CN111738978B - 储层孔喉连通性的评价方法、装置、电子设备及存储介质 - Google Patents
储层孔喉连通性的评价方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111738978B CN111738978B CN202010231202.2A CN202010231202A CN111738978B CN 111738978 B CN111738978 B CN 111738978B CN 202010231202 A CN202010231202 A CN 202010231202A CN 111738978 B CN111738978 B CN 111738978B
- Authority
- CN
- China
- Prior art keywords
- pore
- throat
- communication
- connectivity
- reservoir
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 305
- 238000011156 evaluation Methods 0.000 title claims abstract description 126
- 238000004891 communication Methods 0.000 claims abstract description 224
- 238000000034 method Methods 0.000 claims abstract description 125
- 239000002245 particle Substances 0.000 claims description 36
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 35
- 239000011707 mineral Substances 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000001035 drying Methods 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 238000002459 porosimetry Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 238000000197 pyrolysis Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000002411 thermogravimetry Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000445 field-emission scanning electron microscopy Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000011555 saturated liquid Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供的一种储层孔喉连通性的评价方法、装置、电子设备及存储介质,所述方法包括获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价。该方法避免了现有的评价方法的间接性和评价参数的人为性,一定程度降低了样品非均质性对储层孔喉连通性评价的影响,提供了一种低成本的、快速的、可大规模进行的直观评价致密储层储集空间连通性的方法。
Description
技术领域
本公开涉及石油勘探技术领域,特别地涉及一种储层孔喉连通性的评价方法、装置、电子设备及存储介质。
背景技术
与常规油气相比,非常规的致密储层(如致密砂岩储层)的油气资源主要集中在尺度更小的空间中,即其储集空间为孔喉(孔隙和喉道)。其孔喉连通性是影响储层物性、决定参与流动流体数量多少的重要因素,准确全面表征孔喉连通性成为了非常规致密储层微观孔隙结构研究的重点。
储层的孔喉连通性评估主要包括评价方法和评价参数两部分。现有的储层的孔喉连通性评价方法主要包括了直接法和间接法两种,直接法主要是应用高分辨率扫描电镜、微纳米CT、聚焦离子双束电镜等方法直接观察,定性判断,其优点是是直观、准确、影响因素少,不足之处包括观察尺度小,样品代表性存在挑战;间接法包括高压压汞、恒速压汞、气体吸附、核磁共振等方法间接反映,定量评价,其优点是试样尺度大,易量化,缺点是不直观、不易验证,同时受非均质性影响大,难以评估判断。评价参数方面,配位数是业界常运用的参数之一,主要应用在常规高孔渗储层条件下,对铸体薄片进行低分辨率观察分析,人工区分判断孔隙与喉道,从而得到配位数特征,但该参数难以适用于致密储层而且分辨率有限、人为因素较强。
因此,仅仅依靠现有的评价方法和评价参数,很难实现对致密储层的孔喉连通性进行快速高效的评价。
发明内容
针对上述问题,本公开提供一种储层孔喉连通性的评价方法、装置、电子设备及存储介质,解决了通过现有的评价方法和评价参数难以实现对储层的孔喉连通性进行直接快速高效的评价的问题。
第一方面,本公开提供了一种储层孔喉连通性的评价方法,所述方法包括:
获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;
根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;
根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价。
根据本公开的实施例,可选的,上述储层孔喉连通性的评价方法中,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积,包括以下步骤:
对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像;
从所述二值化图像中识别出连通孔喉并计算各个连通孔喉的面积。
根据本公开的实施例,可选的,上述储层孔喉连通性的评价方法中,对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像,包括以下步骤:
根据所述扫描图像中所有像素点的灰度值确定灰度阈值,以使所述扫描图像中灰度值小于所述灰度阈值的像素点数量与灰度值大于所述灰度阈值的像素点数量的比值落入预设置信区间内;
根据所述灰度阈值,并通过全局阈值法对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像。
根据本公开的实施例,可选的,上述储层孔喉连通性的评价方法中,所述从所述二值化图像中识别出连通孔喉并计算各个连通孔喉的面积的步骤,包括以下步骤:
采用相邻判断规则对所述二值化图像中孔喉的各个像素点之间的相邻关系进行判断,以识别出所述二值化图像中的孔喉连通区域;
对各个孔喉连通区域进行标记,以获得所述二值化图像中的连通孔喉;
根据各个连通孔喉的像素点数量与所述二值化图像中的像素点总数的比值,计算各个连通孔喉的面积。
根据本公开的实施例,可选的,上述储层孔喉连通性的评价方法中,所述获取所述最大连通孔喉的长度的步骤,包括以下步骤:
