#每日一数模#坚持60天，I can deserve it !

赤眸

蛛网模型：
    蛛网模型的基本假定是：商品的本期产量Qts决定于前一期的价格Pt-1，即供给函数为Qts=f(Pt-1），商品本期的需求量Qtd决定于本期的价格Pt，即需求函数为Qtd=f(Pt）。
根据以上的假设条件，蛛网模型可以用以下三个联立的方程式来表示：
Qtd=α-β·Pt
Qts=-δ+γ·Pt-1
Qtd=Qts
其中，α、β、δ和γ均为常数且均大于零。
由于区别了经济变量的时间先后，因此，蛛网模型是一个动态模型。
  数学推导
Qtd=α-β·Pt
Qts=-δ+γ·Pt-1
Qtd=Qts
三个方程联立得
Pt=(α+δ)/β-(γ/β)Pt-1
Pt-1迭代后得
Pt=(α+δ)/β∑(-γ/β)^i+(-γ/β)^t·P0
即
Pt=[1-(-γ/β)^t](α+δ)/(β+γ)+(-γ/β)^t·P0 (*)。
价值
   西方经济学家认为，蛛网模型解释了某些生产周期较长的商品的产量和价格的波动的情况，是一个有意义的动态分析模型.但是，这个模型还是一个很简单的和有缺陷的模型.这是因为，根据该模型分析，造成产量和价格波动的主要原因是：生产者总是根据上一期的价格来决定下一期的产量，这样，上一期的价格同时也就是生产者对下一期的预期价格.而事实上，在每一期，生产者只能按照本期的市场价格来出售由预期价格（即上一期价格）所决定的产量.这种实际价格和预期的价格不吻合，造成了产量和价格的波动.但是，这种解释是不全面的.因为生产者从自己的经验中，会逐步修正自己的预期价格，使预期价格接近实际价格，从而使实际产量接近市场的实际需求量.

                                                                                                          -The 33th day

赤眸

蛛网模型详细介绍：
收敛型蛛网
供给弹性<需求弹性，或，供给曲线斜率绝对值>需求曲线斜率绝对值，此时即(*)中(-γ/β)^t一项趋于0，Pt趋于(α+δ)/(β+γ)。因为需求弹性大，表明价格变化相对较小，进而由价格引起的供给变化则更小，再进而由供给引起的价格变化则更小
相对于价格轴（注意：这里是把Y轴作为参考轴系讨论的，下文所说的“斜率‘”陡峭“都是以价格轴为参考轴而言的，与我们正常数学上以X轴为参考轴不同），需求曲线斜率的绝对值大于供给曲线斜率的绝对值。当市场由于受到干扰偏离原有的均衡状态以后，实际价格和实际产量会围绕均衡水平上下波动，但波动的幅度越来越小，最后会回复到原来的均衡点。
假定，在第一期由于某种外在原因的干扰，如恶劣的气候条件，实际产量由均衡水平Qe减少为Q1。根据需求曲线，消费者愿意支付P1的价格购买全部的产量Q1，于是，实际价格上升为P1。根据第一期的较高的价格水平P1，按照供给曲线，生产者将第二期的产量增加为Q2。
在第二期，生产者为了出售全部的产量Q2，接受消费者所愿意支付的价格P2，于是，实际价格下降为P2。根据第二期的较低的价格水平P2，生产者将第三期的产量减少为Q3。
在第三期，消费者愿意支付P3的价格购买全部的产量Q3，于是，实际价格又上升为P3。根据第三期的较高的价格水平P3，生产者又将第四期的产量增加为Q4。
如此循环下去，如前图所示，实际产量和实际价格的波动的幅度越来越小，最后恢复到均衡点E所代表的水平。
由此可见，图中的均衡点E所代表的均衡状态是稳定的。也就是说，由于外在的原因，当价格和产量偏离均衡数值（Pe和Qe）后，经济制度中存在着自发的因素，能使价格和产量自动地恢复均衡状态。在图中，产量和价格变化的途径形成了一个蜘蛛网似的图形，这就是蛛网模型名称的由来。
在这里，我们看到，除第一期受到外在原因干扰外，其它各期都不会再受新的外在原因干扰，从而前一期的价格能够唯一决定下一期的产量。
按照动态的逻辑顺序，我们还看到，生产者错误地根据上一期的价格决定供给量，消费者被动地消费生产者提供的全部生产量，而价格则由盲目生产出来的数量所决定。
在图中，供求曲线各自只画了一条，但是，经济学在前面已经指出，供给的变动，不仅是指供给量沿着既定供给曲线的变动，还包括供给曲线的变动。需求的变动亦是如此。
那么，经济学又是如何保证供求曲线在多个时期里，不受外在原因的干扰和盲目决策的影响，始终保持不变呢？而如果供求曲线本身也会随着时期的不同而移动，那么，又如何保证蛛网是收敛型的呢？
发散型蛛网
供给弹性>需求弹性，或，供给曲线斜率绝对值<需求曲线斜率绝对值，此时即(*)中(-γ/β)^t一项趋于无穷，Pt趋于发散。
相对于价格轴，需求曲线斜率的绝对值小于供给曲线斜率的绝对值。当市场由于受到外力的干扰偏离原有的均衡状态以后，实际价格和实际产量上下波动的幅度会越来越大，偏离均衡点越来越远。其原有的均衡状态是不稳定的。
这种情况意味着产量可以无限供给，价格可以无限提高。
稳定型蛛网
供给弹性=需求弹性，或供给曲线斜率的绝对值等于需求曲线斜率的绝对值，此时即(*)中(-γ/β)^t一项=±1。
当市场由于受到外力的干扰偏离原有的均衡状态以后，实际产量和实际价格始终按同一幅度围绕均衡点上下波动，既不进一步偏离均衡点，也不逐步地趋向均衡点1。
蛛网模型事例：
关于这一点，西方经济学家阿西玛普罗斯举出了以下的事例：
在美国,1972年由于暴风雨的恶劣气候，土豆产量大幅度下降，从而土豆价格上涨.随着土豆价格的上涨，农场主便扩大土豆的种植面积，使土豆产量在1974年达到历史最高水平.结果，土豆供给量大幅度增加导致土豆价格又急剧下降.以缅因州土豆为例，0.4536千克土豆的价格由1974年5月的13美分降为1975年3月的2美分，该价格比平均生产成本还低.这种现象可以用蛛网模型来解释.作为补充，阿西玛又举了一个特殊的例子来说明蛛网模型的缺陷：在普林斯爱德华岛屿，当农场主们都因土豆价格下降而缩减土豆的种植面积时，惟有一个农场主不是这样做.因为这个农场主根据长期的经营经验，相信土豆价格将上升，而眼下正是自己增加土豆生产的时候.可见，这个农场主的预期和行为与蛛网模型所分析的情况是不吻合的.

                                                                                                         -The 34th day

赤眸

回归分析模型定义：
   回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；在线性回归中，按照自变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。
   回归分析是应用极其广泛的数据分析方法之一。它基于观测数据建立变量间适当的依赖关系，以分析数据内在规律，并可用于预报、控制等问题。
方差齐性
线性关系
效应累加
变量无测量误差
变量服从多元正态分布
观察独立
模型完整（没有包含不该进入的变量、也没有漏掉应该进入的变量）
误差项独立且服从（0，1）正态分布。
现实数据常常不能完全符合上述假定。因此，统计学家研究出许多的回归模型来解决线性回归模型假定过程的约束。
研究一个或多个随机变量Y1 ，Y2 ，…，Yi与另一些变量X1、X2，…，Xk之间的关系的统计方法，又称多重回归分析。通常称Y1，Y2，…，Yi为因变量，X1、X2，…，Xk为自变量。回归分析是一类数学模型，特别当因变量和自变量为线性关系时，它是一种特殊的线性模型。最简单的情形是一个自变量和一个因变量，且它们大体上有线性关系，这叫一元线性回归，即模型为Y=a+bX+ε，这里X是自变量，Y是因变量，ε是随机误差，通常假定随机误差的均值为0，方差为σ^2（σ^2大于0）σ^2与X的值无关。若进一步假定随机误差遵从正态分布，就叫做正态线性模型。一般的情形，它有k个自变量和一个因变量，因变量的值可以分解为两部分：一部分是由于自变量的影响，即表示为自变量的函数，其中函数形式已知，但含一些未知参数；另一部分是由于其他未被考虑的因素和随机性的影响，即随机误差。当函数形式为未知参数的线性函数时，称线性回归分析模型；当函数形式为未知参数的非线性函数时，称为非线性回归分析模型。当自变量的个数大于1时称为多元回归，当因变量个数大于1时称为多重回归。
回归分析的主要内容为：
①从一组数据出发，确定某些变量之间的定量关系式，即建立数学模型并估计其中的未知参数。估计参数的常用方法是最小二乘法。
②对这些关系式的可信程度进行检验。
③在许多自变量共同影响着一个因变量的关系中，判断哪个（或哪些）自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法。
④利用所求的关系式对某一生产过程进行预测或控制。回归分析的应用是非常广泛的，统计软件包使各种回归方法计算十分方便。
在回归分析中，把变量分为两类。一类是因变量，它们通常是实际问题中所关心的一类指标，通常用Y表示；而影响因变量取值的的另一类变量称为自变量，用X来表示。
回归分析研究的主要问题是：
（1）确定Y与X间的定量关系表达式，这种表达式称为回归方程；
（2）对求得的回归方程的可信度进行检验；
（3）判断自变量X对因变量Y有无影响；
（4）利用所求得的回归方程进行预测和控制。
注意问题：
应用回归预测法时应首先确定变量之间是否存在相关关系。如果变量之间不存在相关关系，对这些变量应用回归预测法就会得出错误的结果。
正确应用回归分析预测时应注意：
①用定性分析判断现象之间的依存关系；
②避免回归预测的任意外推；
③应用合适的数据资料；

