CN106651839A - 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 - Google Patents
页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 Download PDFInfo
- Publication number
- CN106651839A CN106651839A CN201611027362.5A CN201611027362A CN106651839A CN 106651839 A CN106651839 A CN 106651839A CN 201611027362 A CN201611027362 A CN 201611027362A CN 106651839 A CN106651839 A CN 106651839A
- Authority
- CN
- China
- Prior art keywords
- hole
- organic
- shale
- inorganic
- pixel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001000 micrograph Methods 0.000 title abstract 4
- 239000005416 organic matter Substances 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims description 13
- 238000002389 environmental scanning electron microscopy Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 5
- 230000005012 migration Effects 0.000 abstract description 5
- 238000013508 migration Methods 0.000 abstract description 5
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 239000003079 shale oil Substances 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 239000003208 petroleum Substances 0.000 abstract description 2
- 238000010224 classification analysis Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 14
- 229910052500 inorganic mineral Inorganic materials 0.000 description 13
- 239000011148 porous material Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012916 structural analysis Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明主要属于石油天然气地质勘探技术领域，具体涉及页岩电镜图像中有机和无机孔隙自动识别和定量分析方法。所述自动识别方法利用扫描电镜对页岩样品进行扫描得到同时包含有机质、无机质和孔隙的电镜图像，对电镜图像进行图像分割按照灰度级将电镜图像分为有机质区、无机质区和孔隙区，在所述孔隙区根据孔隙的连通性分析得到孔隙的个数并对各孔隙进行标注，随后对各孔隙进行判断将孔隙识别区分为有机孔隙和无机孔隙。解决现有技术中没有方法实现对孔隙有效分类和定量分析的问题，为后续评价页岩储油储气能力、孔隙内的油和气的赋存状态、运移机理和能力提供基础。
Description
技术领域
本发明主要属于石油天然气地质勘探技术领域，具体涉及页岩电镜图像中有机和无机孔隙自动识别和定量分析方法。
背景技术
页岩中油和气主要赋存在页岩中的孔隙和裂隙中，孔隙度、孔隙类型、孔隙结构、孔径分布及连通性等参数对页岩油气的勘探开发至关重要。这些参数直接关系到页岩的储油和储气能力、油和气的赋存状态、运移机理和能力以及页岩的沉积演化过程，最终影响油气开采的难易程度和勘探开发价值。因此对页岩储层的孔隙研究与刻画有意义重大。只有准确了解了其孔隙特征才能制定出指导生产的勘探开发方案。
页岩孔隙按照发育的位置，可以分为有机孔隙和无机孔隙。有机孔隙主要分布在有机质周围和内部，而无机孔隙主要分布在无机矿物颗粒间或矿物内部。有机孔隙和无机孔隙的形成机理、储油和储气能力不同，孔隙内的油和气的赋存状态、运移机理和能力也不相同，因此需要分别进行分析。
