CN109919947B - 一种对岩石裂隙网络进行量化的方法及设备 - Google Patents
一种对岩石裂隙网络进行量化的方法及设备 Download PDFInfo
- Publication number
- CN109919947B CN109919947B CN201910136290.5A CN201910136290A CN109919947B CN 109919947 B CN109919947 B CN 109919947B CN 201910136290 A CN201910136290 A CN 201910136290A CN 109919947 B CN109919947 B CN 109919947B
- Authority
- CN
- China
- Prior art keywords
- head
- fractal
- tail
- segmentation
- fracture network
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种对岩石裂隙网络进行量化的方法及设备,首先确定岩石裂隙网络的头尾分割次数;之后根据所确定的岩石裂隙网络的头尾分割次数,进一步确定岩石裂隙网络的分形集合类型,如属于简单层级结构的多重自相似分形集合,还是属于复杂层级结构的不同比例分形集合;最后采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数。如此,本发明在量化分形指数时,能够针对简单和复杂层级结构的岩石裂隙网络分开考虑,且有效避免传统最小回归计算方法中因在计算时选取的节点数目不同或截取的节点位置不同所导致的计算得到的分形指数值不稳定的问题。
Description
技术领域
本发明涉及岩石力学领域,尤其涉及一种对岩石裂隙网络进行量化的方法及设备。
背景技术
利用分形指数对岩石裂隙网络进行量化的工作始于Barton(于1985年)发现岩石裂隙网络与分形图形的相似性,利用计盒维数对二维岩石裂隙网络进行量化,之后利用分形指数量化岩石裂隙网络便引发了广泛关注,接着关联维数、小岛维数等也都用于岩石裂隙网络的量化。
然而,无论是采用哪种方法在工程实践中进行具体计算时,往往是利用最小二乘法,拟合出分形指数结果。如果在计算时选取的节点数目不同或者是截取的节点位置不同,都将得到不同的回归结果,而这样所引起的结果震荡会使得计算得到的分形指数值不稳定。
发明内容
本发明实施例为了解决上述提及的传统的用于岩石裂隙网络的量化方法所存在的问题,创造性地提供一种对岩石裂隙网络进行量化的方法及设备。
根据本发明实施例的第一方面,提供一种对岩石裂隙网络进行量化的方法,该方法包括:确定岩石裂隙网络的头尾分割次数;根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂隙网络的分形集合类型;采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数。
根据本发明一实施方式,所述确定岩石裂隙网络的头尾分割次数,包括:结合岩石裂隙网络的特性,创新的利用头尾分割法逐次对岩石裂隙网络进行分割,即在分割中保留对压裂有潜在影响的尾部裂隙,去掉头部,与原有应用于道路分割的保留头部裂隙,去掉尾部裂隙不同,以得到头尾分割结果;当所得到的头尾分割结果中头部对象的数目与尾部对象的数目之比超出比例阈值时,分割过程结束,从而确定岩石裂隙网络的头尾分割次数。
根据本发明一实施方式,所述分形集合类型指数包括多重自相似分形集合和不同比例分形集合;根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂缝网络的分形集合类型,包括:判断所确定的岩石裂隙网络的头尾分割次数是否超出分割阈值,得到判断结果;若判断结果为所确定的岩石裂隙网络的头尾分割次数未超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合;若判断结果为所确定的岩石裂隙网络的头尾分割次数超出分割阈值,则确定所述岩石类型网络的分形集合类型为不同比例分形集合。
根据本发明一实施方式,所述采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数,包括:当确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合时,采用与多重相似分形集合相对应的第一分形指数量化法确定所述岩石裂隙网络的分形指数。
根据本发明一实施方式,所述第一分形指数量化法采用如下计算公式:其中,t代表头尾分割次数,γi代表第i次头尾分割中的尾部均值和头部均值之比,Ni代表比例为γi的部分个数,Ni的数值是由第i次头尾分割中尾部对象的数目与头部对象的数目的比值。
