[地质学笔记]粒度概率累积曲线

原作链接:http://bbs.sciencenet.cn/thread-106012-1-1.html

粒度概率图及粒度总体(高斜率滚动-跳跃-悬浮三段式)

粒度累积概率曲线是我们进行沉积相分析时用到的重要相标志,但是大多数时候仅仅指明一下“某某沉积主要发育高斜率、低斜率的几段式,反映了流体性质具有重力流或牵引流的特点,这与某某沉积微相的流体性质是相吻合”,基本上没有多少深入的探讨。
       最近做了一些粒度概率的调研和思考,对粒度累积概率曲线有了点想法,现在总结一下,与大家探讨探讨,希望对大家今后的沉积相研究有点帮助:
   1、粒度概率曲线分析的一个重要理论基础:Visher将概率图上的直线段与某些搬运方式相对应,一条直线段对应一个粒度总体,而这个粒度总体就对应着一种搬运方式(滚动、跳跃和悬浮)。
   2、粒度累积概率曲线的复杂程度反映了颗粒搬运方式的复杂程度:例如:“宽缓的上拱弧形”反映了颗粒呈单一的“杂基支撑悬浮或颗粒支撑悬浮”整体搬运;“简单的一段式”反映了颗粒呈湍流支撑悬浮搬运;“多段式”反映了颗粒呈现多种搬运方式,颗粒有的呈滚动,有的跳跃,有的则悬浮(或者理解:有些颗粒大多数时候在滚动,有些颗粒大多数在跳跃,有些颗粒大多数时候在悬浮)。
   3、粒度累积概率曲线与流体性质密切相关:
    理论上流体主要分为“重力流”和“牵引流”两大类流体,重力流根据颗粒支撑机理又可分为“泥石流(或碎屑流)”、“颗粒流”、“沉积物液化流”和“浊流”等四类。不同的流体性质具有典型的粒度累积概率曲线。
    一般的沉积学课本对不同沉积环境的粒度概率曲线作出了说明,牵引流涉及的比较全面,但重力流上只指出“浊流”沉积的粒度累积概率曲线:简单一段悬浮式或低斜率两段式,至于其他重力流则没有涉及。
     通过调研文献和自己的研究我初步认为
    泥石流(碎屑流) 的粒度概率曲线一般是“宽缓上拱弧形”和“低斜率复杂多段式”(整体呈弧形);
    颗粒流的粒度概率曲线一般是“较陡斜率宽缓上拱弧形”
    浊流的是“简单一段悬浮式”、“低斜率两段式”
    牵引流是“高斜率两段式或三段式”
   4、分析粒度累积概率曲线对应流体性质的思路:
    由于我的研究范围有限,可能会存在不合适之处,建议以后进行研究时,为探究流体性质与粒度累积概率曲线的对应关系,可以从下面这个思路去做:
    从岩石的组成结构(颗粒支撑、杂基支撑)、沉积构造(混杂组构、粒序层理、平行层理、交错层理和块状层理),首先大致判断出砂体的成因属于哪种流体成因,然后再去看看相应的粒度累积概率曲线特点,从而会得到粒度累积概率曲线与流体性质的对应关系。
    
    5、粒度累积概率曲线准确分类后的应用   在《粒度分析在扇三角洲分类中的应用》一文中,作者
   首先划分出三种粒度累积概率曲线类型(反映洪水浊流沉积的的一段式;反映河流沉积的两段式;反映浅滩沉积的三段式。)
   然后,根据不同井区不同层位中的粒度概率曲线组合关系,划分出六种扇三角洲成因类型(根据河流能量强弱和波浪能量强弱等两个方面);
   然后,通过分析发现,利用此方法划分的扇三角洲类型具有客观准确性,不同的扇三角洲微相组合、岩性组成、砂体延伸范围,发现某些类型的扇三角洲大面积连片,某些局部连片,另外一些则分散状,它们的开发效果也相差甚远。
   最后,利用这种扇三角洲分类结果,以后在勘探开发早期可以作为对扇三角洲储层进行类比的标准和预测的模式。
    
   如果有对粒度累积概率曲线感兴趣的朋友,我在这里推荐几篇文献和专著,希望对大家学习能起点作用:

[1]成都地质学院陕北队.沉积岩(物)粒度分析及其应用[M].北京:地质出版社,1978.
    [2] 郑俊茂,王德发,孙永传.黄骅坳陷几种砂体的粒度分布特征及其水动力条件的初步分析[J].石油实验地质,1980,2:9-20.
    [3] 盛和宜.粒度分析在扇三角洲分类中的应用[J].石油实验地质,1993,15(2):185-191.

时间: 2024-11-03 20:54:03

[地质学笔记]粒度概率累积曲线的相关文章

概率与统计知识复习

一. 随机变量 1.1 概率分布 概率分布 定义 : 随机变量X取各个值$x_i$的概率称为X的概率分布. 对于离散型随机变量: $ P(X=x_i)=p_i, (i=1,2,3,...) $ 特性 : a. $p_i>0$ b. $\sum_i^{\infty} p_i =1 $ 累积概率分布(CDF) 定义 : $F(x)=P(X \le x) $, 对于离散型随机变量 $F(x)=\sum_{x_i \le x} p_i $ 连续型随机变量的分布函数(CDF)和概率密度函数(PDF) $$

小规则让你写出美丽又高效的程序

本文来自肥宝游戏,引用必须保留文末二维码! ! ! 好几天没写文章了,周一整理自己刚修好的旧电脑,发现一本书<高质量C++编程指南>.由于近期在写游戏服务端的战斗.所以这个立马就吸引肥宝了.看了几天,深深感觉获益良多啊. 于是把笔记和自己的经验写下来,分享给大家. 一.写出美丽易读的程序 中学时代上课非常喜欢做笔记.可是肥宝差点儿没看过自己的笔记.不是肥宝懒.是由于肥宝字太丑了. 后来成为一个程序猿,以为这些代码都是电脑输出.统一字体.就不用这么纠结了.谁知道代码更须要写得美丽.由于需求是不断

小规则让你写出漂亮又高效的程序

本文来自肥宝游戏,引用必须保留文末二维码!!! 好几天没写文章了,周一整理自己刚修好的旧电脑,发现一本书<高质量C++编程指南>.因为最近在写游戏服务端的战斗,所以这个立刻就吸引肥宝了.看了几天,深深感觉获益良多啊.于是把笔记和自己的经验写下来,分享给大家. 一.写出漂亮易读的程序 中学时代上课很喜欢做笔记,但是肥宝几乎没看过自己的笔记,不是肥宝懒,是因为肥宝字太丑了. 后来成为一个程序员,以为这些代码都是电脑输出,统一字体,就不用这么纠结了.谁知道代码更需要写得漂亮,因为需求是不断在变化的,

加州大学伯克利分校Stat2.2x Probability 概率初步学习笔记: Midterm

Stat2.2x Probability(概率)课程由加州大学伯克利分校(University of California, Berkeley)于2014年在edX平台讲授. PDF笔记下载(Academia.edu) PRACTICE PROBLEMS FOR THE MIDTERM PROBLEM 1 In a group of 5 high school students, 2 are in 9th grade, 2 are in 10th grade, and 1 is in 12th

加州大学伯克利分校Stat2.2x Probability 概率初步学习笔记: Section 1 The Two Fundamental Rules (1.5-1.6)

Stat2.2x Probability(概率)课程由加州大学伯克利分校(University of California, Berkeley)于2014年在edX平台讲授. PDF笔记下载(Academia.edu) Summary Bayes Theorem $$P(A_i|B)=\frac{P(B|A_i)\cdot P(A_i)}{\sum_{j}P(B|A_j)\cdot P(A_j)}$$ where $$P(B)=\sum_{j}P(B|A_j)\cdot P(A_j)$$ GRA

加州大学伯克利分校Stat2.2x Probability 概率初步学习笔记: Section 2 Random sampling with and without replacement

Stat2.2x Probability(概率)课程由加州大学伯克利分校(University of California, Berkeley)于2014年在edX平台讲授. PDF笔记下载(Academia.edu) Summary Independent $$P(A\cap B)=P(A)\cdot P(B)$$ Binomial Distribution $$C_{n}^{k}\cdot p^k\cdot(1-p)^{n-k}$$ R function: dbinom(k, n, p) U

加州大学伯克利分校Stat2.2x Probability 概率初步学习笔记: Final

Stat2.2x Probability(概率)课程由加州大学伯克利分校(University of California, Berkeley)于2014年在edX平台讲授. PDF笔记下载(Academia.edu) ADDITIONAL PRACTICE FOR THE FINAL PROBLEM 1 A box contains 8 dark chocolates, 8 milk chocolates, and 8 white chocolates. (It’s amazing how t

加州大学伯克利分校Stat2.2x Probability 概率初步学习笔记: Section 4 The Central Limit Theorem

Stat2.2x Probability(概率)课程由加州大学伯克利分校(University of California, Berkeley)于2014年在edX平台讲授. PDF笔记下载(Academia.edu) Summary Standard Error The standard error of a random variable $X$ is defined by $$SE(X)=\sqrt{E((X-E(X))^2)}$$ $SE$ measures the rough size

加州大学伯克利分校Stat2.2x Probability 概率初步学习笔记: Section 3 The law of averages, and expected values

Stat2.2x Probability(概率)课程由加州大学伯克利分校(University of California, Berkeley)于2014年在edX平台讲授. PDF笔记下载(Academia.edu) Summary Law of Large Numbers As the number of trials increases, the chance that the proportion of successes is in the range $$p\pm\text{a fi