下载文档原格式
随机建模及应用随机建模是一种将随机性考虑在内的数学建模方法。
在实际问题中，很多因素都存在随机性，这些随机因素会对问题的求解结果产生影响。
因此，随机建模不仅可以更准确地描述问题的现实情况，还能够提供对随机因素产生的不确定性进行分析和预测的能力。
随机建模的应用广泛，可以在各个领域中找到它的身影。
下面以金融风险分析为例，介绍随机建模的具体应用过程。
在金融领域中，随机建模可以用来分析和预测风险，帮助投资者做出更明智的决策。
金融市场的波动性是一个典型的随机现象，可以使用随机建模的方法来描述其特征和规律。
首先，我们需要根据历史数据来确定金融市场的随机性参数。
一般来说，我们可以使用统计学中的参数估计方法来计算均值、方差等参数。
通过对历史数据进行统计分析，我们可以得到金融市场的平均收益率、波动率等参数。
然后，我们可以建立随机过程模型来描述金融市场的价格变动。
常用的随机过程模型包括布朗运动模型、几何布朗运动模型等。
这些模型可以反映价格的随机性和不确定性，从而提供对市场波动的预测能力。
接下来，我们可以使用模型进行数值模拟和预测。
通过对随机过程的数值模拟，我们可以得到不同时间点上价格的分布情况。
同时，我们还可以根据模型的输出结果，计算金融产品的风险价值、价值-at-风险和条件价值-at-风险等指标，从而进行风险管理和决策。
最后，我们可以使用随机建模的结果来进行风险分析和风险控制。
通过对模型的结果进行统计分析，我们可以得到金融产品的价值变动情况和风险分布情况。
基于这些分析，我们可以制定合理的风险控制策略，降低投资风险。
总结起来，随机建模是一种有效的数学建模方法，可以帮助我们更好地理解和分析问题中的随机因素。
在金融风险分析中，随机建模可以提供对金融市场波动性进行建模和预测的能力，帮助投资者做出更明智的投资决策。
在实际应用中，我们还可以将随机建模与其他数学方法相结合，进一步提高模型的准确性和预测能力。
分心驾驶行为对交通安全影响机理与建模研究一、内容综述随着社会经济的快速发展，汽车作为现代交通工具在人们的日常生活中扮演着越来越重要的角色。
然而分心驾驶行为已经成为导致交通事故的主要原因之一，分心驾驶是指驾驶员在驾驶过程中因注意力分散而忽略了对周围环境的观察和判断，从而导致交通事故的发生。
本文旨在通过对分心驾驶行为对交通安全影响机理与建模研究的综述，为预防和减少交通事故提供理论依据和技术支持。
其次本文对分心驾驶行为对交通安全的影响机理进行了深入探讨。
研究表明分心驾驶会导致驾驶员的反应时间变长、决策失误率增加、车道保持能力降低等问题，从而降低道路通行效率和交通安全水平。
此外分心驾驶还可能引发其他驾驶员的模仿行为，进一步加剧道路交通拥堵和事故发生率。
本文对分心驾驶行为的建模方法进行了总结和分析，目前针对分心驾驶行为的建模方法主要包括基于行为特征的建模方法、基于认知过程的建模方法以及基于机器学习的建模方法等。
这些方法在一定程度上能够反映驾驶员的分心程度和交通安全风险，为制定有效的交通安全管理和干预措施提供了有力支持。
本文通过对分心驾驶行为对交通安全影响机理与建模研究的综述，揭示了分心驾驶行为对交通安全的潜在威胁，并为预防和减少交通事故提供了理论依据和技术支持。
在未来的研究中，我们还需要进一步完善分心驾驶行为的定义体系、深入挖掘其影响机理以及探索更有效的建模方法，以期为提高道路交通安全水平做出更大的贡献。
A. 研究背景和意义随着社会经济的快速发展，汽车作为人们出行的主要工具，已经深入到人们的日常生活中。
然而随之而来的交通问题也日益严重，其中分心驾驶行为是导致交通事故的主要原因之一。
分心驾驶行为包括驾驶员在驾驶过程中使用手机、观看视频、与乘客交谈等分散注意力的行为。
这些行为不仅影响驾驶员的反应速度和判断能力，还可能导致其他道路使用者的安全受到威胁。
因此研究分心驾驶行为对交通安全的影响机理和建模方法具有重要的现实意义。