根据本发明一实施方式,所述采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数,包括:当确定所述岩石裂隙网络的分形集合类型为不同比例分形集合,则采用与不同比例分形集合相对应的第二分形指数量化法确定所述岩石类型网络的分形指数。
根据本发明一实施方式,所述第二分形指数量化法采用如下计算公式:其中,t代表头尾分割次数,γi代表第i次头尾分割中头部均值与第i+1次头尾分割中头部均值之比,Ni代表比例为γi的部分个数,Ni的数值是由第i次头尾分割中头部对象的数目与第i+1次头尾分割中头部对象的数目的比值。
根据本发明实施例的第二方面,还提供一种对岩石裂隙网络进行量化的设备,该设备包括:头尾分割次数确定装置,用于确定岩石裂隙网络的头尾分割次数;分形集合类型确定装置,用于根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂隙网络的分形集合类型;分形指数确定装置,用于采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数。
根据本发明一实施方式,所述头尾分割次数确定装置包括:分割模块,用于利用头尾分割法逐次对岩石裂隙网络进行分割,得到头尾分割结果;头尾分割次数确定模块,用于当所得的的头尾分割结果中头部对象的数目与尾部对象的数目指标超出比例阈值时,分割过程结束,从而确定岩石裂隙网络的头尾分割次数。
根据本发明一实施方式,所述分形集合类型至少包括多重自相似分形集合和不同比例分形集合;所述分形集合类型确定装置包括:判断模块,用于判断所确定的岩石裂隙网络的头尾分割次数是否超出分割阈值,得到判断结果;分形集合类型确定模块,用于若判断结果为所确定的岩石裂隙网络的头尾分割次数未超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合;若判断结果为所确定的岩石裂隙网络的头尾分割次数超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为不同比例分形集合。
根据本发明一实施方式,所述分形指数确定装置还用于,当确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合时,采用与多重自相似分形集合相对应的第一分形指数量化法确定所述岩石裂隙网络的分形指数。
根据本发明一实施方式,所述分形指数确定装置还用于,当确定所述岩石裂隙网络的分形集合类型为不同比例分形集合,则采用与不同比例分形集合相对应的第二分形指数量化法确定所述岩石类型网络的分形指数。
本发明实施例所述对岩石裂隙网络进行量化的方法及设备,首先确定岩石裂隙网络的头尾分割次数;之后根据所确定的岩石裂隙网络的头尾分割次数,进一步确定岩石裂隙网络的分形集合类型,如属于简单层级结构的多重自相似分形集合,还是属于复杂层级结构的不同比例分形集合;最后采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数。如此,本发明在量化分形指数时,能够针对简单和复杂层级结构的岩石裂隙网络分开考虑,选取且有效避免传统最小回归计算方法中因在计算时选取的节点数目不同或截取的节点位置不同所导致的计算得到的分形指数值不稳定的问题。而且,本发明所述量化方法是综合考虑头尾分割与分形的计盒维数(自相似维数)而提出的,故可以确定得到一个简化、稳定、精确的刻画分形对象不规则性的分形指数,使得该方法更加适用于描述像岩石裂隙、树木生长这样的自然现象。
需要理解的是,本发明的教导并不需要实现上面所述的全部有益效果,而是特定的技术方案可以实现特定的技术效果,并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本发明实施例对岩石裂隙网络进行量化的方法的实现流程示意图;
图2示出了本发明实施例确定岩石裂隙网络的头尾分割次数的实现流程示意图;
图3示出了本发明实施例根据所确定的岩石裂隙网络的头尾分割次数确定岩石裂隙网络的分形集合类型的实现流程示意图;
图4a示出了本发明一应用示例三步迭代的谢尔品斯基垫示意图;
图4b示出了本发明又一应用示例散步迭代的科赫曲线示意图;
图5a示出了本发明一张二维岩石裂隙图像示意图;
图5b示出了本发明另一张二维岩石裂隙图像示意图;
图6a示出了本发明一种裂隙识别的角度规则示意图;
图6b示出了本发明另一种裂隙识别的角度规则示意图;
图7示出了本发明实施例对岩石裂隙网络进行量化的设备的组成结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为使本发明更加透彻和完整,并能够将本发明的范围完整地传达给本领域的技术人员。
