煤矿智能化开采是将大数据、人工智能、物联网和云计算等技术手段融入煤矿开采过程中，实现数据的实时传输与互联、控制系统的自主学习与分析预测，达到煤矿生产过程的智能化运行[1-5]。目前智能化开采在机械自动化、视频监控等方面取得了显著的进展[6-8]，工作面“三机”控制精度已经达到厘米级，但现有的探测手段及解释方法不能满足煤矿智能化开采的精度要求[9-10]。利用工作面多源地质探测数据实现地质透明化成为煤矿智能精准开采的关键[11-13]。
目前实现了工作面局部数据的采集、分析以及静态展示，但相互关联性较差，分析手段相对单一[14]。因此，需要结合钻探、物探以及采掘工程揭露等获取的多源数据，进行动态融合，实现数据之间的互联，从而进行数据深度挖掘，动态更新工作面模型[15-16]。针对透明工作面动态建模问题，拟总结透明工作面多源探测数据异构特征，以数据产生的阶段和频度为主线，提出透明工作面静态、动态和实时数据分类;形成透明工作面多属性数据融合技术，研究工作面动态建模和可视化的关键技术和流程，并应用于工程实践中。多源数据融合、多属性模型构建和动态建模是工作面逐级透明的关键技术，对实现智能工作面地质透明化具有重要意义。
1 透明工作面建模方法
1.1 综合探测技术
透明工作面是在煤矿智能化开采的背景下应运而生的，工作面智能化开采必须以地质透明化为基本保障，而地质透明化的基础是工作面的综合探测(图1)。地质条件的复杂性已经成为制约煤炭智能化开采的技术瓶颈，为破解这一难题，程建远等提出基于不同探测技术构建多层级、递进式、高精度地质模型的思路[13]，介绍了工作面不同开发阶段主要探测手段(表1)。
图1 工作面综合地质探测示意
Fig.1 Comprehensive geological detection methods of working face
表1 工作面不同阶段探测手段
Table 1 Working face detection method in different stage
工作面开发阶段探测手段逐级模型逐级精度设计阶段地面钻探和三维地震等黑箱模型十米级掘进阶段三维地震动态解释等灰箱模型十米级～米级采前阶段槽波和坑透等白箱模型米级～亚米级回采阶段回采揭露、随采地震监测等透明模型前方50 m亚米级
1.2 数据特征
不同探测手段实施阶段、技术方法、探测目标、数据维度、物理属性和精度等具有很大差异，对其特征进行分析、分类，有助于数据的深度挖掘和有效利用。透明工作面地质数据主要通过钻探、物探和采掘工程等3种手段获取(图2)。钻探主要分为地面钻探和井下钻探;物探方法按照不同物理场分为弹性波方法和电磁场方法，其中弹性波方法主要包括三维地震、槽波探测、微震监测、随掘地震和随采地震等，电磁场方法主要包括地面电磁法、井下电磁法、随钻测井、探地雷达、钻孔雷达和电磁法监测等;采掘过程通过测量、编录等手段对揭露的地质信息进行采集。根据获得目标体信息的途径又可以分为:探测、监测和揭露;按照数据的空间特征分为:点、线、面和体数据;按照数据的不同时空特征分为:时间域、深度域、频率域和时频域等[17-18];按照数据的表征特征分为:几何数据和属性数据。
图2 工作面探测数据分类
Fig.2 Classification diagram of detection data in working face
工作面透明化是逐级和动态建模的过程。按照工作面数据产生的阶段和频度，将透明工作面的探测、监测和生产揭露数据分为静态数据、动态数据和实时数据:静态数据是指工作面巷道掘进前得到的数据，主要有地面钻探、物探等数据;动态数据是指工作面巷道掘进和工作面回采期间得到的更新数据，主要有井下钻探、物探和巷道揭露实测等数据，数据主要通过人工采集完成;实时数据是指在工作面回采过程中获得的监测数据，主要有随采地震、电磁法监测、微震监测等数据，数据实时生成、数据量大，数据接收、传输和处理通过采集系统、通讯系统和处理中心自动完成。
