Simulación Multivariable

Resumen
• Simulación multivariable
• Introducción simulación
• Repaso simulación univariable
• Cosimulación secuencial gaussiana
• Aplicaciones
Motivación
• El kriging suaviza: los valores estimados son menos dispersos que los valores verdaderos
• no se puede predecir la ocurrencia de valores extremos
• puede dar la impresión de que todo es mineral (leyes estimadas sobre la ley de corte,
cuando esta última es baja)

• La varianza de kriging incorpora información geométrica y de continuidad espacial, pero

no la información local. Luego, no mide todas las fuentes de incertidumbre (no toma en
cuenta el efecto proporcional)
Motivación
• La simulación busca construir mapas de valores que reproducen la variabilidad real de la
variable en estudio (histograma, variograma, distribución espacial...)
• cada mapa representa un escenario plausible
• se puede construir numerosos escenarios “equiprobables”

• Uso de las simulaciones

• análisis de riesgo: escenario más optimista / pesimista
• estimación: promediar los escenarios
• medición de la incertidumbre: qué tan distintos son los escenarios
 Motivación
• Nos interesa conocer la incertidumbre de la respuesta de una función de transferencia:
 Motivación
• Nos interesa conocer la incertidumbre de la respuesta de una función de transferencia:
• series de tiempo de extracción del modelo espacial

Realidad 3-D Respuesta 1-D

Motivación
• Ejemplo: leyes de cobre en un yacimiento pórfido cuprífero
Motivación
• Determinístico v/s estocástico
• Dado un set de parámetros de entrada siempre nos entregarán un único resultado
• Dado un set de parámetros de entrada entregan varios posibles resultados, al
incorporar distribuciones de probabilidad en el modelamiento
Motivación
• La simulación se basa en la interpretación de la variable regionalizada como una
realización de una función aleatoria. Consiste en construir otras realizaciones de esta
misma función aleatoria

• Para ello, es preciso conocer la distribución espacial de la función aleatoria, es decir, el

conjunto de las distribuciones de probabilidad multivariables
• distribución marginal (histograma)
• distribuciones bivariables
• variograma
Motivación
• Simulación no condicional: no toma en cuenta los valores de los datos en los sitios de
muestreo. Sólo produce realizaciones de una función aleatoria con cierta distribución
espacial.

• Simulación condicional: reproduce además los valores de los datos en los sitios de
muestreo. Produce realizaciones de la función aleatoria condicionada a los valores de los
datos (noción de distribución condicional o a posteriori).
 más realista
 en un sitio con dato, todos los escenarios reproducen este dato
 lejos de los datos, la simulación se vuelve no condicional
Motivación
No condicional Condicional

Reproducen histograma Reproducen histograma

Reproducen variograma Reproducen variograma
No utiliza los datos Utiliza datos condicionantes
que influyen los valores
simulados
Simulación no condicional
Simulación condicional
Fluctuaciones ergódicas
Modelos para la simulación
• Simulación de variables continuas (leyes) y categóricas (geología)

Modelo plurigaussiano
Algoritmos de Simulación
• Método matricial (Descomposición LU): poco usada debido a las restricciones de tamaño
(debe resolverse una matriz de N x N donde N podría corresponder a millones). LUSIM
• Bandas Rotantes: simula la variable en líneas (1-D) y combina los valores simulados (3-D).
Requiere condicionar a datos locales.
• Fractales: simulación no condicional rápida que requiere procesar a posteriori para
respetar los datos locales.
• Espectral: Los métodos que usan FFTs pueden ser rápidos… pero no son intuitivos y
tienen limitaciones con respecto al tamaño de la grilla y datos condicionantes.
• Annealing: Basado en convergencia de una función objetivo a cero. Extremadamente
flexible (y potencialmente muy lento), no tiene una base teórica. SASIM
• Simulación Secuencial: ampliamente usada y recomendada para simulación condicional.
SGSIM, SISIM
Principios de simulación
• La idea de la simulación es agregar al mapa de kriging la variabilidad perdida
• Para ello, se agrega al valor estimado por kriging simple, un residuo de media cero y
varianza igual a la varianza de kriging simple

Ys(u) = Y*(u) + R(u)

• Esto permite que la relación entre un dato y un valor simulado sea correcta  se
reproduce la variabilidad espacial
Principios de simulación
• La covarianza no cambia:

note que , ya que R(u) es independiente de los datos

• Por lo tanto Cov{YS (u), Y (u )}  Cov{Y * (u), Y (u )}  C(u, u )

Modelo Gaussiano para simular leyes
• Modelo de funciones aleatorias Gaussianas  las distribuciones conjuntas de variables
son multi-Gaussianas.
• Para cualquier conjunto {u1,... un} de sitios del espacio, la densidad de probabilidad se
escribe como:
1  1 
g (u1 ,...u n ; y1 ,... yn )  exp  y t C1 y 
( 2 ) n det (C)  2 
donde
• y = (y1,... yn) es un vector de reales
• C es la matriz de varianza-covarianza de las variable aleatorias en los sitios {u1,... un}

 modelo sencillo, puesto que la distribución espacial queda caracterizada por la

covarianza (o equivalentemente, por el variograma).
 Modelo Gaussiano para simular leyes
• Otras posibles aplicaciones
• Análisis de riesgo: cálculo del VAN en cada realización
• Categorización de recursos y reservas
• Diseño de rajo óptimo
• Planificación minera: ¿qué variabilidad de leyes se espera en la planta?
• Control de leyes: ¿cuál es la decisión más oportuna para cada bloque: mandar a planta o
a botadero?
• Reconciliación de leyes mina / planta
• Extensiones:
• Simulación multivariable
• Simulación de variables geotécnicas o metalúrgicas
• Simulación de variables categóricas
 Modelo Gaussiano para simular leyes
• La simulación captura la distribución local de la variable regionalizada a través del kriging.

Caso 1 Caso 2
𝜎2 𝜎2

𝜇 = 𝑧∗ 𝑢 𝜇 𝜇
2
𝜎 2 = 𝜎𝑆𝐾
Modelo Gaussiano para simular leyes

• Etapa 1: desagrupar los datos para tener un histograma representativo

• Método de las celdas
• Método de los polígonos de influencia
Modelo Gaussiano para simular leyes

• Etapa 2: transformar los datos a valores Gaussianos N(0,1)

Transformación cuantil a cuantil de la distribución

desagrupada de los datos (izquierda) hacia una
distribución Gaussiana N(0,1) (derecha)
Modelo Gaussiano para simular leyes

• Etapa 3: análisis variográfico de los datos Gaussianos

Modelo Gaussiano para simular leyes

• Etapa 4: simulación secuencial

• Definir una secuencia aleatoria para los sitios a simular
• Para cada sitio:
• Realizar el kriging a partir de los datos Gaussianos y de los valores Gaussianos
previamente simulados
• Simular un valor Gaussiano, de media igual al valor estimado por kriging y
varianza igual a la varianza de kriging
• Repetir todo el procedimiento para obtener otras realizaciones
Modelo Gaussiano para simular leyes
• Detalles de implementación
• En la práctica, se restringe los valores condicionantes (datos iniciales + valores
previamente simulados) a los más cercanos del sitio a simular, es decir, se usa una
vecindad móvil.
• Aleatorización del orden de los sitios a simular, para evitar artefactos
• Grillas múltiples: simular en una malla amplia, luego refinar
• Clásicamente, se usa kriging simple, puesto que los datos Gaussianos tienen media
conocida (= 0). Se puede también relajar la hipótesis de media conocida y usar
kriging ordinario  verificar reproducción de histograma y variogramas…
Modelo Gaussiano para simular leyes

Distancia
Modelo Gaussiano para simular leyes

Distancia
Modelo Gaussiano para simular leyes
• Noción de fluctuación estadística: variogramas de los valores simulados vs. variograma
teórico (100 realizaciones)

Vecindad con 20 datos Vecindad con 100 datos

Modelo Gaussiano para simular leyes

• Etapa 5: transformación de vuelta

• Una vez obtenidas las realizaciones Gaussianas, se aplica la transformación inversa de

la etapa 2, de modo de obtener valores simulados de la variable original (ley)
Modelo Gaussiano para simular leyes

• Etapa 6: procesamiento de las realizaciones

Ejemplo: leyes de cobre simuladas en una malla de 2m × 2m (50 realizaciones)

Modelo Gaussiano para simular leyes
• Rebloquear a unidades de selección minera (10m × 10m × 12m)
• Para cada bloque y cada realización, se calcula el promedio aritmético de las leyes
simuladas en este bloque
Modelo Gaussiano para simular leyes
• Evaluación de las leyes de bloques y de su incertidumbre
• El promedio de las realizaciones es parecido al kriging
• La varianza de las realizaciones es distinta a la de kriging; en particular, incorpora el
efecto proporcional
Modelo Gaussiano para simular leyes
• Evaluación de recursos recuperables sobre una ley de corte de 0.5%Cu
• Cálculo de tonelajes, leyes medias sobre una ley de corte
• Estos mapas no pueden ser obtenidos por kriging, debido al suavizamiento de éste
 𝜎2
Resumen Procedimiento
• Determinar distribución representativa
• Transformar los datos originales a una N(0,1)
• Verificación de la hipótesis multiGaussiana
• Cálculo del variograma de los valores transformados
• Definir un camino aleatorio para vistar los nodos y en cada nodo: 𝜇

• Estimación (kriging simple de los valores transformados)

• Definir una vecindad
• Buscar muestras (valores normales) y nodos ya simulados
• Calcular la estimador y varianza por KS
• Simulación: generar valor simulado por simulación de Monte-Carlo
• Transformar de vuelta los valores simulados
Cosimulación Secuencial Gaussiana
• Extensión del algoritmo secuencial gaussiano al caso multivariable.
• Produce modelos de una o más variables continuas incorporando distintos tipos
de información.
• Dos aplicaciones son:
• Simulación de una variable primaria incorporando otras variables.
• Simulación de todas las variables del estudio.
• Las realizaciones reproducen:
• La distribución de las variables
• Los variogramas simples y cruzados
• Restituye los valores originales en los sitios muestreados
Cosimulación Secuencial Gaussiana
• Se basa en los siguientes supuestos:
• Cada función aleatoria es estacionaria
• Las variables se transforman al espacio gaussiano
• Se asume que la distribución conjunta es multigaussiana

• La probabilidad conjunta está definida por:

• La media (por construcción es cero)
• Las covarianzas simples (Ckk) y cruzadas (Ckk’).

• Los variogramas están definidos por:

Ckk ' (h )  Ckk ' (0)  gkk ' (h )

Cosimulación Secuencial Gaussiana
• Su aplicación requiere los siguientes pasos:
• Estudio exploratorio de los datos
• Anamorfosis Gaussiana de las variables
• Chequeo de bigaussianidad de las variables
• Ajuste de un modelo de corregionalización lineal
• Simulación de la o las variables de interés
• Transformación inversa de las variables al espacio original de los datos
Cosimulación Secuencial Gaussiana
• El algoritmo de simulación tiene las siguientes etapas:
• Se selecciona aleatoriamente una ubicación x0 que no haya sido simulada
• A partir de la información circundante (ya sea medida o previamente simulada), se calcula la
distribución condicional del vector aleatorio Yk(x0)
• Se obtiene una realización a partir de la distribución condicional. Esta corresponde a un
vector de valores simulados en el espacio gaussiano
• Se continúa hasta que todas las posiciones han sido simuladas
Cosimulación Secuencial Gaussiana
• Ventajas:
• Es integrado, pues no requiere de mayor manipulación para generar anisotropías,
condicionamiento, ni simular grillas regulares o irregulares
• No tiene un límite de variables  limitado por LMC
• Permite incorporar la información de variables secundarias.
• Permite simular directamente todas las variables involucradas en el estudio.
• No requiere de información secundaria en todas las posiciones del espacio. Donde la
información no se dispone, puede ser previamente simulada.
• Reproduce el grado de correlación entre variables. Si la correlación es perfecta, las
simulaciones generadas son idénticas.
• Es posible generar simulaciones de variables que presentan correlación pero que tienen
distintas escalas de variabilidad.
Cosimulación Secuencial Gaussiana
• Desventajas:
• Las realizaciones no necesariamente representan los procesos físicos subyacentes
• Presenta problemas cuando la estacionaridad es cuestionable. Si bien se puede restar la
tendencia previo al estudio y sumarla posteriormente, esto no es obvio cuando existen
variables correlacionadas con dependencia entre tendencias
• La hipótesis de multigaussianidad conjunta puede no ser cierta
• EL LMC es una limitación si el número de variables es grande
• El algoritmo realiza un gran número de cálculos. Esto se acrecienta en casos en que el
número de variables es mayor a 2
• Si bien esto último se puede manejar, utilizando parte de la información condicionante en la
vecindad del punto a estimar. Esta aproximación, podría no ser suficiente
Aplicaciones
¿Qué hacer con las realizaciones construidas?

• Cada realización constituye un escenario posible, por lo que se puede trabajar con ella como
si fuera la realidad. En consecuencia, cada realización entrega una respuesta insesgada al
problema planteado.

• Con el conjunto de realizaciones, se obtiene un conjunto de respuestas que reflejan la

incertidumbre que podría haber en la respuesta real desconocida. En particular, se tiene una
respuesta más favorable, una respuesta menos favorable y una respuesta promedio.

• La respuesta del modelo de kriging podría estar sesgada, debido a que el kriging no
reproduce la variabilidad de las leyes.
Aplicaciones
Ejemplo 1: variabilidad en la ley extraída según una secuencia de extracción
predeterminada

una realización una respuesta

Aplicaciones
Aplicaciones
Ejemplo 2: incertidumbre en los recursos recuperables sobre determinadas leyes de corte

múltiples realizaciones múltiples respuestas

(curvas tonelaje-ley)

Líneas punteadas negras: respuesta del

modelo de kriging (sesgada!)
Aplicaciones
Ejemplo 3: incertidumbre en el cumplimiento de metas de producción de largo plazo

múltiples realizaciones múltiples respuestas

(ley promedio de alimentación a planta)
Average Grades vs. Year

0,9000 Sim_01
Sim_02
Sim_03
Sim_04
0,8000 Sim_05
Sim_06
Sim_07
Sim_08
Sim_09
0,7000 Sim_10
Sim_11
Sim_12

Grade
Sim_13
0,6000 Sim_14
Sim_15
Sim_16
Sim_17
Sim_18
0,5000 Sim_19
Sim_20
Sim_21
Sim_22
0,4000 Sim_23
Sim_24
Sim_25
Avg_Sim
Kriging
0,3000
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Year

Curva negra: respuesta promedio (valor esperado)

Curva roja: respuesta del modelo de kriging (sesgada!)
Aplicaciones
Yacimiento polimetálico: evaluación multivariable
Aplicaciones
Ejemplo 4: incertidumbre en flujos de caja y VAN de un proyecto (riesgo financiero)

múltiples realizaciones múltiples respuestas

(flujos de caja acumulados y valor actualizado neto)

Curva negra: respuesta del modelo de kriging (sesgada!)

Aplicaciones
Ejemplo 5: reconciliación mina-planta

múltiples realizaciones rango de respuestas

(ley de alimentación a planta)

azul: rangos de respuestas y respuesta promedio

morado: modelo de largo plazo
Aplicaciones
Ejemplo 6: incertidumbre en la geometría del pit óptimo

múltiples realizaciones múltiples respuestas

(geometría de pit óptimo)

Algunos bloques siempre están en el pit

óptimo, mientras que otros nunca lo están
Aplicaciones
Ejemplo 7: incertidumbre en la geometría de un caserón

una realización una respuesta

(geometría de caserón)

(las líneas delgadas negras indican las

respuestas obtenidas de otras
realizaciones)
Aplicaciones
Ejemplo 8: incertidumbre en la secuencia óptima de extracción

múltiples realizaciones múltiples respuestas

Aplicaciones
Ejemplo 9: toma de decisiones en base a respuesta esperada (control de leyes)

Para decidir el destino de una unidad selectiva de explotación dada, se considera

100 escenarios (realizaciones) y se calcula el beneficio económico esperado para
cada destino posible (botadero o planta).

realización ley simulada beneficio si botadero (US$ / t) beneficio si planta (US$ / t)

1 0.39 -0.6 -1.568

2 0.60 -0.6 +0.280
3 0.45 -0.6 -1.040
... ... ...
100 0.52 -0.6 -0.424

promedio -0.6 -0.750

Aplicaciones
Evaluación bivariable (CuT/CuS)

En un yacimiento de oxidados de cobre, existen tres posibles destinos: planta de

flotación (si la ley de cobre total supera 0.5% y la razón de solubilidad es menor a
70%), botadero (si la ley de cobre soluble es menor a 0.25%) y pila de lixiviación
(otros casos). La simulación conjunta de las leyes de cobre total y soluble
permite determinar, para cada bloque, el destino más probable (destino que
más se repite entre las realizaciones) y las leyes esperadas.
Aplicaciones
Ejemplo 10: toma de
decisiones en base a
respuesta esperada

Para elegir el tamaño

óptimo de las unidades
selectivas de explotación,
se considera 100
escenarios (realizaciones)
y se calcula el beneficio
económico promedio para
cada opción posible de
tamaño.
Aplicaciones
Ejemplo 11: categorización de recursos

Se definen las categorías de recursos en

función de la variabilidad de ley, por ejemplo:
• recursos medidos: aquellos bloques para los
cuales la ley simulada difiere de la ley
esperada (promedio de las realizaciones) en
no más de un 15%, para al menos el 90% de
las realizaciones
• recursos indicados: aquellos bloques para
los cuales la ley simulada difiere de la ley
esperada en no más de un 20%, para al
menos el 80% de las realizaciones
• recursos inferidos: el resto de los bloques
con leyes simuladas
Aplicaciones
Ejemplo 12: probabilidad de superar una ley de corte

múltiples realizaciones mapa de probabilidad

Aplicaciones
Ejemplo 13: incertidumbre en unidades mineralógicas

múltiples realizaciones mapas de probabilidad

Aplicaciones
Ejemplo 14: modelamiento de unidades geológicas

múltiples realizaciones unidad más probable

Aplicaciones
Ejemplo 15: incertidumbre en los recursos presentes en una veta aurífera

incertidumbre en tonelaje incertidumbre en cantidad de metal

Promedio de 100 realizaciones

Kriging
 Caso de estudio: simulación en cascada
• Principales fuentes de incertidumbre en la declaración de recursos:
• Desviaciones de pozos
• Mapeo geológico
• Muestreo geoquímico
• Muestreo metalúrgico
• Modelamiento geológico
• Modelamiento de leyes
• Planificación minera
 Caso de estudio: simulación en cascada
Simulación variables categóricas

• Geología (SISIM)  Asignación de número a cada geología, codificación.

Simulación variables continuas

• Leyes (USGSIM)  Para cada geología, se simula ley correspondiente.

Algoritmo permite la cosimulación (variables cruzadas)
Caso de estudio: simulación en cascada
 Carpeta que contiene los datos de las muestras en formato GeoEAS:

Título
Cantidad de columnas
Coordenada x
Coordenada y
Coordenada z
Variable 1
Variable 2
Geología
01-dofile
• Script Python: separación de los datos en diferentes archivos según categoría
geológica.
02-nscore
• Gslib: transformación de variables continuas a distribución gaussiana. (mostrar
.par y una validación de scatplt)
• Para ejecución, arrastrar archivo .par al ejecutable.
03-mergefiles
• Script Python: Unión de los datos transformados (nscore) en un solo archivo con
formato para rutinas posteriores.
04-gamv
• Gslib: rutina para calcular variogramas experimentales (directos y
cruzados para multivariable).
05-varfit
• Gslib: generación de modelos semiautomáticos para variogramas
experimentales
06-gamvindicadores
• Gslib: Creación de variograma de indicadores (códigos1-0) para la utilización de
Blocksis.
• Cambio en último parámetro de Gamv:
07-varfitindicadores
• Gslib: Generación de modelo de variograma de indicadores para Blocksis
08-blocksis
• Gslib: Rutina para generar simulaciones de variables categóricas. Permite realizar
suavizamiento y simulación en función de proporciones.
08-blocksis
• Gslib: Rutina para generar simulaciones de variables categóricas. Permite realizar
suavizamiento y simulación en función de proporciones.
09-usgsim
• Gslib: Para cada categoría (en la geología) se simulan las leyes (variable continua).
 09-usgsim
• Captura de relaciones multivariables

Ley de cobre [%]

𝜌 𝑐𝑢, 𝑎𝑢 = +0.7

Ley de oro [ppm]

10-mergefiles
• Python: Crea un archivo donde une la geología y las leyes de las variables
simuladas
 11-formated
• Python: Agrega la posición de las coordenadas X, Y, Z para importar en
otros software.
12-proportions
• Python: Construye un gráfico de proporciones para validar las geologías en cada
realización
13-category
• Python: Permite calcular categoría más probable de las simulaciones (estimada o
modelada), probabilidad de categoría, y probabilidades para cada código.
13-category
• Python: Permite calcular categoría más probable de las simulaciones (estimada o
modelada), probabilidad de categoría, y probabilidades para cada código.
14-pixelplt
• Gslib: Permite generar despliegues de modelo de bloques en 2D (opcional para
visualización). Variables continuas y categóricas.
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Anexo
Conclusiones
• Metodología en cascada permite simular variables categóricas 
variables continuas multivariables. Los diferentes escenarios
muestran contactos duros.
• Utilización de Gslib es ventajoso ya que son bibliotecas gratuitas (y
pueden ser distribuidas de forma libre).
• Se entregaron algunos algoritmos de validación y postproceso, tales
como incertidumbre en contactos geológicos. Se pueden generar
diferentes post-procesos dependiendo del estudio que se requiera.
Joint Simulation of Grade and Rock Type in a Stratabound Copper
Deposit

Mohammad Maleki & Xavier Emery

Joint Simulation
• Metodología basada en la simulación multigaussiana de leyes y variables
categóricas conjuntas.
• Para simular variables contínuas, se transforma a distribución gaussiana
(anamorfosis)
• Para variables categóricas, se realiza un muestreo de gibbs (asignación de
variables gaussianas por categoría).
Joint Simulation
• Metodología basada en
la simulación
multigaussiana de leyes
y variables categóricas
conjuntas.
Joint Simulation
• Simulación en cascada: contactos duros.
Joint Simulation
• Simulación conjunta: contactos blandos.
Joint Simulation
• Análisis de contacto
• (izquierda) simulación conjunta
• (derecha) simulación en cascada.
Ejercicio aplicado de cosimulación
Ejercicio de cosimulación
1. Transformación multivariable de leyes (cu, au).
2. LMC de valores transformados.
3. Cosimulación secuencial gaussiana.
4. Validación (gráfica, distribución y variografía).
5. Post-proceso: probabilidad de superar ley de corte.
Ejercicio de cosimulación
• LMC de valores transformados.
Ejercicio de cosimulación
• Validación (gráfica, distribución y variografía).
Ejercicio de cosimulación
• Validación (gráfica, distribución y variografía).
Ejercicio de cosimulación
• Validación (gráfica, distribución y variografía).
Ejercicio de cosimulación
• Validación (gráfica, distribución y variografía).
Ley de cobre [normal score] Ley de Oro [normal score]
Ejercicio de cosimulación
• Validación (gráfica, distribución y variografía).
Ejercicio de cosimulación
• Validación (gráfica, distribución y variografía).
Ejercicio de cosimulación
• Validación (gráfica, distribución y variografía).
Ejercicio de cosimulación
• Post-proceso: probabilidad de superar ley de corte.
Referencias
• J. J. Gómez-Hernández and A. G. Journel, 1993, Joint Sequential Simulation of MultiGaussian Fields, in
Geostatistics Troia ’92 (Soares, A., ed.), vol. 1 pp. 85-94, Kluwer Academic Publishers.
• G. Verly, Sequential Gaussian co-simulation: A simulation method integrating several types of information,
Geostatistics Troia '92, A. Soares, ed., Vol. 1, p. 543-554, Kluwer, 1993.
• Zhu, H. and Journel, A.G., 1993. Formatting and integrating soft data: stochastic imaging via the Markov-
Bayes algorithm. In: Geostatistics Tróia’92, Proceedings of the Fourth International Geostatistics Congress.
Edited by A. Soares. Kluwer Academic, Dordrecht, Vol. 1, p. 1-12.
• Leuangthong, O., and Deutsch, C. V., 2003, Stepwise Conditional Transformation for Simulation of Multiple
Variables, Mathematical Geology, vol. 35, n. 2, pp. 155-173, February.
• Desbarats, A. J., and Dimitrakopoulos, R., 2000, Geostatistical Simulation of Regionalized Pore-Size
Distributions Using Min/Max Autocorrelation Factors, Mathematical Geology 32(8), p. 919-942.
• Davis M. W., 1987, Production of Conditional Simulations via the LU Triangular Decomposition of the
Covariance Matrix, Mathematical Geology, 19(2), p. 91-98.