确定所述最大连通孔喉的最小外包凸多边形;
计算所述最小外包凸多边形任意两点间的距离,并从其中选取最大距离作为所述最大连通孔喉的长度。
根据本公开的实施例,可选的,上述储层孔喉连通性的评价方法中,根据所述最大连通孔喉的面积,对所述储层样品的孔喉连通性进行评价,包括以下步骤:
计算所述最大连通孔喉的面积与所述二值化图像中孔喉总面积的比值,以得到第一评价参数;
根据第一评价参数对所述储层样品的孔喉连通性进行评价。
根据本公开的实施例,可选的,上述储层孔喉连通性的评价方法中,根据所述最大连通孔喉的长度,对所述储层样品的孔喉连通性进行评价,包括以下步骤:
计算所述最大连通孔喉的长度与所述二值化图像的最大边长的比值,以得到第二评价参数;
根据第二评价参数对所述储层样品的孔喉连通性进行评价。
根据本公开的实施例,可选的,上述储层孔喉连通性的评价方法中,根据所述最大连通孔喉的面积和长度,对所述储层样品的孔喉连通性进行评价,包括以下步骤:
将所述最大连通孔喉的面积与所述二值化图像中孔喉总面积的比值乘以所述最大连通孔喉的长度与所述二值化图像的最大边长的比值,以得到第三评价参数;
根据第三评价参数对所述储层样品的孔喉连通性进行评价。
第二方面,本公开提供了一种储层孔喉连通性的评价装置,所述装置包括:
连通孔喉识别模块,用于获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;
最大连通孔喉获取模块,用于根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;
连通性评价模块,用于根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价。
第三方面,本公开提供一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,该计算机程序被所述处理器执行时,执行如第一方面中任意一项所述的储层孔喉连通性的评价方法。
第四方面,本公开提供一种存储介质,该存储介质存储的计算机程序,可被一个或多个处理器执行,可用来实现如第一方面中任一项所述的储层孔喉连通性的评价方法。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
本公开提供的一种储层孔喉连通性的评价方法、装置、电子设备及存储介质,所述方法包括获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价。即在致密储层的扫描图像上,识别出最大连通孔喉,逐步确定最大连通孔喉的长度和面积,进而评价致密储层储集空间的连通性。该方法避免了现有的评价方法的间接性和评价参数的人为性,一定程度降低了样品非均质性对储层连通性评价的影响,提供了一种低成本的、快速的、可大规模进行的直观评价致密储层储集空间连通性的方法。
附图说明
在下文中将基于实施例并参考附图来对本公开进行更详细的描述:
图1为本公开实施例提供的一种储层孔喉连通性的评价方法的流程示意图;
图2为本公开实施例提供的某油田主力产油层储层样品的扫描图像;
图3为本公开实施例提供的某油田主力产油层储层样品的扫描图像的二值化图像;
图4为本公开实施例提供的某油田主力产油层储层样品的扫描图像的二值化图像中连通孔喉的获取结果示意图;
图5为本公开实施例提供的某油田主力产油层储层样品的扫描图像的二值化图像中的最大连通孔喉的获取结果示意图;
图6为本公开实施例提供的某油田主力产油层储层样品的扫描图像的二值化图像中的最大连通孔喉的长度测量示意图;
图7为本公开实施例提供的一种储层孔喉连通性的评价装置的结构示意图;
在附图中,相同的部件使用相同的附图标记,附图并未按照实际的比例绘制。
具体实施方式
以下将结合附图及实施例来详细说明本公开的实施方式,借此对本公开如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施。本公开实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本公开的保护范围之内。
实施例一
图1为本公开实施例提供的一种储层孔喉连通性的评价方法的流程示意图,请参阅图1,本实施例提供一种储层孔喉连通性的评价方法,包括:
步骤S101:获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积。
具体的,所述从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积的步骤,包括以下步骤:对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像;从所述二值化图像中识别出连通孔喉并计算各个连通孔喉的面积。
一般情况下,致密砂岩扫描图像是通过场发射扫描电镜获得的MAPS图像拼接形成。扫描电镜图像像素较高,通过肉眼可明显看到矿物颗粒图像。但是由于在同一扫描图像中包含多个矿物颗粒,因此通过肉眼区别矿物颗粒和孔喉(孔隙+喉道)的难度及误差都很大,并且,通过肉眼识别矿物颗粒和孔喉,其效率十分低下。所以需要对扫描图像中的矿物颗粒和孔喉进行区分。
本实施例中,为了更好评价储层孔喉的微观连通性,需要在扫描之前评价样品的代表性,确定扫描样品具有典型性,即确定该扫描图像本身是否能代表样品。若这个样品本身存在非均质性,同一块三维的样品,有可能扫描不同的二维切片会得的不一样的结果,这是扫描代表性问题,所以首先要确定扫描图像的代表性。结合该储层样品在室内物性实验中的结果,明确扫描图像的面孔率与样品的物性孔隙度一致,为P样品,这样才能说明当前的扫描图像本身可以代表样品。
由于喉道比孔隙小得多,所以扫描图像的面孔率表示孔隙的总面积与图像总面积的比值,物性孔隙度表示样品中孔隙的总体积与样品总体积的比值,即扫描图像的面孔率表示孔隙二维的面积占比,物性孔隙度表示孔隙三维的体积占比。
通常将直径小于2nm的孔隙成为微孔,分布在2~50nm的孔隙称为中孔,大于50nm的孔隙称为大孔。
对孔隙度的有效测定是评价储层物性的重要参数之一。孔隙度的测量方法有很多种,主要包含GRI(Gas Research Institute)法、GIP(Gas Injection Porosimetry,柱塞样气体膨胀)法、WIP(Water Immersion Porosimetry,柱塞样饱和液体)法、DLP(Dual liquidPorosimetry,双液体测定)法、NMR(Dual liquid porosimetry,核磁共振)法、视真密度法和气体吸附法等。同时,每种方法在测量前都要经过相应的预处理,预处理方法的选择和效果检验对孔隙度测量结果影响较大。预处理主要包含洗油、洗盐和干燥。目前,洗油、洗盐采用Dean Stark装置抽提蒸馏去除有机质和盐,试剂选取上差异较大,主要有甲苯、氯仿、三氯甲烷等混合试剂。通常以岩石热解图谱评价有机质洗油效果,但热解图谱的测量过程中,升温梯度和时间间隔差异大,以ESH(extended slow heating,长时间缓慢加热)热解分析技术最可靠。对于样品干燥温度的选取,前人也存在较大差异,各方法中干燥温度的选取分布在90~200℃之间,并不统一,主要采用TGA(Thermal Gravimetric Analysis,延时缓慢加热)技术检测干燥效果。
而扫描图像的面孔率通常通过该扫描图像的背散射图像获得,由于孔隙和矿物颗粒组成元素的原子质量不同,所以该扫描图像的背散射图像中可以清楚地显示出孔隙和矿物颗粒在灰度上的区别。孔隙的灰度较小,矿物颗粒的灰度较大,因此,图像分析过程主要是将灰度较小的孔隙部分从背散射原始图像中分割识别出来进行分析。
其中,原始孔隙特征图像不能直接进行分析,必须对图像进行圆滑,消除图像噪音,再进行直方图变换增强孔隙边缘,处理后的图像清楚地显示了孔隙的形状、大小及连通特征。通过依次识别每一个孔隙,计算孔隙的直径、周长、面积等9种数据及各参数的平均值、标准偏差,分析一幅图像后,可以列出上述9种数据的分析值以及直方图。然后计算出孔隙面积含量百分比,重复这一过程继续测量下一幅图像,一般需要测量约10~15幅图像,放大倍数依据孔隙的大小分布情况,选择50~100之间的倍数,测量过程中最好使用同一放大倍数,并测量相同数量的图像面孔率。其中,扫描图像的面孔率越高,说明储层物性越好,电镜扫描测定的面孔率越低,说明储层物性越差。
图像二值化处理(Image Binarization)就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程,即将256个亮度等级(0~255)的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。
二值图像占有非常重要的地位,特别是在实用的图像处理中,以二值图像处理实现而构成的系统是很多的,要进行二值图像的处理与分析,首先要把灰度图像二值化,得到二值化图像,这样子有利于在对图像做进一步处理时,图像的集合性质只与像素值为0或255的点的位置有关,不再涉及像素的多级值,使处理变得简单,而且数据的处理和压缩量小。
二值化图像具有存储空间小,处理速度快,可以方便地对图像进行布尔逻辑运算等特点。更重要的是,在二值化图像的基础上,还可以进一步对图像处理,获得该图像的一些集合特征或者其它特征。
图像二值化处理具体过程是将所有灰度值大于或等于阈值的像素被判定为属于特定物体,其点值为255(或0)表示,否则这些像素点被排除在物体区域以外,灰度值为0(或255),表示背景或者例外的物体区域。
二值化处理包括全局阈值法和局部阈值法。
全局阈值法就是设定一个阈值T,用阈值T将图像的像素点分成两部分:大于T的像素群和小于阈值T的像素群。
局部阈值就是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值,从而使我们能在亮度不同的情况下得到更好的结果。
而目前全局阈值法中的阈值的选取主要有以下几种方法:
(1)双峰法:在一些简单的图像中,物体的灰度分布比较有规律,背景和目标在灰度值的直方图(即像素点的灰度值统计直方图)中各种形成一个波峰,即区域与波峰一一对应,两个波峰之间形成一个波谷,那么,选择双峰之间的波谷所代表的灰度值T作为阈值,即可实现两个区域的分割。
(2)P参数法:当目标与背景的直方图分布有一定重叠时,两个波峰之间的波谷很不明显。这种情况下,若采用双峰法,效果很差。如果预先知道目标占整个图像的比例P,即可以采用P参数法。假设预先知道目标占整个图像的比例为P,且目标偏暗,背景偏亮,P参数法的具体步骤如下:计算各灰度值对应的像素点所占比例P(t),t=0,1,2…255;计算阈值T,使阈值T以下的灰度值对应的像素点总数量的比例最接近于比例P。
(3)最大类间方差法(Otsu法):Otsu算法的基本思想是用某一假定的灰度值t将图像的灰度分为两组,当两组的类间方差最大时,此灰度值t就是图像二值化的最佳阈值T。即可以理解为阈值T将整幅图像分成目标和背景两部分,当两类的类间方差最大时,此时目标和背景的差别最大,二值化效果最好,错分概率最小。
(4)最大熵阈值法求T值:在信息论中的Shannon熵概念用于图像分割,依据是使得图像中目标与背景分布的信息量最大,即通过测试灰度值的直方图的熵,找出最佳的阈值T。
局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的好处在于每个像素位置处的二值化阈值不是固定不变的,而是由其周围邻域像素的分布来决定的。亮度较高的图像区域的二值化阈值通常会较高,而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。
常用的选取局部自适应阈值的方法有:(1)局部邻域块的均值;(2)局部邻域块的高斯加权和。
而本实施例中,二值化处理采用的是全局阈值法。目标为孔喉(孔隙+喉道),背景为矿物颗粒,孔喉像素点的灰度值较小,矿物颗粒的灰度值较大,且最终得到的二值化图像需与物性孔隙度(已知)对应,即孔喉和矿物颗粒需要准确划分,所以阈值的选取采用的是P参数法。
本实施中,对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像,具体包括以下步骤:
(a)根据所述扫描图像中所有像素点的灰度值确定灰度阈值,以使所述扫描图像中灰度值小于所述灰度阈值的像素点数量与灰度值大于所述灰度阈值的像素点数量的比值落入预设置信区间内,即灰度值小于所述灰度阈值的像素点数量与所述扫描图像的像素点总数量的比值落入对应的第二预设置信区间(P下,P上),以使二值化分割处于合理范围;
(b)根据所述预设灰度阈值,并通过全局阈值法对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像;
(c)对照所述扫描图像,逐步查看所述二值化图像,以对所述二值化图像进行进一步验证,以避免将孔隙的边缘划分为颗粒。
本实施中,最终得到的二值化图像中,孔喉的像素点的灰度值为0,即为黑色,矿物颗粒的像素点的灰度值为255,即为白色。需要说明的是,二值化处理的结果比扫描图像的背散射结果更精细,所以二值化处理得到的二值化图像除孔隙外,还可以将喉道区分出来,所以二值化处理可将孔喉(孔隙+喉道)区分出来。
具体的,根据该样品的物性孔隙度P样品,所述第二预设置信区间的P下和P上计算方法如下:
P下=P样品(1-5%)
P上=P样品(1+5%)
即可对应地计算出所述预设置信区间的下限为P下/(1-P下),上限为P上/(1-P上),以使二值化的结果可以和物性孔隙度对应上。
本实施例中,从所述二值化图像中识别出连通孔喉并计算各个连通孔喉的面积,包括以下步骤:
(a)根据所述二值化图像中各像素点的灰度值,对所述二值化图像中各像素点进行赋值;其中,孔喉的像素点的值为第一预设值,矿物颗粒的像素点的值为第二预设值;
(b)采用4邻域或8邻域的相邻判断规则对所述二值化图像中孔喉的各个像素点之间的相邻关系进行判断,以识别出所述二值化图像中的孔喉连通区域;
(c)对各个孔喉连通区域进行标记,以获得所述二值化图像中所有的连通孔喉;
(d)根据各个连通孔喉的像素点数量与所述二值化图像中的像素点总数的比值,计算各个连通孔喉的面积。
具体的,因为步骤S101中得到的二值化图像中,孔喉的像素点为白色(或者黑色),矿物颗粒的像素点为黑色(或白色),所以可对白色的像素和黑色的像素进行赋值,示例性的,可将孔喉的像素点的值设为1,矿物颗粒的像素点的值设为0并对各值为1的像素点进行编号,编号的规则为自上而下并逐列依次编号。通过4邻域或8邻域的相邻判断规则判断孔喉的各个像素点之间的相邻关系,4邻域判断规则就是若某个值为1的像素点位于另一个的值为1的像素点的上、下、左、右四个位置之一,则这两个像素点为相邻关系,8邻域判断规则就是若某个值为1的像素点位于另一个的值为1的像素点的上、下、左、右四个位置再加上左、上右、下左、下右四个位置(即共八个位置)之一,则这两个像素点为相邻关系。一般多使用8邻域规则,更符合人们的视觉。
孔喉的各个像素点之间的相邻关系判断之后,彼此连通的点形成了一个区域,而不连通的点形成了不同的区域。这样的一个彼此连通点构成的集合,称为一个连通区域。
连通区域得到之后,需要通过标记算法对各个连通区域进行区分、定位并标记。连通区域的标记是后续处理过程的基础。
第一种算法是现在matlab中连通区域标记函数bwlabel中使的算法,它一次遍历图像,并记下每一行(或列)中连续的团(run)和标记的等价对,然后通过等价对对原来的图像进行重新标记,这个算法是目前的算法中效率最高的一个,算法里用到了稀疏矩阵与Dulmage-Mendelsohn分解算法(DM分解算法)用来消除等价对。
第二种算法是现在开源库cvBlob中使用的标记算法,它通过定位连通区域的内外轮廓来标记整个图像,这个算法的核心是轮廓的搜索算法。这个算法相比与第一种方法效率上要低一些,但是在连通区域个数在100以内时,两者几乎无差别,当连通区域个数到了103数量级时,上面的算法会比该算法快10倍以上。
标记好的孔喉连通区域图像中,孔喉结构被分割成一个一个单独的区域,即各个连通孔喉。同时还获取了各个连通孔喉的像素点编号,这样就获取到各个连通孔喉所包含的像素点。将各个连通孔喉的像素点数量与所述二值化图像中的像素点总数的比值乘以二值化图像的总面积,以计算出各个连通孔喉的面积。
步骤S102:根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度。
具体的,按照各连通孔喉的面积排序,从所有的连通孔喉中选取最大连通孔喉,并获取所述最大连通孔喉的最小外包凸多边形,计算所述最小外包凸多边形任意两点间的距离,并从其中选取最大距离作为所述最大连通孔喉的长度。
具体可采用卷包裹算法来获取所述最大连通孔喉的最小外包凸多边形,具体过程如下:
(a)在所述最大连通孔喉的像素点中找到X坐标最小、X坐标最大、Y坐标最小和Y坐标最大的像素点,这四个像素点均属于最小外包凸多边形的顶点,取其中之一作为出发点,并记该顶点为P1;
(b)从像素点P1出发,在空白的地方(没有所述最大连通孔喉像素点的地方)做一条垂直(Y方向)线段L,长度为D,D为预设距离控制阈值;
(c)以像素点P1为固定点,逆时钟方向旋转线段L,直到接触到所述最大连通孔喉的像素点中的某个像素点P2,则像素点P2必是最小外包凸多边形的顶点之一;
(d)以像素点P2为固定点继续旋转线段L,直到接触到所述最大连通孔喉的像素点中的某个像素点P3,则像素点P3也必是最小外包凸多边形的顶点之一,以此类推,直到线段L又重新接触到像素点P1为止。
需要说明的是,当以某像素点为固定点旋转L,接触到的所述最大连通孔喉的像素点有多个时,则将这些像素点按照与固定点之间的距离由小到大的排列成一组,则这一组点都是最小外包凸多边形的顶点。然后将与固定点之间距离最大的像素点作为新的固定点,继续旋转L。
使用卷包裹算法时,距离控制是十分重要的,距离太小会将所述最大连通孔喉分割得支离破碎,距离太大则会忽略所述最大连通孔喉的一些细节。
步骤S103:根据所述最大连通孔喉的面积和/或长度,对所述储层样品进行连通性评价,以获得评价结果。
具体的,对所述储层样品进行连通性评价的评价参数有如下几种:
(1)计算所述最大连通孔喉的面积与所述二值化图像中孔喉总面积的比值,以得到第一评价参数。
(2)计算所述最大连通孔喉的长度与所述二值化图像的最大边长的比值,以得到第二评价参数。
(3)将所述最大连通孔喉的面积与所述二值化图像中孔喉总面积的比值(即第一评价参数)乘以所述最大连通孔喉的长度与所述二值化图像的最大边长的比值(即第二评价参数),以得到第三评价参数。
其中,二值化图像中,孔喉总面积为孔喉的像素点数量与像素点总数的比值乘以二值化图像的总面积。
根据实际情况需要,选择第一评价参数、第二评价参数或第三评价参数对所述储层样品进行连通性评价也可同时结合三种评价参数对所述储层的孔喉连通性进行评价,以获得评价结果。其中,第一评价参数表示流域面积,第二评价参数表示流域长度,第三评价参数表示流域效率。若流域长度越长,流域面积越大,流域效率越大,则表示储层的储集空间的连通性越好。其中,最重要的一个参数是第三评价参数,实际情况中,多优先通过第三评价参数对储层的孔喉连通性进行评价。但当两个储层样品的第三评价参数(流域效率)相同时,则一般优先考虑通过第二评价参数(流域长度)对所述储层的孔喉连通性进行评价。其中,流域面积决定了参与流动的流体多少,流域长度决定了渗透率的大小值,流域长度越大说明渗透得越快。这种评价方法可直观定量的反映孔喉(储集空间)连通性,对后续致密砂岩储层储集空间连通性评价具有指导作用。
该方法避免了现有的评价方法的间接性和评价参数的人为性,一定程度降低了样品非均质性对储层孔喉连通性评价的影响,提供了一种低成本的、快速的、可大规模进行的直观评价致密储层储集空间连通性的方法。
需要说明的是,本实施例主要针对储集空间是孔喉的致密储层的孔喉连通性的评价方法。
本实施例提供的一种储层孔喉连通性的评价方法,所述方法包括获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价。即在致密储层的扫描图像上,识别出最大连通孔喉,逐步确定最大连通孔喉的长度和面积,进而评价致密储层储集空间的连通性。该方法避免了现有的评价方法的间接性和评价参数的人为性,一定程度降低了样品非均质性对储层孔喉连通性评价的影响,提供了一种低成本的、快速的、可大规模进行的直观评价致密储层储集空间连通性的方法。
实施例二
在实施例一的基础上,本实施例通过具体实施案例来对实施例一中所述的方法进行说明。
本实施例从为某油田主力产油层储层的岩心选取储层样品,记为K样品。
K样品的物性孔隙度为14.57%,渗透率0.73mD,为典型的致密砂岩储层。K样品经场发射扫描电镜扫描,获得分辨率为10nm、像素达16704×17088的图像,如图2所示。从K样品的扫描图像中可以看出,孔喉的像素点偏暗(灰度值较小),矿物颗粒的像素点偏亮(灰度值较大)。
根据K样品的扫描图像中所有像素点的灰度值,通过阈值选取方法中的P参数法确定灰度阈值T,以使所述扫描图像中灰度值小于灰度阈值T的像素点数量和灰度值大于灰度阈值T的像素点数量的比值落入预设置信区间内,即灰度值小于所述灰度阈值的像素点数量与所述扫描图像的像素点总数量的比值落入第二预设置信区间(P下,P上),以使二值化分割处于合理范围。
再根据灰度阈值T通过全局阈值法对所述扫描图像进行二值化处理,以对扫描图像中的孔喉(孔隙+喉道)与矿物颗粒进行区分并得到对应的二值化图像,如图3所示,可见,得到的二值化图中,孔喉的像素点的灰度值为255,即为白色,矿物颗粒的像素点的灰度值为0,即为黑色。
其中,第二预设置信区间的P下和P上计算方法如下:
P下=P样品(1-5%)=14.57%*95%=13.84%
P上=P样品(1+5%)=14.57%*105%=15.30%
即可计算出预设置信区间下限为P下/(1-P下)=16.06%,上限为P上/(1-P上)=18.06%。第二预设置信区间的上下限的设置与K样品的物性孔隙度P样品有关,以使最终获得的二值化图像与K样品的物性孔隙度P样品对应,合理分割孔喉和矿物颗粒。
上述得到的二值化图像中,孔喉的像素点为白色,矿物颗粒的像素点为黑色,所以可对黑色的像素和白色的像素进行赋值,实例性的,可将孔喉的像素点的值设为1,矿物颗粒的像素点的值设为0。然后并对各值为1的像素点进行编号,编号的规则为自上而下并逐列依次编号。通过4邻域或8邻域的相邻判断规则判断孔喉的各个像素点之间的相邻关系,4邻域判断规则就是若某个值为1的像素点位于另一个的值为1的像素点的上、下、左、右四个位置之一,则这两个像素点为相邻关系,8邻域判断规则就是若某个值为1的像素点位于另一个的值为1的像素点的上、下、左、右四个位置再加上左、上右、下左、下右、四个位置(即八个位置)之一,则这两个像素点为相邻关系。
各个像素点之间的相邻关系判断之后,彼此连通的像素点形成了一个区域,而不连通的像素点形成了不同的区域。这样的一个彼此连通点构成的集合,称为一个连通区域。
连通区域得到之后,需要通过标记算法对各个连通区域进行区分、定位并标记,以获取二值化图像中的连通孔喉,如图4所示。同时还获取了连通孔喉的像素点编号,这样就获取到各个连通孔喉所包含的像素点。将各个连通孔喉的像素点数量与所述二值化图像中的像素点总数的比值乘以二值化图像的总面积,以计算出各个连通孔喉的面积。
按照各连通孔喉的面积排序,从所有的连通孔喉中选取最大连通孔喉A1,如图5所示。此实施例中,最大连通孔喉A1的面积P1=70777.2μm2。获取最大连通孔喉A1的最小外包凸多边形,具体过程如下:
(a)在最大连通孔喉A1的像素点中找到X坐标最小、X坐标最大、Y坐标最小和Y坐标最大的像素点,这四个像素点均属于最小外包凸多边形的顶点,取其中之一作为出发点,并记该顶点为P1;
(b)从像素点P1出发,在空白的地方(没有最大连通孔喉A1像素点的地方)做一条垂直(Y方向)线段L,长度为D,D为预设距离控制阈值;
(c)以像素点P1为固定点,逆时钟方向旋转线段L,直到接触到最大连通孔喉A1的像素点中的某个像素点P2,则像素点P2必是最小外包凸多边形的顶点之一。
(d)以像素点P2为固定点继续旋转线段L,直到接触到最大连通孔喉A1的像素点中的某个像素点P3,则像素点P3也必是最小外包凸多边形的顶点之一,以此类推,直到线段L又重新接触到像素点P1为止。
需要说明的是,当以某像素点为固定点旋转L,接触到的所述最大连通孔喉的像素点有多个时,则将这些像素点按照与该固定点之间的距离由小到大的排列成一组,则这一组点都是最小外包凸多边形的顶点。然后将与该固定点之间距离最大的像素点作为新的固定点,继续旋转L。
最大连通孔喉A1的最小外包凸多边形确定之后,计算所述最小外包凸多边形任意两点间的距离并从其中选取最大距离作为所述最大连通孔喉的长度。此实施例中,最大连通孔A1的长度L1的获取结果如图6所示,本实施例中,L1=1069.05μm。
对所述储层样品的孔喉连通性进行评价的评价参数有如下几种:
(1)计算所述最大连通孔喉的面积P1(70777.2μm2)与所述二值化图像中孔喉总面积P总(163503.06μm2)的比值,以得到第一评价参数,即SP=P1/P总=70777.2/163503.06=0.43。
(2)计算所述最大连通孔喉的长度L1(1069.05μm)与所述二值化图像的最大边长Lmax(1103.42μm)的比值,以得到第二评价参数,即SL=L1/Lmax=1069.05/1103.42=0.97。
(3)计算第一评价参数SP与第二评价参数SL的乘积,以得到第三评价参数S,即S=SP*SL=0.43*0.97=0.417。
根据实际情况需要,选择第一评价参数、第二评价参数或第三评价参数对所述储层的孔喉连通性进行评价也可同时结合三种评价参数对所述储层的孔喉连通性进行评价,以获得评价结果。其中,第一评价参数表示流域面积,第二评价参数表示流域长度,第三评价参数表示流域效率。若流域长度越长,流域面积越大,流域效率越大,则表示储层的储集空间的连通性越好。其中,最重要的一个参数是第三评价参数,实际情况中,多优先通过第三评价参数对所述储层的孔喉连通性进行评价。但当两个储层样品的第三评价参数(流域效率)相同时,则一般优先考虑通过第二评价参数(流域长度)对所述储层的孔喉连通性进行评价。其中,流域面积决定了参与流动的流体多少,流域长度决定了渗透率的大小值,流域长度越大说明渗透得越快。可直观定量的反映孔喉(储集空间)的连通性,对后续致密砂岩储层储集空间的连通性评价具有指导作用。
该方法避免了现有的评价方法的间接性和评价参数的人为性,一定程度降低了样品非均质性对储层孔喉连通性评价的影响,提供了一种低成本的、快速的、可大规模进行的直观评价致密储层储集空间连通性的方法。
实施例三
图7为本公开实施例提供的一种储层孔喉连通性的评价装置的结构示意图,请参阅图7,本实施例提供一种储层孔喉连通性的评价装置100,包括连通孔喉识别模块101、最大连通孔喉获取模块102和连通性评价模块103。
连通孔喉识别模块101,用于获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;
最大连通孔喉获取模块102,用于根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;
连通性评价模块103,用于根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价。
可选的,连通孔喉识别模块101包括:
扫描图像获取模块1011,用于获取储层样品的扫描图像;
二值化处理模块1012,用于根据所述灰度阈值并通过全局阈值法对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分并得到对应的二值化图像;
连通孔喉获取模块1013,用于从所述二值化图像中识别出连通孔喉并计算各个连通孔喉的面积。
可选的,二值化处理模块1012包括:
灰度阈值确定模块,用于根据所述扫描图像中所有像素点的灰度值确定灰度阈值,以使所述扫描图像中灰度值小于所述灰度阈值的像素点数量与灰度值大于所述灰度阈值的像素点数量的比值落入预设置信区间内;
二值化模块,用于根据所述灰度阈值,并通过全局阈值法对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像。
可选的,连通孔喉获取模块1013包括:
连通区域获取模块,用于采用相邻判断规则对所述二值化图像中孔喉的各个像素点之间的相邻关系进行判断,以识别出所述二值化图像中的孔喉连通区域;
连通区域标记模块,用于对各个孔喉连通区域进行标记,以获得所述二值化图像中的连通孔喉;
连通孔喉面积计算模块,用于根据各个连通孔喉的像素点数量与所述二值化图像中的像素点总数的比值,计算各个连通孔喉的面积。
可选的,最大连通孔喉获取模块102包括:
最大连通孔喉长度计算模块1021,用于确定所述最大连通孔喉的最小外包凸多边形,并计算所述最小外包凸多边形任意两点间的距离,以从其中选取最大距离作为所述最大连通孔喉的长度。
可选的,连通性评价模块103包括第一评价模块1031,用于计算所述最大连通孔喉的面积与所述二值化图像中孔喉总面积的比值,以得到第一评价参数;并根据第一评价参数对所述孔喉样品进行连通性评价。
可选的,连通性评价模块103包括第二评价模块1032,用于计算所述最大连通孔喉的长度与所述二值化图像的最大边长的比值,以得到第二评价参数;并根据第二评价参数对所述储层样品的孔喉连通性进行评价。
可选的,连通性评价模块103包括第三评价模块1033,将所述最大连通孔喉的面积与所述二值化图像中孔喉总面积的比值乘以所述最大连通孔喉的长度与所述二值化图像的最大边长的比值,以得到第三评价参数;并根据第三评价参数对所述储层样品的孔喉连通性进行评价。
可以概述为,连通孔喉识别模块101获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;最大连通孔喉获取模块102根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;连通性评价模块103根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价。
基于上述各模块执行储层孔喉连通性的评价方法的具体实施例已在实施例一中详述,此处不再赘述。
实施例四
本申请实施例提供了一种电子设备,该电子设备可以是手机、电脑或平板电脑等,包括存储器和处理器,所述存储器上存储有计算器程序,该计算机程序被处理器执行时实现如实施例一中所述的储层孔喉连通性的评价方法。可以理解,电子设备还可以包括,多媒体组件,输入/输出(I/O)接口,以及通信组件。
其中,处理器用于执行如实施例一中的储层孔喉连通性的评价方法中的全部或部分步骤。存储器用于存储各种类型的数据,这些数据例如可以包括电子设备中的任何应用程序或方法的指令,以及应用程序相关的数据。
所述处理器可以是专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable LogicDevice,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例一中的储层孔喉连通性的评价方法。
所述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
实施例五
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,所述计算机程序被处理器执行时可以实现如下方法步骤:
步骤S101:获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;
步骤S102:根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;
步骤S103:根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价。
可选的,上述储层孔喉连通性的评价方法中,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积,包括以下步骤:
对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像;
从所述二值化图像中识别出连通孔喉并计算各个连通孔喉的面积。
可选的,上述储层孔喉连通性的评价方法中,对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像,包括以下步骤:
根据所述扫描图像中所有像素点的灰度值确定灰度阈值,以使所述扫描图像中灰度值小于所述灰度阈值的像素点数量与灰度值大于所述灰度阈值的像素点数量的比值落入预设置信区间内;
根据所述灰度阈值,并通过全局阈值法对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像。
可选的,上述储层孔喉连通性的评价方法中,所述从所述二值化图像中识别出连通孔喉并计算各个连通孔喉的面积的步骤,包括以下步骤:
采用相邻判断规则对所述二值化图像中孔喉的各个像素点之间的相邻关系进行判断,以识别出所述二值化图像中的孔喉连通区域;
对各个孔喉连通区域进行标记,以获得所述二值化图像中的连通孔喉;
根据各个连通孔喉的像素点数量与所述二值化图像中的像素点总数的比值,计算各个连通孔喉的面积。
可选的,上述储层孔喉连通性的评价方法中,所述获取所述最大连通孔喉的长度的步骤,包括以下步骤:
确定所述最大连通孔喉的最小外包凸多边形;
计算所述最小外包凸多边形任意两点间的距离,并从其中选取最大距离作为所述最大连通孔喉的长度。
可选的,上述储层孔喉连通性的评价方法中,根据所述最大连通孔喉的面积,对所述储层样品的孔喉连通性进行评价,包括以下步骤:
计算所述最大连通孔喉的面积与所述二值化图像中孔喉总面积的比值,以得到第一评价参数;
根据第一评价参数对所述储层样品的孔喉连通性进行评价。
可选的,上述储层孔喉连通性的评价方法中,根据所述最大连通孔喉的长度,对所述储层样品的孔喉连通性进行评价,包括以下步骤:
计算所述最大连通孔喉的长度与所述二值化图像的最大边长的比值,以得到第二评价参数;
根据第二评价参数对所述储层样品的孔喉连通性进行评价。
可选的,上述储层孔喉连通性的评价方法中,根据所述最大连通孔喉的面积和长度,对所述储层样品的孔喉连通性进行评价,包括以下步骤:
将所述最大连通孔喉的面积与所述二值化图像中孔喉总面积的比值乘以所述最大连通孔喉的长度与所述二值化图像的最大边长的比值,以得到第三评价参数;
根据第三评价参数对所述储层样品的孔喉连通性进行评价。
上述方法步骤的具体实施例过程可参见实施例一,本实施例在此不再重复赘述。
综上,本公开提供的一种储层孔喉连通性的评价方法、装置、电子设备及存储介质,所述方法包括获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价。即在致密储层的扫描图像上,识别出最大连通孔喉,逐步确定最大连通孔喉的长度和面积,进而评价致密储层储集空间的连通性。该方法避免了现有的评价方法的间接性和评价参数的人为性,一定程度降低了样品非均质性对储层孔喉连通性评价的影响,提供了一种低成本的、快速的、可大规模进行的直观评价致密储层储集空间连通性的方法。
在本公开实施例所提供的几个实施例中,应该理解到,所揭露的方法,也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的。
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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本公开所揭露的实施方式如上,但所述的内容只是为了便于理解本公开而采用的实施方式,并非用以限定本公开。任何本公开所属技术领域内的技术人员,在不脱离本公开所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本公开的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种储层孔喉连通性的评价方法,其特征在于,所述方法包括:
获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;
根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;
根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价;
所述获取所述最大连通孔喉的长度的步骤,包括以下步骤:
确定所述最大连通孔喉的最小外包凸多边形;
计算所述最小外包凸多边形任意两点间的距离,并从其中选取最大距离作为所述最大连通孔喉的长度;
根据所述最大连通孔喉的面积,对所述储层样品的孔喉连通性进行评价,包括以下步骤:计算所述最大连通孔喉的面积与二值化图像中孔喉总面积的比值,以得到第一评价参数;根据第一评价参数对所述储层样品的孔喉连通性进行评价;
根据所述最大连通孔喉的长度,对所述储层样品的孔喉连通性进行评价,包括以下步骤:计算所述最大连通孔喉的长度与二值化图像的最大边长的比值,以得到第二评价参数;根据第二评价参数对所述储层样品的孔喉连通性进行评价。
2.根据权利要求1所述的方法,其特征在于,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积,包括以下步骤:
对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像;
从所述二值化图像中识别出连通孔喉并计算各个连通孔喉的面积。
3.根据权利要求2所述的方法,其特征在于,对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像,包括以下步骤:
根据所述扫描图像中所有像素点的灰度值确定灰度阈值,以使所述扫描图像中灰度值小于所述灰度阈值的像素点数量与灰度值大于所述灰度阈值的像素点数量的比值落入预设置信区间内;
根据所述灰度阈值,并通过全局阈值法对所述扫描图像进行二值化处理,以对所述扫描图像中的孔喉与矿物颗粒进行区分,并得到对应的二值化图像。
4.根据权利要求2所述的方法,其特征在于,所述从所述二值化图像中识别出连通孔喉并计算各个连通孔喉的面积的步骤,包括以下步骤:
采用相邻判断规则对所述二值化图像中孔喉的各个像素点之间的相邻关系进行判断,以识别出所述二值化图像中的孔喉连通区域;
对各个孔喉连通区域进行标记,以获得所述二值化图像中的连通孔喉;
根据各个连通孔喉的像素点数量与所述二值化图像中的像素点总数的比值,计算各个连通孔喉的面积。
5.根据权利要求2所述的方法,其特征在于,根据所述最大连通孔喉的面积和长度,对所述储层样品的孔喉连通性进行评价,包括以下步骤:
将所述最大连通孔喉的面积与所述二值化图像中孔喉总面积的比值乘以所述最大连通孔喉的长度与所述二值化图像的最大边长的比值,以得到第三评价参数;
根据第三评价参数对所述储层样品的孔喉连通性进行评价。
6.一种储层孔喉连通性的评价装置,其特征在于,所述装置包括:
连通孔喉识别模块,用于获取储层样品的扫描图像,从所述扫描图像中识别出连通孔喉并计算各个连通孔喉的面积;
最大连通孔喉获取模块,用于根据各个连通孔喉的面积,从所有的连通孔喉中选取最大连通孔喉并获取所述最大连通孔喉的长度;
连通性评价模块,用于根据所述最大连通孔喉的面积和/或长度,对所述储层样品的孔喉连通性进行评价;
所述最大连通孔喉获取模块包括最大连通孔喉长度计算模块,所述最大连通孔喉长度计算模块用于确定所述最大连通孔喉的最小外包凸多边形,并计算所述最小外包凸多边形任意两点间的距离,以从其中选取最大距离作为所述最大连通孔喉的长度;
所述连通性评价模块包括第一评价模块和第二评价模块;
所述第一评价模块用于计算所述最大连通孔喉的面积与二值化图像中孔喉总面积的比值,以得到第一评价参数;根据第一评价参数对所述储层样品的孔喉连通性进行评价;
所述第二评价模块用于计算所述最大连通孔喉的长度与二值化图像的最大边长的比值,以得到第二评价参数;根据第二评价参数对所述储层样品的孔喉连通性进行评价。
7.电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有计算机程序,该计算机程序被所述处理器执行时,执行如权利要求1至5中任意一项所述的储层孔喉连通性的评价方法。
8.一种存储介质,其特征在于,该存储介质存储的计算机程序,可被一个或多个处理器执行,可用来实现如权利要求1至5中任一项所述的储层孔喉连通性的评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010231202.2A CN111738978B (zh) | 2020-03-27 | 2020-03-27 | 储层孔喉连通性的评价方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010231202.2A CN111738978B (zh) | 2020-03-27 | 2020-03-27 | 储层孔喉连通性的评价方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738978A CN111738978A (zh) | 2020-10-02 |
CN111738978B true CN111738978B (zh) | 2023-07-25 |
Family
ID=72646843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010231202.2A Active CN111738978B (zh) | 2020-03-27 | 2020-03-27 | 储层孔喉连通性的评价方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738978B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11940398B2 (en) | 2022-08-19 | 2024-03-26 | Saudi Arabian Oil Company | Method to determine relative thermal maturity from porosities measured by quantitative imaging on uncleaned samples and GRI porosity measured on crushed cleaned samples |
CN117593299B (zh) * | 2024-01-18 | 2024-04-19 | 北京大学 | 纹层状页岩储集空间有效性评价方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2708967A1 (en) * | 2008-01-22 | 2009-07-30 | Exxonmobil Upstream Research Company | Dynamic connectivity analysis |
WO2012118868A2 (en) * | 2011-02-28 | 2012-09-07 | Schlumberger Technology Corporation | Petrographic image analysis for determining capillary pressure in porous media |
CN105427383A (zh) * | 2015-11-23 | 2016-03-23 | 中国石油大学(华东) | 一种考虑凹凸性的岩石孔隙网络模型的孔喉截面构造方法 |
CN110487835A (zh) * | 2019-09-18 | 2019-11-22 | 西南石油大学 | 一种计算致密油气藏储层饱和度指数的新方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7614279B2 (en) * | 2006-10-10 | 2009-11-10 | Porous Materials, Inc. | Determination of pore structure characteristics of filtration cartridges as a function of cartridge length |
CN104101562B (zh) * | 2013-04-15 | 2017-02-08 | 中国石油天然气集团公司 | 一种确定储层渗透率的方法 |
CN104535475B (zh) * | 2015-01-08 | 2018-02-06 | 中国石油天然气股份有限公司 | 碳酸盐岩微观结构的确定方法及装置 |
CN108961332B (zh) * | 2017-05-23 | 2021-06-15 | 中国石油化工股份有限公司 | 砂岩图像代表性区域面积大小确定方法及装置 |
CN109118552B (zh) * | 2017-06-23 | 2022-05-20 | 中国石油化工股份有限公司 | 一种数字岩心图像的孔喉连通区域识别方法 |
-
2020
- 2020-03-27 CN CN202010231202.2A patent/CN111738978B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2708967A1 (en) * | 2008-01-22 | 2009-07-30 | Exxonmobil Upstream Research Company | Dynamic connectivity analysis |
WO2012118868A2 (en) * | 2011-02-28 | 2012-09-07 | Schlumberger Technology Corporation | Petrographic image analysis for determining capillary pressure in porous media |
CN105427383A (zh) * | 2015-11-23 | 2016-03-23 | 中国石油大学(华东) | 一种考虑凹凸性的岩石孔隙网络模型的孔喉截面构造方法 |
CN110487835A (zh) * | 2019-09-18 | 2019-11-22 | 西南石油大学 | 一种计算致密油气藏储层饱和度指数的新方法 |
Non-Patent Citations (1)
Title |
---|
鄂尔多斯盆地某地区长8、长6储层微观孔喉尺度及分选性研究;童强;;石化技术(03);第164页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111738978A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Pore-scale characterization of tight sandstone in Yanchang Formation Ordos Basin China using micro-CT and SEM imaging from nm-to cm-scale | |
CN107449707B (zh) | 页岩储层中不同尺度孔隙定量的三维表征确定方法和装置 | |
CN105352873B (zh) | 页岩孔隙结构的表征方法 | |
CN107133630B (zh) | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 | |
Leu et al. | Fast X-ray micro-tomography of multiphase flow in berea sandstone: A sensitivity study on image processing | |
CN107067379B (zh) | 基于三维fib-sem图像的页岩孔隙定量表征方法 | |
CN109903284B (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
CN104237103B (zh) | 一种孔隙连通性定量表征方法及装置 | |
CN108961246B (zh) | 一种基于人工智能的扫描电镜图像孔隙识别方法 | |
CN111738978B (zh) | 储层孔喉连通性的评价方法、装置、电子设备及存储介质 | |
CN103827919A (zh) | 用于提供组织切片的图像的方法 | |
CN111257188B (zh) | 碳酸盐岩孔隙系统的多尺度表征方法及装置 | |
US20170364664A1 (en) | Method for stratifying and selecting candidates for receiving a specific therapeutic approach | |
JPWO2018207261A1 (ja) | 画像解析装置 | |
CN115147340A (zh) | 岩石裂缝变形信息获取方法、装置、设备和存储介质 | |
CN112991370A (zh) | 一种岩心ct裂纹识别与分割方法 | |
CN116977589B (zh) | 一种岩心三维数值模型的构建方法、装置、设备及介质 | |
CN112147680A (zh) | 岩石内部微裂缝提取和刻画方法及系统 | |
CN113570652A (zh) | 基于sem图像的砂岩储层矿物晶间孔的定量分析方法 | |
CN113298795A (zh) | 一种页岩油气储层孔隙精细分类提取方法及装置 | |
CN114463324B (zh) | 基于海森矩阵滤波的岩心图像裂缝识别方法 | |
CN116413183A (zh) | 一种孔隙连通性评价方法和装置 | |
CN115546145A (zh) | 一种基于机器视觉的缺陷检测方法、装置及电子设备 | |
US11566992B2 (en) | Method and device for characterizing microbial carbonate pores, and server | |
Andaru et al. | Intelligent Detection of SEM Mineralogy Using Dynamic Segmentation Algorithm in Geothermal Sedimentary Reservoir: Case Study with Quantification of Quartz Overgrowth |
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 |