常规钻探资料精度高，但数据空间密度有限。井下定向钻探主要在目标层位钻进，通过孔中测量可提高工作面模型数据密度。钻探成果主要为深度域的点、线数据，能够表征工作面的几何和属性特征。
高密度三维地震，能够对煤层起伏、埋深、厚度和构造等进行高精度探测，通过属性提取和反演，预测地层属性参数。地震数据为时间域的体数据，其成果能够表征工作面的几何和属性特征。
槽波勘探与三维地震勘探相比，与目标体距离更近，能够探测出煤层内更小的异常体，是工作面内部小断层和陷落柱高精度探测的有效手段。槽波数据属于时间域的面数据，其成果能够表征工作面的几何特征和属性特征。
地面和井下电法、瞬变电磁探测，可获得煤层及顶底板的空间电阻率分布，预测可能存在的隐伏含水体，推测可能的含水构造。工作面电磁法监测可实现回采影响下煤岩体的电性变化实时、动态监测。电磁法探测、监测数据属于时间域、频率域的面数据和体数据，其成果能够表征地层属性特征。
钻孔雷达对钻孔周围的地质界面进行探测，其精度能够达到厘米级。钻孔雷达数据属于时间域的线数据，其成果能够表征工作面的几何特征。
随采地震能够对回采过程中产生的震动信号进行实时监测，通过分析处理，反演回采工作面前方的地质模型。随采数据属于时间域的体数据，其成果能够表征工作面的几何特征和属性特征。
1.3 多属性动态建模流程
透明工作面多属性动态模型的构建是以三维地震数据体为基础框架，以钻探、采掘数据、钻孔雷达、随钻地震等为动态标定，以槽波和电磁法探测的构造和含水体为属性填充，以微震监测、电磁法监测和随采地震为同步实时映射依据的一体化综合建模流程。
动态建模基于静态、动态和实时数据的全程融合。以探测、监测和采掘数据为基础，进行数据空间配准，采用交叉验证和联合反演等方法，对多属性数据进行分析、验证、标定和属性参数反演，丰富地质数据，提高数据精度和密度。在数据融合的各个阶段，构建不同精度的地质模型，以煤层开采前数据构建初始模型，动态融合采煤中产生的动态和实时数据，采用自动搜索、内插和网格化等技术，实现开采前方模型局部快速更新和实时可视化(图3)。
图3 工作面多属性动态建模流程
Fig.3 Multi-attribute dynamic modeling process of working face
2 多属性融合
2.1 数据空间配准
在统一坐标系下的多源数据空间配准是多量纲、多尺度属性融合的基础。
透明工作面地质模型所有数据，需要在深度域中配准到统一坐标系下。对多属性数据而言，已有的深度域数据要统一基准点，时频域数据则需要先进行域转换，再统一基准点。以地震与电磁法数据为例，使用合成记录、叠前深度偏移技术将时间域地震数据转换到深度域;利用反演方法将频率域电磁法数据转换到深度域。
点、线、面、体数据在完成域转换、坐标基准点统一工作之后，即实现了多源数据的三维空间配准。
2.2 交叉验证
多源数据经过统一的三维空间配准后，需要进行交叉验证，弥补单属性数据解释的不足。
交叉验证是多专业多属性表象的综合解读，如图4所示，地层几何要素、构造特征与属性特征，在统一的地质空间中，不同专业的解释结果需要能够相互验证补充。例如针对同一地层界面信息，通过钻探岩屑识别、采掘揭露、地震解释等方法获得的结果，会有各自对应的表征出现，满足地质解读的自洽性。如果采掘工作面揭露断层，同一位置的钻探工作应该也能钻遇该构造，断层达到一定规模也会导致地震波形的明显变化，当断层含水性较高时，会在电磁法探测结果中产生低阻区域。
交叉验证是数据融合的基础，一方面检验数据质量，另一方面有利于提高工作面地层、构造和地层属性解释精度，丰富解释成果。
图4 多源数据交叉验证
Fig.4 Cross validation of multi-source data
2.3 联合反演
为实现综合探测成果的定量分析，需要在交叉验证的基础上，进行多源数据联合反演，包括井震联合反演、震电联合反演和多参数联合反演等。
2.3.1 井震联合反演
测井数据纵向分辨率高，但横向数据密度低，地震数据体横向分辨率高，但纵向分辨率有限。通过测井与地震的联合反演迭代，可提高地层分辨率，对煤层厚度和顶底板起伏进行更高精度预测。
图5所示的测井与地震联合反演应用案例中，使用基于Zeoppritz方程的联合反演方法[19-20]，融合了测井与地震数据，反演后的波阻抗体在纵横向上均具有更高的分辨率，煤层识别与地层起伏形态能得到更精细的解释。
图5 相对波阻抗剖面(左)与联合反演波阻抗剖面(右)
Fig.5 Relative impedance profile (left) and joint inversion impedance profile (right)
2.3.2 震电联合反演
当地层属性存在较强的相关性时，使用最小二乘法、遗传算法建立不同属性之间的目标函数,可以提高反演精度。以Faust公式为例，岩石波速v与电阻率R存在如下相关关系:
v=KHCdR
(1)
其中，K，C，d为不同地层参数;H为深度。通过震电联合反演就可以获得更精准的岩石波速、电阻率分布特征。
2.3.3 多参数联合反演
当不同属性之间的相关性较弱时，以地质属性参数分布于共同的地质空间为前提，使用交叉梯度函数建立不同属性之间的空间几何约束，建立交叉梯度函数t:
t(x,y,z)=
m1(x,y,z)×…×mn(x,y,z) (2)
其中，为梯度算子;m1,…,mn为多属性参数，根据交叉梯度函数方法，当梯度函数收敛到0空间时，可得
tn(x,y,z)=0
(3)
式(3)表明多参数联合反演结果满足空间相似性的要求。反演过程中，首先给定初始模型后，采用正反演循环迭代，然后依据多次建模，综合约束，分步反演的基本原则，使用耦合函数或损失函数控制，得到一个较为精确的解，反演出最接近目标函数需求的结果。
3 动态可视化建模
3.1 动态建模
透明工作面动态建模以服务智能化开采为中心，需要动态提高模型精度并满足工作面回采进度要求。常规的地质模型更新，是利用地质建模技术对所有数据进行重新建模，运算效率低。在工作面回采过程中，对推进前方进行局部更新，提高模型更新效率。由于数据分布的不均匀，需要对参与计算的数据进行搜索和定义，结合动态数据实现模型局部更新。
透明工作面模型包含几何模型和属性模型。几何模型构建包括地层面和断层面空间形态拓扑关系的网格化重构等[21-26]。其中地层面采用四边形网格构建，断层面采用三角网格构建，根据层面之间地质接触关系生成其相应的网格耦合模式，最后对三维几何体进行地质网格化，实现模型的任意剖切、属性充填和截割规划等功能。
工作面几何建模主要采用插值方法，以已知样点和地质规律为约束，对未知区域进行预测。离散光滑插值是一种无维数的内插方法，它不以空间坐标为参数，主要依赖于网格结点的拓扑关系，通过使网格点满足特定约束条件，求解1个线性方程得到未知结点上的值。
首先建立网格结点φ最优解目标函数R*(φ):
R*(φ)=R(φ)+ρ(φ)
(4)
式中，R(φ)为全局粗糙度函数;ρ(φ)为线性约束违反度函数，其约束点为插值点。
使式(2)无限逼近最小值，达到φ在任意结点的函数值逼近该点领域结点φ值的均值，使插值点处结点的预测值尽可能逼近插值数据。
通过求解全局粗糙度函数使网格结点尽可能平滑:
(5)
式中，μ(k)为在结点k∈Ω上的权系数，可调整局部光滑度;a为Λ(k)的结点;Λ(k)为结点k邻域内不包含k的结点的集合;va(k)为在结点k的邻域内结点a的权系数;φ(a)为结点a处的真实值。
通过违反度函数进行结点约束:
(6)
式中，
为给定的正数;Ai(a)φ(a)-bi(a)为结点a关于φ的第i个结点的线性约束;Ai(a)和bi(a)为给定常数。
不断融入开采过程中精细探测和采掘揭露数据，动态标定工作面范围内数据体，减少对内插算法的依赖。通过局部搜索定义推采前方更新范围，对该范围内的几何模型进行动态更新，不断提高工作面几何模型精度。
工作面属性建模主要采用随机建模方法，以区域化变量分布函数和变差函数为基础进行随机模拟，同时结合蒙特卡洛方法，以属性特征概率分布为基础[25-27]，对地层属性空间复杂变化进行模拟。
区域化随机变量是一个随机函数，其取值与位置有关，变量之间的自相关性由其间距和变量特征决定。区域化变量往往只存在一定的空间范围内，通过对样点不同距离计算变差值确定这个范围。变差函数是在任意方向a相距|h|的2个区域化变量值Z(x)与Z(x+h)的增量的方差:
(7)
在二阶平稳假设或内蕴假设下，对任意h，变差函数推导为
(8)
式中，γ(x,h)为计算得到的变差函数;E为期望计算符号;h为不同区域化变量之间的距离;α为角度;Var为方差计算符号。
变量的影响范围通过变差函数的“变程”反映影响范围，区域化变量的各向异性通过不同方向的变差函数图反映。
工作面属性模型动态更新以实时微震监测、电磁法监测和随采地震等数据为基础，通过不断迭代，使随机模拟与真实属性模型不断逼近。
3.2 三维可视化
透明工作面动态三维可视化可实时准确刻画工作面的变化情况。通过更新线程和渲染线程，降低地质监测数据更新对模型渲染性能的影响[30]，更新线程实现实时数据转换为渲染数据结构，渲染线程实现数据快速写入显存和计算。当构建模型的数据量较大时，模型整体更新耗时长，基于智能判断的局部自动更新机制，可实现模型任意局部更新，及整体模型的无缝合成。采用多层次细节(Level of Details,LOD)技术[31]和模型显示范围裁剪处理技术优化渲染性能。当工作面模型在远处或快速移动时，通过减少图形管道阶段顶点转换的工作负载，控制像素复杂度，分级别显示模型细节，提高渲染效率。通过CPU内部的实时计算对显示区域外的模型进行预裁剪，降低GPU和CPU的负载，提高渲染速度和显示质量。为将模型的动态变化过程和演变趋势进行平滑表现，在模型的变化过程中对模型的空间位移和形态变化数据进行三次函数拟合平滑处理，在顶点着色器中对模型的状态改变进行插值，增加显示的帧数，将模型的动态变化过程进行平滑。透明工作面模型除了外部的几何形态的表面绘制还包含内部的地层物理属性的反映，采用实时体绘制技术[32]对属性模型进行实时绘制，可实现对多物理场数据的实时光线投射体绘制。
4 应用实例
4.1 工作面概况
某工作面开采煤层为3号煤层，已揭露煤层厚度变化为1.32～3.93 m。工作面煤层呈北高南低、东高西低的单斜构造形态，走向NW60°，倾向SW，倾角为2°～8°。槽波探测出7个陷落柱和7条断距<3 m的小断层。由于工作面煤层倾角较大，构造发育，需采用动态建模技术实现工作面逐级透明，以满足工作面智能化开采要求。
4.2 工作面多属性模型
通过数据配准融合，将时间域的三维地震体数据与深度域的钻孔、巷道测量点数据及时间域的钻孔雷达线数据等进行时深关联和转换;将槽波探测和三维地震等构造和属性成果数据进行空间真实坐标配准。对不同方法得到的同一目标成果进行交叉分析融合验证，提高解释的准确度;通过联合反演，建立电磁场与弹性波场的属性关系，对煤层物性参数进行预测。
利用巷道掘进和工作面精细探测等动态数据，构建工作面的初始地质模型(图6)，工作面内部煤层起伏和小构造分布基本得到控制。图6中断层和陷落柱为三维地震、槽波探测和采掘揭露等交叉验证融合后的成果。左侧边框范围是三维地震已勘探区域，具有点、线、面和体数据，通过对多源异构数据的融合，对煤层起伏进行预测;工作面右侧区域，无地震勘探资料，仅有采掘揭露和钻孔雷达的点和线数据，通过内插函数预测煤层起伏。
4.3 工作面动态模型
随着工作面进入回采，利用随采过程中产生的动态数据对模型进行局部动态更新，图7为工作面模型单次更新后对比图，图中边框为局部更新范围。通过对比，煤层底板等高线在边框范围内得到了动态更新修正。通过验证，局部更新范围的精度得到提高。通过不断融入动态数据，不断更新和提高推采前方煤层顶底板模型和煤层厚度的精度，工作面煤层厚度与顶板等高线叠合图如图8所示。
图6 工作面初始多属性模型
Fig.6 Primary multi-attribute model of working face
图7 工作面动态模型更新示意
Fig.7 Dynamic update process of working face model
图8 工作面煤层厚度与顶板等高线叠合
Fig.8 Overlay of coal thickness distribution and coal roof contours of working face
5 结 论
(1)透明工作面综合探测数据分为静态、动态和实时数据，以数据产生的阶段和频度为主线，通过多源数据融合和局部动态更新可以实现多属性动态建模过程。
(2)对工作面探测、监测和采掘产生的多源异构数据进行空间配准是多源数据融合的基础;交叉验证实现了基于目标体的多属性数据综合解释;联合反演提高了多属性数据空间分辨率和丰富了模型属性信息。
(3)工作面静态数据种类少、精度有限，仅能反应工作面整体地质特征，必须融合工作面精细探测和巷道掘进等动态数据，以构建的工作面初始模型为基础，结合回采过程中产生的动态数据，利用局部动态建模方法实现模型快速更新和实时显示，不断提高回采前方模型精度，实现工作面逐级透明化。
透明工作面构建依赖于综合探测、多源异构数据融合和动态可视化建模等技术，与工作面回采形成循环互馈。随着网络通讯和传感器技术的快速发展，透明工作面的数据采集、传输对人工的依赖将会大大减少，未来透明工作面模型可依靠人工智能算法实现高效、实时更新，真正实现动态模型向实时模型转变。
[1] 王国法,赵国瑞,任怀伟.智慧煤矿与智能化开采关键核心技术分析[J].煤炭学报,2019,44(1):34-41.
WANG Guofa,ZHAO Guorui,REN Huaiwei.Analysis on key technologies of intelligent coal mine and intelligent mining[J].Journal of China Coal Society,2019,44(1):34-41.
[2] ARKA Jyoti Das,PRABHAT Kumar Mandal,AMAR Prakash,et al.Underground extraction methodology of contiguous coal seams ensuring the safety of the parting and the surface structures[J].Safety Science,2020,121:215-230.
[3] 王国法,刘峰,庞义辉,等.煤矿智能化——煤炭工业高质量发展的核心技术支撑[J].煤炭学报,2019,44(2):349-357.
WANG Guofa,LIU Feng,PANG Yihui,et al.Coal mine intellectualization:The core technology of high quality development[J].Journal of China Coal Society,2019,44(2):349-357.
[4] 董书宁.以科技创新支撑煤炭安全高效绿色开采[N].中国煤炭报,2019-12-19(02).
DONG Shuning.Scientific and technological innovation supports safe,efficient and green coal mining[N].China Coal News,2019-12-19(02).
[5] 王国法,刘峰,孟祥军,等.煤矿智能化(初级阶段)研究与实践[J].煤炭科学技术,2019,47(8):1-36.
WANG Guofa,LIU Feng,MENG Xiangjun,et al.Research and practice on intelligent coal mine construction (primary stage)[J].Coal Science and Technology,2019,47(8):1-36.
[6] 王国法,杜毅博.智慧煤矿与智能化开采技术的发展方向[J].煤炭科学技术,2019,47(1):1-10.
WANG Guofa,DU Yibo.Development direction of intelligent coal mine and intelligent mining technology[J].Coal Science and Technology,2019,47(1):1-10.
[7] SENEKAL F.Traversability analysis for a mine safety inspection robot[A].Institute of Electrical and Electronics Engineers[C].Africon,IEEE,2013,1-6.
[8] HUH S,LEE U,SHIM H,et al.Development of an unmanned coal mining robot and a tele-operation system[A].International Conference on Control,Automation and Systems[C].ICCAS,2011,31-35.
[9] 王双明,段中会,马丽,等.西部煤炭绿色开发地质保障技术研究现状与发展趋势[J].煤炭科学技术,2019,47(2):1-6.
WANG Shuangming,DUAN Zhonghui,MA Li,et al.Research status and future trends of geological assurance technology for coal green development in Western China[J].Coal Science and Technology,2019,47(2):1-6.
[10] 董书宁.打造智能化开采地质保障的升级版[N].中国煤炭报,2020-03-21.
DONG Shuning.Building an upgraded version of geological guarantee in intelligent mining[N].China Coal News,2020-03-21.
[11] 袁亮,张平松.煤炭精准开采地质保障技术的发展现状及展望[J].煤炭学报,2019,44(8):2277-2284.
YUAN Liang,ZHANG Pingsong.Development status and prospect of geological guarantee technology for precise coal mining[J].Journal of China Coal Society,2019,44(8):2277-2284.
[12] 卢新明,阚淑婷.煤炭精准开采地质保障与透明地质云计算技术[J].煤炭学报,2019,44(8):2296-2305.
LU Xinming,KAN Shuting.Geological guarantee and transparent geological cloud computing technology of precision coal mining[J].Journal of China Coal Society,2019,44(8):2296-2305.
[13] 程建远,朱梦博,王云宏,等.煤炭智能精准开采工作面地质模型梯级构建及其关键技术[J].煤炭学报,2019,44(8):2285-2295.
CHENG Jianyuan,ZHU Mengbo,WANG Yunhong,et al.Cascade construction of geological model of longwall panel for intelligent precision coal mining and its key technology[J].Journal of China Coal Society,2019,44(8):2285-2295.
[14] 王国法,王虹,任怀伟,等.智慧煤矿2025情景目标和发展路径[J].煤炭学报,2018,43(2):295-305.
WANG Guofa,WANG Hong,REN Huaiwei,et al.2025 scenarios and development path of intelligent coal mine[J].Journal of China Coal Society,2018,43(2):295-305.
[15] 朱月琴,谭永杰,张建通,等.基于Hadoop的地质大数据融合与挖掘技术框架[J].测绘学报,2015,44(S1):152-159.
ZHU Yueqin,TAN Yongjie,ZHANG Jiantong,et al.A data framework of hadoop based geology big data fusion and mining technologies[J].Acta Geodatetica et Cartographica Sinica,2015,44(S1):152-159.
[16] 吴志春,郭福生,林子瑜,等.三维地质建模中的多源数据融合技术与方法[J].吉林大学学报(地球科学版)，2016,46(6):1895-1913.
WU Zhichun,GUO Fusheng,LIN Ziyu.Technology and method of multi-data merging in 3D geological modeling[J].Journal of Jilin University(Earth Science Edition),2016,46(6):1895-1913.
[17] PYRCZ M J,DEUTSCH C V.Geostatistical reservoir modeling[M].New York:Oxford University Press,2014.
[18] 沈焕锋,刘露,岳林蔚,等.多源DEM融合的高差拟合神经网络方法[J].测绘学报,2018,47(6):854-863.
SHEN Huanfeng,LIU Lu,YUE Linwei,et al.A multi-source dem fusion method based on elevation difference fitting neural network[J].Acta Geodaetica et Cartographica Sinica,2018,47(6):854-863.
[19] BAO Y,CHEN J,LIU X,et al.Joint PP and PS anisotropic AVO inversion using exact Zoeppritz equations[A].SEG International Exposition and Annual Meeting[C].Society of Exploration Geophysicists,2019.
[20] LIM U Y,GIBSON JR R L,KABIR N.ΔVP:A new seismic attribute based on Zoppritz AVO inversion for estimation of seismic anisotropy[A].SEG Technical Program Expanded Abstracts[C].2019:363-367.
[21] 武强,徐华.三维地质建模与可视化方法研究[J].中国科学(D辑:地球科学),2004(1):54-60.
WU Qiang,XU Hua.Three-dimension geological modeling and visualization methods[J].Science in China,2004(1):54-60.
[22] 姜在炳.煤层动态建模技术及应用[J].煤炭学报,2006,31(1):40-44.
JIANG Zaibing.Dynamic modelling technology of coal seam and its application[J].Journal of China Coal Society,2006,31(1):40-44.
[23] MALLET J L,Discrete smooth interpolation[J].Computer Aided Design,1992,24(4),263-270.
[24] WATSON C,RICHARD J,WOOD B,et al.Improving geological and process model integration through TIN to 3D grid conversion[J].Computers & Geosciences,2015,82:45-54.
[25] AMIN H,XAVIER E,JAVIER A V.Robust estimation of the fracture diameter distribution from the true trace length distribution in the Poisson-disc discrete fracture network model[J].Computers and Geotechnics,2018,95,137-146.
[26] OGOCHUKWU Azike.Multi-well real-time 3D struc-tural modeling and horizontal well placement:An innovative workflow for shale gas reservoirs[A].SPE Eastern Regional Meeting[C].2011.
[27] 吴胜和,金振奎,黄沧钿,等.储层建模[M].北京:石油工业出版社,1999.
[28] 王家华,张团峰.油气储层随机建模[M].北京:石油工业出版社,2001.
[29] MALLET J L.Geomodeling[M].New York:Oxford University Press,2002.
[30] 俞洲,孟新,彭晓东.基于CUDA海量空间数据实时体绘制研究[J].计算机工程与设计,2012,33(2):688-694.
YU Zhou,MEN Xin,PENG Xiaodong.Research of real-time rendering of massive space data based on CUDA[J].Computer Engineering and Design,2012,33(2):688-694.
[31] 赵建斌,李灵巧,杨辉华.线程级并行计算在图形渲染引擎中的研究[J].计算机工程与设计,2011,32(12):4143-4146.
ZHAO Jianbin,LI Lingqiao,YANG Huihua.Research on graphic rendering engine with thread-level parallelism method[J].Computer Engineering and Design,2011,32(12):4143-4146.
[32] 魏嘉,唐杰,武港山,等.三维地质模型海量数据组织和可视化技术研究[J].石油物探,2013,52(2):112,141-150.
WEI Jia,TANG Jie,WU Gangshan,et al.Massive data organization and visualization technique for 3D geological model[J].Geophysical Prospecting for Petroleum,2013,52(2):112,141-150.
