CN111242009B - 岩心指纹的相关方法及相关设备 - Google Patents
岩心指纹的相关方法及相关设备 Download PDFInfo
- Publication number
- CN111242009B CN111242009B CN202010026233.4A CN202010026233A CN111242009B CN 111242009 B CN111242009 B CN 111242009B CN 202010026233 A CN202010026233 A CN 202010026233A CN 111242009 B CN111242009 B CN 111242009B
- Authority
- CN
- China
- Prior art keywords
- core
- fingerprint
- parameter
- structural
- data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/80—Recognising image objects characterised by unique random patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本申请的实施例提供了一种岩心指纹的生成方法,方法包括:获取岩心的成分数据,成分数据指示了岩心所包含矿物成分的含量值;以及获取岩心的结构数据,结构数据包括由用于描述岩心中孔隙和喉道的结构参数所对应参数值;在分别为每一矿物成分和每一结构参数预设的极轴方向上,根据矿物成分的含量值确定矿物成分所对应极轴方向上的第一位置点和根据结构参数的参数值确定结构参数所对应极轴方向上的第二位置点;将顺次连接第一位置点和第二位置点所形成的图形作为岩心的岩心指纹,从而实现了岩心的数字化。
Description
技术领域
本申请涉及计算机及通信技术领域,具体而言,涉及一种岩心指纹的生成方法、物理性质参数的预测方法、岩心溯源方法及相关设备。
背景技术
为了进行原油开采或者地质研究,需要从对应储层中采集岩心,通过分析岩心来了解对应储层的地质和矿产情况。而为了全面了解不同储层的概况,需要对所采集的岩心进行实体保存。
但是,若保存时间过久,不可避免地会导致岩心风化,而且,随着时间的延长,需要保存的岩心数量增多,则保存岩心所占用的空间也越来越大。
因此,如何解决因保存时间久所造成的岩心风化和占用空间大是现有技术中亟待解决的技术问题。
发明内容
本申请的实施例提供了一种岩心指纹的相关方法及相关设备,从而便于实现岩心的数字化存储,以解决现有技术中因保存时间久所造成岩心风化和占用空间大的问题。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的第一方面,提供了一种岩心指纹的生成方法,所述方法包括:
获取所述岩心的成分数据,所述成分数据指示了所述岩心所包含矿物成分的含量值;以及
获取所述岩心的结构数据,所述结构数据包括由用于描述所述岩心中孔隙和喉道的结构参数所对应参数值;
在分别为每一矿物成分和每一结构参数预设的极轴方向上,根据所述矿物成分的含量值确定所述矿物成分所对应极轴方向上的第一位置点和根据所述结构参数的参数值确定所述结构参数所对应极轴方向上的第二位置点;
将顺次连接所述第一位置点和所述第二位置点所形成的图形作为所述岩心的岩心指纹。
根据本申请实施例的第二方面,提供了一种物理性质参数的预测方法,所述方法包括:
获取待测岩心的岩心指纹;
通过机器学习模型根据所述岩心指纹预测得到所述待测岩心的物理性质参数所对应参数值,所述机器学习模型是通过训练数据对预构建的模型进行训练得到的,所述训练数据包括样本岩心的岩心指纹和所述样本岩心的标签,所述标签用于描述所对应样本岩心的物理性质参数的数值,所述岩心指纹是通过如上所述的岩心指纹的生成方法生成的。
根据本申请实施例的第三方面,提供了一种岩心溯源方法,所述方法包括:
获取待测岩心的岩心指纹;
对所述待测岩心的岩心指纹和各样品岩心的岩心指纹分别进行相似度计算,确定与所述待测岩心最相似的相似样品岩心,所述岩心指纹是通过上所述的岩心指纹的生成方法生成的;
获取所述相似样品岩心的来源储层信息,将所述来源储层信息所指示的储层确定为所述待测岩心所来源的储层。
根据本申请实施例的第四方面,提供了一种岩心指纹的生成装置,所述装置包括:
成分数据获取模块,用于获取所述岩心的成分数据,所述成分数据指示了所述岩心所包含矿物成分的含量值;以及
结构数据获取模块,用于获取所述岩心的结构数据,所述结构数据包括由用于描述所述岩心中孔隙和喉道的结构参数所对应参数值;
位置点确定模块,用于在分别为每一矿物成分和每一结构参数预设的极轴方向上,根据所述矿物成分的含量值确定所述矿物成分所对应极轴方向上的第一位置点和根据所述结构参数的参数值确定所述结构参数所对应极轴方向上的第二位置点;
岩心指纹生成模块,用于将顺次连接所述第一位置点和所述第二位置点所形成的图形作为所述岩心的岩心指纹。
根据本申请实施例的第五方面,提供了一种物理性质参数的预测装置,所述装置包括:
第一岩心指纹获取模块,用于获取待测岩心的岩心指纹;
预测模块,用于通过机器学习模型根据所述岩心指纹预测得到所述待测岩心的物理性质参数所对应参数值,所述机器学习模型是通过训练数据对预构建的模型进行训练得到的,所述训练数据包括样本岩心的岩心指纹和所述样本岩心的标签,所述标签用于描述所对应样本岩心的物理性质参数的数值,所述岩心指纹是通过如上所述岩心指纹的生成方法生成的。
根据本申请实施例的第六方面,提供了一种岩心溯源装置,所述装置包括:
第二岩心指纹获取模块,用于获取待测岩心的岩心指纹;
相似度计算模块,用于对所述待测岩心的岩心指纹和各样品岩心的岩心指纹分别进行相似度计算,确定与所述待测岩心最相似的相似样品岩心,所述岩心指纹是通过如上所述的岩心指纹的生成方法生成的;
储层确定模块,用于获取所述相似样品岩心的来源储层信息,将所述来源储层信息所指示的储层确定为所述待测岩心所来源的储层。
在本申请的一些实施例所提供的技术方案中,通过岩心的成分数据和结构数据来生成岩心的岩心指纹,该岩心指纹可以唯一标识岩心,从而,该岩心指纹实现了岩心的数字化,便于进行岩心的数字化保存,从而解决了现有技术中因保存实体岩心所存在风化的问题,而且,通过保存岩心的岩心指纹来取代现有技术中实体保存岩心的方式,可以仅仅实体保存部分岩心,而不需对全部岩心均进行实体,大幅缩减了保存实体岩心的空间。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是根据一实施例示出的岩心指纹的生成方法的流程图;
图2是根据一实施例示出的步骤130之前步骤在一实施例中的流程图;
图3是根据一实施例示出的岩心指纹的示意图;
图4是根据一实施例示出的物理性质参数的预测方法的流程图;
图5是根据一实施例示出的岩心溯源方法的流程图;
图6是根据一实施例示出的岩心指纹的生成装置的框图;
图7是根据一实施例示出的物理性质参数的预测装置的框图;
图8是根据一实施例示出的岩心溯源装置的框图;
图9示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图1是根据一实施例示出的岩心指纹的生成方法的流程图,该岩心指纹的生成方法可以由具有计算处理功能的计算机设备来执行,该设备可以是服务器,也可以是服务器集群。参照图1所示,该岩心指纹的生成方法至少包括步骤110至步骤170,详细介绍如下:
步骤110,对于岩心,获取岩心的成分数据,成分数据指示了岩心所包含矿物成分的含量值。
岩心是根据地质勘察或工程的需要,使用岩心钻头等取心工具从地质层中取出的岩石样品,通过分析岩心可以了解该岩心所来源储层的地质和矿产情况。
岩心是多种矿物成分的集合体,换言之,岩心中包括多种矿物成分。当然,由于地质层的复杂性,来源于不同储层的岩心所包含的矿物成分存在差异。岩心中的矿物成分可以是:石英、长石、斜长石、方解石、白云石、硬石膏、菱铁矿、黄铁矿、赤铁矿、黏土等中的多种。岩心所包含的矿物成分还可以是上述列举外的其他矿物成分,因此上述所列举的矿物成分并不能认为是对本公开使用范围的限制。
值得一提的是,用于构建岩心指纹的成分数据中涉及的矿物成分可以是岩心中所包含的全部矿物成分,也可以是岩心中所包含的部分矿物成分,在具体实施例中,可以根据实际需要设定用于构建岩心指纹的矿物成分。
其中,该成分数据是对岩心进行X射线衍射(Diffraction of x-ray,XRD)分析得到的。
当X射线衍射作为一种电磁波投射到岩心中时,会受到岩心中原子的散射,而散射波就像是从原子中心发出,每个原子中心发出的散射波类似于球面波。由于原子在岩心中是周期排列的,这些散射球面波之间存在固定的相位关系,会导致某些散射方向的球面波相互加强,而在某些方向上相互抵消,从而出现衍射现象。岩心中原子的排列方式是唯一的,因此对应的衍射花样是唯一的,类似于人的指纹,因此,可以基于衍射花样来进行物相分析。
从而,对岩心进行X射线衍射得到其衍射图谱,通过分析该衍射图谱来确定岩心中所包含的矿物成分以及对应的含量。
以及步骤130,获取岩心的结构数据,结构数据包括用于描述岩心中孔隙和喉道的结构参数所对应参数值。
岩心由孔隙、喉道和骨架构成,骨架为岩心中的固相。孔隙是指岩心中由三个或三个以上的矿物颗粒包围的空间。喉道是岩心中连通不同孔隙的狭窄通道,其尺寸明显小于孔隙。
该结构参数用于描述岩心中的孔隙和喉道的大小、分布以及相互连通关系。也可以说,该结构参数用于描述岩心的孔隙结构,孔隙结构是指岩石所具有的孔隙和喉道的几何形状、大小、分布及其相互连通关系。
该结构参数可以是配位数、孔隙度、喉道体积、孔隙体积、孔隙半径、喉道半径、孔喉比、喉道长度、连通孔占比、孔喉半径分位数(例如孔喉半径P90/P10,孔喉半径P50)等。
其中,孔隙度,是指岩心中孔隙空间体积与该岩心体积的比值。配位数,是指与孔直接连通的喉道数。
在具体实施例中,该由于岩心中的孔隙和喉道数量较多,不同的孔隙尺寸存在差异,不同的喉道尺寸也存在差异。因此,为了体现岩心中孔隙和喉道的整体情况,对于孔喉半径、配位数、喉道体积、孔隙体积、喉道长度、喉道半径、孔隙半径等结构参数,分别取平均值作为对应结构参数的参数值,即分别为平均孔喉半径、平均配位数、平均喉道体积、平均孔隙体积、平均喉道长度、平均喉道半径、平均孔隙半径。
在一实施例中,岩心的结构数据可以通过进行实验来测得。例如,通过毛管压力曲线法(半渗透隔板法、压汞法和离心机法)、铸体薄片法、扫描电镜法、CT扫描法等一种或者多种方法来测得各结构参数。
在另一实施例中,还可以通过构建岩心的三维模型(又称为数字岩心),从而,基于三维模型中的孔隙和喉道来计算得到各结构参数。
通过构建三维模型的方法模拟得到岩心的结构数据可以通过如下的过程实现,如图2所示,包括:
步骤210,获取对岩心进行扫描所获得的二维图像。
通过高分辨率的CT扫描设备来扫描岩心,以获取岩心横截面的二维图像。由于孔隙相与固相对X射线的穿透性不同,因此在得到的二维图像中,孔隙相与骨架相的像素灰度值存在差异,基于此,通过二维图像中像素灰度值来区分岩心中的孔隙相和岩石相。
步骤230,根据二维图像进行三维重构,获得岩心的三维模型。
该三维模型是通过计算机技术来根据岩心的二维图像构建的数字三维模型(又称为数字岩心)。基于二维图像所表达岩心的孔隙相与固相,该三维模型对应表达了岩心中的孔隙、骨架以及喉道的分布,以及孔隙之间的连通关系。
步骤250,根据三维模型中孔隙和喉道所分别占据的网格单元,确定结构参数。
所建立岩心的三维模型位于网格空间中。在网格空间中,沿X、Y、以及Z轴三向分别进行了网格划分,从而,网格空间被划分成若干个网格单元。对应的,三维模型在该网格空间中占据了若干网格单元。
在三维模型中,每一孔隙和每一喉道对应占据有若干网格单元,从而,根据孔隙和喉道所占据的网格单元,对应计算出各项结构参数。
步骤150,在分别为每一矿物成分和每一结构参数预设的极轴方向上,根据矿物成分的含量值确定矿物成分所对应极轴方向上的第一位置点和根据结构参数的参数值确定结构参数所对应极轴方向上的第二位置点。
为了构建岩石指纹,在同一平面坐标系中为每一矿物成分和每一结构参数分别预设了极轴方向,所预设的极轴方向是从同一坐标原点向不同方向引出的。
在具体实施例中,每一矿物成分所对应极轴方向和每一结构参数所对应极轴方向可以根据实际需要进行设定,但是不同矿物成分、不同结构参数、以及矿物成分与结构参数所对应极轴方向不同。
所预设各极轴方向中,相邻两极轴方向的角度可以相同,也可以不同,在此不进行具体限定。在一具体实施例中,各个预设极轴方向中,相邻两预设极轴方向的角度相同。
进一步的,为了确定岩心中各矿物成分所对应含量值在该平面坐标系中的位置、以及确定岩心中各结构参数所对应参数值,分别设定各含量值与坐标系中单位长度的映射关系、以及各参数值与坐标系中单位长度的映射关系,从而,基于所设定的映射关系,即可按照各矿物成分对应的含量值分别确定在所对应预设极轴方向上的位置点(即第一位置点),按照各结构参数对应的参数值分别确定在所对应预设极轴方向上的位置点(即第二位置点)。
为了便于进行位置点区分,将矿物成分所对应的含量值在所对应预设极轴方向上的位置点称为第一位置点,将结构参数所对应参数值在所对应预设极轴方向上的位置点称为第二位置点。
步骤170,将顺次连接第一位置点和第二位置点所形成的图形作为岩心的岩心指纹。
在确定第一位置点和第二位置点后,按照预设极轴方向的相邻关系,数次连接各第一位置点和各第二位置点,则形成一图形,具体而言,围成一轨迹图形,将所形成的图形作为岩心的岩心指纹。
图3是根据一具体实施例示出的岩心指纹的示意图,如图3所示,所用于构建岩心的矿物成分包括石英、长石、黏土,所用于构建岩心的结构参数包括平均配位数、平均喉道体积、平均孔喉比、平均喉道长度、平均喉道半径、平均孔隙半径、连通孔占比。顺次连接第一位置点和第二位置点所形成的闭合轨迹图即为该岩心的指纹。
由于不同的岩心其成分数据存在差异(例如包含的矿物成分不同、矿物成分的含量不同),且不同的岩心其结构数据(例如各结构参数的参数值)也存在差异,从而,通过基于成分数据和结构数据为岩心构建的岩心指纹可以用于标识岩心。
而且,基于为岩心生成的岩心指纹,实现了岩心的数字化,便于构建数字化的岩心数据库,通过保存岩心的岩心指纹来取代保存实体岩心,相较于传统的物理保存实物的岩心库,数字化的岩心数据库可以永久保存,可随时开展数字化实验,且并不需要担心物理保存的风化、松散等风险。而且,在构建数字化的岩心数据库的基础上,仅需要占据少量物理空间来保存实体岩心,而不需要实体保存每一实体岩心,大幅缩减保存实体岩心所占据的空间。
进一步的,还可以实现基于岩心指纹在岩心数据库中来实现岩心的检索,而检索到的岩心指纹可以同时形象化反映岩心的成分数据、结构数据。
在一实施例中,在步骤270之后,该方法还包括:
将岩心指纹存储于岩心数据库中。
也就是说,基于岩心指纹来构建岩心数据库,所构建的岩心数据库相当于是岩心指纹库,通过该岩心指纹库即可实现岩心的数字化保存。
在一实施例中,岩心数据库还存储有岩心的储层信息、岩心的物理性质参数中的至少一种,储层信息用于指示岩心所来源的储层。
岩心的物理性质参数例如渗透率、岩电参数(如电阻率)、力学参数(如杨氏模量、伯桑系数)。岩心的物理性质参数可以通过实验测得。从而,基于岩心的岩心指纹、岩心的物理性质参数构建岩心数据库。
在一实施例中,在将岩心指纹存储于岩心数据库中的同时,同时存储岩心的成分数据和结构数据。
本公开还提供了一种物理性质参数的预测方法,如图4所示,该方法包括:
步骤410,获取目标岩心的岩心指纹。
目标岩心并不特指某一岩心,而是泛指待确定物理性质参数的岩心。
物理性质参数是指用于表征岩心的物理性质的参数。物理性质参数可以是渗透率、岩电参数和力学参数中的至少一种。
步骤430,通过机器学习模型根据目标岩心的岩心指纹预测得到待测岩心的物理性质参数所对应参数值,机器学习模型是通过训练数据对预构建的模型进行训练得到的,训练数据包括样本岩心的岩心指纹和样本岩心的标签,标签用于描述所对应样本岩心的物理性质参数的数值,岩心指纹是通过如上任一实施例中岩心指纹的生成方法生成的。
在本实施例中,不管是目标岩心的岩心指纹还是样本岩心的岩心指纹均是通过上述岩心指纹的生成方法的实施例中任一实施例生成的。
其中,机器学习模型为待测岩心所预测的物理性质参数所对应参数值可以是一项物理性质参数所对应的参数值,也可以同时进行多项物理性质参数所对应参数值的预测,在此不进行具体限定。
其中,预构建的模型可以是通过Boosting、神经网络等构建的模型。其中,该预构建模型的训练过程为:
将训练数据中样本岩心的岩心指纹输入至预构建的模型中,由该预构建的模型根据该岩心指纹进行特征提取,并基于所提取的特征对应预测物理性质参数的数值(为便于区分,将其称为预测数值);然后比较该样本的标签所指示该样本岩心的物理性质参数的数值(为便于区分,将该数值称为实际数值)与该预测数值,若该预测数值与实际数值不同,则调整该预构建的模型的参数,直至该模型为该样本岩心输出的预测数值与实际数值相同;然后用下一样本岩心的岩石指纹及对应的标签继续进行该模型的训练,直至该预构建的模型收敛。将收敛时的预构建模型作为步骤430中的机器学习模型。
从而,在训练得到机器学习模型后,该机器学习模型即可根据目标岩心的岩心指纹预测得到该待测岩心的物理性质参数的参数值。
通过本了实施例中的方法,对于物理性质参数未知的待测岩心,可以直接基于待测岩心的岩石指纹和训练得到的机器学习模型来进行物理性质参数所对应参数值的预测,快速得到待测岩心的物理性质参数所对应参数值,而不需要对待测岩心进行漫长的物理实验来确定物理性质参数的参数值。
进一步的,在对预构建的模型进行训练之前,还包括采集样本岩心的成分数据、结构数据、以及物理性质参数所对应的参数值,然后对采集的数据进行预处理,以获得训练数据。
所进行的预处理包括:
分别计算所采集数据中两种不同类型参数的相关系数。
根据所计算得到的相关系数除去成分数据和/或结构数据中与物理性质参数关联性低的参数,和除去成分数据和/或结构数据中相关性高的两两参数。
参数例如成分数据中的各项矿物成分、结构数据中的各项结构参数、各项物理性质参数。
所进行的相关系数计算,是指分别计算各项矿物成分、各项结构参数、各项物理性质参数这些参数中,两两不同参数之间的相关系数。相关系数的计算公式为:
其中Cov(X,Y)为参数X和参数Y的协方差,σx为参数X的方差,σy为参数Y的方差,从而根据上述公式计算得到参数X和参数Y的相关系数。所计算得到的相关系数的范围为[0,1],0表示不相关,1表示完全线性相关。
从而,根据所计算得到的相关系数来确定两参数之间的相关性大小。
其中,相关性高低的判断基于所计算得到的相关系数来进行,具体而言,为相关性高和相关性低分别设定对应的阈值,例如为相关性高设定的阈值为A:在相关系数超过阈值A则视为两参数的相关性高;又例如,为相关性低设定的阈值为B:在相关系数低于阈值B则视为两参数的相关性低。
进而,将成分数据和/或结构数据中与任一物理性质参数关联性低的参数,且除去成分数据/或结构数据中相关性高的两两参数。
在完成数据预处理之后,将所剩下样本岩心的成分数据、结构数据以及物理性质参数对应的参数值来构建训练数据,即基于成分数据和结构数据按照上述岩心指纹的生成方法实施例中的方法来生成样本岩心的岩心指纹,基于物理性质参数对应的参数值来确定该样本岩心的标签。
本公开还提供了一种岩心溯源方法,如图5所示,该方法包括:
步骤510,获取待测岩心的岩心指纹。
待测岩心是指待确定所来源储层的岩心。
步骤530,对待测岩心的岩心指纹和各样品岩心的岩心指纹分别进行相似度计算,确定与待测岩心最相似的相似样品岩心,岩心指纹是通过如上任一实施例中的岩心指纹的生成方法生成的。
步骤550,获取相似样品岩心的来源储层信息,将来源储层信息所指示的储层确定为待测岩心所来源的储层。
在本实施例中,为了确定待测岩心所来源的储层,构建了岩心数据库,该岩心数据中至少存储了若干样本岩心指纹,和每一样本岩心的来源储层信息,该来源储层信息用于指示样本岩心所来源的储层。
值得一提的是,该岩心数据库中的样本量越大,则按照本实施例的方法所确定待测岩心所来源的储层越准确,因此,为了保证所确定储层的准确性,岩心数据库中的样本量至少可以保证溯源准确性要求。
对于岩心而言,由于岩心所来源储层不同,从而,来源于不同储层的岩心的结构数据、成分数据存在差异,对应的,该两岩心的岩心指纹存在差异。
反之,若两岩心的岩心指纹相似度较高,例如高于设定阈值,则表明该两岩心所来源的储层相同或相似,基于此,将相似样品岩心所来源的储层确定为待测岩心所来源的粗层。
通过待测岩心的岩心指纹和岩心数据库中各样本岩心的岩心指纹分别进行相似度计算,来确定与待测岩心的岩心指纹最相似的岩心指纹。该最相似的岩心指纹所对应的样本岩心即为与待测岩心最相似的相似样品岩心。
在本实施例中的方法,基于待测岩心的岩心指纹和岩心数据库中各样本岩心的岩心指纹和所对应的来源储层信息为待测岩心确定所来源的储层,实现了快速进行待测岩心的溯源,从而快速判断类比岩性或沉积环境。
以下介绍本申请的装置实施例,可以用于执行本申请上述任一实施例中的方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的方法实施例。
本公开提供了一种岩心指纹的生成装置600,如图6所示,该装置包括:
成分数据获取模块610,用于对于岩心,获取岩心的成分数据,成分数据指示了岩心所包含矿物成分的含量值。以及
结构数据获取模块630,用于获取岩心的结构数据,结构数据包括由用于描述岩心中孔隙和喉道的结构参数所对应参数值。
位置点确定模块650,用于在分别为每一矿物成分和每一结构参数预设的极轴方向上,根据矿物成分的含量值确定矿物成分所对应极轴方向上的第一位置点和根据结构参数的参数值确定结构参数所对应极轴方向上的第二位置点。
岩心指纹生成模块660,用于将顺次连接第一位置点和第二位置点所形成的图形作为岩心的岩心指纹。
在一实施例中,该岩心指纹的生成装置600还包括
二维图像获取模块,用于获取对岩心进行扫描所获得的二维图像。
三维重构模块,用于根据二维图像进行三维重构,获得岩心的三维模型。
结构参数确定模块,用于根据三维模型中孔隙和喉道所分别占据的网格单元,确定结构参数。
在一实施例中,该岩心指纹的生成装置600还包括:
存储模块,用于将岩心指纹存储于岩心数据库中。
在一实施例中,岩心数据库还存储有岩心的储层信息、岩心的物理性质参数中的至少一种,储层信息用于指示岩心所来源的储层。
本公开还提供了一种物理性质参数的预测装置700,如图7所示,该装置包括:
第一岩心指纹获取模块710,用于获取待测岩心的岩心指纹。
预测模块730,用于通过机器学习模型根据岩心指纹预测得到待测岩心的物理性质参数所对应参数值,机器学习模型是通过训练数据对预构建的模型进行训练得到的,训练数据包括样本岩心的岩心指纹和样本岩心的标签,标签用于描述所对应样本岩心的物理性质参数的数值,岩心指纹是通过如上岩心指纹的生成方法实施例中的方法生成的。
在一实施例中,物理性质参数包括渗透率、岩电参数和力学参数中的至少一种。
本公开还提供了一种岩心溯源装置800,如图8所示,该装置包括:
第二岩心指纹获取模块810,用于获取待测岩心的岩心指纹。
相似度计算模块830,用于对待测岩心的岩心指纹和各样品岩心的岩心指纹分别进行相似度计算,确定与待测岩心最相似的相似样品岩心,岩心指纹是通过如上任一实施例中的岩心指纹的生成方法生成的。
储层确定模块850,用于获取相似样品岩心的来源储层信息,将来源储层信息所指示的储层确定为待测岩心所来源的储层。
上述装置中各个模块的功能和作用的实现过程具体详见上述为能源补给站确定布置位置的方法中对应步骤的实现过程,在此不再赘述。
可以理解,这些模块可以通过硬件、软件、或二者结合来实现。当以硬件方式实现时,这些模块可以实施为一个或多个硬件模块,例如一个或多个专用集成电路。当以软件方式实现时,这些模块可以实施为在一个或多个处理器上执行的一个或多个计算机程序。
图9示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图9示出的电子设备的计算机系统900仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,计算机系统900包括中央处理单元(Central Processing Unit,CPU)901,其可以根据存储在只读存储器(Read-Only Memory,ROM)902中的程序或者从存储部分908加载到随机访问存储器(Random Access Memory,RAM)903中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM 903中,还存储有系统操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(Input/Output,I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述任一方法实施例中的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (9)
1.一种岩心指纹的生成方法,其特征在于,所述方法包括:
获取岩心的成分数据,所述成分数据指示了所述岩心所包含矿物成分的含量值;以及
获取对所述岩心进行扫描所获得的二维图像;
根据所述二维图像进行三维重构,获得所述岩心的三维模型;
根据所述三维模型中孔隙和喉道所分别占据的网格单元,确定用于描述所述岩心中孔隙和喉道的结构参数;
获取所述岩心的结构数据,所述结构数据包括所述结构参数所对应参数值;
在分别为每一矿物成分和每一结构参数预设的极轴方向上,根据所述矿物成分的含量值确定所述矿物成分所对应极轴方向上的第一位置点和根据所述结构参数的参数值确定所述结构参数所对应极轴方向上的第二位置点;
将顺次连接所述第一位置点和所述第二位置点所形成的图形作为所述岩心的岩心指纹。
2.根据权利要求1所述的方法,其特征在于,所述将顺次连接所述第一位置点和所述第二位置点所形成的图形作为所述岩心的岩心指纹之后,所述方法还包括:
将所述岩心指纹存储于岩心数据库中。
3.根据权利要求2所述的方法,其特征在于,所述岩心数据库还存储有所述岩心的储层信息、所述岩心的物理性质参数中的至少一种,所述储层信息用于指示所述岩心所来源的储层。
4.一种物理性质参数的预测方法,其特征在于,所述方法包括:
获取目标岩心的岩心指纹;
通过机器学习模型根据所述岩心指纹预测得到所述目标岩心的物理性质参数,所述机器学习模型是通过训练数据对预构建的模型进行训练得到的,所述训练数据包括样本岩心的岩心指纹和所述样本岩心的标签,所述标签用于描述所对应样本岩心的物理性质参数的数值,所述岩心指纹是通过如权利要求1-3中任一项所述的方法生成的。
5.根据权利要求4所述的方法,其特征在于,所述物理性质参数包括渗透率、岩电参数和力学参数中的至少一种。
6.一种岩心溯源方法,其特征在于,所述方法包括:
获取待测岩心的岩心指纹;
对所述待测岩心的岩心指纹和各样品岩心的岩心指纹分别进行相似度计算,确定与所述待测岩心最相似的相似样品岩心,所述岩心指纹是通过如权利要求1-3中任一项所述的方法生成的;
获取所述相似样品岩心的来源储层信息,将所述来源储层信息所指示的储层确定为所述待测岩心所来源的储层。
7.一种岩心指纹的生成装置,其特征在于,所述装置包括:
成分数据获取模块,用于获取所述岩心的成分数据,所述成分数据指示了所述岩心所包含矿物成分的含量值;以及
二维图像获取模块,用于获取对所述岩心进行扫描所获得的二维图像;
三维重构模块,用于根据所述二维图像进行三维重构;
结构参数确定模块,用于获得所述岩心的三维模型;根据所述三维模型中孔隙和喉道所分别占据的网格单元,确定用于描述所述岩心中孔隙和喉道的结构参数;
结构数据获取模块,用于获取所述岩心的结构数据,所述结构数据包括所述结构参数所对应参数值;
位置点确定模块,用于在分别为每一矿物成分和每一结构参数预设的极轴方向上,根据所述矿物成分的含量值确定所述矿物成分所对应极轴方向上的第一位置点和根据所述结构参数的参数值确定所述结构参数所对应极轴方向上的第二位置点;
岩心指纹生成模块,用于将顺次连接所述第一位置点和所述第二位置点所形成的图形作为所述岩心的岩心指纹。
8.一种物理性质参数的预测装置,其特征在于,所述装置包括:
第一岩心指纹获取模块,用于获取待测岩心的岩心指纹;
预测模块,用于通过机器学习模型根据所述岩心指纹预测得到所述待测岩心的物理性质参数所对应参数值,所述机器学习模型是通过训练数据对预构建的模型进行训练得到的,所述训练数据包括样本岩心的岩心指纹和所述样本岩心的标签,所述标签用于描述所对应样本岩心的物理性质参数的数值,所述岩心指纹是通过如权利要求1-3中任一项所述的方法生成的。
9.一种岩心溯源装置,其特征在于,所述装置包括:
第二岩心指纹获取模块,用于获取待测岩心的岩心指纹;
相似度计算模块,用于对所述待测岩心的岩心指纹和各样品岩心的岩心指纹分别进行相似度计算,确定与所述待测岩心最相似的相似样品岩心,所述岩心指纹是通过如权利要求1-3中任一项所述的方法生成的;
储层确定模块,用于获取所述相似样品岩心的来源储层信息,将所述来源储层信息所指示的储层确定为所述待测岩心所来源的储层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026233.4A CN111242009B (zh) | 2020-01-10 | 2020-01-10 | 岩心指纹的相关方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026233.4A CN111242009B (zh) | 2020-01-10 | 2020-01-10 | 岩心指纹的相关方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242009A CN111242009A (zh) | 2020-06-05 |
CN111242009B true CN111242009B (zh) | 2023-06-13 |
Family
ID=70865496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010026233.4A Active CN111242009B (zh) | 2020-01-10 | 2020-01-10 | 岩心指纹的相关方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242009B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
CN109376481A (zh) * | 2018-08-16 | 2019-02-22 | 清能艾科(深圳)能源技术有限公司 | 基于多gpu的数字岩心相渗曲线的计算方法、装置及计算机设备 |
CN110599594A (zh) * | 2019-07-29 | 2019-12-20 | 成都理工大学 | 一种岩石物性结构三维建模的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015021088A1 (en) * | 2013-08-06 | 2015-02-12 | Schlumberger Canada Limited | Methods for determining a saturation-height function in oil and gas reservoirs |
-
2020
- 2020-01-10 CN CN202010026233.4A patent/CN111242009B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
CN109376481A (zh) * | 2018-08-16 | 2019-02-22 | 清能艾科(深圳)能源技术有限公司 | 基于多gpu的数字岩心相渗曲线的计算方法、装置及计算机设备 |
CN110599594A (zh) * | 2019-07-29 | 2019-12-20 | 成都理工大学 | 一种岩石物性结构三维建模的方法 |
Non-Patent Citations (3)
Title |
---|
"数字岩屑录井在海洋油气勘探的应用";龙威等;《海洋工程装备与技术》;20191115(第S1期);272-275 * |
"数字岩心三维可视化技术发展与应用";黄瑞等;《电子技术与软件工程》;20190315(第5期);8 * |
基于多点地质统计学的数字岩心建模;吴玉其等;《中国石油大学学报(自然科学版)》;20180620(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111242009A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10223782B2 (en) | Digital rock physics-based trend determination and usage for upscaling | |
CN103345566B (zh) | 基于地质内涵的化探异常识别与评价方法 | |
CN108062789B (zh) | 岩心样品选取方法和装置 | |
CN111366521B (zh) | 多尺度确定孔隙度的方法及相关设备 | |
Wang et al. | Quantifying the spatial characteristics of geochemical patterns via GIS-based geographically weighted statistics | |
Ameen | Fractography: fracture topography as a tool in fracture mechanics and stress analysis. An introduction | |
Zhihong et al. | Evaluation of granular particle roundness using digital image processing and computational geometry | |
Böhm et al. | The IQmulus urban showcase: Automatic tree classification and identification in huge mobile mapping point clouds | |
CN111242009B (zh) | 岩心指纹的相关方法及相关设备 | |
Borkowski et al. | Geostatistical modelling as an assessment tool of soil pollution based on deposition from atmospheric air | |
CN115358285B (zh) | 待勘测区块关键地质参数的选取方法、装置、及设备 | |
CN115062859B (zh) | 一种对长爪沙鼠的密度进行预测的方法和装置 | |
CN113469086B (zh) | 建筑平面图中的区域划分方法、装置、设备及介质 | |
CN115578212A (zh) | 一种地质勘查内外业一体化的信息化系统 | |
CN109113732B (zh) | 储层非均质性的确定方法及装置 | |
Hunter et al. | Integrating grain-scale geology in digital rock physics | |
Michalak et al. | Constraining uncertainty of fault orientation using a combinatorial algorithm | |
CN113607920B (zh) | 岩浆底辟对沉积盆地的改造分析方法、实验装置和介质 | |
CN111709432B (zh) | 复杂城市环境下InSAR地面点提取方法、装置、服务器及存储介质 | |
CN112682034B (zh) | 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 | |
Botha et al. | Multi-scale imaging and cross-property correlations in heterogenous sandstone | |
Liang et al. | A Workflow for Interpretation of Fracture Characteristics Based on Digital Outcrop Models: A Case Study on Ebian XianFeng Profile in Sichuan Basin | |
Eaton et al. | Estimating confidence intervals for gravel bed surface grain size distributions | |
CN117830377A (zh) | 岩石质量的确定方法、装置、计算机设备和存储介质 | |
Firmansyah et al. | Building typology classification using convolutional neural networks utilizing multiple ground-level image process for city-scale rapid seismic vulnerability assessment |
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 |