                                                                                                         -The 35th day
                                                                        

赤眸

回归分析模型的步骤：
确定变量
明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。
建立预测模型
依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。
进行相关分析
回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当自变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。
计算预测误差
回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。
确定预测值
利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。
应用：
相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。
一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。
例如，如果要研究质量和用户满意度之间的因果关系，从实践意义上讲，产品质量会影响用户的满意情况，因此设用户满意度为因变量，记为Y；质量为自变量，记为X。根据图8－3的散点图，可以建立下面的线性关系： Y=A+BX+§
式中：A和B为待定参数，A为回归直线的截距；B为回归直线的斜率，表示X变化一个单位时，Y的平均变化情况；§为依赖于用户满意度的随机误差项。
对于经验回归方程： y=0.857+0.836x
回归直线在y轴上的截距为0.857、斜率0.836，即质量每提高一分，用户满意度平均上升0.836分；或者说质量每提高1分对用户满意度的贡献是0.836分。
上面所示的例子是简单的一个自变量的线性回归问题，在数据分析的时候，也可以将此推广到多个自变量的多元回归，具体的回归过程和意义请参考相关的统计学书籍。此外，在SPSS的结果输出里，还可以汇报R2，F检验值和T检验值。R2又称为方程的确定性系数（coefficient of determination），表示方程中变量X对Y的解释程度。R2取值在0到1之间，越接近1，表明方程中X对Y的解释能力越强。通常将R2乘以100%来表示回归方程解释Y变化的百分比。F检验是通过方差分析表输出的，通过显著性水平（significant level）检验回归方程的线性关系是否显著。一般来说，显著性水平在0.05以上，均有意义。当F检验通过时，意味着方程中至少有一个回归系数是显著的，但是并不一定所有的回归系数都是显著的，这样就需要通过T检验来验证回归系数的显著性。同样地，T检验可以通过显著性水平或查表来确定。在上面所示的例子中，各参数的意义如表8－2所示。
线性回归方程检验
指标
显著性水平
意义
　
R2
0.89
　       
“质量”解释了89%的“用户满意度”的变化程度
F
276.82
0.001
回归方程的线性关系显著
T
16.64
0.001
回归方程的系数显著
示例 SIM手机用户满意度与相关变量线性回归分析
我们以SIM手机的用户满意度与相关变量的线性回归分析为例，来进一步说明线性回归的应用。从实践意义讲上，手机的用户满意度应该与产品的质量、价格和形象有关，因此我们以“用户满意度”为因变量，“质量”、“形象”和“价格”为自变量，作线性回归分析。利用SPSS软件的回归分析，得到回归方程如下：
用户满意度=0.008×形象+0.645×质量+0.221×价格
对于SIM手机来说，质量对其用户满意度的贡献比较大，质量每提高1分，用户满意度将提高0.645分；其次是价格，用户对价格的评价每提高1分，其满意度将提高0.221分；而形象对产品用户满意度的贡献相对较小，形象每提高1分，用户满意度仅提高0.008分。

                                                                                                           -The 36th day

赤眸

TransCAD核心--交通规划模型：
TransCAD以交通规划“四阶段法”为基础，提供了完善的交通规划模型算法。其中包括需求预测模型、公交模型、OD矩阵推算、路径模型、路网分析模型、物流模型等。
1．“四阶段法”交通规划模型
◇ 出行产生/吸引模型
交叉分类法：交叉分类法是根据一定的社会经济特点将一个城区的人口划分为若干类型。然后，经验地估计每种类型的家庭或出行者的平均出行率，由此产生的出行率表，可用于预测该研究区的出行产生量。
回归分析模型：普遍采用两种回归分析模型。第一种，使用以交通小区为标准的集计数据，将每个家庭的平均出行量作为因变量，小区特征属性的平均值作为说明变量（自变量）。第二种，使用以单个的家庭或出行者为标准的非集计数据，以每个家庭或出行者的出行量作为因变量，家庭和出行者的特征属性作为说明变量（自变量）。
离散选择法： 离散选择法是使用非集计的家庭或单个出行者的数据估算它们的出行概率。再将所得的结论集计起来即为预测的出行产生量
◇ 产生/吸引平衡模型
保持出行产生量不变：保持出行产生量不变，调整出行吸引量，使得吸引总量与产生总量相等。
保持出行吸引量不变：保持出行吸引量不变，调整出行产生量，使出行产生总量与吸引总量相等。
用户指定出行总量系数：同时调整出行产生量和出行吸引量，使产生量和吸引量之和等于出行总量乘以用户给定系数之积。
用户指定的出行总量：同时调整出行产生量和吸引量，使产生量和吸引量之和等于用户给定的值。
◇ 出行分布模型
增长系数法：是通过对现有的矩阵乘以系数实现的（增长系数由未来的出行产生量除以出行现状的产生量计算得出的）。在无法获悉路网交通小区间距离、出行时间或综合费用等信息时，常常使用该方法。
—— 常增长系数法
—— 出行产生受约束的增长系数法
—— 出行吸引受约束的增长系数法
—— 全约束增长系数（Fratar福来特法 ）
重力模型：主要的原理——两个地区之间的空间交流量与出行产生量/吸引量的乘积成正比，与两地之间的交通阻抗成反比。该模型需要流量矩阵、阻抗矩阵（反映小区间的距离、时间或出行费用等），还有估算的未来出行产生量和吸引量。重力模型较清楚地表达了空间交流量与交通小区间阻抗的相互关系。
—— 出行产生受约束
—— 出行吸引受约束
—— 全约束的重力模型
调校重力模型：根据基准年的路网状况估算阻抗函数的参数，从而尽可能使重力模型与基准年产生量／吸引量、基准年的出行距离分布相接近。
—— 指数函数
—— 幂函数
—— gamma函数
三维比例的出行分布模型：将考虑更多一维的约束条件。该模型，调整一组小区的出行产生量/吸引量，使该组小区的产生量/吸引量之和等于用户指定的数值。它可以分别应用于增长系数模型和重力模型中。

                                                                                                          -The 37th day


  

赤眸

TransCAD核心--交通规划模型续：
三维比例的出行分布模型：将考虑更多一维的约束条件。该模型，调整一组小区的出行产生量/吸引量，使该组小区的产生量/吸引量之和等于用户指定的数值。它可以分别应用于增长系数模型和重力模型中。
◇ 方式划分模型
回归模型：用于预测集计的方式分担率。一般地，回归模型用于预测一种出行方式的出行率和出行数量。该模型建立出行比率（或出行量）与出行者社会经济特性、各种可择方式特性之间建立统计关系。

交叉分类法：根据出行者的特征（如：收入或小汽车拥有量）或各种运输方式的特性（如：出行时间或相对的出行时间），也可以根据各种运输方式的综合效用，即包含社会~经济特性，计算每一类的平均分担率。
Logit模型：将出行决策者（个人、家庭等）选择一种出行方式的概率表述为各种运输方式的效用值分式，

Logit模型调校：影响方式划分的因素包括各种出行方式的特性和出行者个人的属性。
　　— 出行时间 　　　　　　　　　　　　　— 家庭成员构成
　　— 价格 　　　　　　　　　　　　　　　— 家庭收入
　　— 停车场费用、道路收费 　　　　　　　— 就业情况
◇ 网络分配模型
全有全无分配法（AON）：将O-D对间的所有交通流量都分配到O-D对间最短路径上。

STOCH 分配法：将每个O-D对间的交通流量分配到O-D对间的多条可选路径上。分配到某条路径上的流量比例是选择该路径的概率，路径的选择概率是由logit路径选择模型计算的。
递增分配法：逐步分配交通流量。在每一步分配中，根据全有全无分配法分配一定比例的总流量。每步分配后，根据路段流量重新计算出行时间。当采用多次递增法时，该分配法类似于平衡分配法。

容量限制法：是一种近似的平衡法，首先进行全有全无流量分配，再根据拥挤函数（反映路段的能力）重新计算路段的出行时间，并且进行多次迭代。
用户平衡法：通过多次迭代过程达到收敛结果，即使出行者改变路径也不可能再改进出行时间。在每次迭代中，计算路网的路段流量，当路段通行能力不足时，将限制路段流量和出行时间（依赖于流量）。

随机用户平衡法（SUE）：是一种综合的用户平衡法，假定出行者没有较完整的路网属性信息，对出行费用的理解方式也不尽相同。SUE允许使用吸引小的路径上也加载流量。
系统优化分配（SO）：是一种使整个路网的出行时间达到最小的分配方法。
2．公交模型
TransCAD具有功能强大的公交模型。它拥有独特的公交路径数据结构，可以方便地保存、显示、编辑、分析公交路径数据。尤其是可以直接地将公交路径叠加到路网上，能够清楚地反映出汽车流量与公交流量的相互关系。公交分配模型提供了多种算法，包括：
○ 全有全无分配法
○ 最优策略法
○ UTPS路径选择法
○ 综合费用路径选择法
○ 用户平衡法
○ Stochastic用户平衡法
4．矩阵推算
由于路段交通调查与较大规模的入户调查相比，费用较少，因此常常需要根据路段交通量生成基准年出行矩阵，或更新已有的OD出行矩阵，使是基准年OD矩阵较准确地反映出最新的现状交通流量分布情况。
TransCAD考虑了路段调查量的随机性，并可以采用任一种分配方法，通过交通分配与矩阵估算之间的多次迭代实现矩阵推算功能。

                                                                                                    -The 38th day

赤眸

地质建模概述：
    地质建模是在讲地质，测井，地球物理资料和各种解释结果或者概念模型进行综合分析的基础上，利用计算机图形技术，生成的三维定量随机模型。因此地质建模是一个涉及地质学、数据/信息分析、计算科学的交叉性的综合学科，或者说是一个整合各种学科的学科。这样建立的地质模型汇总了各种信息和解释结果。所以是否了解各种输入数据/信息的优势和不足是合理整合这些数据的关键。我们的储层一般都会有多尺度上的非均质性和连续性，但是由于各种原因我们不可能直接测量到所有的这些细节。
那么借助于地质统计技术来生成比较真实的，代表我们对储层非均质性和连续性的认识的模型是一个比较有效的研究储层的手段。同一套数据可以生成很多相似的但是又不同的模型，这些模型就是随机（stochastic）的。
那么什么是地质模型呢？地质模型是一个三维网格体。这些网格建立在surface，断层和层位的基础之上。它决定了储层的构造和几何形态。网格中的每一个节点都有一系列属性，比如孔隙度，渗透率，含水饱和度等等。一般来说，节点的尺度为200英尺×200英尺×1英尺。不过具体的模型节点尺度要取决于油田的大小，要解决的关键地质问题的尺度以及模型的商业用途。不同情况下建立的地质模型节点尺度会有很大差别。地质模型的建立可以细分为三步：建立模型框架，建立岩相模型，建立岩石物性模型。
前面已经提到地质模型是各种信息和解释结果汇总的地方，那么地质建模的输入数据就要尽量包括已有的资料。通常这些资料有：
1、震资料和解释结果这包括地震层位，断层，地震相，岩石类型，岩石属性；
2、测井/岩心资料和解释结果这包括tops，连井剖面，岩性，岩相，岩石物性；渗透率；油气水界面；各种分布图比如直方图，散点图；空间连续性，比如垂向半变谱（semivariogram）。
3、概念模型/analog资料包括沉积相模型；沉积体叠置关系；泥岩分布特征；沉积体的大小，百分比以及属性直方图；空间连续性-横向半变谱（semivariogram）。
很多人并不重视这最后一类资料，即概念模型/analog资料。也就是说他们忽略了要把储层的概念模型转换成数值模型，再把这个数值模型整合到最后的地质模型中去。
已建成的地质模型可以为我们提供很多信息。首先是储层地质的三维可视化。我们可以看到储层的地质三位空间分布，变化，也可以制作二维的图片比如构造图，等厚图，岩相分布图等。其次是它为我们提供了一套有机融合在一起的数据体，因为建模过程就是各种数据的融合过程。第三，它是我们进行储层分析的平台。从地质模型我们通过分析可以得到粗至储层的平均砂泥比，平均孔隙度等储层平均值，也可以得到细至储层的kv/kh，各项异性等信息。这些定量分析可以大大提高我们对储层的认识。

                                                                                                          -The 39th day

赤眸

地质模型的应用：
地质模型的主要用途有以下几种：
1、为油藏数值模拟提供三位地质数据体。因为控制油藏流体流动的许多因素来自于储层的地质特征。在许多情况下正是因为油藏工程师需要准确预测油藏的生产情况，我们才进行储层建模。地质模型的网格一般都比油藏数值模型的网格要细，所以地质模型在输入数值模拟器之前需要经过一个网格粗化过程。在网格粗化过程中，如何保留住小尺度地质特征对流体的影响是一个关键。如果网格粗化过程过滤掉/忽略了小尺度地质特征对流体的影响，那么这个粗化的地质模型并不能代表原来的精细地质模型，可想而知用这个变形的地质模型进行数值模拟，其结果的参考价值也就大大降低。
2、用来计算含油气孔隙体积，或者储量。与二维模型相比，三维地质模型具有独特的优势，可以用来计算比较真实的孔隙体积，它也可以用来计算油田储量。在某些情况下，油田开发和生产阶段需要一个严格的储量计算，这可以通过地质建模得到。
3、帮助布井。地质模型可以用来优化评价井的数目和其井位部署；我们也可以从地质模型识别出储层的“sweetspots”，或者计算单井的可产出量；通过三维地质模型，我们可以设计井的钻探轨迹以钻遇单个砂体，或者对井位部署/钻探轨迹vs。油气目标层进行详细的三维空间分析。这样就会减少钻遇差储层的机会。当然地质模型对布井的价值完全取决于模型本身的准确度。如果地质模型几乎没有整合可靠的数据（harddata，如井资料）或者模型所依据的地质概念并不可靠（还属于推测阶段），那么这样建立的地质模型对详细布井并没有多大帮助。随着井资料的增多和地质概念的成熟，地质模型的价值也会增加。
4、进行断层封堵分析和预测。地质模型把构造和地层格架结合到一起，这有利于我们进行断层的封堵性预测。一般来说断层的封堵有两种情况：一是断层两边砂岩对砂岩接触面的减少，二是断层处由于断层泥的存在，其对流体的传导性降低。我们可以通过计算断层的垂向和横向上的断距，或者计算砂岩对砂岩的叠置关系，或者估算断层泥存在的可能性及其影响来预测断层的封堵性。实际上，断层的封堵性预测工作很复杂，需要大量的解释和对比校对，目前这是一个比较热门的研究课题。
5、进行油田监测。无论是一次采油阶段还是二次采油阶段，地质模型都是一个监测油田含水饱和度的有效工具。地质模型可以用来监测油藏的动态。
6、有效的交流平台。地质模型的存在，为地质师、油藏工程师、钻井师提供了一个交流的平台。这些不同领域的工作人员关心的问题不同，行业语言也不净相同，但是当他们聚集在一起对着同一个地质模型进行交流的时候，相同的讨论目标（这里指地质模型）会促进他们之间的相互理解，同时地质模型的可视化也可以提高他们对油藏的认识。当然模型的可视化也可以帮助我们QC地质模型。如果看到很奇怪的特征就说明模型的什么地方出错了。
从地质模型的这些作用我们可以看出地质建模贯穿在油田勘探开发的各个阶段。一个油田的生命周期通常可以划分为四个阶段：勘探评估阶段，开发规划阶段，油田开发初期，油田开发晚期。不同阶段要解决的问题不同，所以建模的精细度也不一样。从勘探时起到开发晚期，模型的精度不断增加。
在勘探评估阶段，要解决的主要问题通常是：由藏有多大？具有商业价值吗？主要的不确定因素是什么？地质建模工作者要回答这些问题，帮助公司决策者做出正确的决定。在这种情况下，很多人认为要把模型建的足够精细以减少技术上的失误，从而为决策者提供一个完美的参考模型。其实如果把很多细节都包括到模型中去，反而为妨碍我们对主要地质参数的不确定性分析，这样也会导致不明智的决策。所以说精细并不意味着准确。这个阶段的地质模型应该着重于确定油藏的总容量（确定控制油藏的地层或构造界面）。在尺度上只要划分出第3和第4级的层序地层界面就行了。至于岩石物性，给模型选区一个合理的平均值也足够了。这个阶段的重要任务是作储层主要参数（如平均孔隙度）的不确定性分析。
在开发规划阶段，我们一般需要弄清油藏的驱动机制，比如是否有底水。需要钻什么样的井，钻多少口井等问题。这时候的地质模型就要在勘探阶段模型的基础上进一步细分，划分出主要的流体流动单元。这种划分应该基于层序-地层格架，而非岩性地层。这时的模型一般需要划分出第4至第6级层序地层界面。如果有断层的话也应该简单的包括到模型中去。岩石物性用平均值就行了。
开发初期，我们关心的问题是在那里布井位，如何优化开发方案。也就是说我们想把井钻在最理想的地方。这一阶段的地质模型需要进一步细分层内的地层单元或流动单元。详细描述储层的地质构造。到了开发晚期，要解决的主要问题是：剩余油在哪儿，如何把他们有效地开采出来。这时候往往需要把整个油田的模型细分成多个独立的小模型。模型需要很高精细度，一般会划分到第7级层序界面，比如单个河道，但个流动单元。这时的模型需要整合生产资料，也就是说需要进行历史拟合。这样地质模型的不确定性才会进一步降低，而预测功能相应增强。

                                                                                                         -The 40th day

赤眸

蒙特·卡罗方法：
   蒙特·卡罗方法（Monte Carlo method），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。与它对应的是确定性算法。蒙特·卡罗方法在金融工程学，宏观经济学，计算物理学（如粒子输运计算、量子热力学计算、空气动力学计算）等领域应用广泛。
蒙特·卡罗方法的提出：
   蒙特卡罗方法于20世纪40年代美国在第二次世界大战中研制原子弹的“曼哈顿计划”计划的成员S.M.乌拉姆和J.冯·诺伊曼首先提出。数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo—来命名这种方法，为它蒙上了一层神秘色彩。在这之前，蒙特卡罗方法就已经存在。1777年，法国数学家布丰（Georges Louis Leclere de Buffon，1707—1788）提出用投针实验的方法求圆周率π。这被认为是蒙特卡罗方法的起源。
蒙特-卡罗方法的基本思想：
   当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。
工作过程
蒙特卡罗方法的解题过程可以归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。
蒙特卡罗方法解题过程的三个主要步骤：
（1）构造或描述概率过程
对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过 程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。
（2）实现从已知概率分布抽样
构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是（0，1）上的均匀分布（或称矩形分布）。随机数就是具有这种均匀分布的随机变量。随机数序列就是具有这种分布的总体的一个简单子样，也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题，就是从这个分布的抽样问题。在计算机上，可以用物理方法产生随机数，但价格昂贵，不能重复，使用不便。另一种方法是用数学递推公式产生。这样产生的序列，与真正的随机数序列不同，所以称为伪随机数，或伪随机数序列。不过，经过多种统计检验表明，它与真正的随机数，或随机数序列具有相近的性质，因此可把它作为真正的随机数来使用。由已知分布随机抽样有各种方法，与从(0,1)上均匀分布抽样不同，这些方法都是借助于随机序列来实现的，也就是说，都是以产生随机数为前提的。由此可见，随机数是我们实现蒙特卡罗模拟的基本工具。
（3）建立各种估计量
一般说来，构造了概率模型并能从中抽样后，即实现模拟实验后，我们就要确定一个随机变量，作为所要求的问题的解，我们称它为无偏估计。建立各种估计量，相当于对模拟实验的结果进行考察和登记，从中得到问题的解。
数学应用：
通常蒙特·卡罗方法通过构造符合一定规则的随机数来解决数学上的各种问题。对于那些由于计算过于复杂而难以得到解析解或者根本没有解析解的问题，蒙特·卡罗方法是一种有效的求出数值解的方法。一般蒙特·卡罗方法在数学中最常见的应用就是蒙特·卡罗积分。