下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
为了解决利用分形指数对岩石裂隙网络进行量化的方法的实现过程中,如果在计算时选取的节点数目不同或者是截取的节点位置不同,使得计算得到的分形指数值不稳定的问题,2018年初在《数学实践与认识》一文中论述了利用修改的头尾分割方法,即把图形或研究对象用头尾分割,保留根据自相似性可代表整体特征的“头”,计算出最后一步数据集“头”部的均值mean1及测度和sum1,以及相应“尾”部的均值mean2及测度和sum2,令并分别数出“头”、“尾”所含长度总数为N1,N2,计算出倒数第二步“头”中的小形状个数与最后一步分割“头”中的大形状个数的本质比再利用简化分形指数(simple fractal index,SFI)的计算公式计算得到最终的SFI。
申请人在近期的不断研究中,通过对岩石裂隙网络的观察,发现上述算法需要改进。第一,岩石裂隙网络生成规则和树木的生长是相似的,首先生成主裂隙(即相当于树木的主干),然后随着压裂的继续,在主裂隙保留的基础上,产生新一级别的裂隙(即相当于树木长出枝丫),裂隙网络(即相当于一棵树)是在重复这个生长过程形成的,而每一步产生的裂隙(即相当于枝丫)都会保留。而在岩石进行压裂开采煤层气、页岩气时,对储藏空间有极大贡献的却是上述分割中的细小“尾”部枝丫。因此在进行头尾分割时,应保留有潜在价值的尾部,而不是头部;第二,在利用头尾分割法对裂隙网络进行分割时,每一步的分割结果都对裂隙网络层级有叠加影响,不应仅对最后一层进行计算,且分割次数多代表裂隙网络层级结构越复杂,因此在分割得到层级数之后,应把每一步分割得到的维数数据特征加入计算表达式;第三,分割次数小于等于2时,层级结构简单,而分割数大于2时,代表岩石裂隙网络层级结构复杂,因此在量化分形指数时,简单、复杂层级结构应该分开考虑。
基于上述研究发现,本发明实施例提供一种对岩石裂隙网络进行量化的方法,如图1所示,所述方法包括:操作101,确定岩石裂隙网络的头尾分割次数;操作102,根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂隙网络的分形集合类型;操作103,采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数。
在操作101,如图2所示,具体确定岩石裂隙网络的头尾分割次数的过程包括:操作1011,利用头尾分割法逐次对岩石裂隙网络进行分割,得到头尾分割结果;操作1012,当所得到的头尾分割结果中头部对象的数目与尾部对象的数目之比超出比例阈值时,分割过程结束,从而确定岩石裂隙网络的头尾分割次数。
其中,在操作1012的具体实现中,分割可以是在头尾比例不满足“小的多,大的少”这个规律时停止,即所得到的头尾分割结果中头部对象的数目与尾部对象的数目之比超出比例阈值,如2/3,即当分割得到的头部对象数目占总体数目超过40%时,分割过程结束。
在操作102,如上所述,分形集合类型可以包括多重自相似分形集合和不同比例分形集合。相应的,根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂隙网络的分形集合类型的过程如图3所示,具体包括:操作1021,判断所确定的岩石裂隙网络的头尾分割次数是否超出分割阈值,得到判断结果;操作1022a,若判断结果为所确定的岩石裂隙网络的头尾分割次数未超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合;操作1022b,若判断结果为所确定的岩石裂隙网络的头尾分割次数超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为不同比例分形集合。
这里,在使用头尾分割来研究岩石裂隙网络时,如果头尾分割数小于等于2,意味着岩石裂隙网络结构简单,这时候可以把分形集合看作是有多于一个自相似比例的多重分形集,即多重自相似分形集合。如果分割次数t大于2,分形集的结构要更加复杂,这时可以把分形集合看作是由t个不同比例的层级所构成,即不同比例分形集合。根据此分形集合类型的考虑,可以将分割阈值取值为2。
进一步地,由于当分割次数t小于等于2时,可以看作是由t个不同比例的自相似部分构成,即每一次分割出来的头尾均值比例都是一个自相似比。故在操作103,当确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合时,采用与多重自相似分形集合相对应的第一分形指数量化法确定所述岩石裂隙网络的分形指数。
