tương đồng với kết quả từ
Excel. Tuy mô hình phần mềm chọn có khác mô hình xác định từ Excel nhưng để có nhận
định chính xác nhất về hiệu quả của phần mềm nhóm sẽ để phần mềm tự fit mô hình mà
không sửa lại. Có thể có một nguyên nhân khác dẫn đến tình trạng trên là khi tính bình
phương sai lệch giữa 2 giá trị ở hai vị trí khác nhau, phần mềm xác định được triệt để hơn
các điểm đang ở đúng khoảng cách i x h để tính, trong khi ở trong phần mềm Excel em
chỉ tính bình phương sai lệch giữa hai giá trị ở hai vị trí điểm dễ phát hiện nhất.
Do số lượng điểm cần nội suy quá nhiều nên em quyết định chỉ làm rõ phương pháp
Ordinary Kriging ở một khu vực số liệu nhất định để thu nhỏ phạm vi cần nội suy.

16
 Data Location
35

30

25

20
North

15

10

0
0 2 4 6 8 10 12 14 16 18 20
East

Hình 8. Khu vực nội suy ở khoảng tọa độ X = [1,5], Y=[27,31]

em chọn nội suy các điểm ở giữa (các điểm màu đỏ) các điểm đã biết (các điểm màu
xanh dương). Đối với số lượng các điểm quan sát ở xung quanh điểm cần nội suy, em
chia thành 2 loại: có 4 điểm quan sát và 6 điểm quan sát để khi thực hiện chia thành 2
nhóm thuật toán để nội suy 2 loại điểm có vị trí khác nhau.

Hình 9. Các điểm cần nội suy và các điểm quan sát được ở xung quanh nó.
17
 Khi bắt đầu quá trình nội suy ta phải nhập thủ công tọa độ điểm cần nội suy và các
điểm quan sát xung quanh.
1a. Data and Estimate Locations and Values
Point x y Value (K)
1 4 28 21
2 5 28 20
3 4 27 19
4 5 27 19
Unknown 4.5 27 ???

Hình 10. Giao diện nhập tọa độ điểm cần nội suy và 4 điểm quan sát xung quanh trong
Excel.

1b. Data and Estimate Locations and Values

Point x y value
1 3 30 20
2 4 30 15
3 5 30 14
4 3 29 14
5 4 29 13
6 5 29 15
unknown 4 29.5 ???

Hình 11. Giao diện nhập tọa độ điểm cần nội suy và 6 điểm quan sát xung quanh trong
Excel.

Thông qua các bước trung gian (tính khoảng cách giữa các điểm, tính giá trị
Variogram) thì ta có ma trận để giải các trọng số Kriging được xây dựng theo công thức ở
phần có sở lý thuyết.

18
 4a. Matrix A 6a. Matrix B
0 10.79535363 10.795354 14.88646 1 19.13406103
10.79535363 0 14.886457 10.79535 1 19.13406103
10.79535363 14.88645668 0 10.79535 1 8.60187206
14.88645668 10.79535363 10.795354 0 1 8.60187206
1 1 1 1 0 1
4b. Matrix A 6b. Matrix B
0 10.79535 20.32222 10.79535 14.88645668 22.40272637 1 19.13406103
10.79535 0 10.79535 14.88646 10.79535363 14.88645668 1 8.60187206
20.32222 10.79535 0 22.40273 14.88645668 10.79535363 1 19.13406103
10.79535 14.88646 22.40273 0 10.79535363 20.32221977 1 19.13406103
14.88646 10.79535 14.88646 10.79535 0 10.79535363 1 8.60187206
22.40273 14.88646 10.79535 20.32222 10.79535363 0 1 19.13406103
1 1 1 1 1 1 0 1

Hình 12. Hai ma trận A và B được xây dựng trong Excel cho nội suy từ 4 và 6 điểm
xung quanh.
7b. Weight 8b. Kriging Results
-0.111853072 ( λ1) estimate 13.21703
7a. Weight 8a. Kriging Results 0.723706144 ( λ2) variance 92.79202
-0.103750701 ( λ1) Estimate 18.6887479 -0.111853072 ( λ3)
-0.103750701 ( λ2) Variance 90.20517566 -0.111853072 ( λ4)
0.603750701 ( λ3) 0.723706144 ( λ5)
[X,Y]=[4, 29.5]
0.603750701 ( λ4) [X,Y]=[4.5, 27] -0.111853072 ( λ6)
4.748675561 ( μ) 6.534387064 ( μ)

Hình 13. Kết quả các trọng số Kriging, giá trị ước tính và phương sai khi nội suy với 4
điểm và 6 điểm xung quanh.