目前对于页岩储层孔隙的分析已开展了大量研究，其中主要的测试技术手段有压汞法和气体吸附法，但这两种测试方法的结果展示的都是页岩整体的孔隙特征，不能将页岩中有机质孔隙和无机矿物孔隙进行分区。
而近几年普遍采用的电镜扫描方法，通过在页岩二维平面进行二次电子或背散射电子扫描成像，已经可以清晰看到孔隙的分布。但要达到区分有机质孔隙和无机矿物孔隙的定量描述，一般只能选择两个较小的区域，在这两个区域内，分别只有有机孔隙或无机孔隙，然后进行分析对比。这样的方法虽然达到了有机孔隙和无机孔隙的区分与分析，但是无法对任意一幅既有无机孔隙又有有机孔隙的扫描图像做有效识别和分析，没有普遍适用性，且选择的特定的小区域直接影响整体结论，结论也不具有整体代表性。
发明内容
基于上述问题，本发明提供了页岩电镜图像中有机和无机孔隙自动识别和定量分析方法，在页岩油气勘探中，采用扫描电镜识别孔隙的类型判断孔隙是无极孔隙或有机孔隙并对孔隙的结构分析表征。解决现有技术中没有方法实现对孔隙有效分类和定量分析的问题，为后续评价页岩储油储气能力、孔隙内的油和气的赋存状态、运移机理和能力提供基础。
本发明是通过以下技术方案实现的：
页岩电镜图像中有机和无机孔隙自动识别方法，所述自动识别方法利用扫描电镜对页岩样品进行扫描得到同时包含有机质、无机质和孔隙的电镜图像，对电镜图像进行图像分割按照灰度级将电镜图像分为有机质区、无机质区和孔隙区，在所述孔隙区根据孔隙的连通性分析得到孔隙的个数并对各孔隙进行标注，随后对各孔隙进行判断将孔隙识别区分为有机孔隙和无机孔隙。
进一步地，所述对各孔隙进行判断是指通过统计每个孔隙周围像素中有机质像素和无机质像素的数目，判断各孔隙周围是有机质还是无机质占的比重大；若无机质占优，则认为该孔隙为无机孔隙，否则，则为有机孔隙；所述占优是指相应像素数目比重大于50%。
进一步地，所述孔隙的连通性分析是指区域中任意两个像素能够连通则所述区域即为一个孔隙。
进一步地，所述两个像素能够连通是指，所述孔隙区的任意两个像素p和q，如果q在集合中则像素p和q是连通的；所述的含义是p周围的n个像素；n取4、6或8。
进一步地，对所述电镜图像进行图像分割前对所述电镜图像进行滤波处理，所述滤波处理可采用均值滤波、中值滤波、维纳滤波、高斯滤波、非局部均值滤波中的任一种。
进一步地，所述图像分割后还包括对异常点的剔除，所述异常点是指仅包含单个像素的孔隙。
进一步地，所述方法包括以下步骤，
（1）图像获取：采用扫描电镜对页岩样品进行扫描，得到电镜图像；
（2）图像预处理：对所述电镜图像进行滤波处理；
（3）图像分割：按照像素灰度级将滤波处理后的电镜图像分为有机质区、无机质区和孔隙区，将单像素空隙剔除；
（4）孔隙接触点判断：在所述孔隙区根据孔隙的连通性分析得到孔隙的个数并对各孔隙进行标注，统计每个孔隙周围像素中有机质像素和无机质像素的数目；
（5）孔隙类型判断：判断各孔隙周围是有机质还是无机质占的比重大；若无机质占优，则认为该孔隙为无机孔隙，否则，则为有机孔隙；所述占优是指相应像素数目比重大于50%。
页岩电镜图像中有机和无机孔隙自动分析方法，所述分析方法基于上述识别方法所得有机孔隙和无机孔隙的图像，分别对有机孔隙和无机孔隙进行数学分析，得到有机孔隙和无机孔隙的分析参数和描述参数。
进一步地，所述分析参数和描述参数包括孔隙的长度、宽度、周长、直径、面积、圆度、延伸率、方位角度、几何中心、椭圆拟合、积分密度。
本发明的有益技术效果：
（1）在页岩油气勘探中，采用扫描电镜识别孔隙的类型判断孔隙是无极孔隙或有机孔隙并对孔隙的结构分析表征。解决现有技术中没有方法实现对孔隙有效分类和定量分析的问题，为后续评价页岩储油储气能力、孔隙内的油和气的赋存状态、运移机理和能力提供基础。
（2）该方法具有普适性，可用于各种页岩的分析。
（3）本发明所用方法简单、可用于同时包含有机质、无机质和孔隙的大面积图像中，准确率高达100%。
附图说明
图1为本发明自动识别方法和分析方法基本流程图；
图2 a为本发明实施例页岩的扫描电镜图；
图2 b为本发明实施例页岩的扫描电镜图的放大图；
图3 a为本发明实施例页岩的滤波平滑图；
图3 b为本发明实施例页岩的滤波平滑图的放大图；
图4为本发明实施例页岩的分割图；
图5为本发明实施例连通的示意图；
图6 a为本发明实施例页岩的孔隙的直径——数量柱状分布图；
图6b为本发明实施例页岩的孔隙的直径——面积柱状分布图；
图6 c为本发明实施例页岩的有机孔隙和无机孔隙的直径——数量柱状分布图；
图6 d为本发明实施例页岩的有机孔隙和无机孔隙的直径——面积柱状分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例1
本实施例针对页岩样品进行孔隙分析，包括如下步骤 ：
1. 扫描电镜获取图像
页岩的扫描电镜图如图2 a所示。通过扫描电镜获取的图像大小为：4364*3520（像素），每个像素代表5 nm。即扫描区域大小长为21.82 um，宽为17.60 um。为了更好地显示图像的细节，图2 b为页岩的扫描电镜图的放大图。扫描对仪器本身型号没有要求。扫描电镜获取的图像大小不受限制，x方向和y方向的像素可以是任何数值。同样，每个像素大小也不受限制。扫描信号可以来自二次电子或背散射电子。
