CN109155064A - 自动化岩心描述 - Google Patents
自动化岩心描述 Download PDFInfo
- Publication number
- CN109155064A CN109155064A CN201780031779.5A CN201780031779A CN109155064A CN 109155064 A CN109155064 A CN 109155064A CN 201780031779 A CN201780031779 A CN 201780031779A CN 109155064 A CN109155064 A CN 109155064A
- Authority
- CN
- China
- Prior art keywords
- rock core
- core sample
- image
- group
- description
- 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
- 239000011435 rock Substances 0.000 claims abstract description 198
- 238000000034 method Methods 0.000 claims description 65
- 238000012549 training Methods 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 32
- 238000012545 processing Methods 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 12
- 238000005553 drilling Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000712 assembly Effects 0.000 description 4
- 238000000429 assembly Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 208000017387 Ectodermal dysplasia-cutaneous syndactyly syndrome Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 3
- 230000005251 gamma ray Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 241001415846 Procellariidae Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/02—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells by mechanically taking samples of the soil
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/002—Survey of boreholes or wells by visual inspection
- E21B47/0025—Survey of boreholes or wells by visual inspection generating an image of the borehole wall using down-hole measurements, e.g. acoustic or electric
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- Medicinal Chemistry (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Dispersion Chemistry (AREA)
- Soil Sciences (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
接收与岩心样本相关联的图像。图像表示岩心样本的性质。从接收的图像确定至少一个图像属性的多个值。从一组岩心描述确定岩心样本的岩心描述。岩心描述描述岩心样本的性质。该一组岩心描述与一组训练岩心样本相关联。每个训练岩心样本具有对应的岩心描述并且与一组多个值相关联。确定岩心样本的岩心描述是基于与岩心样本相关联的多个值和与该一组训练岩心样本相关联的各组多个值之间的比较。岩心样本的岩心描述被提供给输出设备。
Description
优先权声明
本申请要求2016年4月1日提交的美国临时申请第62/317,047号的优先权,其内容以引用方式并入本文中。
背景技术
为了使石油产量和碳氢化合物的总回收率最大化,重要的是石油公司必须完全了解生产油田中存在的油藏岩石和流体。岩心描述是油藏表征中用于预测油井性质的基本任务。通过分析收集的岩心样本(即岩石样本)或测井日志或两者,岩心描述可以包括岩层、岩性、沉积结构、化石和岩石的任何其它微观/宏观特征的描述。岩心描述通常由地质学家执行并且是一项耗时的任务。因此,在实践中,与大量收集的岩心样本相比,地质学家实际上只描述了一小部分收集的岩心样本。
发明内容
本发明描述了用于自动化岩心描述的方法和系统,包括计算机实现的方法、计算机程序产品和计算机实现的系统。
接收与岩心样本相关联的图像。图像表示岩心样本的性质。从接收的图像确定至少一个图像属性的多个值。从一组岩心描述(也称为岩相)确定岩心样本的岩心描述。岩心描述描述了岩心样本的属性。该一组岩心描述与一组训练岩心样本相关联。每个训练岩心样本具有对应的岩心描述并且与一组多个值相关联。确定岩心样本的岩心描述是基于与岩心样本相关联的多个值和与该一组训练岩心样本相关联的各组多个值之间的比较。岩心样本的岩心描述被提供给输出设备。
一些实现方式可以包括对应计算机实现的系统、装置和记录在一个或多个计算机存储设备上的计算机程序,每个计算机程序被配置成执行方法的各动作。一个或多个计算机的系统可以被配置成通过在系统上安装的软件、固件、硬件或软件、固件或硬件的组合来执行特定操作或动作,该系统在操作中使系统执行各动作。一个或多个计算机程序可以被配置成通过包括当由数据处理装置执行时使装置执行各动作的指令来执行特定操作或动作。
例如,在一个实现方式中,一种计算机实现的方法包括:接收与岩心样本相关联的图像,该图像表示岩心样本的性质;从接收的图像确定至少一个图像属性的多个值;从一组岩心描述确定岩心样本的岩心描述,其中岩心描述描述了岩心样本的属性,该一组岩心描述与一组训练岩心样本相关联,每个训练岩心样本具有对应的岩心描述并且与一组多个值相关联,并且确定岩心样本的岩心描述是基于与岩心样本相关联的多个值和与该一组训练岩心样本相关联的各组多个值之间的比较;以及将岩心样本的岩心描述提供给输出设备。
前述和其它实现方式可以视情况单独地或组合地包括以下特征中的一个或多个:
可与通用实现方式结合的第一方面包括基于至少一个图像属性与岩心样本的性质之间的相关性来选择至少一个图像属性。
可与通用实现方式结合的第二方面包括通过计算机检测图像中的多个区域,该多个区域对应于多个深度的区域;确定多个区域的至少一个图像属性的多个值;并将确定的多个值记录在伪日志中。
可与通用实现方式结合的第三方面中,其中多个区域中的每个区域表示岩心样本的特性基本上均匀的区域,并且多个区域可以重叠。
可与通用实现方式结合的第四方面中,其中每组多个值包括与对应的训练岩心样本相关联的至少一个图像属性的值。
可与通用实现方式结合的第五方面中,其中与岩心样本相关联的多个值与与该组训练岩心样本相关联的各组多个值之间的比较包括确定多个值和与至少一个训练岩心样本相关联的至少一组多个值之间的差值。
可与通用实现方式结合的第六方面中,其中确定岩心样本的岩心描述包括提供训练岩心样本的岩心描述。
本说明书中描述的主题可以在特定实现方式中实现,以便实现以下优点中的一个或多个。首先,所描述的主题通过将计算智能(CI)技术应用于岩心样本的高分辨率或预处理图像来自动化准确的岩心描述。因此,减少了通常由地质学家生成的关于岩心描述的主观性,并且可以认为岩心描述是一致且无错误的。其次,CI实现的自动化过程还允许描述收集的大部分岩心样本,与传统的岩心描述方法相比,可以更好地理解生产油田中的油藏岩石和流体,传统的岩心描述方法通常会由于使用传统地质学家的时间或财政限制或两者而对可用的岩心样本数据进行采样或忽略。第三,所描述的自动化岩心描述在显示沉积环境的结果方面更有效和更快,例如,将岩心描述过程的持续时间从几天减少到几分钟。第四,所描述的主题使得没有沉积学技能的地球科学家、工程师和管理人员能够快速显示结果。第五,所描述的方法可以“数字化”地质学家的经验并在地质岩心描述过程中提供新的范例。例如,来自所描述的自动化过程的结果可以被馈送到用于储量估计的全场油藏模型。该结果还可以帮助钻井工程师规划新井并帮助钻井人员为估计的岩性准备合适的钻头。当实时使用所描述的自动化过程时,它可以是地质操纵过程的组成部分,其将帮助钻井人员避免难做的地层/地形以实现最佳钻井经验。其它优点对于本领域普通技术人员来说是显而易见的。
在随后的附图和描述中阐述了本说明书的主题的一个或多个实现方式的细节。本主题的其它特征、方面和优点将从说明书、附图和权利要求中显而易见。