So sánh các kết quả trên và đa số các điểm nội suy được, em nhận thấy 2 bộ kết quả
cũng khá sát nhau. Tuy nhiên vẫn còn một số điểm khá lệch nhau, nguyên nhân có thể
giải thích là do em chỉ làm ở quy mô nhỏ, nên kết quả không thể quá chính xác so với
phần mềm, đặc biệt đây còn là phần mềm thương mại.

Hình 14. Kết quả tra từ đồ thị Kriging có từ phần mềm GS+

Ta nhận thấy như trên đây điểm [X,Y] = [4.5, 27] có kết quả nội suy cũng khá sát so
với phần mềm GS+ (chỉ lệch khoảng 1mD, bằng 5.6% giá trị độ thấm nội suy tra từ phần
mềm GS+), còn điểm [X,Y] = [4, 29.5] lại cho kết quả khá chênh lệch (chênh lệch 2.4
mD, bằng khoảng 15% giá trị nội suy tra từ phần mềm GS+).
19
 19 2.5 28.5 16
20 2.5 29.5 18.25
21 2.5 30.5 18.25
22 2.5 31 12.94373949
23 2.5 30 25.35559216
24 2.5 29 12.15108549
Thực hiện trên phần mềm Excel cho đến hết
25 các điểm
2.5 xác định
28 cần18.61853072
nội suy ta được
bảng giá trị: 26 2.5 27 15.0849972
27 3 27.5 14.04591007
9. Synthesis data of KRIGING 28 3 28.5 14.10517542
Point x y Value(est) 29 3 29.5 17.11185307
1 1 27.5 23.53750701 30 3 30.5 17.72370614
2 1 28.5 26.05626051 31 3.5 27.5 17.75
3 1 29.5 29.16001122 32 3.5 28.5 16
4 1 30.5 32.28251542 33 3.5 29.5 15.5
5 1.5 27.5 20 34 3.5 30.5 16.25
6 1.5 28.5 20.75 35 3.5 31 14.4812465
7 1.5 29.5 23.5 36 3.5 30 18.95408993
8 1.5 30.5 24.5 37 3.5 29 11.48664471
9 1.5 31 19.54749019 38 3.5 28 19.95408993
10 1.5 30 31.5792983 39 3.5 27 16.6887479
11 1.5 29 17.36518157 40 4 27.5 21.11853072
12 1.5 28 24.40150222 41 4 28.5 17.33555922
13 1.5 27 16.46249299 42 4 29.5 13.2170285
14 2 27.5 16.82888157 43 4 30.5 14.44073464
15 2 28.5 15.76961621 44 4.5 27.5 19.75
16 2 29.5 18.26961621 45 4.5 28.5 17.25
17 2 30.5 16.87479163 46 4.5 29.5 14.25
18 2.5 27.5 16.5 47 4.5 30.5 15
19 2.5 28.5 16 48 4.5 31 15.7075014
20 2.5 29.5 18.25 49 4.5 30 14.38814693
21 2.5 30.5 18.25 50 4.5 29 12.43405699
22 2.5 31 12.94373949 51 4.5 28 22.28964915
23 2.5 30 25.35559216 52 4.5 27 18.6887479
24 2.5 29 12.15108549 53 5 27.5 19.3962493
25 2.5 28 18.61853072 54 5 28.5 17.6037507
26 2.5 27 15.0849972 55 5 29.5 14.6037507
27 3 27.5 14.04591007 56 5 30.5 15
28 3 28.5 14.10517542
Hình 15. 29
Bảng giá3 trị nội suy
29.5 bằng17.11185307
phương pháp Ordinary Kriging em có được thông
30 3 30.5 17.72370614
31 3.5 qua thuật
27.5 toán xây dựng trên phần mềm Excel.
17.75
32 3.5 28.5 16

