Хотя оценка методом кригинга уже стала стандартом для задач по отчетности и долгосрочному планированию, ей изначально свойственно сглаживать локальные максимумы и минимумы. Геостатистическим решением этой проблемы является условное моделирование. Оно позволяет генерировать множество равновероятных реализаций, которые воспроизводят истинную дисперсию и хвост распределения высоких содержаний входных данных для количественной оценки неопределенности.
Традиционно выполнение моделирования было сопряжено с существенными операционными трудностями. Создание таких реализаций требовало экспорта данных в специализированное ПО, написания пользовательских скриптов и полной загрузки локального оборудования на время ресурсоемких вычислений.
В этом информационном буклете мы рассмотрим, как с помощью Leapfrog Edge и Seequent Evo превратить условное моделирование в удобный практичный инструмент. Благодаря выполнению ресурсоемких вычислений в облаке этот интегрированный рабочий процесс переносит моделирование неопределенностей непосредственно в вашу привычную трехмерную среду — без экспорта данных, написания сложных скриптов и ограничений аппаратного обеспечения.