                                                                                                         -The 41th day

赤眸

蒙特-卡罗应用领域：
   蒙特卡罗方法在金融工程学，宏观经济学，生物医学，计算物理学(如粒子输运计算、量子热力学计算、空气动力学计算、核工程)等领域应用广泛。
工作过程：
在解决实际问题的时候应用蒙特·卡罗方法主要有两部分工作：
1． 用蒙特·卡罗方法模拟某一过程时，需要产生某一概率分布的随机变量。
2． 用统计方法把模型的数字特征估计出来，从而得到实际问题的数值解。
分子模拟计算
使用蒙特·卡罗方法进行分子模拟计算是按照以下步骤进行的：
1． 使用随机数发生器产生一个随机的分子构型。
2． 对此分子构型的其中粒子坐标做无规则的改变，产生一个新的分子构型。
3． 计算新的分子构型的能量。
4． 比较新的分子构型于改变前的分子构型的能量变化，判断是否接受该构型。
若新的分子构型能量低于原分子构型的能量，则接受新的构型，使用这个构型重复再做下一次迭代。 若新的分子构型能量高于原分子构型的能量，则计算玻尔兹曼因子，并产生一个随机数。若这个随机数大于所计算出的玻尔兹曼因子，则放弃这个构型，重新计算。 若这个随机数小于所计算出的玻尔兹曼因子，则接受这个构型，使用这个构型重复再做下一次迭代。
5． 如此进行迭代计算，直至最后搜索出低于所给能量条件的分子构型结束。
项目管理
项目管理中蒙特·卡罗模拟方法的一般步骤是：
1．对每一项活动，输入最小、最大和最可能估计数据，并为其选择一种合适的先验分布模型；
2．计算机根据上述输入，利用给定的某种规则，快速实施充分大量的随机抽样
3．对随机抽样的数据进行必要的数学计算，求出结果
4．对求出的结果进行统计学处理，求出最小值、最大值以及数学期望值和单位标准偏差
5．根据求出的统计学处理数据，让计算机自动生成概率分布曲线和累积概率曲线(通常是基于正态分布的概率累积S曲线)
6．依据累积概率曲线进行项目风险分析。
力学
在力学中，蒙特卡罗方法多被用来求解稀薄气体动力学问题，其中最为成功的是澳大利亚G.A.伯德等人发展的直接模拟统计试验法。此法通过在计算机上追踪几千个或更多的模拟分子的运动、碰撞及其与壁面的相互作用，以模拟真实气体的流动。它的基本假设与玻耳兹曼方程一致，但它是通过追踪有限个分子的空间位置和速度来代替计算真实气体中分布函数。模拟的相似条件是流动的克努曾数（Kn）相等，即数密度与碰撞截面之积保持常数。对每个分子分配以记录其位置和速度的单元。在模拟过程中分别考虑分子的运动和碰撞，在此平均碰撞时间间隔内，分别计算分子无碰撞的运动和典型碰撞。若空间网格取得足够小，其中任意两个分子都可以互相碰撞。具体决定哪两个刚体分子相撞，是随机取一对分子，计算它们的相对速度，根据此值与最大相对速度的比值和随机取样比较的结果，来决定该对分子是否入选。碰撞后分子的速度根据特定分子模型的碰撞力学和随机取样决定。分子与壁面碰撞后的速度，则根据特定的反射模型和随机取样决定。对于运动分子的位置和速度的追踪和求矩可以得出气体的密度、温度、速度等一些感兴趣的宏观参量。而对于分子与壁面间的动量和能量交换的记录则给出阻力、举力和热交换系数等的数学期望值。
发展应用：
   从理论上来说，蒙特卡罗方法需要大量的实验。实验次数越多，所得到的结果才越精确。
   从表中数据可以看到，一直到公元20世纪初期，尽管实验次数数以千计，利用蒙特卡罗方法所得到的圆周率π值，还是达不到公元5世纪祖冲之的推算精度。这可能是传统蒙特卡罗方法长期得不到推广的主要原因。
计算机技术的发展，使得蒙特卡罗方法在最近10年得到快速的普及。现代的蒙特卡罗方法，已经不必亲自动手做实验，而是借助计算机的高速运转能力，使得原本费时费力的实验过程，变成了快速和轻而易举的事情。它不但用于解决许多复杂的科学方面的问题，也被项目管理人员经常使用。
借助计算机技术，蒙特卡罗方法实现了两大优点：
一是简单，省却了繁复的数学推导和演算过程，使得一般人也能够理解和掌握
二是快速。简单和快速，是蒙特卡罗方法在现代项目管理中获得应用的技术基础。
蒙特卡罗方法有很强的适应性，问题的几何形状的复杂性对它的影响不大。该方法的收敛性是指概率意义下的收敛，因此问题维数的增加不会影响它的收敛速度，而且存贮单元也很省，这些是用该方法处理大型复杂问题时的优势。因此，随着电子计算机的发展和科学技术问题的日趋复杂，蒙特卡罗方法的应用也越来越广泛。它不仅较好地解决了多重积分计算、微分方程求解、积分方程求解、特征值计算和非线性方程组求解等高难度和复杂的数学计算问题，而且在统计物理、核物理、真空技术、系统科学 、信息科学、公用事业、地质、医学，可靠性及计算机科学等广泛的领域都得到成功的应用。