无线信道建模方法综述无线信道建模是无线通信技术中的一个重要概念。
它是指用数学模型和统计方法对无线信道中的信号传输特性进行描述和分析的过程。
目前，无线信道建模方法的研究已经经过了多年的演进和发展，涉及到多个领域，如数学、物理、工程学、统计学等。
本文将对目前主要的无线信道建模方法进行综述。
1. 统计建模法统计建模法是对无线信道进行建模的一种常用方法。
它通过对信号传输特性进行采样和统计分析，得到信道参数的概率分布函数和统计特性。
常见的统计建模法包括多径信道模型、阴影衰落模型、瑞利衰落模型、纯随机衰落模型等。
（1）多径信道模型多径信道模型是一种基于多径传播理论的信道模型。
它假设信号在传输过程中受到多条路径上的反射、折射、散射和衍射等影响。
这些影响使信号在接收端到达的时间、幅度和相位等方面产生随机变化。
多径信道模型可以用来描述城市和室内环境中的无线信道传输特性。
（2）阴影衰落模型阴影衰落模型是一种常见的无线信道建模方法。
它考虑了由于地物等环境因素引起的无线信号的衰落。
阴影衰落模型的本质是一种随机模型，因此需要对信道衰落进行概率分布的建模。
当途径信道的阻挡和遮挡比较多时，信号的衰落效应更加明显。
（3）瑞利衰落模型瑞利衰落模型是对移动通信场景下的信道进行建模的常用方法。
它假设信号在传输过程中不仅受到多径传播的影响，还受到多普勒效应的影响。
因此，在瑞利衰落模型中，信道参数随时间而改变，需要采用随机过程进行建模。
瑞利衰落模型可以用来描述高速移动的通信场景，如车载通信和高速列车通信等。
2. 几何建模法几何建模法是一类比较新的信道建模方法。
它尝试直接对信号在空间维度的传播路径和衰落进行建模。
因此，几何建模法可以更为准确地描述室内和城市环境等复杂不均匀的信道传播路径特性。
（1）射线跟踪模型射线跟踪模型基于物理光学的原理对无线信道进行刻画。
它将发射天线和接收天线之间所有的反射、折射、散射和衍射路径都考虑在内，可以精确地进行路径损耗和多径效应的计算。
随机神经网络发展现状综述一、本文概述随着和机器学习技术的迅猛发展，神经网络已成为一种强大的工具，广泛应用于各种领域，如计算机视觉、语音识别、自然语言处理、游戏等。
其中，随机神经网络作为一种新兴的神经网络架构，近年来引起了广泛的关注和研究。
本文旨在综述随机神经网络的发展现状，包括其基本原理、应用领域、挑战与前景等，以期为读者提供一个全面而深入的了解。
随机神经网络，顾名思义，是一种在神经网络中引入随机性的网络架构。
与传统的深度学习模型相比，随机神经网络在权重初始化、激活函数选择、网络结构等方面具有更高的灵活性和随机性。
这种随机性不仅有助于提升模型的泛化能力，还能在一定程度上解决深度学习模型中的一些固有问题，如过拟合、梯度消失等。
本文首先简要介绍了随机神经网络的基本概念和发展历程，然后重点分析了其在各个应用领域中的表现。
在此基础上，本文还深入探讨了随机神经网络所面临的挑战，如如何平衡随机性与稳定性、如何设计有效的训练算法等。
本文展望了随机神经网络未来的发展趋势和研究方向，以期为推动该领域的发展提供有益的参考。
二、随机神经网络的理论基础随机神经网络（Random Neural Networks, RNNs）的理论基础主要建立在概率论、统计学习理论以及优化算法的基础之上。
其核心思想是通过引入随机性来增强网络的泛化能力和鲁棒性，同时减少过拟合的风险。
在概率论方面，随机神经网络利用随机权重和随机连接来模拟人脑神经元的随机性和不确定性。
这种随机性可以在训练过程中引入噪声，从而提高网络对噪声数据和未知数据的处理能力。
同时，随机性还有助于探索更多的解空间，增加网络的多样性，避免陷入局部最优解。
在统计学习理论方面，随机神经网络通过引入正则化项来控制模型的复杂度，防止过拟合现象的发生。
正则化项通常包括权重衰减、dropout等策略，这些策略可以在训练过程中随机关闭一部分神经元或连接，从而减少网络的复杂度，提高泛化能力。