附图说明
该专利或申请文件包含至少一个彩色附图。具有彩色附图的本专利或专利申请公开的副本将在请求和必要的费用支付后由专利和商标局提供。
图1是根据实现方式的用于自动化岩心描述的示例方法的流程图。
图2A示出了根据实现方式的第一岩心图像。
图2B示出了根据实现方式的第二岩心图像。
图3A示出了根据实现方式的第一地层微成像仪(FMI)图像。
图3B示出了根据实现方式的第二FMI图像。
图3C示出了根据实现方式的第三FMI图像。
图4示出了根据实现方式的示例伪日志。
图5是示出根据实现方式的用于提供自动化岩心描述的示例性分布式计算机实现的系统(EDCS)的方框图。
各附图中相同的附图标记和名称表示相同的元件。
具体实施方式
本发明具体实施方式涉及自动化岩心描述,并且被呈现以使得本领域技术人员能够制作、使用或实践所公开的主题,并且在一个或多个特定实现方式的背景下提供。对于本领域技术人员来说,对所公开的实现方式的各种修改是显而易见的,并且在不脱离本发明的范围的情况下,本文定义的通用原理可以应用于其它实现方式和应用。因此,本发明不旨在限于所描述或示出的实现方式,而是与符合本文公开的原理和特征的最宽范围相一致。
岩心样本是一块岩石(例如,圆柱形并且具有不同长度),包括从地球表面下方的井眼中提取的一个或多个岩相,其提供例如油藏地层特性的实际/准确的物理证据,例如,岩石类型、地层厚度、颗粒大小或渗透率(即岩石允许流体流动的能力)。在一些情况下,岩心样本还可以揭示结构倾角、断层、破裂、孔隙度、矿物组成或其它值或条件。岩心描述是油藏表征中用于预测油井性质的基本任务,并且通常包括对岩层、岩性、沉积结构、化石以及岩石的任何其它微观/宏观特征的描述。例如,岩性可以包括诸如岩石的颜色、纹理和颗粒大小等特性。通常,岩心描述由地质学家执行,地质学家观察物理岩心样本、岩心样本的高分辨率图像,或分析在井眼钻井期间或钻井完成之后获得的测井日志。
两种类型的图像通常与岩心样本相关联:岩心图像和井眼图像。岩心图像是由高分辨率相机(诸如数码相机)拍摄的特定岩心样本的图像(例如,以数字图形格式,诸如JPG/JPEG、GIF、BMP、TIFF、PNG、AVI、DV、MPEG、MOV、WMV或RAW)。在收集岩心样本之后,可以将岩心样本带到实验室,进行清洁并拍摄图像以保留与岩心样本相关的数据,以防岩心样本被损坏或移动到远程存储位置。由于岩心样本被清洁并且在实验室中拍摄图像,因此岩心图像通常是高分辨率的。在典型实现方式中,岩心图像可以从一个或多个角度拍摄或者作为360度(全周长)图像拍摄。例如,可以通过相对于固定相机旋转岩心样本或者在固定岩心样本周围移动相机来获得360度图像。然后可以处理360度图像并将其视为三维对象(岩心样本)的二维(例如,矩形)图像。在另一个示例中,可以在受控的光照和取向条件下拍摄板状岩心样本的平坦表面的图像。
另一方面,井眼图像显示了围绕井眼周边留下的岩石,并且可以在井眼钻井期间或钻井完成之后实时获得。可以通过不同类型的测井工具获取井眼图像,所述测井工具分别向井眼传输信号(例如,声学、无线电或信号)和从井眼接收信号。井眼图像也可以被视为测井日志(即图像日志)。井眼图像的一个示例是地层微成像仪(FMI)图像。通常,井眼图像的分辨率不如岩心图像的分辨率好,因为由于相机不稳定、灰尘、来自井眼壁的渗漏材料(例如,水、油或气体)或其它因素,图像质量会受到不利影响。如果在钻井操作期间或之后立即实时捕获,则尤其如此。
所描述的自动化岩心描述系统可以基于与岩心样本相关联的信息自动预测岩心样本属性。用于自动化岩心描述的一些现有方法使用常规测井日志,其不包括结合计算智能(CI)技术的诸如井眼图像的图像日志。例如,诸如GEOLOG和TECHLOG的商业软件包已被设计用于提供该应用。然而,岩心图像或井眼图像尚未与CI结合使用以提供自动化岩心描述,因为岩心图像或井眼图像不是CI使用的原始输入格式。CI工具通常采用数值的输入格式,表示用于预测岩心样本性质的属性。虽然图像是岩心样本或钻孔的生成表示/可视化,但图像本身不提供可由CI工具使用的属性的数值。
所描述的方法通过将CI与图像处理组合来提供自动化岩心描述。可以使用图像处理、统计分析、模式识别等技术将岩心图像或井眼图像转换为属性的数值。转换出的每个属性的数值可以一起被收集并作为常规测井日志处理,并作为CI的输入。
图1是根据实现方式的用于自动化岩心描述的示例方法100的流程图。方法100可以由本发明中描述的自动化岩心描述系统来执行。为了清楚地呈现,以下描述总体上在图2A至图2B、图3A至图3C、图4和图5背景下描述了方法100。然而,应当理解,方法100可以例如通过任何合适的系统、环境、软件和硬件,或适当地通过系统、环境、软件和硬件的组合来执行。在一些实现方式中,方法100的各个步骤可以并行、组合、循环或以任何顺序运行。
在102处,接收存档图像,其岩心样本已经由地质学家描述过。在一些情况下,存档图像的岩心样本可能尚未由地质学家描述。在典型的实现方式中,存档图像可以是如所描述的岩心图像或钻井图像。在其它实现方式中,存档图像可以是提供与本发明一致的数据的任何图像(例如,视频图像或与存档图像相关联的数据)。
例如,转到图2A,图2A示出了根据实现方式的第一岩心图像200a。岩心图像200a表示岩石的连续岩心样本(例如,大约12英尺长,其可用于图像分析以确定一个或多个属性。所示的第一岩心图像200a包括深度数据202a(这里是字母数字标签)、插塞区域204a(即,插入样本的区域是在实验室中从岩石中取出用于增强分析的区域),以及插塞标识206a(这里是字母数字标签)。
转到图3A,图3A示出了根据实现方式的第一FMI图像300a。FMI图像300a也可以用于图像数据,并且如前所述,表示围绕井眼周边留下的岩石。如图所示,FMI图像300a包括条带302a-302c,其在FMI图像配置中是典型的并且表示缺失的数据。例如,每个条带302a-302c可以表示用于获取FMI图像的工具的特定垫或臂。转到图1,从104开始,方法100进行到106
在104处,可以计算来自存档图像(例如,图2A和图3A)的属性。来自同一井眼的不同深度的多个图像可以堆叠在一起。如图2A中所示,所示的岩心图像200a可以用相应的深度值标记(例如,深度数据202a)。这些岩心图像可以按深度的顺序依次排列或堆叠在一起,以形成与油藏的岩心部分对应的连续资料。换句话说,来自同一井眼的多个岩心图像可以按深度端对端地垂直排列以形成井的连续资料。在一些实现方式中,光学字符识别(OCR)算法可用于获得和处理数据,诸如深度数据202a、插塞标识206a或与本发明一致的其它此类数据。虽然图3A的FMI井眼图像没有示出的深度值,但是也可以使用连续的FMI井眼图像来执行相同的堆叠以形成连续资料。
在一些实现方式中,岩心图像可以用起始深度和结束深度信息命名。可以在图像加载期间(无论图像顺序加载如何)自动获取深度信息并且用于深度匹配从岩心图像提取的属性。提取的深度信息可用于对提取的属性进行排序以形成井眼的连续资料作为伪日志。
为了利于属性计算,可以预处理岩心图像。例如,多点统计(MPS)技术可用于填充岩心图像的缺失数据。MPS可用于填充插塞区域(例如,图2A中的插塞区域204a)以及一些缺失部分(例如,如图2A和图2B中所示的岩心样本的裂缝和破裂部分)。MPS是一种在给定相邻点处的观测数据的情况下估计期望点处的条件概率的技术。在一些实现方式中,在预处理期间,岩心图像可以被归一化,如随后将讨论,使得图像中的像素强度被归一化到特定范围。也可以使用其它图像预处理技术,诸如降噪技术或其它预处理。
为了帮助计算属性,可以识别用于属性计算的区域。所识别的区域可以排除具有非地质相关特征的区域(例如,插塞区域或涂色标签)。在一些实现方式中,例如,如果岩心图像中的裂缝和插塞区域已经通过诸如MPS的预处理技术填充,则这些填充区域也可以用于属性计算。在一些实现方式中,如果要使用自动化岩心描述来描述岩心岩性,则在预处理步骤期间可以重建岩心图像,以避免处理不反映岩心岩性的数据区域,然后可以使用重建的岩心图像进行属性计算。另外,可以对预处理后的岩心图像进行质量控制,以确保预处理操作不会引入非地质或不正确的特征。
转到图2B,图2B示出了根据实现方式的第二岩心图像200b。岩心图像200b表示与图2A中相同的岩心样本,具有由窗口202b识别的用于属性计算的区域。如图所示,所识别的区域可以排除各种区域(这里,插塞区域204a和涂色标签,诸如深度数据202a和插塞标识206a)。窗口202b可以指定要由岩心描述覆盖的区域。在一些情况下,在预处理之后(如前所述),整个岩心图像或重建的岩心图像可以用于属性计算。每个窗口202b还可以包括具有均匀(相似)岩心属性的区域。可以沿着图像从岩心图像的开始到结束来定义多个窗口202b。多个窗口202b可以不重叠或重叠。在一些实现方式中,每个窗口202b可以具有固定窗口大小或可变窗口大小(例如,用户通过岩心图像的特定区域或感兴趣属性类型自动定义或确定)。在一些典型的实现方式中,窗口202b可以是矩形窗口,其跨越岩心图像的整个宽度或尽可能多的岩心图像宽度。窗口202b可以具有除矩形以外的形状。在一些实现方式中,窗口202b的大小(例如,高度或宽度或两者)可以是自动化岩心描述系统的输入参数(自动或手动输入),并且可以在所描述的过程期间改变。在一些实现方式中,自动化岩心描述系统可以自动检测和/或建议最佳窗口202b大小(例如,其中岩心属性在窗口202b内是均匀的)。