2. 图像预处理
主要包括图像滤波处理。我们采用非局部均值滤波，其中图像子块为3*3，对图像进行平滑处理，图3 a为本发明实施例页岩的滤波平滑图，图3 b为本发明实施例页岩的滤波平滑图的平滑图，可以看出通过该方法，图像在去除噪声的同时很好地保留图像的细节特征。
非局部均值（non-local means，简称NL-means）滤波，该方法是近年来研究人员提出的一种新型的去噪方法。该方法充分利用了图像中的冗余信息，在去噪的同时能够最大程度地保留图像的细节特征。其基本思想是：将图像中所有与当前像素点结构相似的像素点的加权平均作为当前像素点的估计值。如何衡量结构相似的像素点，也即如何确定权值系数，其做法是：对于每一个像素点的权值，采用以该像素点为中心的图像子块3*3、5*5、7*7、9*9等与当前像素点为中心的子块之间的高斯加权欧氏距离来计算。
3. 图像分割
因扫描图像为灰度图像，且有机质、无机质和孔隙三种的灰度值区分较明显，通过设定3个灰度阈值，把预处理后的图像的像素值分为3类有机质像素、无机质像素和孔隙像素。
孔隙、有机质和无机质设定的灰度阈值分为为：43和77。即孔隙的灰度值范围：0-43，有机质灰度值范围：44-77，无机质灰度值范围：78-255。
对图3采用阈值分割的方法，分割得到孔隙、有机质和无机矿物的分布图，并将异常点1个像素的孔隙剔除。如图4所示，其中黑色部分代表孔隙，灰色部分代表有机质，白色部分代表无机矿物。
该方法特别适用于目标占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此是进行图像分析之前必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
通过阈值分割，我们可以初步将扫描电镜下的页岩样品的孔隙、有机质和无机矿物区分开。但是由于阈值分割不考虑孔隙的真实存在的可能性，因此，需要将异常点剔除，例如：分割出单个像素的点是否为孔隙，在此我们认为此情况下不是孔隙，需要将其剔除。
4. 孔隙接触点判断
主要包括连通性分析，接触点类型统计。
首先对孔隙的连通性分析，并不是每一个单独的像素都定义为一个孔隙，而是一个区域中任意两个像素能够连通，则认为这是一个孔隙，这与数学上的连通定义相一致，简单来说：如图5所示，对于具有孔隙值的像素p和q，如果q在集合中（的含义是p周围的8个像素），则称这两个像素是8连通的。通过此定义，对孔隙的连通性进行分析，从而得到有多少个孔隙，并对每个孔隙的像素进行标注。
标注后孔隙的像素的值为1~M（M为孔隙总个数）。
标注的目的为区分每个孔隙，若像素彼此为一个孔隙，则标注值为相同，若像素属于不同孔隙，则标注的数值不同，每个孔隙内的像素标注一致。
其次，接触点类型统计，要判断每个孔隙是有机孔隙还是无机孔隙，需要根据孔隙周围是有机质还是无机矿物，如果是有机质，则该孔隙为有机孔隙，否则是无机孔隙。对此，对每个孔隙一周像素中的有机质像素和无机矿物像素的数目进行统计，分别得到周围有机质和无机矿物像素的数目。
本发明实施例页岩的孔隙共有8060个。但这些在页岩样品中分布情况十分复杂，孔隙周围的物质有时是同一种物质，但有时并不一定是同种物质，有可能一部分是有机质，一部分是无机矿物，因此，需要对每个孔隙周围的物质进行统计。为下一步孔隙的判断提供数据支撑。
5. 孔隙类型判断
将步骤4中每个孔隙周围的有机质像素和无机矿物像素的数目进行对比，若无机矿物的数目多于有机质数目，则认为该孔隙为无机孔隙，否则，则为有机孔隙。将有机孔隙和无机孔隙有效识别并区分，可分别针对有机孔隙和无机孔隙进行统计分析。有机孔隙共计7772个，无机孔隙共计288个。
进一步，基于上述对有机孔隙和无极孔隙的识别区分，对有机孔隙和无极孔隙进行分析，得到有机孔隙、无机孔隙的分析参数。
在此，我们主要关注于孔隙的直径——数目分布和孔隙的直径——面积分布。首先对整体孔隙进行分析，孔隙的平均直径为60.752 nm。孔隙的面积为14.750 um2，对应面孔率为3.84 %。图6 a为本发明实施例页岩的直径——数量柱状分布图，图6b为本发明实施例页岩的直径——面积柱状分布图。对图6 a进行分析，可以看出页岩中孔隙的直径多分布于0~50 nm、50~100 nm之间。对图6 b进行分析，可以看出孔隙的面积主要分布在50~100nm、100~200 nm和200~500 nm之间。
对有机孔隙和无机孔隙分别分析，得到有机孔隙和无机孔隙的平均直径分别为58.467 nm、122.212 nm；有机孔隙和无机孔隙的面积分别为12.136 um2、2.614 um2，对应的有机孔隙和无机孔隙的面孔率分别为3.16 %、0.68 %。图6c为本发明实施例页岩的有机孔隙和无机孔隙的直径——数量柱状分布图，图6 d为本发明实施例页岩的有机孔隙和无机孔隙的直径——面积柱状分布图。
对图6 c进行分析，可以看出页岩中的有机质孔隙数量远多于无机矿物数量，且两种类型孔隙的直径多分布于0~50 nm和50~100 nm之间，但1000 nm以上的孔隙只存在于无机孔隙中。
对图6d进行分析，可以看出页岩中有机孔隙的面积远大于无机孔隙的面积，但有机孔隙的面积主要分布在50~100 nm和100~200 nm之间，而无机孔隙的面积主要分布在200~500 nm和1000 nm以上。
Claims (9)
1.页岩电镜图像中有机和无机孔隙自动识别方法，其特征在于，所述自动识别方法利用扫描电镜对页岩样品进行扫描得到同时包含有机质、无机质和孔隙的电镜图像；
对电镜图像进行图像分割按照灰度级将电镜图像分为有机质区、无机质区和孔隙区；
在所述孔隙区根据孔隙的连通性分析得到孔隙的个数并对各孔隙进行标注；
对各孔隙进行判断将孔隙识别区分为有机孔隙和无机孔隙。
2.如权利要求1所述页岩电镜图像中有机和无机孔隙自动识别方法，其特征在于，所述对各孔隙进行判断是指通过统计每个孔隙周围像素中有机质像素和无机质像素的数目，判断各孔隙周围是有机质还是无机质占的比重大；
若无机质占优，则认为该孔隙为无机孔隙，否则，则为有机孔隙；
所述占优是指相应像素数目比重大于50%。
3.如权利要求1所述页岩电镜图像中有机和无机孔隙自动识别方法，其特征在于，所述孔隙的连通性分析是指区域中任意两个像素能够连通则所述区域即为一个孔隙。
4.如权利要求3所述页岩电镜图像中有机和无机孔隙自动识别方法，其特征在于，所述两个像素能够连通是指，所述孔隙区的任意两个像素p和q，如果q在集合中则像素p和q是连通的；
所述的含义是p周围的n个像素；
所述n取4、6或8。
5.如权利要求1所述页岩电镜图像中有机和无机孔隙自动识别方法，其特征在于，对所述电镜图像进行图像分割前对所述电镜图像进行滤波处理。
6.如权利要求1所述页岩电镜图像中有机和无机孔隙自动识别方法，其特征在于，所述图像分割后还包括对异常点的剔除，所述异常点是指仅包含单个像素的孔隙。
7.如权利要求1所述页岩电镜图像中有机和无机孔隙自动识别方法，其特征在于，所述方法具体包括以下步骤，
（1）图像获取：采用扫描电镜对页岩样品进行扫描，得到电镜图像；
（2）图像预处理：对所述电镜图像进行滤波处理；
（3）图像分割：按照像素灰度级将滤波处理后的电镜图像分为有机质区、无机质区和孔隙区，将单像素空隙剔除；
（4）孔隙接触点判断：在所述孔隙区根据孔隙的连通性分析得到孔隙的个数并对各孔隙进行标注，统计每个孔隙周围像素中有机质像素和无机质像素的数目；
（5）孔隙类型判断：判断各孔隙周围是有机质还是无机质占的比重大；若无机质占优，则认为该孔隙为无机孔隙，否则，则为有机孔隙；所述占优是指相应像素数目比重大于50%。
8.页岩电镜图像中有机和无机孔隙自动分析方法，其特征在于，所述分析方法基于由权利要求1-7任一所述识别方法所得有机孔隙和无机孔隙的图像，分别对有机孔隙和无机孔隙进行数学分析，得到有机孔隙和无机孔隙的分析参数和描述参数。
9.如权利要求8所述分析方法，其特征在于，所述分析参数和描述参数包括孔隙的长度、宽度、周长、直径、面积、圆度、延伸率、方位角度、几何中心、椭圆拟合、积分密度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611027362.5A CN106651839A (zh) | 2016-11-16 | 2016-11-16 | 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611027362.5A CN106651839A (zh) | 2016-11-16 | 2016-11-16 | 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106651839A true CN106651839A (zh) | 2017-05-10 |
Family
ID=58807346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611027362.5A Pending CN106651839A (zh) | 2016-11-16 | 2016-11-16 | 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106651839A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107993261A (zh) * | 2017-11-02 | 2018-05-04 | 中国科学院地质与地球物理研究所 | 一种基于三维岩心扫描图像的孔隙与孔喉识别方法 |
| CN109269953A (zh) * | 2018-08-21 | 2019-01-25 | 中国科学院地质与地球物理研究所 | 岩石无机矿物孔隙分类表征的方法 |
| CN109285137A (zh) * | 2017-07-21 | 2019-01-29 | 中国石油大学(北京) | 页岩孔隙贡献度的获取方法及装置 |
| CN110146533A (zh) * | 2019-06-10 | 2019-08-20 | 中国石油大学(华东) | 一种泥页岩不同矿物孔隙自动识别方法及系统 |
| CN110189353A (zh) * | 2019-06-10 | 2019-08-30 | 中国石油大学(华东) | 一种泥页岩能谱矿物分布图校准方法及系统 |
| CN110223282A (zh) * | 2019-06-10 | 2019-09-10 | 中国石油大学(华东) | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 |
| CN110910411A (zh) * | 2019-11-14 | 2020-03-24 | 中国科学院力学研究所 | 一种具有尺寸自适应的页岩裂缝自动提取方法 |
| CN111724351A (zh) * | 2020-05-30 | 2020-09-29 | 上海健康医学院 | 一种基于机器学习的氦泡电镜图像统计分析方法 |
| CN111896427A (zh) * | 2020-07-31 | 2020-11-06 | 中国石油大学(华东) | 一种基于环境扫描电镜检测致密岩石混合润湿性的方法 |
| CN112084884A (zh) * | 2020-08-19 | 2020-12-15 | 厦门理工学院 | 一种扫描电镜图像孔隙识别方法、终端设备及存储介质 |
| CN112081583A (zh) * | 2020-09-25 | 2020-12-15 | 西南石油大学 | 非常规储层缝网压裂多尺度支撑产量计算方法及装置 |
| CN112132791A (zh) * | 2020-09-02 | 2020-12-25 | 数岩科技股份有限公司 | 一种页岩扫描电镜图像处理方法、装置、设备和存储介质 |
| CN112308819A (zh) * | 2020-09-16 | 2021-02-02 | 宜宾学院 | 一种基于扫描电镜多特征灰度图像的孔隙识别方法 |
| CN113298795A (zh) * | 2021-06-09 | 2021-08-24 | 长江大学 | 一种页岩油气储层孔隙精细分类提取方法及装置 |
| CN114429482A (zh) * | 2020-09-28 | 2022-05-03 | 中国石油化工股份有限公司 | 页岩孔及有机质识别方法、装置、计算机设备和存储介质 |
| CN114627083A (zh) * | 2022-03-16 | 2022-06-14 | 贝光科技(苏州)有限公司 | 基于二次电子信号图像的页岩孔缝类型识别方法 |
| CN114965538A (zh) * | 2022-05-25 | 2022-08-30 | 大庆油田有限责任公司 | 陆相页岩有机纳米孔隙识别方法 |
| CN116309567A (zh) * | 2023-05-17 | 2023-06-23 | 西南石油大学 | 一种小样本的页岩电镜孔隙智能识别方法 |
| WO2023194764A1 (en) * | 2022-04-08 | 2023-10-12 | Schlumberger Technology Corporation | System and method for evaluating voids and particles in solids |
| CN117593299A (zh) * | 2024-01-18 | 2024-02-23 | 北京大学 | 纹层状页岩储集空间有效性评价方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104153770A (zh) * | 2014-07-08 | 2014-11-19 | 中国石油天然气股份有限公司 | 一种泥页岩生烃与有机孔隙演化的模拟方法及系统 |
| CN104237103A (zh) * | 2014-09-23 | 2014-12-24 | 中国石油天然气股份有限公司 | 一种孔隙连通性定量表征方法及装置 |
| CN105352873A (zh) * | 2015-11-26 | 2016-02-24 | 中国石油大学(北京) | 页岩孔隙结构的表征方法 |
-
2016
- 2016-11-16 CN CN201611027362.5A patent/CN106651839A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104153770A (zh) * | 2014-07-08 | 2014-11-19 | 中国石油天然气股份有限公司 | 一种泥页岩生烃与有机孔隙演化的模拟方法及系统 |
| CN104237103A (zh) * | 2014-09-23 | 2014-12-24 | 中国石油天然气股份有限公司 | 一种孔隙连通性定量表征方法及装置 |
| CN105352873A (zh) * | 2015-11-26 | 2016-02-24 | 中国石油大学(北京) | 页岩孔隙结构的表征方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈强: "《基于高分辨率成像技术的页岩孔隙结构表征》", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109285137A (zh) * | 2017-07-21 | 2019-01-29 | 中国石油大学(北京) | 页岩孔隙贡献度的获取方法及装置 |
| CN107993261A (zh) * | 2017-11-02 | 2018-05-04 | 中国科学院地质与地球物理研究所 | 一种基于三维岩心扫描图像的孔隙与孔喉识别方法 |
| CN109269953A (zh) * | 2018-08-21 | 2019-01-25 | 中国科学院地质与地球物理研究所 | 岩石无机矿物孔隙分类表征的方法 |
| CN110146533B (zh) * | 2019-06-10 | 2021-06-08 | 东北石油大学 | 一种泥页岩不同矿物孔隙自动识别方法及系统 |
| CN110146533A (zh) * | 2019-06-10 | 2019-08-20 | 中国石油大学(华东) | 一种泥页岩不同矿物孔隙自动识别方法及系统 |
| CN110189353A (zh) * | 2019-06-10 | 2019-08-30 | 中国石油大学(华东) | 一种泥页岩能谱矿物分布图校准方法及系统 |
| CN110223282A (zh) * | 2019-06-10 | 2019-09-10 | 中国石油大学(华东) | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 |
| CN110910411A (zh) * | 2019-11-14 | 2020-03-24 | 中国科学院力学研究所 | 一种具有尺寸自适应的页岩裂缝自动提取方法 |
| CN111724351B (zh) * | 2020-05-30 | 2023-05-02 | 上海健康医学院 | 一种基于机器学习的氦泡电镜图像统计分析方法 |
| CN111724351A (zh) * | 2020-05-30 | 2020-09-29 | 上海健康医学院 | 一种基于机器学习的氦泡电镜图像统计分析方法 |
| CN111896427A (zh) * | 2020-07-31 | 2020-11-06 | 中国石油大学(华东) | 一种基于环境扫描电镜检测致密岩石混合润湿性的方法 |
| CN112084884A (zh) * | 2020-08-19 | 2020-12-15 | 厦门理工学院 | 一种扫描电镜图像孔隙识别方法、终端设备及存储介质 |
| CN112132791A (zh) * | 2020-09-02 | 2020-12-25 | 数岩科技股份有限公司 | 一种页岩扫描电镜图像处理方法、装置、设备和存储介质 |
| CN112132791B (zh) * | 2020-09-02 | 2024-06-07 | 数岩科技股份有限公司 | 一种页岩扫描电镜图像处理方法、装置、设备和存储介质 |
| CN112308819A (zh) * | 2020-09-16 | 2021-02-02 | 宜宾学院 | 一种基于扫描电镜多特征灰度图像的孔隙识别方法 |
| CN112081583A (zh) * | 2020-09-25 | 2020-12-15 | 西南石油大学 | 非常规储层缝网压裂多尺度支撑产量计算方法及装置 |
| CN114429482A (zh) * | 2020-09-28 | 2022-05-03 | 中国石油化工股份有限公司 | 页岩孔及有机质识别方法、装置、计算机设备和存储介质 |
| CN113298795A (zh) * | 2021-06-09 | 2021-08-24 | 长江大学 | 一种页岩油气储层孔隙精细分类提取方法及装置 |
| CN114627083B (zh) * | 2022-03-16 | 2023-11-03 | 贝光科技(苏州)有限公司 | 基于二次电子信号图像的页岩孔缝类型识别方法 |
| CN114627083A (zh) * | 2022-03-16 | 2022-06-14 | 贝光科技(苏州)有限公司 | 基于二次电子信号图像的页岩孔缝类型识别方法 |
| WO2023194764A1 (en) * | 2022-04-08 | 2023-10-12 | Schlumberger Technology Corporation | System and method for evaluating voids and particles in solids |
| CN114965538A (zh) * | 2022-05-25 | 2022-08-30 | 大庆油田有限责任公司 | 陆相页岩有机纳米孔隙识别方法 |
| CN116309567A (zh) * | 2023-05-17 | 2023-06-23 | 西南石油大学 | 一种小样本的页岩电镜孔隙智能识别方法 |
| CN117593299A (zh) * | 2024-01-18 | 2024-02-23 | 北京大学 | 纹层状页岩储集空间有效性评价方法、装置、设备及介质 |
| CN117593299B (zh) * | 2024-01-18 | 2024-04-19 | 北京大学 | 纹层状页岩储集空间有效性评价方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651839A (zh) | 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 | |
| CN107067379B (zh) | 基于三维fib-sem图像的页岩孔隙定量表征方法 | |
| CN109389128B (zh) | 电成像测井图像特征自动提取方法及装置 | |
| CN107133630A (zh) | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 | |
| Leu et al. | Fast X-ray micro-tomography of multiphase flow in berea sandstone: A sensitivity study on image processing | |
| CN105352873B (zh) | 页岩孔隙结构的表征方法 | |
| CN114926463B (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
| EP2031423B1 (en) | Identifying geological features in an image of an underground formation surrounding a borehole | |
| Ghiasi-Freez et al. | Semi-automated porosity identification from thin section images using image analysis and intelligent discriminant classifiers | |
| US11748981B2 (en) | Deep learning method for predicting patient response to a therapy | |
| CA2807144A1 (en) | Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions | |
| CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
| CN107993261B (zh) | 一种基于三维岩心扫描图像的孔隙与孔喉识别方法 | |
| CN108830140B (zh) | 一种基于电成像测井分形维数的火山岩岩性识别方法 | |
| CN114529226B (zh) | 基于工业物联网的地下水污染的监测方法与系统 | |
| CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
| Daniel et al. | Automatic road distress detection and analysis | |
| CN113706603A (zh) | 页岩有机质孔隙连通性分类表征的方法 | |
| US20200134805A1 (en) | Characterization method for fine-grained sedimentary rock laminar texture | |
| CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
| CN113345075A (zh) | 一种基于ct三维模型重构的砾岩粒度评价方法 | |
| Mollajan et al. | Improving pore type identification from thin section images using an integrated fuzzy fusion of multiple classifiers | |
| CN115546127A (zh) | 一种发动机滑油磨粒图像分析方法及装置、介质、设备 | |
| Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
| CN113012124A (zh) | 一种鞋印孔洞和嵌入物特征检测及描述方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |