CN111415413B - 基于野外露头三维模型的训练图像建立方法 - Google Patents
基于野外露头三维模型的训练图像建立方法 Download PDFInfo
- Publication number
- CN111415413B CN111415413B CN202010203505.3A CN202010203505A CN111415413B CN 111415413 B CN111415413 B CN 111415413B CN 202010203505 A CN202010203505 A CN 202010203505A CN 111415413 B CN111415413 B CN 111415413B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- model
- outcrop
- data
- lithology
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
本发明公开了一种基于野外露头三维模型的训练图像建立方法,先选取野外露头区块,并基于无人机倾斜摄影技术获取野外露头模型数据,建立野外露头的三维定量化空间模型;建立储层地质知识库,统计储层骨架模型参数;设置露头模型虚拟井点,生成X、Y、Z虚拟井点坐标信息数据文件、虚拟井点岩性分布数据和不同虚拟井的层位深度数据,并基于生成的数据利用三维建模软件建立野外露头区的三维网格骨架模型;基于变差函数的两点统计方法,序贯指示模拟野外露头三维岩性模型;利用算数加权平均法计算不同层的平面岩性等值线分布数据,结合储层地质知识库,建立训练图像三维空间分布模型,解决了目前难以获得更加精准的训练图像的问题。
Description
技术领域
本发明属于野外露头建模技术领域,涉及一种基于野外露头三维模型的训练图像建立方法。
背景技术
目前三维地质建模技术取得了较大进展,从确定性建模到随机建模进而发展了多点地质统计学建模方法,以及综合多学科信息和融合多算法以建立更加逼近地质真实的模型。然而,这个过程中数据信息的多少一直是控制地质模型精准的关键因素,野外露头剖面数据信息量较大,但因缺乏准确的剖面定位信息来定量表征二维非规则关联的露头区剖面,而难于充分利用,主要以观察描述及典型剖面的二维表征和建模为主。
以建立三维地质模型更加逼近地下真实的视角来看,多年来建模人员一直期待有平面约束的建模信息来辅助三维模拟实现,然而传统露头研究方法难于实现把多个具有地质成因关联的非规则剖面数据转换为平面数据,不能融合多个非规则剖面数据,导致认识片面化,这大大影响了野外露头的高精度、可视化数据在三维地质建模中的应用效果。另一方面,模型是否精准与建模人员对工区的地质知识库的经验关系密切。近年来,地质知识库从两个方面取得了较大的进展,其一是在地质知识库定量数据的获取技术上,其二是储层井间预测(即储层三维地质建模)算法上,特别是多点地质统计学建模方法迅速发展(基于随机游走过程的多点地质统计学建模方法,石书缘、尹艳树等,地质科技情报,2011,3(5);基于局部各向异性的非平稳多点地质统计学算法,喻思羽等,物探与化探,2017,41(2)),如何更加精准的获取训练图像成为了研究的热难点,究其本质依然是地质知识库的定量化认识,而地质知识库的获取需要信息化与定量化程度更高的资料数据。现有训练图像获取方法有密井网沉积微相、现代沉积和地震沉积学方法,但这些方法的数据在定量化和可视化上不足,没有野外露头数据直观可靠。
发明内容
本发明实施例的目的在于提供一种基于野外露头三维模型的训练图像建立方法,以解决目前野外露头资料定量化程度低、难以融合多个具有地质成因关联的非规则剖面数据而导致对野外露头认识片面化的问题,以及现有野外露头三维地质模型的训练图像获取方法因数据在定量化和可视化上不足而难以获取更加精准的训练图像的问题。
为了达到上述目的,本发明实施例所采用的技术方案是,基于野外露头三维模型的训练图像建立方法,具体步骤如下:
步骤S1、选取野外露头区块,并基于无人机倾斜摄影技术按照规划路线获取包括点云数据、高精度照片数据和POS数据的野外露头模型数据,并基于野外露头模型数据建立野外露头区的三维定量化空间模型;
步骤S2、利用步骤S1建立的野外露头区的三维定量化空间模型建立储层地质知识库,统计储层骨架模型参数;
步骤S3、设置露头模型虚拟井点,利用野外露头区的三维定量化空间模型依次获取虚拟井点的X、Y、Z坐标数据信息,生成X、Y、Z虚拟井点坐标信息数据文件;然后结合野外露头地质研究,划分不同深度段的岩性类型,获得虚拟井点岩性分布数据;并开展基于虚拟井点的小层精细对比,记录不同虚拟井的层位深度数据;
步骤S4、将X、Y、Z虚拟井点坐标信息数据文件、虚拟井点岩性分布数据和不同虚拟井的层位深度数据导入三维建模软件,建立野外露头区的三维网格骨架模型;
步骤S5、基于建立的三维网格骨架模型,利用基于变差函数的两点统计方法,序贯指示模拟野外露头区的三维岩性模型;
步骤S6、以步骤S5建立的野外露头区的三维岩性模型为基础,利用算数加权平均法计算不同层的平面岩性等值线分布数据,结合步骤S2建立的储层地质知识库,建立野外露头区的训练图像三维空间分布模型,即得到训练图像。
进一步的,所述POS数据包括拍摄点序号、拍摄照片编号、拍摄点X坐标、拍摄点Y坐标和拍摄点海拔高程值;所述点云数据包括拍摄点序号、拍摄点X坐标、拍摄点Y坐标和拍摄点海拔高程值;所述高精度照片数据包括拍摄点序号和拍摄照片编号,所述拍摄点X坐标为拍摄点的纬度,所述拍摄点Y坐标为拍摄点的经度。
进一步的,所述步骤S1中是利用Context Capture软件对点云数据、高精度照片数据和POS数据进行处理,并利用算法建立野外露头区的三维定量化空间模型,具体实现过程如下:
步骤S11、将POS数据、点云数据和高精度照片数据导入至Context Capture软件中;
步骤S12、利用Context Capture软件计算点云数据中每个点之间的关系,将识别出来的每一个点列入密集计算以确定点云数据的相对位置,进行空间框架建模;
步骤S13、通过Context Capture软件并利用POS数据携带的拍摄点的坐标信息,将带编号的高精度照片与点云数据进行匹配,将每张带编号的高精度照片还原至空间框架模型中与其对应的空间框架点处;
步骤S14、将采集的不同视角的深度图像即高精度照片匹配到同一坐标下,经过深度图像融合,将同一场景的多幅高精度图像合成一幅,获得完整的几何模型即纹理图像;
步骤S15、确定深度图像和纹理图像的映射关系,定义复合权重进行纹理融合以获取整个纹理映射图,并进行模型的纹理映射,构成具有真实感的野外露头区的三维定量化空间模型。
进一步的,所述步骤S2的具体实现过程如下:
步骤S21、开展野外露头地质剖面的描述、测量及采样;
步骤S22、进行典型多露头剖面解剖,包括岩石相及岩石相组合、构型单元类型,以及叠置样式;
步骤S23、进行多露头剖面对比研究,在典型的区块进行多个不同走向剖面对比研究,以消除剖面出露条件不一样得出地质结论与认识存在差异的问题;
步骤S24、利用上述多露头剖面对比研究成果开展构型模式研究;
步骤S25、在步骤S21~S24的基础上,建立储层地质知识库,统计储层骨架模型参数,包括:储层成因、砂体连续性、砂体规模、砂体数量、砂岩与泥岩比值、砂体几何形态、地质统计学变差函数。
进一步的,所述步骤S3中划分不同深度段的岩性类型,是结合野外露头现场工作判别的岩性类型,按照深度对虚拟井点的岩性进行识别,使其与现场工作判别的岩性类型对应。
进一步的,所述步骤S4是先导入步骤S3生成的X、Y、Z虚拟井点坐标信息数据文件、虚拟井点岩性分布数据及不同虚拟井的层位深度数据,然后利用三维建模软件的网格化模块对空间平面网格进行划分,并利用层面建模模块和细分层模块对空间网格剖面进行细分,建立野外露头区的三维网格骨架模型和三维地层-构造格架模型。
进一步的,所述步骤S5的具体实现过程如下:利用三维建模软件的离散化模块把单井岩性数据离散化到步骤S4建立的三维网格骨架模型和三维地层-构造格架模型中,形成在三维网格空间内单井穿过的网格岩性数据已知、而其他网格数据未知的情况,利用融入了变差函数的两点统计方法的序贯指示模拟算法开展基于井点岩性的地质统计学三维建模,建立野外露头区的三维岩性模型。
进一步的,所述步骤S5采用利用融入了变差函数的两点统计方法的序贯指示模拟算法开展基于井点岩性的地质统计学三维建模,建立野外露头区的三维岩性模型时,采用多次模拟的方法进行,并取多次模拟的平均值作为最终的野外露头区的三维岩性模型。
进一步的,所述步骤S6中训练图像模型的建立过程如下:
步骤S61、基于步骤S5建立的野外露头区的三维岩性模型,利用算数加权平均法计算得到不同层的平面岩性等值线分布数据;
步骤S62、依据不同层的平面岩性等值线分布数据,结合步骤S2建立的储层地质知识库,得到不同岩性单元的分布形态、定量规模和叠置样式;
步骤S63、将不同岩性单元的分布形态、定量规模及其叠置样式的定量化特点在建模软件中采用确定性建模方法表征成野外露头区的三维结构化岩性模型,即可得到野外露头区的训练图像三维空间分布模型。
本发明实施例的有益效果是:
1)基于无人机倾斜摄影技术获取典型露头区块的POS数据、点云数据和高精度图像,并基于获取的POS数据、点云数据和高精度图像构建了三维实景模型即三维定量化空间模型,创新性的获取了野外露头多个非关联剖面定量化数据,资料精度高、系统性强,连续性好,分辨率统一;图像数据定量化、测量准确,三维坐标信息、高陡窄剖面测量误差小。不仅为野外露头地质知识库定量化研究取得了较好的资料条件,同时,也为地质解释的准确性奠定了较好的基础,解决了目前野外露头资料定量化程度低、难以融合多个具有地质成因关联的非规则剖面数据而导致对野外露头认识片面化的问题。
2)提高了野外露头研究的工作效率和资料利用率,降低了野外露头研究成本。对比传统野外露头研究工作,获取资料的工作效率高(飞机巡航速度快(60km/h));对比传统碎片化图片和坐标信息,三维数据体的坐标和图像信息利用率高,所有照片可以全部系统化构成三维定量化空间模型的方式体现到后续三维数据模型中,大大提高了野外露头工作效率,降低了野外露头地质研究的经济成本。
3)基于构建的三维定量化空间模型,建立了储层地质知识库,并序贯指示模拟野外露头区的三维岩性模型,最后基于序贯指示模拟的野外露头区的三维岩性模型和建立的储层地质知识库,将野外露头多地质剖面数据向平面转化,构建了训练图像三维空间分布模型,提供了新的、定量化程度高的训练图像,为多点地质统计学训练图像的获取打开了一扇新的大门,为多点地质统计学模拟建模方法提供了新约束手段,解决了现有野外露头三维地质模型的训练图像获取方法因数据在定量化和可视化上不足而难以获取更加精准的训练图像的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1是本发明实施例提供的一种基于野外露头三维模型的训练图像建立方法流程图。
图2是本发明实施例建立的三维定量化空间模型图。
图3是本发明实施例建立的三维网格骨架模型和三维地层-构造格架模型图,其中,(a)是三维网格骨架模型在平面上的显示图,(b)是三维地层-构造格架模型图。
图4是本发明实施例序贯指示模拟的野外露头三维岩性模型图,其中,(a)为序贯指示模拟的野外露头三维岩性模型,(b)为序贯指示模拟的野外露头三维岩性模型的栅状显示图。
图5是本发明实施例建立的训练图像三维空间分布模型图,其中,(a)为融合三种模式的三维训练图像图,(b)为分叉状分流河道模式的三维训练图像,(c)为分流河道和席状砂坝组合模式的三维训练图像,(d)为分流河道和席状砂坝孤立状模式的三维训练图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
引入了基于无人机倾斜摄影的数字露头表征技术,无人驾驶飞机简称“无人机”(Unmanned Aerial Vehicle),英文缩写为“UAV”,是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机。目前,无人机技术在军事、城市规划、农林及其他行业得到了较好的应用。因此,本发明实施例将无人机倾斜摄影技术引入到野外地质工作中来,利用无人机的敏捷、全局性视角、高精度和定量化的特点开展野外露头考察及相关研究工作,建立更加符合地下实际情况的训练图像,这不仅对拓展沉积学及三维地质建模具有重要理论意义,同时对指导油气田精细勘探开发有重要的实践意义。
如图1所示,本发明实施例的基于野外露头三维模型的训练图像建立方法,包括以下步骤:
步骤S1、现场数据采集:在同一区块内,依据地质条件和研究目标需求,选取野外出露较好的多个典型露头区块,通过无人机飞行配套GPS定位软件,对拟飞行的区域进行路线规划,随后无人机按照规划路线巡航并基于无人机倾斜摄影技术获取包括点云数据、高精度像(照)片和POS(Positioning and Orientating System,定位定向系统)数据的野外露头模型数据,其中,POS是集动态GPS(Global Position System,全球定位系统)定位技术和定向惯性导航系统于一体的航空摄影测量系统,高精度照片的空间位置可由GPS测得,高精度照片的角元素可由GPS携载的陀螺系统来测量。POS数据还自动记录了一些辅助信息,例如相机自身状态信息(包括拍摄宽度、高度、焦距和像素大小)。
POS数据主要数据列包括拍摄点序号、拍摄照片编号、拍摄点X坐标、拍摄点Y坐标和拍摄点海拔高程值;点云数据主要数据列包括拍摄点序号、拍摄点X坐标、拍摄点Y坐标和拍摄点海拔高程值;拍摄点X坐标即拍摄点纬度,拍摄点Y坐标即拍摄点经度。通过5镜头倾斜摄影相机获取的高精度照片数据主要数据列包括拍摄点序号和拍摄照片编号,高精度照片数据利用POS数据携带的坐标信息与点云数据进行匹配与对应,它们的关键字和数据值具有统一性和对应性,可以帮助软件在建模的时候依据关键字把所有数据链接起来进行建模,例如Photo关键字代表了照片等。
建立野外露头区的三维定量化空间模型:现场数据采集结束后,利用ContextCapture软件对点云数据、高精度照片数据和POS数据进行处理,利用算法建立三维实景模型即三维定量化空间模型,具体实现过程如下:
步骤S11、导入POS数据、点云数据和高精度照片数据至Context Capture软件中;
步骤S12、利用Context Capture软件计算点云数据中每个点之间的关系,将识别出来的每一个点列入密集计算,进行空间框架建模;密集计算的目的是对点云数据的相对位置、相关关系进行计算,因点云数据量比较大,所以称为密集计算。
步骤S13、通过Context Capture软件并利用POS数据携带的拍摄点的坐标信息,将带编号的高精度照片与点云数据进行匹配,将每张带编号的高精度照片还原至空间框架模型中与其对应的空间框架点处,得到将点云坐标与高精度照片贴合在一起的初始模型,点云数据缺乏真实纹理,照片数据缺乏坐标及照片内物体的起伏,两者结合起来就形成了初始模型。
步骤S14、将采集不同视角的深度图像即高精度照片匹配到同一坐标下,因为拍摄的照片一般是山区的,所以拍摄的高精度照片深度差异很大(海拔不同),即称为深度图像,经过深度图像融合,将同一场景的多幅高精度图像合成一幅信息更完整、全面的图像,获得物体完整的几何模型即纹理图像。
步骤S15、确定深度图像和纹理图像的映射关系,并定义复合权重进行纹理融合来获取整个纹理映射图,并进行模型的纹理映射,构成具有真实感的野外露头区的三维定量化空间模型,如图2所示。深度图像融合后,图像表面不同位置的坐标不同,表现为纹理不同,因此需要把深度图像和纹理图像的映射关系建立起来,这样地表面的高低起伏定量模型(即具有真实感的野外露头区的三维定量化空间模型)就建好了。
传统的处理方法是用GPS零散定点并用相机拍照,定性描述的内容多,定量化的很少,得不到整个研究区的野外露头的三维定量化空间模型。本发明实施例采用ContextCapture软件处理点云数据、高精度照片数据和POS数据,可获得野外露头的三维定量化空间模型。处理后所得野外露头的三维定量化空间模型可准确定位工区野外露头任意位置三维坐标信息(经度、纬度和海拔高程),为后续定量地质知识库的建立以及露头三维地质模型的建立奠定了关键基础。
步骤S2、利用步骤S1建立的野外露头区的三维定量化空间模型开展野外露头地质知识库研究,统计储层骨架模型参数,具体包括以下几项工作:
步骤S21、开展野外露头地质剖面的描述、测量及采样等基础工作;
步骤S22、进行典型多露头剖面解剖,主要包括岩石相及岩石相组合、构型单元类型及叠置样式等;
步骤S23、多露头剖面对比研究,在典型的区块进行多个不同走向剖面对比研究,以消除剖面出露条件不一样得出地质结论与认识存在差异的问题;
步骤S24、沉积构型模式研究,利用上述多露头剖面对比研究成果开展构型模式研究;
步骤S25、在前述研究基础上,建立储层地质知识库,统计储层骨架模型参数,主要包括:储层成因、砂体连续性、砂体规模、砂体数量、砂岩与泥岩比值、砂体几何形态、地质统计学变差函数等数据类型。
步骤S3、设置露头模型虚拟井点并刻画岩性与层位。对比传统的露头考察方法,步骤S1获取的野外露头区的三维定量化空间模型最大的优势是可以获取研究区任一点的坐标。利用步骤S1获取的野外露头区的三维定量化空间模型,设置多个虚拟井点并命名,依次获取虚拟井点的X、Y、Z坐标数据信息,生成X、Y、Z虚拟井点坐标信息数据文件。随后,结合野外露头现场工作判别的岩性类型,按照深度对虚拟井点的岩性进行识别,使其与现场工作判别的岩性类型对应,获得虚拟井点岩性分布数据,并用相应的代码来代表(例如细砂岩定义为2,粉砂岩定义为1,泥岩定义为0),确定不同井段的岩性类型;之后,开展基于虚拟井点的小层精细对比,记录不同井的层位深度数据,形成空间上的虚拟井点分层数据。
步骤S4、将野外露头定量化数据导入三维建模软件,建立野外露头区的三维网格骨架模型:导入步骤S3生成的X、Y、Z虚拟井点坐标信息数据文件、虚拟井点岩性分布数据及不同虚拟井的层位深度数据,利用三维建模软件的网格化模块对空间平面网格进行划分,并利用层面建模模块和细分层模块对空间网格剖面进行细分,建立野外露头区的三维网格骨架模型和三维地层-构造格架模型,为后续砂体建模奠定空间网格基础,建立的野外露头区的三维网格骨架模型和三维地层-构造格架模型如图3所示,图3中(a)是三维网格骨架模型在平面上的显示,(b)是三维地层-构造格架模型图。
步骤S5、利用基于变差函数的两点统计方法,序贯指示模拟野外露头区的三维岩性模型:利用三维建模软件的离散化模块把单井岩性数据离散化到步骤S4建立的三维网格骨架模型(三维网格骨架模型和三维地层-构造格架模型)中,形成在三维网格空间内单井穿过的网格岩性数据已知、而其他网格数据未知的情况,这为将要用已知网格的岩性数据预测和模拟未知网格奠定了基础。随后,利用融入了变差函数的两点统计方法的序贯指示模拟算法开展基于井点岩性的地质统计学三维建模,建立野外露头区的三维岩性模型,模拟并预测未知网格的岩性,序贯指示模拟的野外露头区的三维岩性模型如图4所示,其中,(a)为序贯指示模拟的野外露头三维岩性模型,(b)为序贯指示模拟的野外露头三维岩性模型的栅状显示图。
单井岩性的刻画尽量精细,为后续研究奠定较好的基础,这样模型精细化程度高,效果更好。地质知识库内容尽量全面,定性方面包括储层成因、砂体连续性和砂体几何形态,定量方面包括砂体规模、砂体数量与相对比例、地质统计学变差函数等数据。
序贯指示模拟算法具有随机性即不确定性,因此模拟过程中需要采用多次模拟的方法,取多次模拟模型的平均值作为最终的野外露头区的三维岩性模型,在岩性比例、分布概率相同的情况下,分析多次模拟的差异性,综合分析不同网格值的随机性,保证剖面数据向平面数据转化的可靠性。
步骤S6、训练图像生成:以步骤S5建立的野外露头区的三维岩性模型为基础,利用算数加权平均法计算不同层的平面岩性等值线分布,这样把露头剖面数据利用前述过程转换成平面的岩性分布数据,并结合步骤S2建立的储层地质知识库,建立野外露头区的训练图像三维空间分布模型,即得到训练图像,构建的野外露头区的训练图像三维空间分布模型如图5所示,图5主要代表了三种地质模式,(a)是融合三种模式的三维训练图像,(b)、(c)、(d)各代表了一种模式,(b)为分叉状分流河道模式的三维训练图像,(c)为分流河道和席状砂坝组合模式的三维训练图像,(d)为分流河道和席状砂坝孤立状模式的三维训练图像。这些模式既有形态又有规模,分别代表了三种结构,实际上就是把露头发育的地质模式转换成了这三种定量化、结构化的样式,具有普适性和强大的指导意义。地质研究过程中,平面岩性分布数据十分重要,是开展地质建模工作的约束数据,也是后续地质工作的重要依据。
训练图像模型的建立过程如下:
步骤S61、基于步骤S5建立的野外露头区的三维岩性模型,利用算数加权平均法计算得到不同层的平面岩性等值线分布数据;
步骤S62、依据不同层的平面岩性等值线分布数据,结合步骤S2建立的储层地质知识库,得到不同岩性单元(岩性类型)的分布形态、定量规模和叠置样式;
步骤S63、将不同岩性单元的分布形态、定量规模及其叠置样式的定量化特点在建模软件中用确定性建模方法表征成野外露头区的三维结构化岩性模型,即可得到野外露头区的训练图像三维空间分布模型。
本发明实施例利用TTA-M8FA八旋翼无人机采集了野外露头区三维模型后,开展野外露头储层定量地质知识库建立及储层表征研究;在露头井点设置基础上,开展井位信息坐标数据、井点岩性数据和井点分层数据获取工作。数据导入三维建模软件,建立三维网格骨架模型和三维地层-构造格架模型,随后,开展序贯指示随机模拟三维岩性模型分析,确定最终三维岩性模型。利用软件计算得到不同层的平面岩性分布图,以此为基础结合前述储层地质知识库信息,建立训练图像三维空间分布模型,并以该训练图像三维空间分布模型为基础,建立了新的三维多点地质模型,多点统计地质模型需要训练图像三维空间分布模型作为基础约束数据,结合虚拟点数据开展多点模拟。这样获得的模型更加逼近真实数据,更加符合地质模式,更好的表达了砂体的三维空间分布特征,结果如表1所示。
表1模型的对比验证
表1中是对本发明实施例建模结果与地质研究即地质知识库的数据进行对比,其对比说明了本发明实施例建模结果的合理性。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.基于野外露头三维模型的训练图像建立方法,其特征在于,具体步骤如下:
步骤S1、选取野外露头区块,并基于无人机倾斜摄影技术按照规划路线获取包括点云数据、高精度照片数据和POS数据的野外露头模型数据,并基于野外露头模型数据建立野外露头区的三维定量化空间模型;
步骤S2、利用步骤S1建立的野外露头区的三维定量化空间模型建立储层地质知识库,统计储层骨架模型参数;
步骤S3、设置露头模型虚拟井点,利用野外露头区的三维定量化空间模型依次获取虚拟井点的X、Y、Z坐标数据信息,生成X、Y、Z虚拟井点坐标信息数据文件;然后结合野外露头地质研究,划分不同深度段的岩性类型,获得虚拟井点岩性分布数据;并开展基于虚拟井点的小层精细对比,记录不同虚拟井的层位深度数据;
步骤S4、将X、Y、Z虚拟井点坐标信息数据文件、虚拟井点岩性分布数据和不同虚拟井的层位深度数据导入三维建模软件,建立野外露头区的三维网格骨架模型;
步骤S5、基于建立的三维网格骨架模型,利用基于变差函数的两点统计方法,序贯指示模拟野外露头区的三维岩性模型;
步骤S6、以步骤S5建立的野外露头区的三维岩性模型为基础,利用算数加权平均法计算不同层的平面岩性等值线分布数据,结合步骤S2建立的储层地质知识库,建立野外露头区的训练图像三维空间分布模型,即得到训练图像;
所述步骤S1中是利用Context Capture软件对点云数据、高精度照片数据和POS数据进行处理,并利用算法建立野外露头区的三维定量化空间模型,具体实现过程如下:
步骤S11、将POS数据、点云数据和高精度照片数据导入至Context Capture软件中;
步骤S12、利用Context Capture软件计算点云数据中每个点之间的关系,将识别出来的每一个点列入密集计算以确定点云数据的相对位置,进行空间框架建模;
步骤S13、通过Context Capture软件并利用POS数据携带的拍摄点的坐标信息,将带编号的高精度照片与点云数据进行匹配,将每张带编号的高精度照片还原至空间框架模型中与其对应的空间框架点处;
步骤S14、将采集的不同视角的深度图像即高精度照片匹配到同一坐标下,经过深度图像融合,将同一场景的多幅高精度图像合成一幅,获得完整的几何模型即纹理图像;
步骤S15、确定深度图像和纹理图像的映射关系,定义复合权重进行纹理融合以获取整个纹理映射图,并进行模型的纹理映射,构成具有真实感的野外露头区的三维定量化空间模型。
2.根据权利要求1所述的基于野外露头三维模型的训练图像建立方法,其特征在于,所述POS数据包括拍摄点序号、拍摄照片编号、拍摄点X坐标、拍摄点Y坐标和拍摄点海拔高程值;所述点云数据包括拍摄点序号、拍摄点X坐标、拍摄点Y坐标和拍摄点海拔高程值;所述高精度照片数据包括拍摄点序号和拍摄照片编号,所述拍摄点X坐标为拍摄点的纬度,所述拍摄点Y坐标为拍摄点的经度。
3.根据权利要求1所述的基于野外露头三维模型的训练图像建立方法,其特征在于,所述步骤S2的具体实现过程如下:
步骤S21、开展野外露头地质剖面的描述、测量及采样;
步骤S22、进行典型多露头剖面解剖,包括岩石相及岩石相组合、构型单元类型,以及叠置样式;
步骤S23、进行多露头剖面对比研究,在典型的区块进行多个不同走向剖面对比研究,以消除剖面出露条件不一样得出地质结论与认识存在差异的问题;
步骤S24、利用上述多露头剖面对比研究成果开展构型模式研究;
步骤S25、在步骤S21~ S24的基础上,建立储层地质知识库,统计储层骨架模型参数,包括:储层成因、砂体连续性、砂体规模、砂体数量、砂岩与泥岩比值、砂体几何形态、地质统计学变差函数。
4.根据权利要求1所述的基于野外露头三维模型的训练图像建立方法,其特征在于,所述步骤S3中划分不同深度段的岩性类型,是结合野外露头现场工作判别的岩性类型,按照深度对虚拟井点的岩性进行识别,使其与现场工作判别的岩性类型对应。
5.根据权利要求1~4任一项所述的基于野外露头三维模型的训练图像建立方法,其特征在于,所述步骤S4是先导入步骤S3生成的X、Y、Z虚拟井点坐标信息数据文件、虚拟井点岩性分布数据及不同虚拟井的层位深度数据,然后利用三维建模软件的网格化模块对空间平面网格进行划分,并利用层面建模模块和细分层模块对空间网格剖面进行细分,建立野外露头区的三维网格骨架模型和三维地层-构造格架模型。
6.根据权利要求5所述的基于野外露头三维模型的训练图像建立方法,其特征在于,所述步骤S5的具体实现过程如下:利用三维建模软件的离散化模块把单井岩性数据离散化到步骤S4建立的三维网格骨架模型和三维地层-构造格架模型中,形成在三维网格空间内单井穿过的网格岩性数据已知、而其他网格数据未知的情况,利用融入了变差函数的两点统计方法的序贯指示模拟算法开展基于井点岩性的地质统计学三维建模,建立野外露头区的三维岩性模型。
7.根据权利要求6所述的基于野外露头三维模型的训练图像建立方法,其特征在于,所述步骤S5采用利用融入了变差函数的两点统计方法的序贯指示模拟算法开展基于井点岩性的地质统计学三维建模,建立野外露头区的三维岩性模型时,采用多次模拟的方法进行,并取多次模拟的平均值作为最终的野外露头区的三维岩性模型。
8.根据权利要求5所述的基于野外露头三维模型的训练图像建立方法,其特征在于,所述步骤S6中训练图像模型的建立过程如下:
步骤S61、基于步骤S5建立的野外露头区的三维岩性模型,利用算数加权平均法计算得到不同层的平面岩性等值线分布数据;
步骤S62、依据不同层的平面岩性等值线分布数据,结合步骤S2建立的储层地质知识库,得到不同岩性单元的分布形态、定量规模和叠置样式;
步骤S63、将不同岩性单元的分布形态、定量规模及其叠置样式的定量化特点在建模软件中采用确定性建模方法表征成野外露头区的三维结构化岩性模型,即可得到野外露头区的训练图像三维空间分布模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203505.3A CN111415413B (zh) | 2020-03-20 | 2020-03-20 | 基于野外露头三维模型的训练图像建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203505.3A CN111415413B (zh) | 2020-03-20 | 2020-03-20 | 基于野外露头三维模型的训练图像建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415413A CN111415413A (zh) | 2020-07-14 |
CN111415413B true CN111415413B (zh) | 2023-05-02 |
Family
ID=71491456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010203505.3A Active CN111415413B (zh) | 2020-03-20 | 2020-03-20 | 基于野外露头三维模型的训练图像建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415413B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634447B (zh) * | 2020-12-08 | 2023-08-08 | 陈建华 | 一种露头岩层分层方法、装置、设备及存储介质 |
CN113190954A (zh) * | 2021-03-16 | 2021-07-30 | 广东石油化工学院 | 一种基于露头和井资料定量表征河道单砂体的方法 |
CN117057116A (zh) * | 2023-07-31 | 2023-11-14 | 岭南师范学院 | 一种露头岩层非均质性的模型构建方法 |
CN117351796A (zh) * | 2023-10-09 | 2024-01-05 | 长江大学 | 基于数字孪生技术的野外地质露头场景教学系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850682A (zh) * | 2015-04-17 | 2015-08-19 | 长江大学 | 基于位置的多点地质统计学建模方法 |
CN108957549A (zh) * | 2018-06-26 | 2018-12-07 | 中国石油天然气股份有限公司 | 一种辫状河沉积非均质致密砂岩气藏地质建模方法 |
CN109508508A (zh) * | 2018-12-08 | 2019-03-22 | 河北省地矿局国土资源勘查中心 | 一种露天矿山治理勘查设计方法 |
CN109916379A (zh) * | 2019-04-12 | 2019-06-21 | 中国石油大学(华东) | 一种基于数字露头的野外地质考察新方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3010192B1 (fr) * | 2013-09-04 | 2017-04-28 | Ifp Energies Now | Procede d'exploitation d'un gisement souterrain comprenant au moins un affleurement geologique au moyen d'une photogrammetrie |
-
2020
- 2020-03-20 CN CN202010203505.3A patent/CN111415413B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850682A (zh) * | 2015-04-17 | 2015-08-19 | 长江大学 | 基于位置的多点地质统计学建模方法 |
CN108957549A (zh) * | 2018-06-26 | 2018-12-07 | 中国石油天然气股份有限公司 | 一种辫状河沉积非均质致密砂岩气藏地质建模方法 |
CN109508508A (zh) * | 2018-12-08 | 2019-03-22 | 河北省地矿局国土资源勘查中心 | 一种露天矿山治理勘查设计方法 |
CN109916379A (zh) * | 2019-04-12 | 2019-06-21 | 中国石油大学(华东) | 一种基于数字露头的野外地质考察新方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111415413A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415413B (zh) | 基于野外露头三维模型的训练图像建立方法 | |
Salvini et al. | The use of an unmanned aerial vehicle for fracture mapping within a marble quarry (Carrara, Italy): photogrammetry and discrete fracture network modelling | |
CN111927552B (zh) | 基于天空地勘察技术的复杂山区长大深埋隧道勘察方法 | |
US10197703B2 (en) | Method for exploiting a subsurface deposit comprising at least one geological outcrop by means of photogrammetry | |
CN103339627B (zh) | 评估表面数据 | |
Wang et al. | Cliff face rock slope stability analysis based on unmanned arial vehicle (UAV) photogrammetry | |
Guo et al. | Generation and verification of three-dimensional network of fractured rock masses stochastic discontinuities based on digitalization | |
CN111191307A (zh) | 一种基于bim+gis技术的土方工程虚拟施工方法 | |
Hao et al. | 3D geological modeling and visualization of above-ground and underground integration——taking the Unicorn Island in Tianfu new area as an example | |
Hansman et al. | Workflow: From photo-based 3-D reconstruction of remotely piloted aircraft images to a 3-D geological model | |
Puppala et al. | Geotechnical data visualization and modeling of civil infrastructure projects | |
CN116663762A (zh) | 一种城市规划地下空间勘察测绘方法及系统 | |
Djimantoro et al. | The advantage by using low-altitude UAV for sustainable urban development control | |
CN110009740A (zh) | 基于运动恢复结构的地质露头快速三维重建方法 | |
CN106886584B (zh) | 基于城市多种地理数据基础上的地下空间开发利用现状估算方法 | |
CN106846477B (zh) | 一种编录野外地质影像的地质标记解译建模方法 | |
US11953649B2 (en) | Fluid simulator property representation | |
Ilyushin et al. | Multithreading analysis of seismic data on the hybrid supercomputer | |
CN115100373A (zh) | 地表与地下环境三维一体化表征方法、装置、介质及设备 | |
EP3785233B1 (en) | Fault radiation based grid compartmentalization | |
Kehl et al. | Interpretation and Mapping of Geological Features Using Mobile Devices in Outcrop Geology: A Case Study of the Saltwick Formation, North Yorkshire, UK | |
Freitas et al. | Cross‐strata palaeocurrent analysis using virtual outcrops | |
Wang et al. | The spatial coordinates projection method for generating digital geologic cross sections from the multi-source terrain and geologic data | |
CN117593477B (zh) | 融合无人机三维模型和地质填图的三维地质图填绘方法 | |
Papadopoulou et al. | Mobilizing the Semantic Interpreter Pythia–Teaching Engineering Students to Integrate GIS and Soil Data During In Situ Measurements |
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 |