随机森林建模方法随机森林呀，可有意思啦！它就像是一群小伙伴一起做决策呢。
那随机森林到底是啥呢？简单来说，它是一种集成学习的方法。
想象一下，有好多好多小的决策树，就像一群小精灵，每个小精灵都有自己的想法，都能对一个问题做出判断。
然后呢，把这些小精灵的判断综合起来，就得到了随机森林的最终决策。
在构建随机森林的时候啊，这里面可有不少小奥秘。
它会从数据里随机地抽取样本，还会随机地选择特征。
这就好像是从一个大口袋里，随机抓一把东西出来，然后根据这些东西来构建小的决策树。
这样做的好处可多啦。
因为每次抽取都不一样，所以构建出来的决策树也各有特点，不会大家都长得一模一样。
比如说，我们要预测一个人会不会喜欢某部电影。
随机森林就会从很多关于这个人的信息里，像年龄啊、性别啊、平时看电影的类型偏好之类的，随机选一些信息来构建每一棵决策树。
随机森林的准确性还挺高的呢。
这是为啥呢？因为这么多决策树一起“商量”，就不容易出现一个决策树那种片面的判断。
就好比一个人可能会看走眼，但是好多人一起看，那出错的概率就小多啦。
不过呢，随机森林也不是完美无缺的。
它有时候可能会有点“笨笨”的。
比如说，数据特别特别多的时候，它构建那些决策树就可能会花不少时间。
而且啊，如果数据里有一些很奇怪的噪声，就像捣乱的小怪兽，它可能也会受到一些影响。
但是总体来讲，随机森林在很多领域都超级有用。
在数据分析、预测方面那可是个得力的小助手。
不管是预测股票价格会不会涨，还是判断一个病人可能得了什么病，它都能发挥自己的作用。
就像一个万能的小帮手，虽然有时候会有点小脾气，但大多数时候都能把事情办得妥妥当当的。
数学中的随机过程建模数学中的随机过程建模是一门研究各种系统随时间变化的数学工具。
它是数学、统计学、概率论以及相关领域的交叉学科，广泛应用于金融、通信、物理、生物、工程等多个领域。
本文将介绍随机过程建模的基本概念和应用，以及一些常见的随机过程模型。
第一部分：随机过程建模的基本概念随机过程是一组随机变量的集合，它们与时间相关。
在随机过程中，每个随机变量都代表了一个可能发生的结果。
常见的随机过程模型包括马尔可夫过程、泊松过程、布朗运动等。
1. 马尔可夫过程马尔可夫过程是一种基于状态转移的随机过程模型。
它具有无后效性，即未来状态只依赖于当前状态，与过去状态无关。
马尔可夫过程可用转移矩阵表示，其中每个元素表示状态转移的概率。
2. 泊松过程泊松过程是一种描述独立事件发生的随机过程模型。
它满足无记忆性，即事件发生的时间间隔独立同分布。
泊松过程可用强度函数表示，该函数描述了单位时间内事件发生的平均次数。
3. 布朗运动布朗运动是一种连续时间和空间的随机过程模型。
它具有平稳增量和独立增量的特性，在金融学中有着广泛的应用。
布朗运动可用随机微分方程表示，描述了随机变量的不确定性和演化规律。
第二部分：随机过程建模的应用随机过程建模在各个领域中都有广泛的应用。
以下是一些常见的应用场景：1. 金融领域随机过程建模在金融领域中被广泛应用于期权定价、风险管理和投资组合优化等方面。
通过建立合适的随机过程模型，可以对金融市场的价格变动进行建模和预测。
2. 通信领域随机过程建模在通信领域中用于描述信号的传输和接收过程。
通过建立合理的随机过程模型，可以对信号的功率、信噪比等性能指标进行建模和分析。
3. 物理领域随机过程建模在物理领域中用于描述粒子的运动和衰变过程。
通过建立适当的随机过程模型，可以揭示物质微观粒子的行为规律和统计特性。
4. 生物领域随机过程建模在生物领域中被广泛应用于遗传、进化和神经网络等方面。
通过建立适当的随机过程模型，可以研究基因突变、物种演化以及神经元的电信号传导等生物过程。
地震反演技术简介在上世纪70~80年代，地震反演作为地球物理学的一个重要进展得到了广泛的赞扬，获得广泛应用；地震反演技术能够帮助解释人员确定地层单元而不仅仅是通过反射波确定地层单元的边界，而且能直接进行深度域成图。
