CN101706966B - 基于二维图像和多点统计方法的多孔介质三维重构方法 - Google Patents
基于二维图像和多点统计方法的多孔介质三维重构方法 Download PDFInfo
- Publication number
- CN101706966B CN101706966B CN200910198437XA CN200910198437A CN101706966B CN 101706966 B CN101706966 B CN 101706966B CN 200910198437X A CN200910198437X A CN 200910198437XA CN 200910198437 A CN200910198437 A CN 200910198437A CN 101706966 B CN101706966 B CN 101706966B
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- porous medium
- data
- training image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开了基于二维图像和多点统计方法的多孔介质三维重构方法,该方法将微米精度的多孔介质二维薄片图像作为初始的训练图像,利用多点统计方法重构其下层图像。将每次获得的下层图像作为新的训练图像,利用多点统计方法重构该训练图像的下层图像;二维重构图像的每个像素对应成三维空间的一个体素,依次叠加每层的二维重构图像得到最终的三维多孔介质图像。本发明能够获得真实的多孔介质三维结构,突破制约渗流机理研究的瓶颈,可广泛应用于能源和工程领域。
Description
技术领域:
本发明涉及一种构图方法,具体涉及一种多孔介质三维图像的重构方法。
背景技术:
以达西定律为基础的渗流力学取得了很大的进展,在众多工程领域有广泛的应用。但是由于达西定律根本不涉及孔隙介质本身的细观空间结构,因此对细观层次上的渗流形貌研究无能为力。为克服达西定律的局限性,研究者们提出了孔隙网络模型、毛管模型和球形颗粒堆积模型等多孔介质孔隙模型。这些模型中的孔隙和喉道常常被简化成一些简单的几何体。如孔隙体会被简化成球形、立方体或棱柱体;喉道会被简化成圆管、方形管、三角形管道或星形的管道。但是由于多孔介质内部结构十分复杂,而上述模型的建立并不以真实的多孔介质三维结构数据为基础,因此并不能很好地定量描述多孔介质内部不规则的拓扑结构。可见获得真实的多孔介质三维结构已成为制约渗流机理研究的重要瓶颈。
随着实验技术的进步,诸如聚焦离子光束法,激光扫描显微法和X射线CT扫描等方法被应用于获取三维孔隙图像。虽然一些实验设备的精度可以达到微米甚至是亚微米量级,然而,一些多孔介质的纳米量级结构(例如石灰岩和硅藻土)却无法直接三维成像。相比三维孔隙图像,多孔介质的二维薄片图像较易获取并可得到较高的分辨率。例如美国加州大学在2004年利用实验设备获得精度达到10纳米的石灰石二维薄片图像。
利用二维薄片图像来重构三维孔隙图像的方法目前主要有三类。第一类是过程法,它通过模拟地质成岩的过程来重构三维图像。过程法虽然可以再现多孔介质内部的长连通性,但是该方法过于复杂。例如在模拟石灰岩中不规则形状的沉积、压实和成岩过程时,该方法就显得过于复杂而难以实现。
第二类方法利用从二维图像中获取的孔隙度和两点自相关函数等统计信息来重构三维孔隙图像,但是由于该类方法只是使用了二维图像中的低阶统计 信息,因此难以再现孔隙空间的长连通性,尤其是难以再现低孔隙度或具有特定孔隙几何形状(例如颗粒和球形)的多孔介质拓扑结构。
第三类方法由Okabe等人提出,其利用多点统计方法来重构多孔介质的孔隙结构,但是该方法在构建训练图像时只是通过旋转二维平面获得三维情况下的条件概率分布函数(cpdf,conditional probability distribution function),并没有获得真正的三维训练图像。
利用多点统计方法重构图像的过程需要反映真实几何结构及其分布模式的训练图像,它强调使用训练图像把先验模型明确而定量地引入到建模当中。先验模型包含了被研究的真实物质中确信存在的样式,而训练图像则是该模型的定量化表达。通过再现高阶统计量,多点统计方法能够从训练图像中捕捉复杂的(非线性)特征样式并把它们复制到重构图像中。可以说训练图像中的概率信息决定了最终的模拟结果。而Okabe等人假定多孔介质为各向同性,认为铅直方向的cpdf完全等同于水平方向的cpdf,因此该方法重构的多孔介质三维结构无法反映真实情况下铅直方向的孔隙和骨架结构信息。
发明内容:
本发明针对上述现有方法在重构多孔介质三维结构时所存在的缺陷,而提供一种基于二维图像和多点统计信息的方法对多孔介质进行三维重构。利用同步辐射光技术获取多孔介质的体数据,将该体数据的一个二维切面图像作为训练图像。提取训练图像的孔隙和骨架点作为硬数据(条件数据),利用多点统计信息重构该训练图像的下一层二维图像。再将重构得到的新的二维图像作为训练图像模拟其下层图像。如此重复多次,即利用每次重构得到的新的二维图像作为训练图像来模拟其下层图像。将每层重构图像依次叠加,最终得到多孔介质的三维结构。