在一些实现方式中,可以使用移动窗口202b。可以将移动窗口202b可视化为沿着岩心样本200b以小步长(例如,手动或动态确定)移动的固定大小窗口202b,以形成一系列重叠窗口202b。例如,对于一英寸高移动窗口202b和0.2英寸移动步长,该一系列重叠窗口可以包括覆盖从深度X英寸到X+1英寸的岩心样本区域的第一窗口202b,从深度X+0.2英寸到X+1.2英寸的第二窗口,从深度X+0.4英寸到X+1.4英寸的第三窗口等等。
返回图1,在104处,如前所述,测井日志也可以由所描述的自动化岩心描述系统使用,并且可以包括井眼图像,诸如FMI图像,以及常规测井日志,诸如密度、含油饱和度、中子、含水饱和度、伽马射线、声波、电阻率和其它类型的数据的日志。可以应用许多线性和非线性特征选择技术来选择与要预测的岩心属性相关的日志。这些技术可以是神经网络、决策树、马尔可夫链等。所描述的自动化岩心描述系统将使用所选日志。例如,如果自动化岩心描述系统被设计为用于预测岩性,则可以选择具有依赖于岩性的物理测量的日志。这可以包括具有与诸如均匀性、取向和熵的纹理相关的属性的FMI图像,以及伽马射线、声波、中子和密度数据的常规日志。
可以对测井日志进行预处理,例如,对日志进行归一化,以丢弃低质量测量,并使用多点统计学(MPS)技术(诸如图3A的图像)填充FMI图像的缺失数据。如果常规日志包含具有大变化(例如,数千量级)的一个或多个属性,则使用归一化,可以对日志数据进行归一化以使数据在特定范围内。如果图像值具有大变化,则还可以对FMI图像进行归一化。归一化的示例可以包括将数字转换为自然对数标度的对数函数或可以将数字缩放到-1到+1的范围的归一化函数。阈值可用于确定测量是否低质量并决定是否丢弃。
转到图3B,图3B示出了根据实现方式的第二FMI图像300b。FMI图像300b可以表示归一化FMI图像(包括如图3A中的条带302a-302c),其中图像值(例如,图像像素强度值)在特定范围内。FMI图像300b可表示通过图像处理特征和着色进行增强的图像以区分不同的岩石特性。
转到图3C,图3C示出了根据实现方式的第三FMI图像300c。FMI图像300c可以表示FMI图像,其中通过预处理技术(例如,MPS)填充了缺失数据(由图3A和图3B中的条带302a-302c表示)。类似于图2A中的岩心图像,可以识别用于属性计算的FMI图像中的区域。如前所述,可以在FMI图像300c中定义多个窗口(类似于所示矩形窗口202b,但在图3C中未示出)以利于属性计算。
返回图1,在104处,自动化岩心描述系统可以选择要计算的一组图像属性。例如,可以基于与要预测的岩心属性的相关性来选择属性。可以选择与图像的地质特征相关的属性,诸如颜色、纹理、取向,以及图像的颗粒的大小和分布。在一些情况下,为了实现良好的岩心预测性能,还可以包括诸如密度、声波和伽马射线的常规日志。可以使用许多线性或非线性特征选择技术来选择该组属性。这些技术可以是神经网络、决策树,马尔可夫链等。表1列出了可以从岩心图像计算的属性和定义示例。这些属性与岩心图像颜色、强度、纹理、分布和取向有关。如本领域普通技术人员将理解,也可以使用与本发明一致的其它属性。表1中的示例属性列表并不意味着以任何方式限制所描述的主题。
表1:从岩心图像计算的属性
在典型的实现方式中,各种图像处理技术(例如,商业或专有或两者)可用于计算岩心图像或井眼图像中的识别区域的属性的数值。在一些实现方式中,可以基于分析窗口内的图像像素强度(例如,202b)来计算属性。对于每个属性,为特定窗口202b计算属性值。在移动窗口202b的情况下,为每个重叠窗口202b计算属性值。属性值可以与窗口202b的深度信息相关联。由于每个窗口202b可以覆盖一定深度范围的岩心样本区域,因此窗口202b的深度可以被选择为最小深度值、最大深度值、被覆岩心样本区域的平均深度值,或对于本领域普通技术人员来说显而易见的其它深度值。可以收集沿着岩心样本的窗口202b的属性值以形成伪日志。换句话说,伪日志可以包括不同深度的属性值。属性值采用数字格式。伪日志可以以电子表格、表、矩阵或其它格式进行存储。
转到图4,图4示出了根据实现方式的示例伪日志400。伪日志400捕获不同深度的图像属性值。伪日志400的每一行表示一个深度。伪日志400包含深度列402和六列图像属性,包括最大像素强度404,、最小像素强度406、平均像素强度408、对象数量410和颗粒大小412。正如本领域普通技术人员将理解,也可以使用除伪日志400中所示格式之外的格式。在一些实现方式中,可以为每个属性生成一个伪日志。然后可以将伪日志视为常规测井日志以与先前描述的CI一起工作。在一些实现方式中,可以应用许多线性和非线性特征选择技术来选择与要预测的岩心属性相关的一组伪日志。这些技术可以是神经网络、决策树、马尔可夫链等。然后,自动化岩心描述系统可以使用所选伪日志来预测岩心性质。返回图1,从104开始,方法100进行到108。
在106处,还可以获得与在102处所接收的存档图像相关联的岩心样本的地质学家岩心描述。出于方法100的目的,地质学家岩心描述被认为是准确的岩心描述。根据特定实现方式,地质学家岩心描述可以比存档图像中的计算属性给出更少、相等或更多的权重。从106开始,方法100也进行到108。
在108处,创建由CI技术用于自动化岩心描述的存储器(例如,常规内存储器或其它数据库)并用于训练CI技术。存储器可以存储在104处获得的图像属性的伪日志、在106处获得的地质学家岩心描述,以及与本发明一致的其它数据(例如,可执行存储程序、特定井眼数据或特定字段数据)。在一些实现方式中,存储器还可以存储与要预测的岩心属性相关的常规测井日志。例如,方法100的102、104和106可以针对其岩心样本已由地质学家描述过的每个存档图像执行。准确描述的岩心样本可以用作训练样本并存储在存储器中。可用作训练样本的岩心样本也称为训练岩心样本。CI技术可以从训练样本中学习模式(即,在存储器中训练)并预测新岩心样本的岩心性质。每个训练样本包含一个准确描述的岩心样本的信息,并包括一对输入和输出,其中输入可以包括图像属性的伪日志和/或常规测井日志,而输出可以包括来自地质学家的准确岩心描述。例如,自动化岩心描述系统可以设计成预测岩石的颗粒大小并将颗粒大小分类为三类:大、中和小。存储器可以包括颗粒大小已经由地质学家准确分类的训练样本。每个训练样本的输入可以包括图像属性的伪日志和/或与颗粒大小相关的常规测井日志,然后输出是来自地质学家的准确颗粒大小。如随后将讨论,当自动化岩心描述系统接收到地质学家尚未描述的新岩心样本时,CI可以将新岩心样本与存储器中的训练样本进行比较并自动对新岩心样本的颗粒大小进行分类。
各种CI技术可用于训练存储器并自动化岩心描述,例如,数据挖掘、人工智能、模式识别、机器学习、神经网络、决策树、支持向量机、混合和集合机器学习,或者对于本领域普通技术人员显而易见并且与本发明一致的技术。例如,神经网络可以包括监督、无监督或强化方法。在存在地质学家已经描述的大量岩心样本的情况下,可以使用监督方法,因为CI可以从大量准确描述的岩心样本中很好地学习模式,并预测新岩心样本的岩心描述。在一些情况下,聚类算法可用于建议新岩心样本的可能岩心描述。
在一些实现方式中,相同岩层的岩心样本可在一个存储器中,而不同岩层的岩心样本可形成单独的存储器。来自相同井的岩心样本或来自不同井但具有相同岩层的岩心样本通常在一个存储器中。如果在新区域中钻出新井,则如果新区域的岩层与现有存储器的岩层不同(或变化超过定义的阈值),则可以创建新的存储器。从108开始,方法100进行到110。
在110处,基于CI和训练样本获得训练模型。可以使用训练后的模型(例如,如前所述)来自动描述地质学家尚未描述的新岩心样本。从110开始,方法100进行到116。
在112处,获得其岩心样本尚未由地质学家描述的新图像(使用随后在112和114中描述的新图像/属性)。在典型的实现方式中,图像是岩心图像或井眼图像。从108开始,方法100进行到114。
在114处,可以从在112处获得的新图像计算图像属性。在典型的实现方式中,使用与关于104描述的方法类似的方法。例如,可以对图像进行预处理以填充缺失的数据,可以识别用于属性计算的区域,可以针对所识别的区域计算不同深度的图像属性,并且可以生成图像属性的伪日志。生成的伪日志可以在110处被发送到训练模型以用于自动化岩心描述。本领域普通技术人员将认识到,对112处获得的新图像的处理可能发生与104的细微变化。从114开始,方法100进行到110。
在116处,CI技术(例如,类似于108的那些)可以用于预测新岩心样本的岩心描述。可以将新岩心样本与存储器中的训练样本进行比较,并且可以识别“最接近”新岩心样本(例如,基于一些确定的范围或规模)的训练样本。然后可以使用最接近的训练样本的岩心描述作为新岩心样本的岩心描述。在确定最接近的训练样本时,可以计算新岩心样本的伪日志与每个训练样本的伪日志之间的差值(例如,欧几里德距离)。在一些情况下,可以计算新岩心样本的常规日志与每个训练样本的常规日志之间的差值。最接近的训练样本可以是与新岩心样本具有最小差值的样本。在一些情况下,如果新岩心样本与不同岩心描述的多个训练样本具有相似的差值,则可能会是模糊不定的。在这种情况下,可以将新岩心样本传递给地质学家以进行准确的岩心描述,或者可以使用算法来基于与本发明一致的其它可用数据(例如,井场位置,或附近井/类似深度的其它已知岩心描述)来澄清或选择准确的值。然后可以将准确描述的岩心样本作为训练样本包括在存储器中。从116开始,方法100进行到118。
在118处,获得新岩心样本的预测岩心描述。在自动化岩心描述系统的测试阶段,预测的岩心描述可以传递给地质学家进行验证。在一些实现方式中,可以进一步包括经验证的岩心描述作为训练示例。所描述的方法有助于提高岩心描述过程的一致性、准确性、客观性、可重复性、速度和效率。
在操作阶段,地质学家、石油工程师和勘探团队可以使用预测的岩心描述来进一步用于油藏表征过程,以尤其预测油藏流动特性、储量和流体饱和度。例如,预测的岩心描述可以提供关于岩相的准确信息。准确的岩相信息提供了孔隙度和渗透率值,这是油藏储量估算所需的两个最重要的参数。当将预测的岩心描述导入其它应用(诸如PETREL、GEOLOG、盆地模型或油藏模拟器)时,生成的预测沉积环境可用作填充油藏模型和预测油藏发现所需的参数。
预测的岩心描述也可以用于最大化钻井成功的机会以减轻生产资源的损失。例如,预测数据可以用于影响(包括实时)钻井操作(例如,钻探方向、深度、速度和方法)、钻探位置、泵送操作(例如,体积和速率)和精炼操作。
在一些实现方式中,自动化岩心描述系统可以用诸如C、C++或JAVA的计算语言或诸如MATLAB的专有商业编程语言来实现。使用这些或其它计算语言和软件工具可以帮助本主题技术人员做出决策并生成建模工具。
转到图5,图5是示出根据实现方式的用于提供自动化岩心描述的示例性分布式计算机实现系统(EDCS)500的方框图。在一些实现方式中,EDCS 500包括计算机502、网络530和图像传感器540。
所示计算机502旨在涵盖诸如服务器、台式计算机、膝上型/笔记本计算机、无线数据端口、智能电话、个人数据助理(PDA)、平板计算设备之类的计算设备,这些设备内的一个或多个处理器,或任何其它合适的处理设备,包括计算设备的物理实例或虚拟实例或两者。计算机502可以包括如下计算机,该计算机包括输入设备,诸如小键盘、键盘、触摸屏,或者可以接受用户信息的其它设备(未示出),以及传送与计算机502的操作相关联的信息的输出设备(未示出),包括数字数据、视觉信息或音频信息或两者,或用户界面。
计算机502可以用作客户端或服务器,或两者。在典型的实现方式中,计算机502充当并行处理节点、软件代理的主机、数据库的主机、CI应用程序、图像处理器、用户界面、自动化岩心描述应用程序或其它与本发明一致的应用程序(即使未示出)。所示计算机502可通信地与网络530耦合。在一些实现方式中,计算机502的一个或多个组件可以被配置成在并行处理环境或基于云计算的环境或两者中操作。计算机502的实现方式还可以在网络530上使用消息传递接口(MPI)或其它接口进行通信。
在高级别,计算机502是可操作以接收、传输、处理、存储或管理与自动化岩心描述相关联的数据和信息的电子计算设备。根据一些实现方式,计算机502还可以包括模拟服务器、应用服务器、电子邮件服务器、网络服务器、高速缓存服务器、流数据服务器或其它服务器或与这些服务器可通信地耦合。
计算机502可以通过网络530从应用程序507接收请求(例如,在另一计算机502上执行),并通过在适当的软件应用程序507中处理所述请求来响应所接收的请求。此外,请求还可以从内部用户(例如,从命令控制台或通过其它适当的访问方法)、外部或第三方、其它自动化应用程序以及任何其它适当的实体、个人、系统或计算机发送到计算机502。
计算机502的每个组件可以使用系统总线503进行通信。在一些实现方式中,计算机502的任何或所有组件、硬件或软件或两者可以彼此连接或者通过系统总线503使用应用程序编程接口(API)512或服务层513或两者与接口504连接。API 512可以包括例程、数据结构和对象类的规范。API 512可以是独立于计算机语言的,也可以是依赖计算机语言的,并且指代完整的接口、单个功能或甚至一组API。服务层513向计算机502或计算机502所属的系统提供软件服务。使用该服务层的所有服务消费者可以访问计算机502的功能。诸如由服务层513提供的软件服务通过定义的接口提供可重复使用的、定义的功能。例如,接口可以是用JAVA、C++或以可扩展标记语言(XML)格式或其它合适格式提供数据的合适语言编写的软件。虽然被示为计算机502的集成组件,但是替代实现方式可以将API 512或服务层513或两者示为与计算机502的其它组件相关的独立组件。此外,在不脱离本发明的范围的情况下,API 512或服务层513或两者的任何或所有部分可以实现为另一软件模块、企业应用程序或硬件模块的子模或子模块。
计算机502包括接口504。虽然在图5中示出为单个接口504,可以根据计算机502的特定需要、期望或特定实现方式使用两个或更多个接口504。计算机502使用接口504与连接到网络530的分布式环境中的其它系统通信-包括并行处理环境(无论是否示出)。通常,接口504包括以软件或硬件或两者以合适的组合编码的逻辑,并且可操作以与网络530通信。更具体地,接口504可以包括支持与网络530上的通信相关联的一个或多个通信协议的软件。
计算机502包括处理器505。虽然在图5中示出为单个处理器505,但是可以根据特定需要,期望或计算机502的特定实现方式使用两个或更多个处理器。通常,处理器505执行指令并操纵数据以执行计算机502的操作。具体地,处理器505执行自动化岩心描述所需的功能。
计算机502还包括存储器506,其保存计算机502或计算机所属系统的其它组件的数据。存储器506可以被认为是数据库、系统存储器、其它形式的存储器,或这些中的一个或多个的组合。例如,存储器506可以是保存自动化岩心描述所需的数据的数据库。虽然在图5中示出为单个存储器506,但是可以根据计算机502的特定需要、期望或特定实现方式来使用两个或更多个存储器。虽然存储器506被示为计算机502的集成组件,但是在替代实现方式中,存储器506可以在计算机外部。在一些实现方式中,存储器506可以保持或引用岩心图像514、测井日志516或岩心描述518中的一个或多个。
应用程序507是算法软件引擎,其根据计算机502或计算机502所属的系统的特定需要、期望或特定实现方式来提供功能,特别是关于自动化岩心描述所需的功能。例如,应用程序507可以用作数据库、CI应用程序、图像处理器、用户界面、自动化岩心描述应用程序或与本发明一致的应用程序(无论是否示出)(或其一部分)。虽然被示为单个应用程序507,但是应用程序507可以被实现为计算机502上的多个应用程序507。此外,虽然被示为与计算机502集成在一起,但是在替代实现方式中,应用程序507可以在计算机502外部并且与其分开执行。
可以存在与执行与本发明一致的功能的计算机实现的系统相关联的任何数量的计算机502。此外,在不脱离本发明的范围的情况下,术语“客户端”、“用户”和其它适当的术语可以适当地互换使用。此外,本发明预期许多用户/进程可以使用一个计算机502,或者一个用户/进程可以使用多个计算机502。
图像传感器540可操作以至少捕获岩心样本的图像。在一些实现方式中,图像传感器540可以使用透镜组件将光聚焦到电子图像传感器上,并以各种数字文件格式将图像信息数字地记录到存储器(未示出)中。用于记录图像信息的数字文件格式的示例可以包括JPG/JPEG、GIF、BMP、TIFF、PNG、AVI、DV、MPEG、MOV、WMV或RAW。在一些实现方式中,电子图像传感器可为电荷耦合装置(CCD)、有源像素传感器(CMOS)或其它合适的电子图像传感器。图像传感器540可以提供要拍摄的外部图像源的实时预览。图像传感器540还可以以二维和三维提供光学或数字或两者的缩放功能和全景图像。在其它实现方式中,所记录的图像信息可以是静止的和具有声音的视频。在一些实现方式中,图像传感器540可以是非数字图像传感器,其可以随后将图像扫描或处理成数字图像以供所描述的主题使用。
在一些实现方式中,由图像传感器540记录的图像数据也可以通过网络530传送到远程数据存储位置(未示出),而不是存储在存储器506中。虽然示出为通过网络530可通信地连接(例如,通过有线或无线连接)到计算机502,但是在一些实现方式中,图像传感器540也可以集成到计算机502或计算机实现的系统500的其它组件(未示出)中或直接连接到计算机502上的接口端口(未示出)。虽然计算机实现的系统500被示为包含单个图像传感器540,但是计算机实现的系统500的替代实现方式可以包括任意数量的图像传感器540,其单独地或一致地工作,并且适合于EFCS 500的目的。在一些实现方式中,图像传感器540可以是用于移动、调整或稳定图像传感器540或岩心样本以获得岩心样本的图像的机械组件(未示出)的一部分。
本说明书中描述的主题和功能操作的实现方式可以在数字电子电路中,在有形地体现的计算机软件或固件中,在计算机硬件中,包括本说明书中公开的结构及其结构等效物,或者在它们中的一个或多个的组合中实现。本说明书中描述的主题的实现方式可以实现为一个或多个计算机程序,即,在有形的非暂时性计算机可读的计算机存储介质上编码的计算机程序指令的一个或多个模块,用于由数据处理装置执行或控制数据处理装置的操作。可替代地或另外地,程序指令可以在人工生成的传播信号中/上编码,例如,机器生成的电信号、光信号或电磁信号,其被生成以编码信息以便传输到合适的接收器设备以供数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备,或计算机存储介质的组合。
术语“实时”、“实时的”、“定时”、“实时(快速)时间(RFT)”、“接近实时(NRT)”、“准实时”或类似术语(如本领域普通技术人员所理解)意味着动作和响应在时间上接近,使得个体基本上同时感知动作和响应。例如,在个人访问数据的动作之后对数据的显示(或显示的启动)的响应的时间差可以小于1毫秒、小于1秒、小于5秒等。虽然不需要立即显示(或启动显示)所请求的数据,但是考虑到所描述的计算系统的处理限制和例如聚集、准确地测量、分析、处理、存储或传输数据所需的时间,要在没有任何故意延迟的情况下显示(或启动显示)。
术语“数据处理装置”、“计算机”或“电子计算机设备”(或本领域普通技术人员所理解的等效物)是指数据处理硬件并且包含所有类型的装置、设备和用于处理数据的机器,包括例如可编程处理器、计算机或多个处理器或计算机。该装置还可以是或进一步包括专用逻辑电路,例如,中央处理单元(CPU)、FPGA(现场可编程门阵列)或ASIC(专用集成电路)。在一些实现方式中,数据处理装置或专用逻辑电路(或数据处理装置或专用逻辑电路的组合)可以是基于硬件或软件的(或者基于硬件和软件的组合)。该装置可以可选地包括为计算机程序创建执行环境的代码,例如,构成处理器固件、协议栈、数据库管理系统、操作系统或执行环境的组合的代码。本发明设想使用具有或不具有常规操作系统的数据处理装置,例如LINUX、UNIX、WINDOWS、MAC OS、ANDROID、IOS或任何其它合适的常规操作系统。
计算机程序也可以被称为或描述为程序、软件、软件应用程序、模块、软件模块、脚本或代码,其可以用任何形式的编程语言编写,包括编译或解译语言,或声明或过程语言,并且可以以任何形式部署,包括作为独立程序或作为模块、组件、子程序或适用于计算环境的其它单元。计算机程序可以但不必对应于文件系统中的文件。程序可以存储在保存其它程序或数据的文件的一部分中,例如,存储在标记语言文档中的一个或多个脚本,存储在专用于所讨论的程序的单个文件中,或者存储在多个协调文件中,例如,存储一个或多个模块、子程序或代码部分的文件。可以部署计算机程序以在一个计算机上或在位于一个站点上或分布在多个站点上并通过通信网络互连的多个计算机上执行。虽然各个图中所示的程序的各部分被示为通过各种对象、方法或其它过程实现各种特征和功能的单独模块,但是程序可以替代地适当包括多个子模块、第三方服务、组件、库等。相反,各种组件的特征和功能可以适当地组合成单个组件。用于进行计算确定的阈值可以静态地、动态地,或静态地和动态地确定。
本说明书中描述的方法、过程、逻辑流程等可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过对输入数据进行操作并生成输出来执行功能。该方法、过程、逻辑流程等也可以由专用逻辑电路执行,并且装置也可以实现为专用逻辑电路,例如CPU、FPGA或ASIC。
适合于执行计算机程序的计算机可以基于通用或专用微处理器、两者或任何其它类型的CPU。通常,CPU将从只读存储器(ROM)或随机存取存储器(RAM)或两者接收指令和数据。计算机的基本元件是用于进行或执行指令的CPU,以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括或可操作地耦合到用于存储数据的一个或多个大容量存储设备(例如磁盘、磁光盘或光盘)以从其接收数据或向其传输数据或两者。然而,计算机不需要这类设备。此外,计算机可以嵌入在另一个设备中,例如,移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏控制台、全球定位系统(GPS)接收器或便携式存储设备,例如,通用串行总线(USB)闪存驱动器,仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质(适当的是暂时的或非暂时的)包括所有形式的非易失性存储器、介质和存储器设备,包括例如半导体存储器设备,例如,可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪存器件;磁盘,例如内部硬盘或可移动磁盘;磁光盘;以及CD-ROM、DVD+/-R、DVD-RAM和DVD-ROM盘。存储器可以存储各种对象或数据,包括高速缓存、类、框架、应用程序、备份数据、作业、网页、网页模板、数据库表、存储动态信息的存储库,以及包括任何参数、变量、算法、指令、规则、约束条件或对其的引用的任何其它适当的信息。另外,存储器可以包括任何其它适当的数据,诸如日志、策略、安全性或访问数据、报告文件以及其它。处理器和存储器可以由专用逻辑电路补充或并入专用逻辑电路中。
为了提供与用户的交互,本说明书中描述的主题的实现方式可以在具有显示设备的计算机上实现,例如,CRT(阴极射线管)、LCD(液晶显示器)、LED(发光二极管)或等离子监视器,用于向用户显示信息,以及键盘和指示设备,例如,鼠标、轨迹球或触控板,用户可通过这些向计算机提供输入。还可以使用触摸屏向计算机提供输入,诸如具有压力敏感性的平板计算机表面、使用电容或电感测的多点触摸屏,或其它类型的触摸屏。其它类型的设备也可用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的感觉反馈,例如视觉反馈、听觉反馈或触觉反馈;并且可以以任何形式接收来自用户的输入,包括声学、语音或触觉输入。另外,计算机可以通过向用户使用的设备发送文档和从其接收文档来与用户交互;例如,通过响应于从网页浏览器接收的请求将网页发送到用户的客户端设备上的网页浏览器。
术语“图形用户界面”或“GUI”可以以单数或复数形式使用,以描述一个或多个图形用户界面和特定图形用户界面的每个显示。因此,GUI可以表示任何图形用户界面,包括但不限于网页浏览器、触摸屏或命令行界面(CLI),其处理信息并有效地将信息结果呈现给用户。通常,GUI可以包括多个用户界面(UI)元素,一些或全部与网页浏览器相关联,诸如交互式字段、下拉列表和按钮。这些和其它UI元素可以与网页浏览器的功能相关或代表网页浏览器的功能。
本说明书中描述的主题的实现方式可以在如下计算系统中实现,其包括后端组件例如作为数据服务器,或者包括中间件组件,例如应用服务器,或者包括前端组件,例如具有图形用户界面或网页浏览器的客户端计算机,用户可以通过该网页浏览器与本说明书中描述的主题的实现方式进行交互,或者包括一个或多个这类后端组件、中间件或前端组件任何组合。系统的组件可以通过有线或无线数字数据通信(或数据通信的组合)的任何形式或介质互连,例如通信网络。通信网络的示例包括局域网(LAN)、无线电接入网络(RAN)、城域网(MAN)、广域网(WAN)、全球微波接入互操作性(WIMAX)、例如使用802.11a/b/g/n或802.20(或802.11x和802.20的组合或与本发明一致的其它协议)的无线局域网络(WLAN)、互联网的全部或一部分,或任何其它通信系统或一个或多个位置的系统(或通信网络的组合)。网络可以与例如网络地址之间的互联网协议(IP)分组、帧中继帧、异步传输模式(ATM)信元、语音、视频、数据或其它合适的信息(或通信类型的组合)通信。
计算系统可以包括客户端和服务器。客户端和服务器通常彼此远离,并且通常通过通信网络进行交互。客户端和服务器的关系由于在相应计算机上运行的计算机程序并且彼此具有客户端-服务器关系而产生。
虽然本说明书包含许多具体实现细节,但是这些不应被解释为对任何发明的范围或可能要求保护的范围的限制,而是作为特定发明的特定实现方式专用的特征的描述。在单独实现方式背景下在本说明书中描述的某些特征也可以在单个实现方式中组合地实现。相反,在单个实现方式背景下描述的各种特征也可以在多个实现方式中单独地或以任何合适的子组合来实现。此外,虽然所描述的特征可以以某些组合起作用并且甚至最初如此声明,但是在一些情况下,来自所要求保护的组合的一个或多个特征可以从组合中删除,并且所要求保护的组合可以针对子组合或子组合的变化。
已经描述了主题的特定实现方式。所描述的实现方式的其它实现方式、改变和置换都在所附权利要求的范围内,这对于本领域技术人员来说是显而易见的。虽然在附图或权利要求中以特定顺序描绘了操作,但是这不应该被理解为要求以所示的特定顺序或按顺序执行这类操作,或者执行所有示出的操作(一些操作可以被认为是可选的),以达到理想的结果。在一些情况下,多任务处理或并行处理(或多任务处理和并行处理的组合)可能是有利的并且在认为适当时执行。
此外,所描述的实现方式中的各种系统模块和组件的分离或集成不应被理解为在所有实现方式中都需要这种分离或集成,并且应当理解,所描述的程序组件和系统通常可以一起集成在在单个软件产品中或打包成多个软件产品。
因此,示例实现方式不限定或约束本发明。在不脱离本发明的精神和范围的情况下,其它改变、替换和变更也是可能的。
此外,任何要求保护的实现方式被认为适用于至少一种计算机实现的方法;存储计算机可读指令以执行计算机实现的方法的非暂时性计算机可读介质;以及计算机系统,包括与硬件处理器互相操作地耦合的计算机存储器,该硬件处理器并被配置成执行计算机实现的方法或存储在非暂时性计算机可读介质上的指令。
Claims (20)
1.一种计算机实现的方法,包括:
接收与岩心样本相关联的图像,所述图像表示所述岩心样本的性质;
从所接收的图像确定至少一个图像属性的多个值;
从一组岩心描述确定所述岩心样本的岩心描述,其中所述岩心描述描述所述岩心样本的所述性质,所述一组岩心描述与一组训练岩心样本相关联,每个训练岩心样本具有对应的岩心描述并且与一组多个值相关联,并且确定所述岩心样本的所述岩心描述是基于与所述岩心样本相关联的所述多个值和与所述一组训练岩心样本相关联的各组多个值之间的比较;以及
将所述岩心样本的所述岩心描述提供给输出设备。
2.根据权利要求1所述的方法,还包括基于所述至少一个图像属性与所述岩心样本的所述性质之间的相关性来选择所述至少一个图像属性。
3.根据权利要求1所述的方法,还包括:
通过计算机检测所述图像中的多个区域,所述多个区域对应于多个深度的区域;
确定所述多个区域的所述至少一个图像属性的所述多个值;以及
将所确定的所述多个值记录在伪日志中。
4.根据权利要求3所述的方法,其中所述多个区域中的每个区域表示所述岩心样本的所述属性基本上均匀的区域,并且所述多个区域可重叠。
5.根据权利要求1所述的方法,其中每组多个值包括与所述对应的训练岩心样本相关联的所述至少一个图像属性的值。
6.根据权利要求1所述的方法,其中与所述岩心样本相关联的所述多个值和与所述一组训练岩心样本相关联的各组多个值之间的所述比较包括确定所述多个值和与至少一个训练岩心样本相关联的至少一组多个值之间的差值。
7.根据权利要求1所述的方法,其中确定所述岩心样本的所述岩心描述包括提供训练岩心样本的岩心描述。
8.一种存储一个或多个指令的非暂时性计算机可读介质,所述指令可由计算机实现的系统执行以执行包括以下操作的操作:
接收与岩心样本相关联的图像,所述图像表示所述岩心样本的性质;
从所接收的图像确定至少一个图像属性的多个值;
从一组岩心描述确定所述岩心样本的岩心描述,其中所述岩心描述描述所述岩心样本的所述性质,所述一组岩心描述与一组训练岩心样本相关联,每个训练岩心样本具有对应的岩心描述并且与一组多个值相关联,并且确定所述岩心样本的所述岩心描述是基于与所述岩心样本相关联的所述多个值和与所述一组训练岩心样本相关联的各组多个值之间的比较;以及
将所述岩心样本的所述岩心描述提供给输出设备。
9.根据权利要求8所述的非暂时性计算机可读介质,其中所述操作还包括基于所述至少一个图像属性与所述岩心样本的所述性质之间的相关性来选择所述至少一个图像属性。
10.根据权利要求8所述的非暂时性计算机可读介质,其中所述操作还包括:
通过计算机检测所述图像中的多个区域,所述多个区域对应于多个深度的区域;
确定所述多个区域的所述至少一个图像属性的所述多个值;以及
将所确定的所述多个值记录在伪日志中。
11.根据权利要求10所述的非暂时性计算机可读介质,其中所述多个区域中的每个区域表示所述岩心样本的所述属性基本上均匀的区域,并且所述多个区域可重叠。
12.根据权利要求8所述的非暂时性计算机可读介质,其中每组多个值包括与所述对应的训练岩心样本相关联的所述至少一个图像属性的值。
13.根据权利要求8所述的非暂时性计算机可读介质,其中与所述岩心样本相关联的所述多个值和与所述一组训练岩心样本相关联的各组多个值之间的所述比较包括确定所述多个值和与至少一个训练岩心样本相关联的至少一组多个值之间的差值。
14.根据权利要求8所述的非暂时性计算机可读介质,其中确定所述岩心样本的所述岩心描述包括提供训练岩心样本的岩心描述。
15.一种计算机实现的系统,包括:
计算机存储器;以及
硬件处理器,与所述计算机存储器互操作地耦合并被配置成执行包括以下操作的操作:
接收与岩心样本相关联的图像,所述图像表示所述岩心样本的性质;
从所接收的图像确定至少一个图像属性的多个值;
从一组岩心描述确定所述岩心样本的岩心描述,其中所述岩心描述描述所述岩心样本的所述性质,所述一组岩心描述与一组训练岩心样本相关联,每个训练岩心样本具有对应的岩心描述并且与一组多个值相关联,并且确定所述岩心样本的所述岩心描述是基于与所述岩心样本相关联的所述多个值和与所述一组训练岩心样本相关联的各组多个值之间的比较;以及
将所述岩心样本的所述岩心描述提供给输出设备。
16.根据权利要求15所述的计算机实现的系统,其中所述操作还包括:
通过计算机检测所述图像中的多个区域,所述多个区域对应于多个深度的区域;
确定所述多个区域的所述至少一个图像属性的所述多个值;以及
将所确定的所述多个值记录在伪日志中。
17.根据权利要求16所述的计算机实现的系统,其中所述多个区域中的每个区域表示所述岩心样本的所述属性基本上均匀的区域,并且所述多个区域可重叠。
18.根据权利要求15所述的计算机实现的系统,其中每组多个值包括与所述对应的训练岩心样本相关联的所述至少一个图像属性的值。
19.根据权利要求15所述的计算机实现的系统,其中与所述岩心样本相关联的所述多个值和与所述一组训练岩心样本相关联的各组多个值之间的所述比较包括确定所述多个值和与至少一个训练岩心样本相关联的至少一组多个值之间的差值。
20.根据权利要求15所述的计算机实现的系统,其中确定所述岩心样本的所述岩心描述包括提供训练岩心样本的岩心描述。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662317047P | 2016-04-01 | 2016-04-01 | |
US62/317,047 | 2016-04-01 | ||
PCT/US2017/024776 WO2017172935A1 (en) | 2016-04-01 | 2017-03-29 | Automated core description |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109155064A true CN109155064A (zh) | 2019-01-04 |
Family
ID=58549207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780031779.5A Pending CN109155064A (zh) | 2016-04-01 | 2017-03-29 | 自动化岩心描述 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20170286802A1 (zh) |
EP (1) | EP3437067B1 (zh) |
CN (1) | CN109155064A (zh) |
CA (1) | CA3019124C (zh) |
WO (1) | WO2017172935A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749609A (zh) * | 2019-11-20 | 2020-02-04 | 北京九恒质信能源技术有限公司 | 地下岩石的弹性力学数据确定方法、装置、系统和介质 |
US11408856B2 (en) * | 2020-01-03 | 2022-08-09 | Saudi Arabian Oil Company | Systems and methods for monitoring health of core samples |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10648292B2 (en) * | 2017-03-01 | 2020-05-12 | International Business Machines Corporation | Cognitive enhanced oil recovery advisor system based on digital rock simulator |
US10943182B2 (en) | 2017-03-27 | 2021-03-09 | International Business Machines Corporation | Cognitive screening of EOR additives |
EP3682271B1 (en) | 2017-09-12 | 2024-02-14 | Services Pétroliers Schlumberger | Seismic image data interpretation system |
US10310959B2 (en) | 2017-11-07 | 2019-06-04 | Bank Of America Corporation | Pre-deployment validation system using intelligent databases |
US10445617B2 (en) * | 2018-03-14 | 2019-10-15 | Drilling Info, Inc. | Extracting well log data |
US10719782B2 (en) * | 2018-05-09 | 2020-07-21 | International Business Machines Corporation | Chemical EOR materials database architecture and method for screening EOR materials |
CN109710780B (zh) * | 2018-12-28 | 2022-03-15 | 上海依图网络科技有限公司 | 一种归档方法及装置 |
EP3908861A4 (en) * | 2019-01-13 | 2022-09-28 | Services Pétroliers Schlumberger | SEISMIC IMAGE DATA INTERPRETATION SYSTEM |