在一个竞争的市场环境中，开发出了很多不同的反演算法，在基本递归反演方法的基础上不断取得进进展，一下简要介绍几种基本的地震反演方法。
主要分三大类：1、基于地震数据的声波阻抗反演：其结果有两种：相对阻抗反演（常说的道积分）与绝对阻抗反演。
主要算法有：递归反演（早期的地震反演算法）与约束稀疏脉冲反演（优化的地震反演算法）。
这种反演受初始模型的影响小，忠实于地震数据，反映储层的横向变化可靠；但分辨率有限，无法识别10米以下的薄砂层。
2、基于模型的测井属性反演：此种反演可以得到多种测井属性的反演结果，分辨率较高（可识别2-6米的薄层砂岩）；但受初始模型的影响严重，存在多解性，只有井数多（工区内至少有10口以上的井，分布合理，且要求反演的属性与阻抗相关），才能得到较好的结果。
3、基于地质统计的随机模拟与随机反演：此种算法可以进行各种测井属性的模拟与岩性模拟，分辨率高（可识别2-6米的薄层砂岩），能较好的反映储层的非均质性，受初始模型的影响小，在井点处忠实于井数据，在井间忠实于地震数据的横向变化，最终得到多个等概率的随机模拟结果；但要求工区内至少有6-7口井，且分布较合理，才能得到好的模拟结果。
道积分道积分技术出现，为广大少井无井地区岩性及油气预测提供了新的途径，它能得到类似于虚速度测井的新方法，其结果对应于地层的波阻抗，它最大优点是不像虚速度测井那样依赖于井的资料和地球物理学家的经验。
尽管道积分剖面不能像GLOG波阻抗剖面那样反映地层绝对速度，而只能反映其相对速度大小，但是它反映出的层位与GLOG剖面是一样的，甚至在反映的细节上还比它多，对薄层识别也非常有利，因此道积分剖面能用于岩性和油气层解释。
内容摘要由于储层的非均质性及油藏类型的复杂性，加之注采井网的不完善性，导致地下油水运动十分复杂。
在这种情况下,很难精确预测井间储层参数分布和剩余油富集区域。
针对上述难点和挑战，通过利用储层建模技术，建立了储层地质模型及其预测模型，从而在很大程度上加强了精细油藏描述中基础数据的管理。
利用随机建模的储层建模技术是当今油藏表征技术的一个重要组成部分，该技术能有效刻画储层非均质性，定量研究储层评价中的不确定性，从而有力地推动着油藏描述技术向定量化方向发展。
关键词：随机建模地质统计学储层随机建模是指以已知的信息为基础,以随机函数为理论,应用随机模拟方法,产生可选的、等概率的储层模型方法。
该方法承认控制点以外的储层参数具有一定的不确定性,即具有一定的随机性。
为了评价储层预测中的不确定性,人们广泛应用了随机建模技术。
所谓随机建模,是指以已知的信息为基础，以随机函数为理论，应用随机模拟方法，产生可选的、等可能的储层模型的方法。
通过对多个等可能随机储层模型中的不确定性进行评价，以满足油田勘探开发决策在一定风险范围的正确性的需要,这是与确定性建模方法的重要差别。
一、随机建模的理论依据某一时刻的地下储层本身具有确定的性质和特征.但是,由于造成这种确定的性质和特征的地质过程具有随机性,其性质和特征的空间分布在具有某种程度的确定性规律的同时还具有随机性规律.而且,其在现有资料不完善的条件下,人们对它的认识总会存在一些不确定的因素,难于掌握任意尺度下储层的真实特征或性质,从而认为储层具有随机性.自然界中储层岩性物性空间分布的随机性和认识局限带来的认识的随机性是储层随机建模的理论依据.二、随机建模原理随机建模是指以已知的信息为基础,以随机函数为理论,应用随机模拟方法,产生可选的、等概率的储层模型方法.该方法承认控制点以外的储层参数具有一定的不确定性,即具有一定的随机性.具体过程是这样来实现的:首先建立所要研究的某种储层属性的概率模型(以概率分布函数、协方差函数或变差函数等数字特征来表征),然后抽取等概率的来自概率模型各个部分的可能的属性值,这些属性值(随机变量)的一系列联合实现就是随机建模结果.由于建模的结果不是唯一的,使得人们在对所研究属性在空间分布上的结构性获得认识的同时,还能得到属性空间分布的不确定性的信息.三、随机建模的分类Haldorsen等根据研究现象的随机特征,将随机模型分为离散模型、连续模型和混合模型。