Để đánh giá độ tin cậy của phương pháp, thì em thực hiện lại chính phương pháp trên
33 3.5 29.5 15.5
34 3.5 30.5 16.25
các điểm quan
35 sát 3.5
đã có, để so31 sánh,14.4812465
đối chiếu giá trị thực và giá trị vừa nội suy, nếu hai
giá trị này 36gần nhau3.5 chứng tỏ30phương pháp xây dựng đây có hiệu quả chấp nhận được và
18.95408993
37 3.5 29 11.48664471
ngược lại. 38 3.5 28 19.95408993
39 3.5 27 16.6887479
Có thể thấy
40
các 4giá trị nội27.5suy có21.11853072
được nhờ cách làm tương tự đối với thuật toán trên
phần mềm 41Excel cũng
4 khá sát
28.5với giá trị thực tế. Nhưng em nhận thấy đối với các giá trị
17.33555922

thực càng lớn thì kết quả nội suy có được lại khá chênh lệch, nguyên nhân khá dễ hiểu vì
42 4 29.5 13.2170285
43 4 30.5 14.44073464
số lượng điểm
44 quan4.5sát chọn27.5xung quanh 19.75 điểm cần nội quy vẫn còn ít và bản chất quả nội
suy thì không thể 4.5
45 nào cho kết 28.5 quả lớn hơn các giá trị quan sát xung quanh, vậy nên sự
17.25
46 4.5 29.5 14.25
chênh lệch47ở quy mô
4.5
nhỏ mà30.5em chọn 15 thực hiện có thể vẫn chấp nhận được. Điều này có
thể nhận thấy
48 khá 4.5
rõ khi quan 31 sát đồ15.7075014
thị, các điểm có giá trị thực càng lớn thì giá trị nội
suy không thể lớn bằng được và nằm xa đường thẳng có hệ số góc bằng tan(45o)=1.
49 4.5 30 14.38814693
50 4.5 29 12.43405699
51 4.5 28 22.28964915
52 4.5 27 18.6887479
53 5 27.5 19.3962493 20
54 5 28.5 17.6037507
55 5 29.5 14.6037507
56 5 30.5 15
 10. Cross Validation
Point x y value(act) value(est)
1 1 31 28 22.74418454
2 1 30 32 25.13858397
3 1 29 23 25.6267837
4 1 28 26 20.51811196
5 1 27 19 21.51163091
6 2 31 14 22.10236005
7 2 30 24 20.25
8 2 29 15 20
9 2 28 19 18.25
10 2 27 16 17.48188804
11 3 31 15 15.82519212
12 3 30 20 17
13 3 29 14 16
14 3 28 16 17.25
15 3 27 15 17.13858397
16 4 31 15 15.37952799
17 4 30 15 15.5
18 4 29 13 16.25
19 4 28 21 17
20 4 27 19 17.96377609
21 5 31 16 14.37209227
22 5 30 14 15.37952799
23 5 29 15 16.03622391
24 5 28 20 17.96377609
25 5 27 19 21.51163091

Hình 16. Bảng giá trị thực và giá trị nội suy từ phương pháp em xây dựng lại trên
phần mềm Excel.

Hình 17. Biểu đồ đối chứng giữa các giá trị thực và giá trị nội suy từ phương pháp
Ordinary Kriging.

21
 Hình 18. Kết quả đường hồi quy của những điểm khảo sát giá trị thực và giá trị nội
suy không quá trùng đường thẳng có hệ số góc bằng tan(45o) = 1.

Trong khi đó với phương pháp Variogram đồng nhất và không đồng nhất của phần
mềm GS+ cho ra hiệu suất cao. Nội suy với mô hình Variogram không đồng nhất cho kết
quả cao hơn, hệ số góc của đường nội suy tuyến tính bằng 0.944 so với chỉ 0.914 của mô
hình Variogram đồng nhất. Cả 2 mô hình trên đều cho kết quả khả quan hơn nhiều so với
quy mô nhỏ mà em có thực hiện, nhưng ở đây cũng tương tự, em nhận thấy kết quả đối
chứng không có ý nghĩa nhiều đối với các giá trị thực tế lớn.

Hình 19. Kết quả đối chứng validation với mô hình Variogram Isotropic

22
 Hình 20. Kết quả đối chứng validation với mô hình Variogram Anisotropic

Đến với biểu diễn kết quả trên đồ thị màu em nhận thấy có sự tiến triển khả quan sau
khi ứng dụng phương pháp Ordinary Kriging vào nội suy. Từ số lượng điểm giá trị ban
đầu được chọn là 25, tăng hơn gấp đôi thành 56 điểm, em nhận thấy kết quả đồ thị cho ra
từ phần mềm Excel cho ra với chi tiết cao hơn cũ, phân bố cũng rõ rệt hơn.