这里,第一分形指数量化法采用如下计算公式:其中,t代表头尾分割次数,γi代表第i次头尾分割中的尾部均值和头部均值之比,Ni代表比例为γi的部分个数,Ni的数值是由第i次头尾分割中尾部对象的数目与头部对象的数目的比值。
进一步地,由于分割次数t大于2时,层级级数复杂,可以认为此时的分形集合为每一次头尾分割中均有不同自相似比所构成的分形集合,一步步分割出来的头部恰好是从分形集合中分离出来的单元代表,故在操作103,当确定所述岩石裂隙网络的分形集合类型为不同比例分形集合,则采用与不同比例分形集合相对应的第二分形指数量化法确定所述岩石类型网络的分形指数。
这里,第二分形指数量化法采用如下计算公式:其中,t代表头尾分割次数,γi代表第i次头尾分割中头部均值与第i+1次头尾分割中头部均值之比,Ni代表比例为γi的部分个数,Ni的数值是由第i次头尾分割中头部对象的数目与第i+1次头尾分割中头部对象的数目的比值。
本发明实施例所述对岩石裂隙网络进行量化的方法,首先确定岩石裂隙网络的头尾分割次数;之后根据所确定的岩石裂隙网络的头尾分割次数,进一步确定岩石裂隙网络的分形集合类型,如属于简单层级结构的多重自相似分形集合,还是属于复杂层级结构的不同比例分形集合;最后采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数。如此,本发明在量化分形指数时,能够针对简单和复杂层级结构的岩石裂隙网络分开考虑,且有效避免传统最小回归计算方法中因在计算时选取的节点数目不同或截取的节点位置不同所导致的计算得到的分形指数值不稳定的问题。而且,本发明所述量化方法是综合考虑头尾分割与分形的计盒维数(自相似维数)而提出的,故可以确定得到一个简化、稳定、精确的刻画分形对象不规则性的分形指数,使得该方法更加适用于描述像岩石裂隙、树木生长这样的自然现象。
基于上文所提及的本发明对岩石裂隙网络进行量化的方法,下面结合经典自相似分形集——谢尔品斯基垫和科赫曲线加以举例说明。
当谢尔品斯基垫迭代到第三步,如图4a所示,从动态观点看,共有3个边长为1/2的三角形,9个面积为1/4的三角形以及27个面积为1/8的三角形。而完整的谢尔品斯基垫是极限图形,按照这样的规律,无限次迭代出来的结果,按简化分形指数SFI的计算方法,可分割无数次,因此适用于上述分割次数超出分割阈值2的情况。谢尔品斯基垫迭代中上一级的头部数据集的边长是下一级头部数据集的边长的2倍,下一级的头部数目和上一级头部数目之比一直是3,可算出各步的个数边长对数比取值为故可以计算得到谢尔品斯基垫的简化分形指数是
同理,对迭代到第三步的科赫曲线,如图4b所示,以动态观点看科赫曲线时,一共有4个长度为1/3的线段,16个长度为1/9的线段以及64个长度为1/27的线段。科赫曲线是一种迭代的极限形式。利用头尾分割,可以进行无数次,因此适用于上述分割次数超出分割阈值2的情况。科赫曲线迭代中上一级的头部长度和下一级头部长度之比一直是3,并且下一级的头部数目和上一级头部数目之比一直是4。因此,可算出各步的个数边长对数比取值为
通过以上图4a和图4b所示的两个经典分形图形谢尔品斯基垫和科赫曲线的简化分形指数的计算结果可以确定,上述二者的各种传统分形维数值与简化分形指数一致,说明本发明实施例在分割次数超出分割阈值2的情况下所定义的简化分形指数是分形维数的延续,是保持了图形的分形特征基础上的延伸。
基于上文所提及的本发明对岩石裂隙网络进行量化的方法,下面进一步结合二维裂隙网络加以举例说明。
如图5a和5b所示的两张二维岩石裂隙图像所示,图5b比图5a的裂隙网络更复杂。如果简化分形指数可以描述分形特征,即图像的复杂程度,那么图5b的简化分形指数值应该比图5a的数值大。本盈盈示例可以采用这两个裂隙网络图形来检验简易分形指数是否捕捉到了这个特征。当然,需要补充说明的是,此处仅考虑两幅图像的结构及像素大小,忽略初始单位。
首先把两幅图进行数值化变换成矢量图,然后把图片导入ArcGis10.0软件,利用内嵌程序Axwoman进行计算。利用程序按既定规则识别确定图片中的每条裂隙,记录裂隙长度。识别裂隙的规则是从有裂隙的任一点开始,如果两条有交点的裂隙的夹角没超过45度,则优先识别较长的裂隙;如果角度超过45度,优先识别较长且直的裂隙,拐角不超过45度的裂隙被认为是直的。例如,在图6a中,裂隙BD和BC的夹角超过45度,这时认为ABD为一条裂隙,BC为第二条裂隙。因为尽管ABC在这里面是最长的,但是不是直的;而在图6b中,裂隙AB和BC的夹角小于45度,这时从所有途径中选择长度最长的作为第一条裂隙,即ABC,然后再按此规则识别第二条裂隙,图6b中为BD。
进一步地,图5a中裂隙的长度取值范围是0到169.78像素。第一个长度均值,即整体数据均值为45.08像素,蓝色即代表裂隙长度在0-45.08像素的裂隙。第一次头尾分割后,得到一个头部和一个尾部,其中头部长度均值为89.25像素,尾部长度均值是24.46.像素。此时第一次分割后尾部中的头部裂隙数目为24,超过该步中整体数据数目44的40%,分割停止。
而图5b中,第一个长度均值为24.46像素,利用该值对整个图形中裂隙进行分割,得到包含141条裂隙的头部和235条裂隙的尾部,然后去掉头部,计算尾部长度均值52.01,作为第二个均值;利用第二个均值再对尾部继续进行分割,分割出第二个头和尾,第二个头部包含裂隙数目为99,均值为14.44,第二个尾部包含裂隙数目为136,均值为3.19。再利用该均值3.19对第二个尾部分割时,尾部所含裂隙数目是80,头部含裂隙数目56,头部含量超过40%,分割停止。两幅图中的数值可以用来确定层级,以及计算SPI时需要的分割次数和头尾分割信息。具体长度分布值如下表1所示。
表1
综合考虑上述图5a和图5b,两幅图中的头尾分割次数都小于分割阈值2,故适用于上述分割次数未超出分割阈值2的情况。图5a中头尾分割次数是1。尾部均值和整体均值之比尾部数目与头部数目之比加1等于故图5a中的简化分形指数为方程2.91×0.4878d=1中d的解,即简化分形指数值是1.49。而在图5b中,头尾分割数目是2,且分割两次的自相似比例分别为图5b中的简易分形指数可由方程2.67×0.32SFI+2.37×0.4SFI=1算出,此时简化分形指数值是1.61。很显然,从数值上可看出图4b的SFI值大于图4a的SFI值,符合之前看到的直观分形特征,即对应的图5b比图5a的裂隙网络更复杂。
同样,基于如上文所述对岩石裂隙网络进行量化的方法,本发明实施例又提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序,当所述程序被处理器执行时,使得所述处理器至少执行如下所述的操作步骤:操作101,确定岩石裂隙网络的头尾分割次数;操作102,根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂隙网络的分形集合类型;操作103,采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数。
进一步地,基于上文所述对岩石裂隙网络进行量化的方法,本发明实施例还提供一种对岩石裂隙网络进行量化的设备,如图7所示,所述设备70包括头尾分割次数确定装置701,用于确定岩石裂隙网络的头尾分割次数;分形集合类型确定装置702,用于根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂隙网络的分形集合类型;分形指数确定装置703,用于采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数。
根据本发明一实施方式,所述头尾分割次数确定装置包括:分割模块,用于利用头尾分割法逐次对岩石裂隙网络进行分割,得到头尾分割结果;头尾分割次数确定模块,用于当所得的的头尾分割结果中头部对象的数目与尾部对象的数目指标超出比例阈值时,分割过程结束,从而确定岩石裂隙网络的头尾分割次数。
根据本发明一实施方式,所述分形集合类型至少包括多重自相似分形集合和不同比例分形集合;所述分形集合类型确定装置包括:判断模块,用于判断所确定的岩石裂隙网络的头尾分割次数是否超出分割阈值,得到判断结果;分形集合类型确定模块,用于若判断结果为所确定的岩石裂隙网络的头尾分割次数未超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合;若判断结果为所确定的岩石裂隙网络的头尾分割次数超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为不同比例分形集合。
根据本发明一实施方式,所述分形指数确定装置还用于,当确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合时,采用与多重自相似分形集合相对应的第一分形指数量化法确定所述岩石裂隙网络的分形指数。
其中,所述第一分形指数量化法采用如下计算公式:其中,t代表头尾分割次数,γi代表第i次头尾分割中的尾部均值和头部均值之比,Ni代表比例为γi的部分个数,Ni的数值是由第i次头尾分割中尾部对象的数目与头部对象的数目的比值。
根据本发明一实施方式,所述分形指数确定装置还用于,当确定所述岩石裂隙网络的分形集合类型为不同比例分形集合,则采用与不同比例分形集合相对应的第二分形指数量化法确定所述岩石类型网络的分形指数。
其中,所述第二分形指数量化法采用如下计算公式:其中,t代表头尾分割次数,γi代表第i次头尾分割中头部均值与第i+1次头尾分割中头部均值之比,Ni代表比例为γi的部分个数,Ni的数值是由第i次头尾分割中头部对象的数目与第i+1次头尾分割中头部对象的数目的比值。