Deautch等根据模拟单元的特征,将随机模型分为基于目标的随机模型和基于象元的随机模型。
此外,Journel等人讨论了不同的模拟算法,如序贯模拟、误差模拟、概率场模拟、矩阵分解、模拟退火等,并从实用角度入手,综合考虑模型和算法,将随机模型进行了综合分类。
综合上述划分方案,根据研究现象的随机特征,将随机模型分为离散型模型和连续型模型。
(1)离散型模型。
该模型用于描述具有离散性质的地质特征,如:砂体分布,隔层的分布,岩石类型的分布,裂缝和断层的分布、大小、方位等。
标点过程、截断高斯随机域、马尔柯夫随机域及二点直方图等即属离散型随机模型。
(2)连续型模型。
该模型用来描述储层参数连续变化的特征,如孔隙度、渗透率、流体饱和度的空间分布。
高斯域、分形随机域等即属连续型模型。
在实际应用中,油藏的离散性质和连续性质是共存的。
将上述两类模型结合在一起,即构成混合模型,亦称二步模型。
第一步建立离散模型描述储层大范围的非均质特征;第二步在离散模型的基础上建立表征岩石参数空间变化和分布的连续模型。
四、随机建模方法自随机模拟引入石油工业中以来,已经提出了多种随机模拟方法。
随机模拟方法是指根据模型和算法而产生模拟结果的技术或程序。
一般模拟方法可分为二大类,即基于目标的方法(即以目标物体为基本模拟单元)和基于象元的方法(即以象元为基本模拟单元)。
①以目标为模拟单元的离散型随机模拟技术该技术主要描述各种离散性地质特征的空间分布,如沉积微相、岩石相、流动单元、裂缝、断层及夹层等地质特征的空间分布,利用标点过程法(布尔方法)建立离散性模型。
标点过程法是根据点过程的概率定律,按照空间中几何物体的分布规律产生这些物体中心点的空间分布,然后将物体性质(如物体几何形状、大小、方向等)标注于各点之上。
从地质统计学角度来讲,标点过程模拟是模拟物体点及其性质在三维空间的联合分布。
从标点过程的理论来看,模拟过程是将物体“投放”于三维空间,亦即将目标体投放于背景相中。
②以象元为模拟单元的连续性随机模拟技术高斯随机域模拟就是以象元为模拟单元的方法。
高斯随机域是经典的随机函数模型。
该模型的最大特征是随机变量符合高斯分布(正态分布)。
在实际应用中,首先将区域化变量(如孔隙度、渗透率)进行正态得分变换(变换为高斯分布),然后再通过变差函数获取变换后随机变量的条件概率分布函数,从条件概率分布函数中随机地提取分位数,得到正态得分模拟实现,最后将模拟结果进行反变换,最终得到随机变量的模拟实现。
这种模拟可以采用多种算法,如序贯模拟、误差模拟(如转向带法)、概率场模拟等。
序贯高斯模拟为产生多变量高斯场的实现提供了最直观的算法,应用较广。
其模拟过程是从一个象元到另一个象元序贯进行的,而且用于计算某象元条件概率分布函数的条件数据(原始数据除外),还考虑这次模拟中已模拟过的所有数据。
由于建模技术的复杂性,在建模过程中需要对不同的模型变量采用不同的模拟方法。
因此,随机模拟没有固定单一的模型算法,具体算法往往根据不同地质复杂程度、所需模型的类型及特点而定,目前的模拟方法有布尔模拟、退火模拟、示性点过程模拟、序贯指示模拟、序贯高斯模拟、直方图法模拟、分形模拟、转换代法模拟、迭代法模拟等十几种模拟方法。
五、随机建模方法的优缺点及适用范围5.1随机模拟与克里格插值法的区别与克里格插值法相比,随机模拟有较大的优势,主要表现在以下3个方面。
(1)克里格插值法只考虑局部估计值的精确程度,力图对估计点的未知值作出最优的和无偏的估计,不考虑估计值的空间相关性(离散性);而随机模拟首先考虑的是结果的整体性质和模拟值的统计空间相关性,其次才是局部估计值的精度。