US20200233113A1 (en) * | 2019-01-22 | 2020-07-23 | Saudi Arabian Oil Company | Analyzing secondary energy sources in seismic while drilling |
US11836927B2 (en) * | 2019-04-24 | 2023-12-05 | Halliburton Energy Services, Inc. | Borehole coring reconstructions using borehole scans |
FR3104773B1 (fr) * | 2019-12-12 | 2021-12-10 | Ifp Energies Now | Procédé de catégorisation d’une roche à partir d’au moins une image |
CN111488328B (zh) * | 2019-12-17 | 2023-06-13 | 核工业二四三大队 | 一种铀矿地质钻孔岩心物探编录曲线自动绘制方法 |
US11339651B2 (en) * | 2020-02-13 | 2022-05-24 | Saudi Arabian Oil Company | Systems and methods for generating continuous grain size logs from petrographic thin section images |
US11686876B2 (en) * | 2020-02-18 | 2023-06-27 | Saudi Arabian Oil Company | Geological core laboratory systems and methods |
US11906695B2 (en) | 2020-03-12 | 2024-02-20 | Saudi Arabian Oil Company | Method and system for generating sponge core data from dielectric logs using machine learning |
AU2021240960B2 (en) | 2020-03-26 | 2023-08-31 | Shell Internationale Research Maatschappij B.V. | Method for predicting geological features from images of geologic cores using a deep learning segmentation process |
MX2022015868A (es) | 2020-06-24 | 2023-01-24 | Shell Int Research | Metodo para predecir caracteristicas geologicas a partir de registros de imagenes de pozo. |
MX2022015893A (es) | 2020-06-26 | 2023-01-24 | Shell Int Research | Metodo para predecir caracteristicas estructurales a partir de imagenes de nucleo. |
US11767752B2 (en) | 2020-10-02 | 2023-09-26 | Saudi Arabian Oil Company | Methodology for automated verification and qualification of sidewall core recovery depth using borehole image logs |
US11668847B2 (en) * | 2021-01-04 | 2023-06-06 | Saudi Arabian Oil Company | Generating synthetic geological formation images based on rock fragment images |
US11942190B2 (en) * | 2021-02-04 | 2024-03-26 | Saudi Arabian Oil Company | Method and system for evaluating reactivity in source rock evaluation |
RU2760105C1 (ru) * | 2021-03-12 | 2021-11-22 | Публичное акционерное общество «Газпром нефть» | Система, машиночитаемый носитель и способ анализа керна по изображениям |
CN113159136B (zh) * | 2021-03-30 | 2023-05-09 | 中铁第四勘察设计院集团有限公司 | 一种孔内数据融合的地层划分方法、装置、设备和存储介质 |
CA3228848A1 (en) * | 2021-08-16 | 2023-02-23 | Michael RAVELLA | Systems and methods for improved acoustic data and sample analysis |
CN113916916B (zh) * | 2021-09-29 | 2024-03-19 | 西南石油大学 | 一种用于页岩数字岩心三维渗流-颗粒流动耦合的模拟方法 |
US20230175384A1 (en) * | 2021-12-03 | 2023-06-08 | Halliburton Energy Services, Inc. | Classification of pore or grain types in formation samples from a subterranean formation |
US20230333277A1 (en) * | 2022-04-18 | 2023-10-19 | Saudi Arabian Oil Company | Lithofacies Guided Core Description Using Unsupervised Machine Learning |
CN116415107A (zh) * | 2023-03-14 | 2023-07-11 | 长江三峡勘测研究院有限公司(武汉) | 岩心采取率数字化统计方法、系统、介质、设备及终端 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020042677A1 (en) * | 2000-09-29 | 2002-04-11 | West Brian P. | Method for seismic facies interpretation using textural analysis and neural networks |
US20090014181A1 (en) * | 2006-10-20 | 2009-01-15 | Vinegar Harold J | Creating and maintaining a gas cap in tar sands formations |
CN104376556A (zh) * | 2014-10-31 | 2015-02-25 | 四川大学 | 一种岩石ct图像目标分割方法 |
CN104914465A (zh) * | 2015-06-02 | 2015-09-16 | 中国石油天然气股份有限公司 | 火山岩裂缝定量预测方法及装置 |
US20150310294A1 (en) * | 2012-11-08 | 2015-10-29 | Total Sa | Method for processing an image |
CN105247546A (zh) * | 2013-06-10 | 2016-01-13 | 埃克森美孚上游研究公司 | 确定用于井动态优化的井参数 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2516872C (en) * | 2005-08-23 | 2008-10-21 | H & H Consulting Inc. | Digital core workflow method using digital core images |
US9939548B2 (en) * | 2014-02-24 | 2018-04-10 | Saudi Arabian Oil Company | Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells |
-
2017
- 2017-03-28 US US15/471,500 patent/US20170286802A1/en not_active Abandoned
- 2017-03-29 CA CA3019124A patent/CA3019124C/en active Active
- 2017-03-29 CN CN201780031779.5A patent/CN109155064A/zh active Pending
- 2017-03-29 WO PCT/US2017/024776 patent/WO2017172935A1/en active Application Filing
- 2017-03-29 EP EP17718181.5A patent/EP3437067B1/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020042677A1 (en) * | 2000-09-29 | 2002-04-11 | West Brian P. | Method for seismic facies interpretation using textural analysis and neural networks |
US20090014181A1 (en) * | 2006-10-20 | 2009-01-15 | Vinegar Harold J | Creating and maintaining a gas cap in tar sands formations |
US20150310294A1 (en) * | 2012-11-08 | 2015-10-29 | Total Sa | Method for processing an image |
CN105247546A (zh) * | 2013-06-10 | 2016-01-13 | 埃克森美孚上游研究公司 | 确定用于井动态优化的井参数 |
CN104376556A (zh) * | 2014-10-31 | 2015-02-25 | 四川大学 | 一种岩石ct图像目标分割方法 |
CN104914465A (zh) * | 2015-06-02 | 2015-09-16 | 中国石油天然气股份有限公司 | 火山岩裂缝定量预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
ANGELEENA THOMAS 等: "Automated lithology extraction from core photographs", 《ROCK PHYSICS AND FORMATION EVALUATION》 * |
CHAI HUA 等: "Automatic discrimination of sedimentary facies and lithologies in reef-bank reservoirs using borehole image logs", 《APPLIED GEOPHYSICS》 * |
XU-CHENG YIN 等: "FMI image based rock structure classification using classifier combination", 《NEURAL COMPUT & APPLIC》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749609A (zh) * | 2019-11-20 | 2020-02-04 | 北京九恒质信能源技术有限公司 | 地下岩石的弹性力学数据确定方法、装置、系统和介质 |
US11408856B2 (en) * | 2020-01-03 | 2022-08-09 | Saudi Arabian Oil Company | Systems and methods for monitoring health of core samples |
Also Published As
Publication number | Publication date |
---|---|
EP3437067B1 (en) | 2022-07-06 |
CA3019124C (en) | 2021-09-14 |
CA3019124A1 (en) | 2017-10-05 |
EP3437067A1 (en) | 2019-02-06 |
US20170286802A1 (en) | 2017-10-05 |
WO2017172935A1 (en) | 2017-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109155064A (zh) | 自动化岩心描述 | |
US10991078B2 (en) | Inferring petrophysical properties of hydrocarbon reservoirs using a neural network | |
US11530998B2 (en) | Method and system to analyze geologic formation properties | |
US11828167B2 (en) | Well log correlation and propagation system | |
US10753918B2 (en) | Physical reservoir rock interpretation in a 3D petrophysical modeling environment | |
US8024123B2 (en) | Subterranean formation properties prediction | |
US20170032532A1 (en) | Digital Core Model Construction | |
US8185311B2 (en) | Multiuser oilfield domain analysis and data management | |
US11803940B2 (en) | Artificial intelligence technique to fill missing well data | |
US11536862B2 (en) | Automatic feature extraction from seismic cubes | |
US20190265375A1 (en) | Cloud Framework System | |
CN114402233A (zh) | 正演沉积模型的自动校准 | |
US20240126419A1 (en) | Pattern search in image visualization | |
US20240203050A1 (en) | Unlocking lightweight fast 3d visualization with neural radiance representations | |
Xu et al. | Intelligent recognition of drill cores and automatic RQD analytics based on deep learning | |
Katterbauer et al. | A Novel Well Log Data Quality Prescriptive Framework for Enhancing Well Log Data Quality Interpretation | |
US20230095763A1 (en) | System and method for fracture dynamic hydraulic properties estimation and reservoir simulation | |
US20230374903A1 (en) | Autonomous Interpretation of Rock Drill Cuttings | |
US20230273338A1 (en) | Well correlation using global and local machine learning models | |
US10890065B2 (en) | Well infiltration area calculation using logging while drilling data | |
Xiong et al. | Intelligent Algorithm for Rock Core RQD Based on Object Detection and Image Segmentation to Suppress Noise and Vibration | |
Petrov et al. | ML Driven Integrated Approach for Perforation Interval Selection Based on Advanced Borehole Images AI Assisted Interpretation | |
WO2024064077A1 (en) | Training of machine learning models for well target recommendation | |
Aydin et al. | Exploring structural uncertainty using a flow proxy in the depositional domain |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |
|
WD01 | Invention patent application deemed withdrawn after publication |