为了达到上述目的,本发明采用如下的技术方案:
基于二维图像和多点统计方法的多孔介质三维重构方法,该方法包括如下步骤:
(1)利用二维的多重数据模板扫描二维训练图像,建立搜索树;
(2)利用采样点提取模板遍历多孔介质的二维训练图像提取采样点,并将提取得到的采样点作为初始条件数据分配到最近的网格节点上;(3)定义一条随机路径访问所有待模拟节点;对随机路径上的每一个节点,利用与步骤(1)中相同的多重模板提取其条件数据事件,然后从搜索树上获取该点的条件概率分布函数;利用计算机随机模拟方法提取该点的随机模拟值,并将该模拟值作为后续模拟新增的条件数据;继续模拟随机路径上的其他节点,直到模拟生成一幅新的二维图像;
(4)将由步骤(3)模拟得到的新的二维图像作为步骤(1)中的训练图像,重复步骤(1)到步骤(3)生成其下一层图像;
(5)循环步骤(1)到步骤(4)直至得到N幅新的二维模拟图像,并将每幅二维图像的每个像素对应成三维空间的一个体素,而体素状态值即其对应像素点的状态值;将步骤(1)中最初的训练图像和这N幅图像依次叠加,形成N+1层的多孔介质三维结构。
所述步骤(1)中最初的训练图像为微米精度的多孔介质二维薄片图像。
所述步骤(1)中进行扫描二维训练图像时,可采用逐步减少数据模板大小的方法以使数据事件在训练图像中获得足够多的重复。
所述步骤(3)定义随机路径时,可以先利用数据模板遍历整个待模拟区域,统计每个待模拟点周围条件数据的数目,优先模拟那些条件数据较多的节点。
根据上述技术方案得到的本发明在进行重构多孔介质三维结构时能够反映真实情况下铅直方向的孔隙和骨架结构信息,并能重现真实情况下空隙复杂的长连通性特征,够获得真实的多孔介质三维结构,突破制约渗流机理研究的瓶颈。
本发明使用具有更高精度的二维薄片图像作为训练图像,从而可以克服三维直接成像分辨率较低的不足。
本发明提供的方法进行重构时具有较快的模拟速度,大大的提高效率。同时本发明还可以广泛应用于地球科学、生物学、医学等相关领域中。
附图说明:
以下结合附图和具体实施方式来进一步说明本发明。
图1为本发明的流程图。
图2为数据模板扫描训练图像的过程示意图。
图3为二维3重网格结构示意图。
图4为与图3相对应的三重数据模板示意图。
图5a为砂岩体数据的外表面图。
图5b为砂岩体数据在三个方向的正交剖面图。
图5c为砂岩体数据隐藏骨架后所得到的孔隙结构图。
图6为图5所示图像的孔隙度曲线图。
图7a为利用多点统计方法生成二维重构图像时的初始训练图像。
图7b为利用多点统计方法生成二维重构图像时的训练图像的采样点图。
图7c为利用多点统计方法生成二维重构图像时的重构图像。
图8a为利用多点统计方法重构三维多孔介质图像的外表面图。
图8b为利用多点统计方法重构三维多孔介质图像的正交剖面图。
图8c为利用多点统计方法重构三维多孔介质图像的孔隙结构图。
图9a为多孔介质三维重构图像和体数据在X方向的变差函数曲线图。
图9b为多孔介质三维重构图像和体数据在Y方向的变差函数曲线图。
图9c为多孔介质三维重构图像和体数据在Z方向的变差函数曲线图。
具体实施方式:
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
本发明提出一种新的基于多点统计信息的方法对多孔介质进行三维重构的方法。该方法先利用同步辐射光技术获取多孔介质的体数据,将该体数据的一个二维切面图像作为训练图像;再提取训练图像的孔隙和骨架点作为硬数据(条件数据),利用多点统计信息重构该训练图像的下一层二维图像;接着再将重构得到的新的二维图像作为训练图像模拟其下层图像;如此重复多次,即利用每次重构得到的新的二维图像作为训练图像来模拟其下层图像;将每层重构图像依次叠加,最终得到多孔介质的三维结构。真实情况下的体数据提供了与 重构结果进行比较的参照数据。将该体数据与重构的多孔介质三维结构进行比较的结果发现,重构的多孔介质的孔隙结构特征与真实情况吻合。同时该方法可以使用具有更高精度的二维薄片图像作为训练图像,从而可以克服三维直接成像分辨率较低的不足。
多点统计方法是地质统计学的一个新的分支。地质统计学最初主要用于解决矿床普查勘探、矿山设计到矿山开采整个过程中的各种储量计算和误差估计问题,后来它在石油工业中得到迅速的发展,主要应用于储层表征与建模。多点统计方法是相对于传统的两点地质统计方法而言的,它们的主要区别在于条件概率确定方法的不同。在多点统计方法中,使用训练图像代替变差函数体现地质体的空间结构。多点统计方法通过在训练图像中寻找与待模拟点周围条件数据分布完全相同的事件的个数来确定概率分布,因而可以反映多点之间的相关性和变异性,克服基于变差函数(Variogram)的两点地质统计方法的不足。
基于上述原理,本发明的具体实施如过程如下(如图1):
(1)利用二维的多重数据模板扫描二维训练图像,建立搜索树。
该步骤中利用数据模板获得多点统计信息,Strebelle等对数据模板和数据事件进行了定义。数据模板是由n个向量{hα;α=1,2,...,n}构成的几何形态。设模板中心位置是u,模板其他位置uα=u+hα(α=1,2,...,n)。例如图2(a)就是一个5×5像素的二维模板,它由中心点u和其他24个向量所确定。假定一种属性S可取m个状态值{sk;k=1,2,...,m}。由数据模板中n个向量uα位置的n个属性值所组成的“数据事件”d(u)可以定义为:
其中i(uα)表示在uα位置的状态值。图2(b)是一幅15×15像素的训练图像。图2(c)表示利用图2(a)所示的数据模板扫描训练图像时获得的一个数据事件。
在应用任一给定的数据模板对训练图像扫描的过程中,当训练图像中的一个数据事件与数据模板的数据事件d(u)相同时,称为一个重复。在平稳假设的前 提下,数据事件d(u)在有效的训练图像中的重复数c(d(u))与有效的训练图像的大小Nn的比值,相当于该数据事件d(u)出现的概率:
对于任一待模拟点u,需要确定在给定n个条件数据值i(uα)的情况下,属性i(u)取m个状态值中任一个状态值的条件概率。根据贝叶斯条件概率公式,该概率可表达为:
上式中,分母为条件数据事件出现的概率;分子为条件数据事件和待模拟点u取某个状态值的情况同时出现的概率,相当于在已有的c(d(u))个重复中i(u)=sk的重复的个数ck(d(u))与有效的训练图像的大小Nn的比值,记为ck(d(u))/Nn。因此i(u)取某个状态值的条件概率分布函数可表示成:
基于上述条件概率,利用Monte Carlo方法可以提取该点的状态值。对于多孔介质而言,待模拟点i(u)只可能取两种状态值:孔隙或者骨架。利用模拟点周围最近的n个孔隙与骨架值和扫描训练图像获得的cpdf,可以随机推断该点是孔隙还是骨架。由于采用了概率估计的方法,故模拟结果具有随机性。这些结果是对训练图像先验模型的一种反映,可以揭示属性空间中状态值的各种可能分布。
最初的多点统计方法在每次模拟一个节点时都要重新扫描一遍训练图像,以获得对应节点的cpdf,严重影响了重构图像的速度。本发明利用一种叫“搜索树”的数据结构来加速重构过程,只要对训练图像进行一次遍历搜索就可以生成该搜索树。所有可能的概率模式被存贮在搜索树中,生成模拟图像时可以直接从搜索树上获得该模式的条件概率,从而加快了模拟速度。
本步骤在利用数据模板获得多点统计信息时,由于在训练图像中想要包含所有可能的数据事件是不可能的,而且由于受到计算机内存和cpu速度的限制,只能选择合适的数据模板大小。由于数据模板的大小有限,在重构的图像上其 实只反映了训练图像上有限尺寸下的结构特征。本发明采用了Tom Tran提出的多重模板的思想,利用网格逐渐密集化的多个数据模板来替代一个大而密集的模板对训练图像进行扫描。具体方法是:先使用稀疏的粗网格数据模板扫描训练图像,得到粗网格下的多点统计信息,然后可以模拟得到粗网格下的结果图像;将粗网格下的内容作为条件数据复制到细网格上,然后使用细网格模板扫描训练图像,得到细网格下的多点统计信息,最后模拟得到细网格下的结果图像。具体过程如图3至4所示:
图3表示一个包含13×13个节点的二维3重网格结构,其中已模拟点用黑色表示,待模拟点用灰色表示,白色点暂时忽略不作考虑。图4(a)、图4(b)、图4(c)分别是与图3(a)、图3(b)、图3(c)各重网格相对应的三重数据模板。图4中的灰色点表示扫描图像时待模拟点在数据模板中的位置,白色点不作考虑。可以看出,图4(a)与图3(a)中的水平和垂直方向的相邻待模拟点之间的距离均为3个像素,故可以利用图4(a)所示的第一重数据模板扫描图3(a)中的待模拟点,生成的模拟结果作为条件数据复制到第二重网格中(见图3(b)中的黑色节点)。然后利用图4(b)所示的第二重数据模板扫描图3(b),生成的模拟结果和第一次模拟的结果均作为条件数据复制到第三重网格中(见图3(c)中的黑色节点)。最后利用图4(c)所示的最细网格扫描图3(c),可以模拟生成最终的重构图像。
在完成第1步后,进入到第2步:利用边长为奇数的正方形的采样点提取模板提取采样点,即,将采样点提取模板在多孔介质二维训练图像上遍历,如果在提取模板范围内全部为孔隙或者骨架,则规定该模板中心为孔隙或骨架点。然后将提取得到的采样点作为初始条件数据分配到最近的网格节点上,即,比较各采样点与其周围的网格点之间的位置,采样点与哪个网格点最近,就分配到哪个网格点上。该步骤的具体过程如下:
由于多孔介质图像由多个孔隙和骨架的连续区域所组成。可以近似认为,如果在一层图像中有某个足够大的孔隙或者骨架区域(设该区域中心点为Center),那么其下层图像与Center相同位置处的状态值也应该为孔隙或者骨架。定义一个边长为奇数的正方形的采样点提取模板T,利用T在二维训练图像中依次遍历,当在模板T中的节点状态值全为孔隙或骨架时,就提取该模板中心节点为采样点,同时保持该采样点的状态值不变。不过在提取采样点时应注意确保 采样点中孔隙点的比例接近该训练图像的孔隙度,因为当采样点中各状态值的比例接近其在训练图像中相同状态值的比例时,模拟效果最好。
步骤(3):定义一条随机路径访问所有待模拟节点;对随机路径上的每一个节点,利用与步骤(1)中相同的多重模板提取其条件数据事件,然后从搜索树上获取该点的条件概率分布函数;利用计算机随机模拟方法提取该点的随机模拟值,并将该模拟值作为后续模拟新增的条件数据;继续模拟随机路径上的其他节点,直到模拟生成一幅新的二维图像。该步骤中在定义随机路径时,可以先利用模板遍历整个待模拟区域,统计每个待模拟点周围条件数据的数目,优先模拟那些条件数据较多的节点。
步骤(4):将由步骤(3)模拟得到的新的二维图像作为步骤(1)中的训练图像,重复步骤(1)到步骤(3)生成其下一层图像。
步骤(5):循环步骤(1)到步骤(4)直至得到N幅新的二维模拟图像,并将每幅二维图像的每个像素对应成三维空间的一个体素,而体素状态值即其对应像素点的状态值;将步骤(1)中最初的训练图像和这N幅图像依次叠加,形成N+1层的多孔介质三维结构。
本发明实施时如果在数据模板中心点u周围的条件数据越多,那么数据事件包含的有效节点就会越多,从而就难以在训练图像中找到较多的与该数据事件相同的重复。数据事件重复的数目较少意味着该数据事件可能具有特殊性,这会导致模拟结果引入训练图像的特殊模式,而不是其包含的一般模式。因此可以采用逐步减小数据模板大小的方法使得数据事件可以在训练图像中找到足够多的重复。具体方法是:如果重复数c(d(u))小于某个设定的下限rmin,那么就先去除离u最远的节点,此时的条件数据数目就变为n-1。在搜索树中寻找对应于这n-1个节点情况下的条件概率,如果此时的c(d(u))仍然小于rmin,就继续去除现在数据模板中距u最远的节点,然后在搜索树中寻找对应这n-2个条件数据的条件概率。如此重复下去,如果数据模板中的条件数据数目下降到n=1,并且此时c(d(u))仍然小于rmin,那么就用各状态值sk的边缘概率来作为u的条件概率。
根据上述技术方案得到的本发明具体实验如下(如图5-8所示):
在本实施例中,实验所用多孔介质体数据是在北京同步辐射装置4W1A束线形貌站采集的。实验使用的X射线能量是24KeV,波长为 探测器使用的是X射线CCD成像系统,其像素分辨率为10.9μm,灰度分辨率为8bits,曝光时间100ms。实验样品为直径3mm的圆柱形砂岩,平均孔隙度在17%左右。
本实施例取80×80×80体素的砂岩体数据进行实验,图5(a)为砂岩体数据的外表面图。图5(b)为该体数据在三个方向的正交剖面图(X=40,Y=40,Z=40),图5(c)为该体数据隐藏骨架后所得到的孔隙结构图。将体数据在水平方向的各层二维切面图像从上向下编号(1到80),附图6为这些图像的孔隙度曲线图,平均孔隙度为0.1778。
在本实施例中,对体数据进行水平方向的截取,可获得其二维的水平切面图像。从体数据中选取一幅接近其平均孔隙度的水平切面图像(80×80像素)作为初始训练图像(该图像在体数据中的层号为35,孔隙度为0.1787),如图7(a)所示。采样点提取模板T设置为3×3,提取图7(a)中0.5%的像素点作为采样点,并且确保其中孔隙点的比例接近训练图像的孔隙度。实施例中孔隙点占采样点的比例是0.1563。图7(b)是训练图像的采样点图,图7(c)是利用多点统计方法重构的结果图像。可以看出图7(c)具有与图7(a)相似的孔隙结构,再现了图7(a)中孔隙不规则的特征模式。
在本实施例中,不断地将新产生的二维重构图像作为训练图像,并提取每幅训练图像中的采样点作为条件数据,再利用多点统计方法模拟其下层图像。根据上述方法,共得到79幅二维重构图像。将初始训练图像与这些重构图像依次叠加,得到80×80×80体素的多孔介质三维重构图像。该重构图像的平均孔隙度为0.1789。图8(a)为该三维重构图像的外表面图,图8(b)为其在三个方向的正交剖面图(X=40,Y=40,Z=40),图8(c)为附图8(a)隐藏骨架后所得到的孔隙结构图。
通过比较重构的三维多孔介质图像(见图8a-图8c)与真实情况下的多孔介质体数据(见图5a-图5c),可以看出重构图像在铅直和水平方向具有与真实情况相似的不规则的孔隙和骨架结构,并且重现了真实情况下孔隙复杂的长连通性特征。
变差函数能够反映地质变量在某个方向上空间结构变化的相关性。如果两 幅图像中的某个状态值在同一个方向上具有相似的变差函数曲线,那么可以说明这两幅图像中的该状态值在此方向上具有相似的结构特征。可以获得多点统计方法重构的三维多孔介质图像和体数据在X、Y、Z方向的孔隙变差函数曲线,如图9(a)、图9(b)、图9(c)所示,多点统计方法重构图像和体数据在X、Y和Z方向的孔隙变差函数呈现出相似的变化趋势,说明该重构图像与真实情况下砂岩的孔隙结构非常接近。
上述利用本发明提供的方法重构砂岩样品的三维拓扑结构,得到的结果图像再现了与真实情况相似的多孔介质的结构特征。而最初的训练图像是二维平面图像,与直接获取三维图像的方法相比,二维图像较易获取并拥有更高的分辨率,因此对于一些只能获取二维平面图像的地质结构体而言,利用本发明提供的方法都可以对其进行拓扑结构重构。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.基于二维图像和多点统计方法的多孔介质三维重构方法,其特征在于,所述方法包括如下步骤:
(1)利用二维的多重数据模板扫描二维训练图像,建立搜索树;
(2)利用采样点提取模板遍历多孔介质的二维训练图像提取采样点,并将提取得到的采样点作为初始条件数据分配到最近的网格节点上;
(3)定义一条随机路径访问所有待模拟节点;对随机路径上的每一个节点,利用与步骤(1)中相同的多重模板提取其条件数据事件,然后从搜索树上获取该点的条件概率分布函数;利用计算机随机模拟方法提取该点的随机模拟值,并将该模拟值作为后续模拟新增的条件数据;继续模拟随机路径上的其他节点,直到模拟生成一幅新的二维图像;
(4)将由步骤(3)模拟得到的新的二维图像作为步骤(1)中的训练图像,重复步骤(1)到步骤(3)生成其下一层图像;
(5)循环步骤(1)到步骤(4)直至得到N幅新的二维模拟图像,并将每幅二维图像的每个像素对应成三维空间的一个体素,而体素状态值即其对应像素点的状态值;将步骤(1)中最初的训练图像和这N幅图像依次叠加,形成N+1层的多孔介质三维结构。
2.根据权利要求1所述的基于二维图像和多点统计方法的多孔介质三维重构方法,其特征在于,所述步骤(1)中最初的训练图像为微米精度的多孔介质二维薄片图像。
3.根据权利要求1所述的基于二维图像和多点统计方法的多孔介质三维重构方法,其特征在于,所述步骤(1)中进行扫描二维训练图像时,可采用逐步减少数据模板大小的方法以使数据事件在训练图像中获得足够多的重复。
4.根据权利要求1所述的基于二维图像和多点统计方法的多孔介质三维重构方法,其特征在于,所述步骤(3)定义随机路径时,可以先利用数据模板遍历整个待模拟区域,统计每个待模拟点周围条件数据的数目,优先模拟那些条件数据较多的节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910198437XA CN101706966B (zh) | 2009-11-06 | 2009-11-06 | 基于二维图像和多点统计方法的多孔介质三维重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910198437XA CN101706966B (zh) | 2009-11-06 | 2009-11-06 | 基于二维图像和多点统计方法的多孔介质三维重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101706966A CN101706966A (zh) | 2010-05-12 |
CN101706966B true CN101706966B (zh) | 2011-11-16 |
Family
ID=42377188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910198437XA Expired - Fee Related CN101706966B (zh) | 2009-11-06 | 2009-11-06 | 基于二维图像和多点统计方法的多孔介质三维重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101706966B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2761329B1 (fr) | 2011-09-30 | 2016-01-13 | Total SA | Procede de validation d'image d'entrainement pour la modelisation geostatistique multipoint du sous-sol |
CN104066536B (zh) * | 2011-12-28 | 2016-12-14 | 阿卡姆股份公司 | 用于制造多孔三维物品的方法 |
CN102799717B (zh) * | 2012-06-29 | 2014-12-31 | 上海大学 | 一种基于样本学习的多孔介质建模方法 |
US9121971B2 (en) * | 2012-08-01 | 2015-09-01 | Chevron U.S.A. Inc. | Hybrid method of combining multipoint statistic and object-based methods for creating reservoir property models |
CN103303046A (zh) * | 2013-04-09 | 2013-09-18 | 上海欣旺壁纸有限公司 | 一种壁纸压花轮模具的设计方法及其应用 |
CN104504754B (zh) * | 2014-12-29 | 2017-09-01 | 中国石油天然气股份有限公司 | 一种油气储层多点统计建模的方法及装置 |
CN105354873B (zh) * | 2015-09-18 | 2018-07-06 | 四川大学 | 用于多孔介质三维重构的模式密度函数模拟方法 |
CN106887040B (zh) * | 2015-12-16 | 2019-10-11 | 中国石油大学(北京) | 多点地质统计学建模方法和装置 |
CN107192642B (zh) * | 2017-05-25 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种大气气溶胶颗粒的微物理模型构建方法 |
CN108416841B (zh) * | 2018-01-22 | 2021-05-28 | 中国地质大学(武汉) | 基于局部搜索策略的多点统计三维地质模型自动重构方法 |
CN109255147A (zh) * | 2018-07-27 | 2019-01-22 | 中国地质大学(武汉) | 顾及样本数据分布特征的多点地质统计学随机模拟方法 |
CN109801375B (zh) * | 2019-01-24 | 2021-02-09 | 电子科技大学 | 基于深度卷积对抗神经网络的多孔质材料三维重构方法 |
CN111223186B (zh) * | 2020-01-15 | 2022-03-25 | 中南大学 | 三维随机孔结构模型的物理建模方法、系统和设备 |
CN111415407B (zh) * | 2020-03-27 | 2023-04-07 | 西北民族大学 | 一种采用多模板系统提升三维重建图像性能的方法 |
CN111754627A (zh) * | 2020-05-30 | 2020-10-09 | 上海电力大学 | 一种结合卷积神经网络和页岩软数据的页岩重构方法 |
CN112179815B (zh) * | 2020-09-21 | 2022-04-05 | 西南石油大学 | 一种基于孔隙网络模型的单相非稳态渗流模型建立方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436303A (zh) * | 2008-12-25 | 2009-05-20 | 上海交通大学 | 从物体三维图像中获取四面体网格的方法 |
CN101558321A (zh) * | 2006-12-11 | 2009-10-14 | 皇家飞利浦电子股份有限公司 | 基于宏观信息的纤维跟踪 |
CN101556703A (zh) * | 2009-05-16 | 2009-10-14 | 中国石油大学(华东) | 基于连续切片图像的网络模型建立方法 |
-
2009
- 2009-11-06 CN CN200910198437XA patent/CN101706966B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101558321A (zh) * | 2006-12-11 | 2009-10-14 | 皇家飞利浦电子股份有限公司 | 基于宏观信息的纤维跟踪 |
CN101436303A (zh) * | 2008-12-25 | 2009-05-20 | 上海交通大学 | 从物体三维图像中获取四面体网格的方法 |
CN101556703A (zh) * | 2009-05-16 | 2009-10-14 | 中国石油大学(华东) | 基于连续切片图像的网络模型建立方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101706966A (zh) | 2010-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101706966B (zh) | 基于二维图像和多点统计方法的多孔介质三维重构方法 | |
Yang et al. | New pore space characterization method of shale matrix formation by considering organic and inorganic pores | |
Kamrava et al. | Enhancing images of shale formations by a hybrid stochastic and deep learning algorithm | |
Zhu et al. | Challenges and prospects of digital core-reconstruction research | |
Wu et al. | Reconstruction of 3D porous media using multiple-point statistics based on a 3D training image | |
CN104335042B (zh) | 从多孔介质的数字表征中选择代表性单元体积的高效方法 | |
Peth et al. | Three‐dimensional quantification of intra‐aggregate pore‐space features using synchrotron‐radiation‐based microtomography | |
Song et al. | Geological facies modeling based on progressive growing of generative adversarial networks (GANs) | |
Al-Raoush et al. | Extraction of physically realistic pore network properties from three-dimensional synchrotron X-ray microtomography images of unconsolidated porous media systems | |
Wu et al. | Multiscale modeling of shale samples based on low-and high-resolution images | |
CN104331579A (zh) | 一种低渗透储层原油边界层的模拟方法 | |
Dong et al. | 3D pore-type digital rock modeling of natural gas hydrate for permafrost and numerical simulation of electrical properties | |
Sun et al. | Structural regeneration of fracture-vug network in naturally fractured vuggy reservoirs | |
CN101706956A (zh) | 一种利用多点地质统计法重构图像统计信息的方法 | |
Jiang et al. | Permeability estimation of porous media by using an improved capillary bundle model based on micro-CT derived pore geometries | |
Zhao et al. | 3D tight sandstone digital rock reconstruction with deep learning | |
Ji et al. | An improved method for reconstructing the digital core model of heterogeneous porous media | |
Cui et al. | Multiple-point geostatistical simulation based on conditional conduction probability | |
Li et al. | Super-dimension-based three-dimensional nonstationary porous medium reconstruction from single two-dimensional image | |
Li et al. | Advances in the application of deep learning methods to digital rock technology. | |
Chen et al. | Deep convolutional generative adversarial networks for modeling complex hydrological structures in Monte-Carlo simulation | |
Ebadi et al. | Strengthening the digital rock physics, using downsampling for sub-resolved pores in tight sandstones | |
Karimpouli et al. | Multistep Super Resolution Double-U-net (SRDUN) for enhancing the resolution of Berea sandstone images | |
Gao et al. | Modeling of meandering river deltas based on the conditional generative adversarial network | |
Ji et al. | A hybrid method for reconstruction of three-dimensional heterogeneous porous media from two-dimensional images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111116 Termination date: 20141106 |
|
EXPY | Termination of patent right or utility model |