这里需要指出的是:以上对岩石裂隙网络进行量化的设备实施例的描述,与前述图1所示的方法实施例的描述是类似的,具有同前述图1所示的方法实施例相似的有益效果,因此不做赘述。对于本发明对岩石裂隙网络进行量化的设备实施例中未披露的技术细节,请参照本发明前述图1所示的方法实施例的描述而理解,为节约篇幅,因此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种对岩石裂隙网络进行量化的方法,其特征在于,所述方法包括:
确定岩石裂隙网络的头尾分割次数;
根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂隙网络的分形集合类型;
采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数;
其中,根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂隙网络的分形集合类型,包括:
判断所确定的岩石裂隙网络的头尾分割次数是否超出分割阈值,得到判断结果;若判断结果为所确定的岩石裂隙网络的头尾分割次数未超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合;若判断结果为所确定的岩石裂隙网络的头尾分割次数超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为不同比例分形集合;
采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数,包括:
当确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合时,采用与多重自相似分形集合相对应的第一分形指数量化法确定所述岩石裂隙网络的分形指数;所述第一分形指数量化法采用如下计算公式:
其中,t代表头尾分割次数,γi代表第i次头尾分割中的尾部均值和头部均值之比,Ni代表比例为γi的部分个数,Ni的数值是由第i次头尾分割中尾部对象的数目与头部对象的数目的比值;
当确定所述岩石裂隙网络的分形集合类型为不同比例分形集合,则采用与不同比例分形集合相对应的第二分形指数量化法确定所述岩石裂隙网络的分形指数;所述第二分形指数量化法采用如下计算公式:
其中,t代表头尾分割次数,γ′i代表第i次头尾分割中头部均值与第i+1次头尾分割中头部均值之比,N′i代表比例为γ′i的部分个数,N′i的数值是由第i次头尾分割中头部对象的数目与第i+1次头尾分割中头部对象的数目的比值。
2.根据权利要求1所述的方法,其特征在于,所述确定岩石裂隙网络的头尾分割次数,包括:
利用头尾分割法逐次对岩石裂隙网络进行分割,得到头尾分割结果;
当所得到的头尾分割结果中头部对象的数目与尾部对象的数目之比超出比例阈值时,分割过程结束,从而确定岩石裂隙网络的头尾分割次数。
3.一种对岩石裂隙网络进行量化的设备,其特征在于,所述设备包括:
头尾分割次数确定装置,用于确定岩石裂隙网络的头尾分割次数;
分形集合类型确定装置,用于根据所确定的岩石裂隙网络的头尾分割次数,确定岩石裂隙网络的分形集合类型;
分形指数确定装置,用于采用与所确定分形集合类型相对应的分形指数量化法来确定所述岩石裂隙网络的分形指数;
其中,所述分形集合类型确定装置包括:判断模块,用于判断所确定的岩石裂隙网络的头尾分割次数是否超出分割阈值,得到判断结果;分形集合类型确定模块,用于若判断结果为所确定的岩石裂隙网络的头尾分割次数未超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合;若判断结果为所确定的岩石裂隙网络的头尾分割次数超出分割阈值,则确定所述岩石裂隙网络的分形集合类型为不同比例分形集合;
所述分形指数确定装置还用于,当确定所述岩石裂隙网络的分形集合类型为多重自相似分形集合时,采用与多重自相似分形集合相对应的第一分形指数量化法确定所述岩石裂隙网络的分形指数;所述第一分形指数量化法采用如下计算公式:
其中,t代表头尾分割次数,γi代表第i次头尾分割中的尾部均值和头部均值之比,Ni代表比例为γi的部分个数,Ni的数值是由第i次头尾分割中尾部对象的数目与头部对象的数目的比值;
所述分形指数确定装置还用于,当确定所述岩石裂隙网络的分形集合类型为不同比例分形集合,则采用与不同比例分形集合相对应的第二分形指数量化法确定所述岩石裂隙网络的分形指数;所述第二分形指数量化法采用如下计算公式:
其中,t代表头尾分割次数,γ′i代表第i次头尾分割中头部均值与第i+1次头尾分割中头部均值之比,N′i代表比例为γ′i的部分个数,N′i的数值是由第i次头尾分割中头部对象的数目与第i+1次头尾分割中头部对象的数目的比值。
4.根据权利要求3所述的设备,其特征在于,所述头尾分割次数确定装置包括:
分割模块,用于利用头尾分割法逐次对岩石裂隙网络进行分割,得到头尾分割结果;
头尾分割次数确定模块,用于当所得到的头尾分割结果中头部对象的数目与尾部对象的数目之比超出比例阈值时,分割过程结束,从而确定岩石裂隙网络的头尾分割次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910136290.5A CN109919947B (zh) | 2019-02-25 | 2019-02-25 | 一种对岩石裂隙网络进行量化的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910136290.5A CN109919947B (zh) | 2019-02-25 | 2019-02-25 | 一种对岩石裂隙网络进行量化的方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919947A CN109919947A (zh) | 2019-06-21 |
CN109919947B true CN109919947B (zh) | 2021-03-30 |
Family
ID=66962309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910136290.5A Active CN109919947B (zh) | 2019-02-25 | 2019-02-25 | 一种对岩石裂隙网络进行量化的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919947B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110344826B (zh) * | 2019-07-29 | 2021-09-07 | 东北大学 | 一种基于压裂裂缝形态表征评价非常规储层可压性的方法 |
CN112084467B (zh) * | 2020-09-21 | 2022-03-11 | 华北科技学院 | 一种复杂岩石裂隙网络的分形量化方法 |
CN112085825B (zh) * | 2020-09-21 | 2021-12-14 | 华北科技学院 | 一种三维岩石裂隙的分形量化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105298464A (zh) * | 2015-11-26 | 2016-02-03 | 东北石油大学 | 不含天然裂缝的致密储层体积压裂树状随机缝网描述方法 |
CN105317435A (zh) * | 2015-10-30 | 2016-02-10 | 中国石油大学(北京) | 一种水平井裂缝识别方法 |
CN105781543A (zh) * | 2016-05-11 | 2016-07-20 | 青岛理工大学 | 一种基于裂隙分维指标的采动覆岩质量评价方法 |
CN107292100A (zh) * | 2017-06-15 | 2017-10-24 | 内蒙古科技大学 | 一种岩石结构面分形维数的计算方法 |
CN109146888A (zh) * | 2018-07-06 | 2019-01-04 | 同济大学 | 一种基于差商分析的土裂隙分形维数计算方法 |
-
2019
- 2019-02-25 CN CN201910136290.5A patent/CN109919947B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105317435A (zh) * | 2015-10-30 | 2016-02-10 | 中国石油大学(北京) | 一种水平井裂缝识别方法 |
CN105298464A (zh) * | 2015-11-26 | 2016-02-03 | 东北石油大学 | 不含天然裂缝的致密储层体积压裂树状随机缝网描述方法 |
CN105781543A (zh) * | 2016-05-11 | 2016-07-20 | 青岛理工大学 | 一种基于裂隙分维指标的采动覆岩质量评价方法 |
CN107292100A (zh) * | 2017-06-15 | 2017-10-24 | 内蒙古科技大学 | 一种岩石结构面分形维数的计算方法 |
CN109146888A (zh) * | 2018-07-06 | 2019-01-04 | 同济大学 | 一种基于差商分析的土裂隙分形维数计算方法 |
Non-Patent Citations (4)
Title |
---|
Rock fissure pattern characterization by combining 1-D fractal dimension and statistical analysis;Weixing Wang 等;《 IEEE/CAA Journal of Automatica Sinica》;20170125;第1-7页 * |
基于分形理论的节理几何特征描述与几何参数模型研究;宋丽娟;《中国博士学位论文数据库》;20160815(第8期);第1-163页 * |
岩石介质的分形空隙模型及其维数解析;王鲜霞 等;《中北大学学报》;20120724;第33卷(第1期);第79-82页 * |
量化分形图形的新指数_简便分形指数;隋丽丽 等;《数学的实验与认识》;20180131;第48卷(第1期);第155-161页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109919947A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919947B (zh) | 一种对岩石裂隙网络进行量化的方法及设备 | |
CN108986119B (zh) | 图像分割方法及装置、计算机设备及可读存储介质 | |
Huang et al. | Thresholding technique with adaptive window selection for uneven lighting image | |
TWI543083B (zh) | 產生二維條碼之方法 | |
US8238651B2 (en) | Image-guided abstraction of building facades | |
US20100189351A1 (en) | Compression processing apparatus and compression processing method | |
CN112258645B (zh) | 基于全局特征的数字地图线要素综合方法、装置和介质 | |
CN115834895A (zh) | 用于无人机的数据高效压缩存储方法 | |
CN111523341B (zh) | 二维码图像的二值化方法及设备 | |
CN114511440A (zh) | 神经网络中的自适应卷积 | |
CN114626967A (zh) | 一种数字水印嵌入与提取方法、装置、设备及存储介质 | |
Jiang et al. | Adaptive spread transform QIM watermarking algorithm based on improved perceptual models | |
CN107977461A (zh) | 一种视频特征提取方法及装置 | |
CN112084467A (zh) | 一种复杂岩石裂隙网络的分形量化方法 | |
KR101332630B1 (ko) | 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법 | |
CN111630558B (zh) | 一种图像处理、匹配方法、装置及存储介质 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
Jayamohan et al. | Domain classification using B+ trees in fractal image compression | |
Vidhya et al. | Kriging interpolation technique with triangulated irregular network for image compression using image inpainting | |
CN107404600A (zh) | 图像处理装置及方法 | |
Maity et al. | Intelligent modified difference expansion for reversible watermarking | |
KR20100009451A (ko) | 영상의 그라운드 라인 결정 방법 | |
Xu et al. | Super-resolution imaging based on generalized total variation regularization | |
JPH08167028A (ja) | 画像処理方法 | |
CN115496778B (zh) | 一种提高边缘光滑性的图像二值化方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |