CN103713316A - 一种基于岩石孔隙数字表征的速度预测方法及装置 - Google Patents
一种基于岩石孔隙数字表征的速度预测方法及装置 Download PDFInfo
- Publication number
- CN103713316A CN103713316A CN201210379881.3A CN201210379881A CN103713316A CN 103713316 A CN103713316 A CN 103713316A CN 201210379881 A CN201210379881 A CN 201210379881A CN 103713316 A CN103713316 A CN 103713316A
- Authority
- CN
- China
- Prior art keywords
- rock
- digital representation
- model
- hole
- effective medium
- 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.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 184
- 239000011148 porous material Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 238000006467 substitution reaction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 description 9
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011496 digital image analysis Methods 0.000 description 2
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000010430 carbonatite Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于岩石孔隙数字表征的速度预测方法，包括：根据岩石样本建立岩石孔隙结构的立体图像；通过图像处理技术根据所述岩石孔隙结构的立体图像识别和提取岩石样本的孔隙；对所识别和提取的孔隙进行数字表征计算，获得各个孔隙的数字表征；所述孔隙的数字表征用于描述该孔隙的形状属性；根据所获得各个孔隙的数字表征，分析岩石样本孔隙结构特征，从岩石等效介质模型库中选择适合该岩石样本孔隙结构的岩石等效介质模型；将所述孔隙的数字表征代入所选择的岩石等效介质模型中，进行速度预测。通过本发明的速度预测方法及装置，由于选择了适合该岩石样本孔隙结构的模型，为所选计算模型提供了准确的输入参数，从而提高了速度预测精度。
Description
技术领域
本发明涉及油气地球物理勘探领域，特别是一种基于岩石孔隙数字表征的速度预测方法及装置。
背景技术
随着油气勘探开发的深入，碳酸盐岩、致密砂岩等复杂孔隙储层逐渐成为我国勘探生产的重点与难点。这类储层普遍具有非均质性强、岩石类型多样、孔隙尺寸变化大、孔隙形状多变和流体分布复杂等特点，采用常规地震反演与解释方法很难直接进行储层和油气定量检测，地球物理技术也面临着前所未有的挑战。
油、气、地下水等流体资源储集在储集岩的多孔介质中,储层岩石骨架颗粒的几何形状、孔隙空间分布形态等微观结构特征对岩石的弹性性质和流体分布有着重要的影响。在理论方面，国内外学者发展了层状模型、球形孔隙模型、包含体模型和接触模型等一系列等效介质模型（马淑芳等，2010）。但每种模型的假设条件和对复杂孔隙介质的处理方法是不一样的。例如，球形孔隙模型假设岩石是由颗粒和球状孔隙组成的集合体，经典的Gassmann方程和Biot理论都属于这一类；包含体模型则假设岩石是由颗粒和球形或椭球形的包含体所组成的集合体，其中的Wu包含体模型计算了含针状和圆盘状包含体的岩石等效弹性模量，Berrymann推导出含椭圆形包含体的岩石等效弹性模量，但是对于含针状、盘状和硬币状包含体的饱含流体岩石必须谨慎使用。在实际应用中，需要分析目标岩石结构特征优选适合的预测模型。另外，这些理论模型所涉及的孔隙形状及其体积含量等输入参数不易直接获取，通常基于人为假设或经验参数进行理论模型正演计算，缺乏准确的孔隙结构特征参数，或者对于不同地区采用相同的参数（例如，Xuwhite模型把砂岩相关的孔隙纵横比均设为0.1），不可避免地会引入人为误差和不确定性。这对于地区差异显著的地质岩石问题来说，难免有所不足
另一方面，目前的地震岩石物理技术对岩石类型、组分和孔隙度等宏观特征关注较多，通过实验手段所获得的反映骨架、孔隙空间几何性质的参数（如粒度组成、比面、孔隙度、渗透率等）大多为岩石的宏观性质,缺少必要手段和科学合理的方法进行孔隙级别上的定量描述，无法给出微观尺度上的孔隙、骨架结构特征，对孔隙级别的尺寸、形状、结构和分布特征的定量化表征还有待进一步加强，而这些参数又是很多常用地震岩石物理理论模型所需要的。目前两者基本上还处在各自独立发展的阶段，并未充分有机结合起来。因此，发展一种有效的孔隙结构数字表征方法，并结合地震岩石物理模型进行速度预测具有重要意义。
发明内容
本发明的主要目的在于解决现有技术中存在的问题，提供一种基于岩石孔隙数字表征的速度预测方法及装置。
本发明的目的是通过下述技术方案予以实现的：
一种基于岩石孔隙数字表征的速度预测方法，其特征在于，包括：
根据岩石样本建立岩石孔隙结构的立体图像；
通过图像处理技术根据所述岩石孔隙结构的立体图像识别和提取岩石样本的孔隙；
对所识别和提取的孔隙进行数字表征计算，获得各个孔隙的数字表征；所述孔隙的数字表征用于描述该孔隙的形状属性；
根据所获得各个孔隙的数字表征，分析岩石样本孔隙结构特征，从岩石等效介质模型库中选择适合该岩石样本孔隙结构的岩石等效介质模型；
将所述孔隙的数字表征代入所选择的岩石等效介质模型中，进行速度预测。
所述根据岩石样本建立岩石孔隙结构的立体图像，包括：
采集目标岩石区域的岩石样本；
通过扫描设备对所述岩石样本进行扫描成像，建立岩石孔隙结构的立体图像。
所述计算获得的孔隙数字表征，包括：孔隙纵横比、圆度、等效圆半径、长轴长度。
所述从岩石等效介质模型库中选择适合该岩石样本孔隙结构的岩石等效介质模型中，依据如下匹配表来进行岩石等效介质模型的选取：
| 模型 | 圆度 | 纵横比 |
| Hill模型 | (0.9,1) | (0.9,1) |
| Berrymann模型 | (0.5,0.9) | (0.8,1) |
| KusterToksoz模型 | (0.5,0.9) | (0.5,0.8) |
| Wu模型 | 小于0.5 | 小于0.5。 |
一种基于岩石孔隙数字表征的速度预测装置，其特征在于，包括：图像建立模块、孔隙识别提取模块、数字表征计算模块、岩石等效介质模型选择模块和速度预测模块；
所述图像建立模块，用于根据岩石样本建立岩石孔隙结构的立体图像；
所述孔隙识别提取模块，用于通过图像处理技术根据所述岩石孔隙结构的立体图像识别和提取岩石样本的孔隙；
所述数字表征计算模块，用于对所识别和提取的孔隙进行数字表征计算，获得各个孔隙的数字表征；所述孔隙的数字表征用于描述该孔隙的形状属性；
所述岩石等效介质模型选择模块，用于根据所获得各个孔隙的数字表征，分析岩石样本孔隙结构特征，从岩石等效介质模型库中选择适合该岩石样本孔隙结构的岩石等效介质模型；
所述速度预测模块，用于将所述孔隙的数字表征代入所选择的岩石等效介质模型中，进行速度预测。
所述图像建立模块，包括：采样模块和扫描设备；
所述采样模块，用于采集目标岩石区域的岩石样本；
所述扫描设备，用于对所述岩石样本进行扫描成像，建立岩石孔隙结构的立体图像。
所述数字表征计算模块中计算获得的孔隙数字表征，包括：孔隙纵横比、圆度、等效圆半径、长轴长度。
所述岩石等效介质模型选择模块，依据如下匹配表来进行岩石等效介质模型的选取：
| 模型 | 圆度 | 纵横比 |
| Hill模型 | (0.9,1) | (0.9,1) |
| Berrymann模型 | (0.5,0.9) | (0.8,1) |
| Kuster-Toksoz模型 | (0.5,0.9) | (0.5,0.8) |
| Wu模型 | 小于0.5 | 小于0.5。 |
通过本发明实施例，带来的有益效果：通过建立岩石孔隙结构的立体图像，准确快速地获取多孔岩石的内部结构图像，进行数字化定量表征，全面反映目标区岩石的微观孔隙结构。根据数字成像表征结果，分析目标区的岩石孔隙结构特征，优选适合的岩石等效介质模型。同时，通过数字图像分析结果，确定对应岩石等效介质模型所需要的、与孔隙结构有关的数字表征。通过本发明的速度预测方法，由于选择了适合该岩石样本孔隙结构的模型，同时也为所选计算模型提供了准确的输入参数，从而提高了速度预测精度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为基于岩石孔隙数字表征的速度预测方法流程图；
图2为基于岩石孔隙数字表征的速度预测装置结构图；
图3为典型样品的孔隙分布图；
图4为速度预测结果比较图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
本发明的目的在于弥补上述技术中存在的不足，将岩石样本的扫描成像、数字表征和地震岩石物理速度预测模型有机结合起来，依据目标岩石的孔隙结构数字成像表征结果，优选理论模型，并为其提供准确的孔隙结构参数输入，形成一种基于岩石孔隙数字表征的速度预测方法及装置。
图1为基于岩石孔隙数字表征的速度预测方法流程图。为实现上述目的，本发明所采用的速度预测方法，包括：
101、根据岩石样本建立岩石孔隙结构的立体图像；
通过该步骤将岩石样本的孔隙结构进行图像数字化，以便于后续进行相关数据处理。
102、通过图像处理技术根据所述岩石孔隙结构的立体图像识别和提取岩石样本的孔隙；
基于步骤101所建立的岩石样本孔隙结构的数字化立体图像，通过图像处理技术对该立体图像进行特征识别，识别和提取其中的岩石样本的孔隙。这里，所述的用于识别和提取立体图像中的孔隙的图像处理技术可以采用多种现已成熟的技术。比如，最大类间方差法、区域生长算法。该图像处理技术并非本发明保护的重点所在。
103、对所识别和提取的孔隙进行数字表征计算，获得各个孔隙的数字表征；所述孔隙的数字表征用于描述该孔隙的形状属性；
对岩石孔隙的描述方法有很多，但并不是每种参数都是必要和有效的，这就需要根据拟解决的问题或是后续所提供的计算模型类型来确定所需获得的孔隙数字表征。
104、根据所获得各个孔隙的数字表征，分析岩石样本孔隙结构特征，从岩石等效介质模型库中选择适合该岩石样本孔隙结构的岩石等效介质模型；
正如本发明前面所述，目前在地震岩石物理理论研究方面，国内外学者发展了层状模型、球形孔隙模型、包含体模型和接触模型等一系列等效介质模型。但每种模型的假设条件和对复杂孔隙介质的处理方法是不一样的。例如，如果孔隙呈统计均匀分布，则选用Hill模型计算岩石估计速度，如果孔隙是随机、稀疏分布的，且孔隙度较低，则选用Kuster-Toksoz模型；对于孔隙形状以椭圆状为主，并且呈随机、孤立、稀疏分布的情况，如果孔隙度较低，则选用Kuster-Toksoz模型，如果不含或含针状、圆盘状或硬币状孔隙较少，则选用Berrymann模型；对于以针状或圆盘状为主的情况，如果孔隙分布统计均匀，则可选用Wu模型；对于孔隙形状规律不明显的情况，则直接选用纵横比参数，但要综合考虑岩石和孔隙特征，选用Xu-White模型或Korringa模型等等。
本步骤根据前面所获得的各个孔隙的数字表征结果，统计分析岩石样本的孔隙结构特征。并依此优选适合的岩石等效介质模型，以提高模型的适用性。
105、将所述孔隙的数字表征代入所选择的岩石等效介质模型中，进行速度预测。
由于，各个岩石等效介质模型均已给出在该模型下进行速度预测的算法。因此，本发明在前述步骤103计算得到孔隙的数字表征，以及步骤104选择适合的岩石等效介质模型的条件下，只需将孔隙的数字表征代入对应岩石等效介质模型的速度预测算法中即可。其中，具体各个岩石等效介质模型的速度预测算法由于已是现有技术，在此就不再熬述。
与现有的相关方法相比，本发明的优势在于通过建立岩石孔隙结构的立体图像，准确快速地获取多孔岩石的内部结构图像，进行数字化定量表征，全面反映目标区岩石的微观孔隙结构。根据数字成像表征结果，分析目标区的岩石孔隙结构特征，优选适合的岩石等效介质模型。同时，通过数字图像分析结果，确定对应岩石等效介质模型所需要的、与孔隙结构有关的数字表征。通过本发明的速度预测方法，由于选择了适合该岩石样本孔隙结构的模型，并为所选计算模型提供了准确的输入参数，从而提高了速度预测精度。
在所述步骤101的根据岩石样本建立岩石孔隙结构的立体图像过程中，本实施例是采用的扫描成像技术实现的，具体包括：
101a、采集目标岩石区域的岩石样本；
应注意所采集的岩石样本应符合扫描设备的扫描规格要求。
101b、通过扫描设备对所述岩石样本进行扫描成像，建立岩石孔隙结构的立体图像。
本实施例中所采用的扫描设备为CT扫描机。
如前所述，对岩石孔隙的描述方法有很多，但并不是每种参数都是必要和有效的，因此需要根据拟解决的问题或是后续所提供的计算模型类型来确定所需获得的孔隙数字表征。基于此，本实施例中，所述步骤103中计算获得的孔隙数字表征，包括：孔隙纵横比、圆度、等效圆半径、长轴长度。其中，孔隙纵横比是指短轴与长轴长度之比，等效圆半径是指与目标孔隙具有相同面积的圆的半径，圆度定义为：
另外，在所述步骤104中，如何根据岩石样本孔隙结构特征选择最适合的岩石等效介质模型，是提高速度预测精度的关键。因此，在本实施例中，申请人设计依据如下匹配表来进行岩石等效介质模型的选取：
| 模型 | 圆度 | 纵横比 |
| Hill模型 | (0.9,1) | (0.9,1) |
| Berrymann模型 | (0.5,0.9) | (0.8,1) |
| Kuster-Toksoz模型 | (0.5,0.9) | (0.5,0.8) |
| Wu模型 | 小于0.5 | 小于0.5 |
表1
应当指出的是，上面所给出的匹配表仅为本发明一种可行实施例所采用的匹配表。本领域技术人员根据实际拟解决的问题可以对所提供匹配的岩石等效介质模型类型和具体匹配的数字表征参数进行调整。无论对上述匹配表作出何种调整，均应视为在本发明的保护范围之内。
图2为基于岩石孔隙数字表征的速度预测装置结构图。该速度预测装置，包括：图像建立模块、孔隙识别提取模块、数字表征计算模块、岩石等效介质模型选择模块和速度预测模块。
所述图像建立模块，用于根据岩石样本建立岩石孔隙结构的立体图像；
所述孔隙识别提取模块，用于通过图像处理技术根据所述岩石孔隙结构的立体图像识别和提取岩石样本的孔隙；
所述数字表征计算模块，用于对所识别和提取的孔隙进行数字表征计算，获得各个孔隙的数字表征；所述孔隙的数字表征用于描述该孔隙的形状属性；
所述岩石等效介质模型选择模块，用于根据所获得各个孔隙的数字表征，分析岩石样本孔隙结构特征，从岩石等效介质模型库中选择适合该岩石样本孔隙结构的岩石等效介质模型；
所述速度预测模块，用于将所述孔隙的数字表征代入所选择的岩石等效介质模型中，进行速度预测。
本发明所提供的速度预测装置，根据数字成像表征结果，分析目标区的岩石孔隙结构特征，优选适合的岩石等效介质模型。由于选择了适合该岩石样本孔隙结构的模型，从而提高了速度预测精度。
所述图像建立模块，包括：采样模块和扫描设备。
所述采样模块，用于采集目标岩石区域的岩石样本；
所述扫描设备，用于对所述岩石样本进行扫描成像，建立岩石孔隙结构的立体图像。
如前所述，对岩石孔隙的描述方法有很多，但并不是每种参数都是必要和有效的，因此需要根据拟解决的问题或是后续所提供的计算模型类型来确定所需获得的孔隙数字表征。基于此，本实施例中，所述数字表征计算模块中计算获得的孔隙数字表征，包括：孔隙纵横比、圆度、等效圆半径、长轴长度。
另外，在所述岩石等效介质模型选择模块中，如何根据岩石样本孔隙结构特征选择最适合的岩石等效介质模型，是提高速度预测精度的关键。因此，在本实施例中，申请人设计依据如下匹配表来进行岩石等效介质模型的选取：
| 模型 | 圆度 | 纵横比 |
| Hill模型 | (0.9,1) | (0.9,1) |
| Berrymann模型 | (0.5,0.9) | (0.8,1) |
| Kuster-Toksoz模型 | (0.5,0.9) | (0.5,0.8) |
| Wu模型 | 小于0.5 | 小于0.5 |
表1
应当指出的是，上面所给出的匹配表仅为本发明一种可行实施例所采用的匹配表。本领域技术人员根据实际拟解决的问题可以对所提供匹配的岩石等效介质模型类型和具体匹配的数字表征参数进行调整。无论对上述匹配表作出何种调整，均应视为在本发明的保护范围之内。
下面给出一个本发明具体的应用实施例：
（1）岩样采集与岩心制备：岩样的采集与制备，一方面要能反映目标区的典型特征，本实例采集某目标区域的14块岩样样品。另一方面还要充分考虑设备的测试条件和要求，本实施例所用设备岩心扫描最大尺寸为直径120mm×高150mm，但为了获得较高精度的扫描效果，岩心尺寸应尽可能小。
岩心扫描：本实施例采用某公司的Nano-Tom CT设备对采集到的岩样进行扫描。
图像重建：对岩心进行CT扫描可得到模拟视频信号，通过图像采集系统转化为数字信号传入计算机，以一系列原始二维图像的形式显示和存储。为了能够得到更加直观反映孔隙系统的图像，还需要对这些原始图像进行三维重构。
（2）岩心孔隙特征提取：利用图像处理方法对岩心CT扫描的图像进行特征识别与提取，最终可得到岩石骨架和孔隙特征分布图，图3所示为其中一块典型样品的孔隙分布。
（3）数字表征计算：本实施例的模型库主要由表1中的模型所组成，这些模型主要涉及岩石孔隙形态、尺寸及分布等特征。因此，本实施例主要计算孔隙的局部孔隙率和等效半径以衡量孔隙的尺寸、面积周长比和纵横比以衡量孔隙的形状。根据计算及统计结果，本实施例14块岩石样品的孔隙均以纵横比较小的扁椭圆形为主。
（4）模型优选：根据上述对目标区岩样的成像与表征分析，孔隙度分布在2％～14％之间，属于致密砂岩，孔隙形状则以纵横比较小的椭圆形为主。基于此，选择Kuster-Toksoz模型。
（5）速度预测：将前面提取出的数字表征：孔隙度、孔隙纵横比值和针形孔隙含量代入Kuster-Toksoz模型进行速度预测，所得结果如图4所示。其中圆点是传统的Gassmann方法所预测的结果，三角形代表本发明所述方法及装置预测的结果。可见，通过本发明所述方法及装置预测的结果精度得到明显提高。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于岩石孔隙数字表征的速度预测方法，其特征在于，包括：
根据岩石样本建立岩石孔隙结构的立体图像；
通过图像处理技术根据所述岩石孔隙结构的立体图像识别和提取岩石样本的孔隙；
对所识别和提取的孔隙进行数字表征计算，获得各个孔隙的数字表征；所述孔隙的数字表征用于描述该孔隙的形状属性；
根据所获得各个孔隙的数字表征，分析岩石样本孔隙结构特征，从岩石等效介质模型库中选择适合该岩石样本孔隙结构的岩石等效介质模型；
将所述孔隙的数字表征参数代入所选择的岩石等效介质模型中，进行速度预测。
2.如权利要求1所述的基于岩石孔隙数字表征的速度预测方法，其特征在于：所述根据岩石样本建立岩石孔隙结构的立体图像，包括：
采集目标岩石区域的岩石样本；
通过扫描设备对所述岩石样本进行扫描成像，建立岩石孔隙结构的立体图像。
3.如权利要求1所述的基于岩石孔隙数字表征的速度预测方法，其特征在于：
所述计算获得的孔隙数字表征，包括：孔隙纵横比、圆度、等效圆半径、长轴长度。
4.如权利要求1所述的基于岩石孔隙数字表征的速度预测方法，其特征在于：
所述从岩石等效介质模型库中选择适合该岩石样本孔隙结构的岩石等效介质模型中，依据如下匹配表来进行岩石等效介质模型的选取：
5.一种基于岩石孔隙数字表征的速度预测装置，其特征在于，包括：图像建立模块、孔隙识别提取模块、数字表征计算模块、岩石等效介质模型选择模块和速度预测模块；
所述图像建立模块，用于根据岩石样本建立岩石孔隙结构的立体图像；
所述孔隙识别提取模块，用于通过图像处理技术根据所述岩石孔隙结构的立体图像识别和提取岩石样本的孔隙；
所述数字表征计算模块，用于对所识别和提取的孔隙进行数字表征计算，获得各个孔隙的数字表征；所述孔隙的数字表征用于描述该孔隙的形状属性；
所述岩石等效介质模型选择模块，用于根据所获得各个孔隙的数字表征，分析岩石样本孔隙结构特征，从岩石等效介质模型库中选择适合该岩石样本孔隙结构的岩石等效介质模型；
所述速度预测模块，用于将所述孔隙的数字表征代入所选择的岩石等效介质模型中，进行速度预测。
6.如权利要求5所述的基于岩石孔隙数字表征的速度预测装置，其特征在于：所述图像建立模块，包括：采样模块和扫描设备；
所述采样模块，用于采集目标岩石区域的岩石样本；
所述扫描设备，用于对所述岩石样本进行扫描成像，建立岩石孔隙结构的立体图像。
7.如权利要求5所述的基于岩石孔隙数字表征的速度预测装置，其特征在于：所述数字表征计算模块中计算获得的孑L隙数字表征，包括：孔隙纵横比、圆度、等效圆半径、长轴长度。
8.如权利要求5所述的基于岩石孔隙数字表征的速度预测装置，其特征在于：所述岩石等效介质模型选择模块，依据如下匹配表来进行岩石等效介质模型的选取：
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210379881.3A CN103713316B (zh) | 2012-10-09 | 2012-10-09 | 一种基于岩石孔隙数字表征的速度预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210379881.3A CN103713316B (zh) | 2012-10-09 | 2012-10-09 | 一种基于岩石孔隙数字表征的速度预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103713316A true CN103713316A (zh) | 2014-04-09 |
| CN103713316B CN103713316B (zh) | 2016-08-10 |
Family
ID=50406438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210379881.3A Active CN103713316B (zh) | 2012-10-09 | 2012-10-09 | 一种基于岩石孔隙数字表征的速度预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103713316B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105158796A (zh) * | 2015-09-16 | 2015-12-16 | 中国石油天然气股份有限公司 | 确定toc含量的方法和装置 |
| CN106716114A (zh) * | 2015-09-11 | 2017-05-24 | 数岩科技（厦门）股份有限公司 | 多孔介质分析系统和方法 |
| CN107992591A (zh) * | 2017-12-11 | 2018-05-04 | 深圳云天励飞技术有限公司 | 人物搜索方法及装置、电子设备和计算机可读存储介质 |
| CN108693094A (zh) * | 2018-04-19 | 2018-10-23 | 中国石油天然气股份有限公司 | 复杂孔隙储层岩石波速预测方法及装置 |
| CN108957580A (zh) * | 2017-05-22 | 2018-12-07 | 中国石油化工股份有限公司 | 一种反演页岩地层孔隙结构的方法 |
| CN108956420A (zh) * | 2018-07-10 | 2018-12-07 | 哈尔滨工业大学 (深圳) | 一种混凝土孔隙特征提取方法及系统 |
| CN108982320A (zh) * | 2018-07-10 | 2018-12-11 | 中国海洋石油集团有限公司 | 一种利用粒度参数进行复杂孔隙结构储层渗透率计算方法 |
| CN111781051A (zh) * | 2020-07-09 | 2020-10-16 | 中国石油大学(北京) | 基于岩性和渗透率控制的人造砂砾岩岩心及其制备方法和应用 |
| CN112700395A (zh) * | 2019-10-17 | 2021-04-23 | 中国石油天然气股份有限公司 | 基于U-Net全卷积深度神经网络的微观孔隙识别方法 |
| CN113970783A (zh) * | 2020-07-22 | 2022-01-25 | 中国石油天然气股份有限公司 | 碳酸盐岩储层的预测方法及装置 |
| CN114819238A (zh) * | 2021-01-13 | 2022-07-29 | 新智数字科技有限公司 | 燃气锅炉的烟气含氧量预测方法及装置 |
| CN115018986A (zh) * | 2022-06-14 | 2022-09-06 | 长安大学 | 一种强构造活动区岩石微观结构信息解译及三维建模方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5648939A (en) * | 1992-03-27 | 1997-07-15 | Schlumberger Technology Corporation | Method of seismic processing |
| CN102222359A (zh) * | 2011-05-24 | 2011-10-19 | 中国石油天然气股份有限公司 | 一种岩心三维孔隙结构重构方法 |
| CN102445709A (zh) * | 2010-10-14 | 2012-05-09 | 中国石油大学(北京) | 与孔隙结构相关的全频带速度预测模型 |
-
2012
- 2012-10-09 CN CN201210379881.3A patent/CN103713316B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5648939A (en) * | 1992-03-27 | 1997-07-15 | Schlumberger Technology Corporation | Method of seismic processing |
| EP0562696B1 (en) * | 1992-03-27 | 1998-05-13 | Geco A.S. | A method of making a synthetic seismogram |
| CN102445709A (zh) * | 2010-10-14 | 2012-05-09 | 中国石油大学(北京) | 与孔隙结构相关的全频带速度预测模型 |
| CN102222359A (zh) * | 2011-05-24 | 2011-10-19 | 中国石油天然气股份有限公司 | 一种岩心三维孔隙结构重构方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王金伟: "虚拟孔隙度优化Xu-White模型法预测横波速度", 《断块油气田》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106716114B (zh) * | 2015-09-11 | 2020-06-09 | 数岩科技（厦门）股份有限公司 | 多孔介质分析系统和方法 |
| CN106716114A (zh) * | 2015-09-11 | 2017-05-24 | 数岩科技（厦门）股份有限公司 | 多孔介质分析系统和方法 |
| CN105158796B (zh) * | 2015-09-16 | 2017-09-01 | 中国石油天然气股份有限公司 | 确定toc含量的方法和装置 |
| CN105158796A (zh) * | 2015-09-16 | 2015-12-16 | 中国石油天然气股份有限公司 | 确定toc含量的方法和装置 |
| CN108957580A (zh) * | 2017-05-22 | 2018-12-07 | 中国石油化工股份有限公司 | 一种反演页岩地层孔隙结构的方法 |
| CN107992591A (zh) * | 2017-12-11 | 2018-05-04 | 深圳云天励飞技术有限公司 | 人物搜索方法及装置、电子设备和计算机可读存储介质 |
| CN108693094A (zh) * | 2018-04-19 | 2018-10-23 | 中国石油天然气股份有限公司 | 复杂孔隙储层岩石波速预测方法及装置 |
| CN108982320A (zh) * | 2018-07-10 | 2018-12-11 | 中国海洋石油集团有限公司 | 一种利用粒度参数进行复杂孔隙结构储层渗透率计算方法 |
| CN108956420A (zh) * | 2018-07-10 | 2018-12-07 | 哈尔滨工业大学 (深圳) | 一种混凝土孔隙特征提取方法及系统 |
| CN108982320B (zh) * | 2018-07-10 | 2021-03-02 | 中国海洋石油集团有限公司 | 一种利用粒度参数进行复杂孔隙结构储层渗透率计算方法 |
| CN108956420B (zh) * | 2018-07-10 | 2021-07-02 | 哈尔滨工业大学（深圳） | 一种混凝土孔隙特征提取方法及系统 |
| CN112700395A (zh) * | 2019-10-17 | 2021-04-23 | 中国石油天然气股份有限公司 | 基于U-Net全卷积深度神经网络的微观孔隙识别方法 |
| CN111781051A (zh) * | 2020-07-09 | 2020-10-16 | 中国石油大学(北京) | 基于岩性和渗透率控制的人造砂砾岩岩心及其制备方法和应用 |
| CN111781051B (zh) * | 2020-07-09 | 2021-06-25 | 中国石油大学(北京) | 基于岩性和渗透率控制的人造砂砾岩岩心及其制备方法和应用 |
| CN113970783A (zh) * | 2020-07-22 | 2022-01-25 | 中国石油天然气股份有限公司 | 碳酸盐岩储层的预测方法及装置 |
| CN113970783B (zh) * | 2020-07-22 | 2023-09-26 | 中国石油天然气股份有限公司 | 碳酸盐岩储层的预测方法及装置 |
| CN114819238A (zh) * | 2021-01-13 | 2022-07-29 | 新智数字科技有限公司 | 燃气锅炉的烟气含氧量预测方法及装置 |
| CN115018986A (zh) * | 2022-06-14 | 2022-09-06 | 长安大学 | 一种强构造活动区岩石微观结构信息解译及三维建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103713316B (zh) | 2016-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103713316B (zh) | 一种基于岩石孔隙数字表征的速度预测方法及装置 | |
| Xia et al. | Fractal dimension, lacunarity and succolarity analyses on CT images of reservoir rocks for permeability prediction | |
| Li et al. | Multi-scale quantitative characterization of 3-D pore-fracture networks in bituminous and anthracite coals using FIB-SEM tomography and X-ray μ-CT | |
| CN108763711B (zh) | 一种基于岩心扫描图像分块数值模拟的渗透率预测方法 | |
| Ni et al. | Quantitative 3D spatial characterization and flow simulation of coal macropores based on μCT technology | |
| Lin et al. | Construction of dual pore 3-D digital cores with a hybrid method combined with physical experiment method and numerical reconstruction method | |
| CN103353462B (zh) | 一种基于核磁共振成像的岩石非均质性定量评价方法 | |
| Karimpouli et al. | Stochastic modeling of coal fracture network by direct use of micro-computed tomography images | |
| Wang et al. | Numerical simulation of gas flow in artificial fracture coal by three-dimensional reconstruction based on computed tomography | |
| CN103026202A (zh) | 获取多孔介质的相容和综合物理性质的方法 | |
| Zhang et al. | GPU-accelerated 3D reconstruction of porous media using multiple-point statistics | |
| Jing et al. | Reconstruction and seepage simulation of a coal pore-fracture network based on CT technology | |
| Lin et al. | A method to select representative rock samples for digital core modeling | |
| Du | Prediction of permeability and its anisotropy of tight oil reservoir via precise pore-throat tortuosity characterization and “umbrella deconstruction” method | |
| Lin et al. | Digital characterization and fractal quantification of the pore structures of tight sandstone at multiple scales | |
| Chen et al. | Capillary pressure curve determination based on a 2‐D cross‐section analysis via fractal geometry: a bridge between 2‐D and 3‐D pore structure of porous media | |
| Liu et al. | Multicomponent digital core construction and three-dimensional micro-pore structure characterization of shale | |
| Wang et al. | Anisotropy of fracture and permeability in high-rank coal analyzed using digital rock physics | |
| Hao et al. | Quantitative characterization of pore-fracture structure of medium and high-rank coal based on micro-CT technology | |
| Du et al. | Using digital cores and nuclear magnetic resonance to study pore-fracture structure and fluid mobility in tight volcanic rock reservoirs | |
| Liang et al. | Analysis of seepage characteristics of complex pore structure rock by digital core method | |
| Wang et al. | Study on fracture characteristics in coal and shale for coal-measure gas reservoir based on 3D CT reconstruction and fractal features | |
| Chen et al. | Multifractal estimation of NMR T2 cut-off value in low-permeability rocks considering spectrum kurtosis: SMOTE-based oversampling integrated with machine learning | |
| Zhou et al. | Multi-scaling properties of 2D reservoir micro-pore heterogeneity based on digital casting thin-section images | |
| Hou et al. | Prediction of microscopic remaining oil distribution using fuzzy comprehensive evaluation |
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 |