Moyenne Mobile Fft

Spectre FFT moyen (poignée SmtHandle, double f0, double df, spectre SmtComplexNum, int spectreSize, SmtSpectrumInfo spectreInfo, non signé short averageingType, non signé short weightingType, double moyenne de taille, non signé court linearWeightingMode, int restartAveraging, SmtComplexNum moyenFTSpectrum, Le spectre FFT moyen du spectre produit par les fonctions Zoom FFT Spectrum. La fonction émet la fréquence de départ f0. Intervalle de fréquence df. Et le spectre FFT moyen en unités V rms. Le paramètre averagingType spécifie comment la fonction effectue la moyenne. Vous ne pouvez générer aucune moyenne, vecteur, RMS ou moyenne de maintien de crête. Si vous ne choisissez aucune moyenne, le spectre de puissance renvoyé dans la sortie moyenne de SMT n'est pas calculé en moyenne. Paramètres d'entrée réduit le bruit des signaux synchrones. La moyenne des vecteurs calcule directement la moyenne des quantités complexes, ce qui signifie qu'elle permet une moyenne séparée pour les parties réelles et imaginaires. La moyenne complexe, telle que la moyenne des vecteurs, réduit le bruit et nécessite habituellement un déclencheur pour améliorer la cohérence de phase bloc à bloc. Réduit les fluctuations du signal, mais pas le bruit de fond. La moyenne RMS fait la moyenne de l'énergie ou de la puissance du signal, ce qui empêche la réduction du bruit de fond et donne des quantités RMS moyennes de mesures monocanal de phase zéro. La moyenne RMS pour les mesures à deux canaux préserve l'information de phase. Conserve les niveaux de pointe rms des quantités moyennes. Le processus de calcul de la moyenne des pics assure la tenue de crête à chaque récepteur de fréquence séparément pour conserver les niveaux de rms de crête d'un enregistrement FFT à l'autre. Spécifie le type de pondération que la fonction utilise avec RMS et la moyenne du vecteur. La moyenne des pics de maintien n'implique pas de pondération. Le type de pondération est linéaire ou exponentiel. La pondération linéaire spécifie que chaque mesure a une pondération égale et que la valeur du type de pondération linéaire détermine le processus de calcul de la moyenne. La pondération exponentielle spécifie que chaque nouvelle mesure a moins de pondération que les mesures anciennes et que la moyenne est continue. Le processus de calcul des moyennes calcule la moyenne exponentiellement pondérée de la mesure i selon l'équation suivante: où X est la nouvelle mesure, Avg i - 1 est la moyenne précédente et N le nombre de moyennes. Contient le spectre FFT moyen en V rms, commençant à la fréquence f0 avec intervalle de fréquence df. Allouez de la mémoire pour ce tableau suffisamment pour le nombre de points de données indiqués par le paramètre spectrumSize. Double (passé par référence) Nombre de moyennes terminées à ce jour. Indique l'avancement du processus d'établissement de la moyenne basé sur les paramètres de moyennage spécifiés. Court (transmis par référence) Indique TRUE (1) lorsque les données de sortie sont valides. Utilisez la valeur de sortie comme commutateur pour une structure de cas. Effectuer des mesures ultérieures ou afficher les résultats si DataReady est TRUE. Le processus de calcul de moyenne détermine en interne la valeur de sortie dataReady. Si vous entrez un spectre valide dans les fonctions SMT moyennage alors la valeur de sortie pour dataReady est toujours TRUE pour moyenne exponentielle. Pour la moyenne linéaire, dataReady est toujours TRUE pour un seul plan, le déplacement et les modes continus. Dans le mode de redémarrage automatique d'un mode de capture, dataReady est TRUE uniquement lorsque la fonction de calcul de moyenne reçoit un nombre de trames FFT égales à la valeur de l'entrée moyenne de taille. DataReady réinitialise à FALSE lorsque le processus de calcul de la moyenne redémarre automatiquement. Paramètres d'entrée-sortie Le générateur de moyenne mobile FFT (FFT-MA): une méthode numérique efficace pour la génération et le conditionnement de simulations gaussiennes Citer cet article comme: Ravalec, M. L. Noetinger, B. Hu, L. Y. Une méthode de moyenne mobile (FFT-FFT) moyenne mobile (FFT-MA) pour générer des processus stochastiques gaussiens est dérivée. L'utilisation de transformées de Fourier discrètes rend les calculs faciles et rapides de sorte que de grands champs aléatoires peuvent être produits. D'autre part, le cadre de la moyenne mobile de base nous permet de découpler les nombres aléatoires des paramètres structurels (moyenne, variance, longueur de corrélation.), Mais aussi de dessiner les composantes aléatoires dans le domaine spatial. De telles caractéristiques confèrent une grande souplesse au générateur FFT-MA. Par exemple, changer uniquement les nombres aléatoires donne des réalisations distinctes ayant toutes la même fonction de covariance. De même, plusieurs réalisations peuvent être construites à partir du même ensemble de nombres aléatoires, mais à partir de différents paramètres structurels. L'intégration du générateur FFT-MA dans une procédure d'optimisation fournit un outil théoriquement capable de déterminer les nombres aléatoires identifiant le champ gaussien ainsi que les paramètres structurels à partir des données dynamiques. En outre, tous ou seulement certains des nombres aléatoires peuvent être perturbés de sorte que les réalisations produites en utilisant le générateur FFT-MA peuvent être localement mises à jour par un processus d'optimisation. Simulation simulation conditionnelle non linéaire FFT perturbation locale REFERENCES Alabert, F. 1987, La pratique des simulations conditionnelles rapides à travers la décomposition LU de la matrice de covariance: Math. Géologie, v. 19, no. 5, p. 369386. Google Scholar Blanc, G. Touati, M. et Hu, L. 1998, Modélisation géostatistique du flux de fluide sur des grilles flexibles: 6e ECMOR Proceedings, 811 Sept. Peebles, Ecosse, C30. Bochner, S. 1936, conférences sur l'analyse de Fourier: Princeton University Press, Princeton, NJ. Google Scholar Chils, J. P. 1995, Quelques mthodes de simulation de fonctions alatoires intrinsèques: Cahiers de gostatistique, 5, p. 97112. Google Scholar Cooley, J. W. et Tukey, J. W. 1965, Un algorithme pour le calcul machine de séries complexes de Fourier: Math. Comp. V. 19, p. 297301. Google Scholar Davis, M. W. 1987, Production de simulations conditionnelles via la décomposition triangulaire LU de la matrice de covariance: Math. Géologie, v. 19, no. 2, p. 9198. Google Scholar Deutsch, C. V. 1992, Techniques de recuit appliquées à la modélisation des réservoirs et à l'intégration des données géologiques et d'ingénierie (test de puits): Thèse de doctorat non publiée, Stanford University, Stanford, CA, 325 p. La modélisation géostatistique de la perméabilité avec la cosimulation de recuit (ACS): SPE 69e Conférence technique annuelle et exposition, New Orleans, LA, p. 523532. Deutsch, C. V. et Journel, A. G. 1992, GSLIB: Bibliothèque de logiciels géostatistiques et guide des utilisateurs: Oxford University Press, New York, 340 p. Galli, A. Beucher, H. Le Loh, G. et Doligez, B. 1994, Les avantages et inconvénients de la méthode tronquée Gaussienne, dans Armstrong, M. et Dowd, P. A. eds. Simulations géostatistiques: Kluwer Academic Publishers, Dordrecht, Pays-Bas, p. 217233. Google Scholar Gomez-Hernandez, J. J. et Journel, A. G. 1992, Simulation séquentielle conjointe des champs multi-gaussien, dans Soares, eds. Actes du 4e Congrès géostatistique international: Kluwer Publishers, Troia, p. 8594. Google Scholar Gupta, A. D. 1992, Hétérogénéité stochastique, dispersion et réponse de traceur: Thèse de doctorat non publiée, Université du Texas, Austin, TX, 248 p. Google Scholar Gutjahr, A. 1989, Fast Fourier transforme pour la génération de champ aléatoire: New Mexico Tech. Rapport de projet, NM, 106 p. Gutjahr, A. Bullard, B. et Hatch, S. 1997, Simulations générales d'articulations utilisant une méthode de transformée de Fourier rapide: Math. Géologie, v. 29, p. 361389. Google Scholar Hu, L. Y. 2000, Déformation graduelle et calibrage itératif des modèles stochastiques liés à Gauss: Math. Géologie, v. 32, no. 1, p. 87108. Google Scholar Johnson, M. E. 1987, Simulations statistiques multivariées: John amp New York, Wiley amp Sons, 230 p. Journel, A. G. 1974, Géostatistique pour la simulation conditionnelle de corps de minerai: Econ. Géologie, v. 69, p. 673687. Google Journaliste Journel, A. G. et Huijbregts, C. J. 1978, Géostatistique de l'exploitation minière: Academic, San Diego, CA. Lantujoul, C. 1994, simulation non conditionnelle de fonctions aléatoires stationnaires isogènes multi-gaussiennes, dans M. Armstrong, M. et Dowd, P. A. eds. Simulations géostatistiques: Kluwer Academic Publishers, Dordrecht, Pays-Bas, p. La modélisation stochastique des réservoirs est limitée aux données dynamiques: étalonnage local et inférence des paramètres structuraux: SPE Annual Technical Conference and Exposition, Houston, TX, SPE 56556. Mantoglou, A. 1987, Simulation numérique de processus stochastiques bidimensionnels multivariés et tridimensionnels avec une méthode spectrale de virage: Math. Géologie, v. 19, no. 2, p. 129149. Google Scholar Mantoglou, A. et Wilson, J. 1982, La méthode des bandes tournantes pour la simulation de champs aléatoires utilisant la génération de lignes par une méthode spectrale: Water Resources Res. V. 18, p. 13791394. Google Scholar Matheron, G. 1973, Les fonctions aléatoires intrinsèques et leurs applications: Adv. Appl. Prob. V. 5, p. 439468. Google Scholar Oliver, D. S. 1995, Moyennes mobiles pour la simulation gaussienne en deux et trois dimensions: Math. Géologie. V. 27, no. 8, p. Une méthode de Monte Carlo pour la simulation conditionnelle de la chaîne de Markov: Math. Géologie, v. 29, no. 1, p. 6191. Google Scholar Ouenes, A. 1992, Application du recuit simulé à la caractérisation du réservoir et au système inverse pétrophystique: thèse de doctorat non publiée, New Mexico Technical, Socorro, NM, 205 p. Google Scholar Pardo-Iguzquiza, E. et Chica-Olmo, M. 1993, La méthode intégrale de Fourier: Une méthode spectrale efficace pour la simulation de champs aléatoires: Math. Géologie, v. 25, no. 2, p. 177217. Google Scholar Prez, G. Simulation conditionnelle stochastique pour la description des propriétés du réservoir: Thèse de doctorat non publiée, Université de Tulsa, Tulsa, OK, 245 p. Priestley, M. B. 1981, Analyse spectrale et séries temporelles: Academic Press, Londres, GB. Etude théorique et expérimentale: Ressource en eau Res. N ° de réf. V. 31, no. 3, p. 475493. Google Scholar Roggero, F. et Hu, L. 1998, Déformation graduelle des modèles géostatistiques continus pour l'appariement historique: SPE Annual Technical Conference and Exposition, New Orleans, LA, SPE 49004. Shinozuka, M. et Jan, CM 1972, Simulation numérique des processus aléatoires et de ses applications:. Sons Vib. 25, no. 1, p. 111128. Google Scholar Yao, T. 1998, simulation spectrale conditionnelle avec identification de phase: Math. Géologie, v. 30, no. 3, p. 285308. Google Scholar Informations sur le droit d'auteur Association Internationale de Géologie Mathématique 2000 Auteurs et Affiliations Mickale Le Ravalec 1 Benot Noetinger 2 Lin Y. Hu 2 1. Institut Français du Ptrole Pau Cedex 9 France 2. Institut Français du Ptrole Pau Cedex 9 France Imprimer ISSN 0882-8121 ISSN en ligne 1573-8868 Éditeur Kluwer Academic Publishers-Plenum Publishers104210881077108410771085108510861077 1076108010891082108810771090108510861077 10871088107710861073108810721079108610741072108510801077 10601091108811001077 1092108010831100109010881072 10891082108610831100107911031097107710751086 10891088107710761085107710751086 1040108410871083108010901091107610851086-109510721089109010861090108510721103 10931072108810721082109010771088108010891090108010821072 1076107410911084107710881085108610751086 1092108010831100109010881072 10891082108610831100107911031097107710751086 10891088107710761085107710751086.