(2)插值法给出观测值间的平滑估值(如绘出研究对象的平滑曲线图),而削弱了观测数据的离散性,忽略了井间的细微变化;而条件随机模拟在插值模型中系统地加上了“随机噪音”,这样产生的结果比插值模型真实得多。
“随机噪音”正是井间的细微变化,虽然对于每一个局部的点,模拟值并不完全是真实的,估计方差甚至比插值法更大,但模拟曲线能更好地表现出曲线的真实波动情况。
(3)插值算法(包括克里格法)只产生一个模型;而随机建模则产生多个可选的模型,各种模型之间的差别正是空间不确定性的反映。
随机模拟更适于储层非均质的研究,因为随机模拟更能反映储层性质的离散性,这对油田开发生产尤为重要。
应用该技术建立储层模型可以得到某一属性场的多个不同的等概率实现,用以说明该属性场的空间组合的不确定性,从而为决策者提供了更加丰富的储层模型。
插值法掩盖了非均质程度(即离散性),特别是离散性明显的储层参数(如渗透率)的非均质程度,因而不适用于渗透率非均质性的表征。
当然,对于一些离散性不大的储层参数,如孔隙度,应用克里格插值方法研究其空间分布,并用于估计储量,亦表现出方便、快速、准确的优越性。
5.2随机建模的作用应用随机建模的目的在于:(1)随机建模有助于认识地下砂体的复杂性。
石油工业史上人们所熟知的是简单的层饼状地层,岩性单元在井间或者连通,或者在井距之半尖灭这样一种表达方式,等值图通常表现出平滑微变动的预测结果。
随机建模结果使人们意识到井间的复杂程度远比传统储层模型描述的结果要复杂得多,事实上大量露头研究和密井网资料揭示的地下砂体分布已充分证实了这种复杂性。
(2)改善非均质性的表征。
人们已愈来愈认识到,基于反映油藏实际非均质性的模型,油藏动态预测将更为准确,油藏动态预测失败的实例都是由于使用了过于简化的模型。
传统方法形成连续井间无变化的模型,而不是表现业已存在的井间变化,这样过于简化的储层模型通常造成预测的偏差和低水平的开发规划。
随机建模能较好地反映储层性质的离散性,对于储层非均质性表征具有更大的优势。
(3)评价储层的不确定性。
常规研究中,油藏工程师和地质家的动态预测和储量估算基于一种具体的认为是“最优”的储层模型。
由随机建模结果,可以分别选择“悲观”和“乐观”模型,据此评价基于“最优”模型提出的开发方案是否足以处理不确定性。
(4)应用随机模型进行蒙特卡洛风险分析。
如果生成了足够大数量的实现,并经继续处理,就可做出诸如见水时间、连通孔隙体积等关键参数的可能分布,获知对各种可能情况的解释。
以此通过分析客观实际的下限优化决策。
(5)综合复杂类型的信息。
随机建模方法具有综合不同范围和类型信息的能力。
例如,随机建模方法可以将地震和岩石物性资料综合起来,或者根据哪些相可以出现或哪些相不可以出现这样一些基本原理表征相模型的正确性。
参考文献[1]刘振峰郝天珧杨长春. 沉积模型和储层随机建模[J]. 地球物理学进展,2003,18(3):2-3.[2] 张婷徐守余. 储层地质建模技术研究与展望[J]. 长春理工大学学报(高教版),2009,4(4):2.[3]吕晓光王德发姜洪福. 储层地质模型及随机建模技术[J].大庆石油地质与开发，2000，,1（1）：3.[4] 解伟. 储层建模方法研究[J].黑龙江科技信息：1.[5] 胡向阳熊琦华吴胜和. 储层建模方法研究进展[J]. 石油大学学报(自然科学版),2001,25(1):2-5.[6] 汤军.对储层建模的研究[J]. 石油天然气学报(江汉石油学院学报),2006,28(3):1-3.[7] 杨辉廷颜其彬李敏. 油藏描述中的储层建模技术[J].天然气勘探与开发，27（3）：3-4.[8] 宋海渤黄旭日.油气储层建模方法综述[J].天然气勘探与开发，31（3）：2-4.[9] 张敏易文涛曹雄伟. 油气储层随机建模技术概述[J]. 内蒙古石油化工,2007,5:1-3.。