Hình 21. Hình ảnh kết quả đồ thị Kriging biểu diễn trên mặt phẳng thực hiện bằng
Excel.

23
 Hình 22. Hình ảnh kết quả đồ thị Kriging biểu diễn dạng 3D thực hiện bằng Excel.

So với phần mềm thì do có khả năng điều chỉnh và thiết lập các hướng chính cho mô
hình Variogram không đồng nhất, nên kết quả cho ra ở hai trường hợp nội suy của phần
mềm GS+ đầy đủ và chi tiết hơn nhiều. em nhận thất kết quả xây dựng được từ Excel tuy
không hoàn toàn giống như từ phần mềm GS+ nhưng nhìn chung cũng giống một phần.
Thêm vào đó, nhận thấy kết quả nội suy Ordinary Kriging từ mô hình Variogram đồng
nhất không tốt bằng kết quả nội suy Ordinary Kriging từ mô hình Variogram không
đồng nhất. Theo thiết lập ban đầu ở phần mềm GS+ thì dễ thấy được các giá trị độ thấm
phân bố dọc theo hướng chính 140 o, chứng tỏ lợi thế khi chọn lựa được mô hình
Variogram đồng nhất hay không từ Excel cũng tạo nên một hiệu quả nội suy không hề
nhỏ.

24
Hình 23. Kết quả nội suy Ordinary Kriging từ mô hình Variogram đồng nhất.

25
Hình 24. Kết quả nội suy Ordinary Kriging từ mô hình Variogram không đồng nhất
phân bố theo đúng hướng 140o đã thiết lập trước đó.

Hình 25. Vùng dữ liệu mà em chọn thực hiện nội suy, kết quả nhìn từ từ phần mềm
GS+.
26
CHƯƠNG 6 : KẾT LUẬN

Thông qua công việc xây dựng lại phương pháp Variogram 2D và Ordinary Kring em
cũng đã thực sự hiểu sâu hơn về bản chất và cách thức tác giả xây dựng nên phương pháp,
hiểu được các khái niệm, định nghĩa và mục đích ứng dụng của hai phương pháp này.
em nhận thấy hai phương pháp trên đây có ý nghĩa rất lớn đối với các ngành khoa học
tổng hợp nói chung và ngành địa chất và dầu khí nói riêng, hầu như nó đều có mặt ở các
vị trí, công việc của quá trình khảo sát, đánh giá, mô phỏng cấu trúc địa chất, thực hiện
khai thác, khai thác tăng cường và cả dự báo khai thác. Cho nên sức mạnh của phần mềm
các phần mềm dầu khí và địa chất nói riêng và phần mềm thương mại GS+ nói riêng là
không thể phủ nhận. Bằng bài tập lớn hay đồ án cuối kỳ môn học địa thống kê, em chỉ
thực hiện lại một phần nhỏ công việc mà phần mềm GS+ đã làm rất tốt và em nhận thấy
không dễ dàng gì để có thể đạt được hiệu quả cao như phần mềm thương mại. Thông qua
quá trình tìm hiểu trên mạng Intertnet thì thực sự em không thấy một nghiên cứu nào có
khả năng làm được trọn vẹn hoặc thậm chí xây dựng lại được sơ khai phương pháp
Variogram 2D và Ordinary Kring bằng các phần mềm lập trình cũng như trên cả Excel.
Cho nên em nhận thấy đóng góp của mình cũng chủ yếu là để hiểu rõ hơn các kiến thức
được học, chứ không thể nào có thể hoàn toàn tự xây dựng một chương trình tính toán
trọn vẹn hai phương pháp Variogram 2D và Ordinary Kring.
Tuy nhiên em kiến nghị nếu có nhiều thời gian và đầu tư hơn, thì thực tế có thể cải
thiện thuật toán mà em xây dựng trên phần mềm Excel đạt được những kết quả cao hơn,
tăng tính tự động, giúp người học có thể hiểu rõ hơn bản chất, ý nghĩa của hai phương
pháp trên cũng như môn học địa thống kê, từ đó có thể mạnh dạn nắm rõ và sử dụng
thành thạo phần mềm GS+.

27