CN112051200B - 一种致密砂岩储层孔隙结构的定量评价方法和装置 - Google Patents

一种致密砂岩储层孔隙结构的定量评价方法和装置 Download PDF

Info

Publication number
CN112051200B
CN112051200B CN202010868282.2A CN202010868282A CN112051200B CN 112051200 B CN112051200 B CN 112051200B CN 202010868282 A CN202010868282 A CN 202010868282A CN 112051200 B CN112051200 B CN 112051200B
Authority
CN
China
Prior art keywords
image
color
pore structure
target
casting
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
Application number
CN202010868282.2A
Other languages
English (en)
Other versions
CN112051200A (zh
Inventor
宋泽章
赵珺仪
柳广弟
姜福杰
曾庆才
姜仁
阿比德·阿不拉
臧建鹏
王云龙
李强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202010868282.2A priority Critical patent/CN112051200B/zh
Publication of CN112051200A publication Critical patent/CN112051200A/zh
Application granted granted Critical
Publication of CN112051200B publication Critical patent/CN112051200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
    • G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Dispersion Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种致密砂岩储层孔隙结构的定量评价方法和装置。包括：获取目标铸体薄片；从目标铸体薄片中提取铸体薄片图像；将铸体薄片图像转换为RGB色彩模式的图像，且使目标色成为图像中具有最大面积的部分；将RGB色彩模式的图像转换为YCbCr色彩模式的图像；对YCbCr色彩模式的图像进行颜色聚类处理，得到目标色填充的图像和非目标色填充的图像；将铸体薄片图像与所述目标色填充的图像重合的区域作为致密砂岩储层的孔隙结构。本发明还提供了一种致密砂岩储层孔隙结构的定量评价装置。本发明的方法和装置可以准确定量表征致密砂岩储层的孔隙结构。

Description

一种致密砂岩储层孔隙结构的定量评价方法和装置
技术领域
本发明涉及一种孔隙结构的定量评价方法与装置，尤其涉及一种致密砂岩储层的孔隙结构的定量评价方法与装置。
背景技术
伴随着世界上常规油气田的长期勘探与开采，各大主力油田目前大多已经进入开发的后期，从资源储量到开采潜能，都无法满足世界工业化发展的巨大需求。因此，勘探向非常规油气领域延伸已成为必然趋势。同时，随着油气钻探技术的提高和勘探工作的不断深入，对致密储层的勘探愈来愈深入。致密砂岩气的研究对全球非常规油气资源的勘探开发都十分重要，也是我国油气资源产量和储量快速增长的重要保证。
美国是全球致密砂岩气工业发展最早、开发利用最成功的国家，已在23个盆地发现了致密砂岩气，主要分布于落基山盆地群和墨西哥湾沿岸地区，剩余探明可采储量超过5×1012m3。根据EIA评价结果显示，2014年，美国致密气产量为3.86亿立方米/天，年产量1783亿立方米，在天然气产量构成中占有重要地位。
同时，根据我国的第三轮油气评价结果也表明致密砂岩气具有巨大资源潜力。截至2014年底，我国共发现52个大气田，其中有20个致密砂岩大气田，致密砂岩大气田累计探明地质储量0.45万亿立方米，约占全国天然气储量的42.3％，共产气523.16亿立方米，为当年全国大气田产气量的55％，全国产气量的45％。致密砂岩气藏在我国有很好的开发前景。
总而言之，目前常规油气资源已进入开发后期，无法满足全球工业化的巨大需求，因此，需要对非常规油气资源进行发掘，其中致密砂岩储层是一个很有潜力的开采重点。
致密砂岩储层孔隙结构对油气渗流具有重要的影响。通过研究致密砂岩的孔隙结构，可以更好的表征储层特性，为更好的开采致密储层提供保证。但是，致密砂岩气藏通常存在储层非均质性强，渗透率低，气水关系复杂，气体成藏期次不明等特点，这些特点受多种因素的影响，给致密砂岩气田开采和产能预测带来一定的困难。目前，国际上致密储层孔隙结构研究方法包括：
(1)定性描述：图像直接观测法(铸体薄片分析、扫描电镜等)
通过对采集的铸体薄片或扫描电镜图片进行定性描述，分析其岩性、矿物组成、填隙物、孔隙类型、接触方式等，对研究区的整体特性进行定性描述。
该方法的缺点是：图像直接观测法一般是对采集的储层图像进行定性描述和分析，主观性强，缺乏对孔隙结构信息的定量刻画。
(2)定量刻画：
①直接法
图像定量分析法：近几年，研究人员常使用ImageJ等图像处理软件对储层的孔隙结构信息进行提取，生成二值图，在此基础上对储层的孔隙结构进行表征和分析。
该方法的缺点是：使用软件对孔隙结构进行定量分析，要求提取对象颜色对比度较高，差异明显，边缘清晰(比如，致密砂岩整体上颜色都属于灰白色-灰蓝色-灰棕色的区间内，对比度较差，且由于泥质的存在，以及压实和溶蚀作用的存在，颗粒与孔隙边缘并不清晰，存在混杂的现象，不适用于现有软件的提取)；同时，软件提取还要求被提取的目标对象面积占比较大，易于分辨(研究对象致密砂岩储层自身孔隙度就较为低下，在一个矿片的视域下被铸体填充的孔隙部分占比常常低于10％，无法用常规软件进行识别和提取)；
因此，对于致密砂岩储层，由于其颜色对比不明显、孔隙占比较低的缘故，使用ImageJ软件进行提取时常常会过多提取岩石基质部分，而对于被铸体充填的细小裂缝确无法精确识别，最终造成提取不准确，误差较大的现象，而无法进行后期分析。
②间接法
包括：高压压汞法、恒速压汞法、低压氮气吸附法、低压二氧化碳吸附法、核磁共振法、小角度散射法、自发渗吸法、分形分析法、数值模拟法等；主要分间接数值测定法和数值模拟法。然而，普通的测定方法耗资较大，需要专业的实验设备进行测定，操作复杂且耗时昂贵；并且，普通方法对于图像孔隙信息的利用率极低，大部分都是主要使用测试所得的孔隙度、渗透率数据，或者一些孔隙结构参数来进行后期的分析。
发明内容
基于上述现有技术存在的问题，本发明的目的在于提供一种可以准确确定致密砂岩储层的孔隙结构的方法。
本发明的又一目的在于提供一种可以准确确定致密砂岩储层的孔隙结构的装置。
为了实现上述任一目的，本发明首先提供了一种致密砂岩储层孔隙结构的定量评价方法，包括：
获取目标铸体薄片，其中，目标铸体薄片为从目标储层中获取的地层样本；
从目标铸体薄片中提取铸体薄片图像；
将铸体薄片图像转换为RGB色彩模式的图像，且使目标色成为图像中具有最大面积的部分；
将RGB色彩模式的图像转换为YCbCr色彩模式的图像；
对YCbCr色彩模式的图像进行颜色聚类处理，得到目标色填充的图像和非目标色填充的图像；
将铸体薄片图像与目标色填充的图像重合的区域作为致密砂岩储层的孔隙结构。
本发明的定量评价方法克服了原始图像法进行表征的不客观性，并实现了ImageJ软件无法实现的精确提取，提高薄片信息的使用效率。
本发明的方法包括获取目标铸体薄片的步骤。对于铸体薄片的取样位置，本领域技术人员可以根据实际需要自行确定。
本发明的方法包括对目标储层制作铸体薄片，提取铸体薄片图像的步骤。
其中，可以在提取铸体薄片图像前，对薄片图像进行滤波处理，使其均一化以达到提取标准。
其中，制作铸体薄片时，填充特定颜色的“目标色”铸体便于后期提取的分辨；在镜下观察铸体薄片，进行采样(尽量选取多个孔喉发育程度不同的视域进行采集)，提取获得铸体薄片图像。
在本发明的一具体实施方式中，填充目标色时，以使铸体颜色与研究对象具有明显对比度为基准确定目标色。比如，目标色可以为蓝色或粉红色或紫色等。本发明的定量评价方法中的目标色以蓝色为例。
本发明的方法包括对铸体薄片图像进行颜色初筛的步骤。目的是排除被目标色填充的孔隙结构之外大范围岩石基质的干扰，使目标色(蓝色铸体)成为图中占有最大面积的部分，便于后期聚类。
在本发明的一具体实施方式中，当以蓝色为目标色时，设定RGB为：0≤R＜160，50＜G＜255，100＜B≤255。自然界中的颜色都是由r(红色)，g(绿色)，b(蓝色)三原色相互配比组成的，本发明的目标色是“蓝色”的部分，但是岩石的基质还有很多白色、棕色、灰色的部分，会对后续的聚类产生干扰。本发明通过先设定RGB，将与“蓝”的定义完全不相干的颜色筛出去。设定的RGB范围是“蓝黑-蓝白”的大范围，范围很大，筛选过后可能还会包含泥质、少部分岩石基质部分，但是整体上已经使“被蓝色填充的孔隙结构部分”成为可图像中的铸体，便于后期聚类提取。
本发明的方法包括对初筛后的图像进行色彩模式的转换的步骤。将RGB色彩模式的图像转换为YCbCr色彩模式的图像。其中，YCbCr色彩模式可以将色调、亮度、饱和度三个分量区分出来，其中Y为亮度，Cb和Cr则为蓝色和红色的浓度偏移量成份。色彩模式的转换有利于孔隙结构的识别和提取。
本发明的方法包括对色彩转换后的图像进行K-means颜色聚类处理的步骤。
通过设定ncolor＝2，即聚类成为2种颜色，对YCbCr色彩模式的图像进行处理，处理结果分别存储在cluster1和cluster2中，其中一个簇就是具有“目标色”铸体充填的孔隙部分，而另一个簇是多余的泥质和岩石基质部分。在颜色筛选和转换之后，通过聚类可以将孔隙结构与周围的基质完美分割出来。
本发明的方法包括获得致密砂岩储层的孔隙结构的步骤。
聚类后被填充有目标色的铸体可能出现在任何一个簇之中，因此需要进行簇的选择，筛选原理是设定一个较小的“目标色”范围去对两个簇进行对比，以铸体为蓝色时举例：
设定一个小的RGB范围：45＜R＜100，110＜G＜255，100＜B＜255，因为纯孔隙结构部分全部是由蓝色铸体组成，因此符合这个范围的像素值很多，而岩石基质部分主要为灰白色像素，几乎不位于这个“蓝色”范围之中，故符合条件的像素数量很少。因此需要选择在“蓝色”范围之下，像素数目多的哪个簇，获取其数字“1或2”作为索引，赋值给index＝2，作为图层蒙版(他作为一个形状框)，用索引得到的蒙版(也就是cluster2)去覆盖原图，将形状吻合的部分提取出来，即得到孔隙结构示意图。
在本发明的一具体实施方式中，在将铸体薄片图像中所述目标色填充的图像重合的区域作为致密砂岩储层的孔隙结构之后，还包括：
对孔隙结构进行二值化处理，得到具有孔隙结构信息的二值图；
根据二值图确定孔隙度。
在本发明的一具体实施方式中，根据二值图确定孔隙度，包括：
按照如下公式计算孔隙度：
孔隙度＝二值图中的黑色像素面积(铸体面积)/二值图图像总面积。
在本发明的一具体实施方式中，在将铸体薄片图像中目标色填充的图像重合的区域作为致密砂岩储层的孔隙结构之后，还包括：
对孔隙结构进行二值化处理，得到具有孔隙结构信息的二值图；
对二值图进行剪裁后，进行盒维数处理，得到盒维数分形分析图。
在本发明的一具体实施方式中，盒维数法计算原理是由相同大小的像素块去覆盖、分割图像，从而计算得到的。采用目前较为普遍的二等分序列将图像进行分割处理。计算时，使用长度为r的正方形像素块覆盖二值图，盒维数计算式如下：
Figure BDA0002650390520000051
D1是盒维数，r是用于覆盖二值图的正方形像素块的边长，N(r)为完全覆盖二值图所需的框数。
其中，N(r)为完全覆盖二值图所需的框数。一般可写成：
ln(N(r))＝-D1lnr+constant。
盒计数维可以通过ln(N(r))对ln(r)的线性拟合来确定，其二者的斜率即为盒维数。
本发明又提供了一种致密砂岩储层孔隙结构的定量评价装置，该装置包括：
铸体薄片获取模块，用于获取目标铸体薄片，目标铸体薄片为从目标储层中获取的地层样本；
图像提取模块，用于从目标铸体薄片中提取铸体薄片图像；
图像初筛模块，用于将铸体薄片图像转换为RGB色彩模式的图像，使目标色成为图像中具有最大面积的部分；
色彩转换模块，用于将RGB色彩模式的图像转换为YCbCr色彩模式；
颜色聚类模块，用于获得目标色填充的图像和非目标色填充的图像；
确定模块，用于确定致密砂岩储层的孔隙结构。
本发明的装置可以实现对致密砂岩储层的一键提取分析，操作便捷，可批量处理，效率高。
在本发明的铸体薄片获取模块中，铸体薄片的取样位置，本领域技术人员可以根据实际需要自行确定。制作铸体薄片时，填充特定颜色的“目标色”铸体便于后期提取的分辨。
在本发明的图像提取模块中，在镜下观察铸体薄片，进行采样(尽量选取多个孔喉发育程度不同的视域进行采集)，提取获得铸体薄片图像。
其中，可以在提取铸体薄片图像前，对薄片图像进行滤波处理，使其均一化以达到提取标准。
在本发明的一具体实施方式中，填充目标色时，以使铸体颜色与研究对象具有明显对比度为基准确定目标色。比如，目标色可以为蓝色或粉红色或紫色等。本发明的目标色确定为蓝色。
在本发明的图像初筛模块中，对铸体薄片图像进行颜色初筛。目的是排除被目标色填充的孔隙结构之外大范围岩石基质的干扰，使目标色(蓝色铸体)成为图中占有最大面积的部分，便于后期聚类。
在本发明的一具体实施方式中，当以蓝色为目标色时，设定RGB为：0≤R＜160，50＜G＜255，100＜B≤255。自然界中的颜色都是由r(红色)，g(绿色)，b(蓝色)三原色相互配比组成的，这里的目标色是“蓝色”的部分，但是岩石的基质还有很多白色、棕色、灰色的部分，会对后续的聚类产生干扰。本发明通过先设定RGB，将与“蓝”的定义完全不相干的颜色筛出去。设定的RGB范围是“蓝黑-蓝白”的大范围，范围很大，筛选过后可能还会包含泥质、少部分岩石基质部分，但是整体上已经使“被蓝色填充的孔隙结构部分”成为可图像中的铸体，便于后期聚类提取。
在本发明的色彩转换模块中，对初筛后的图像进行色彩模式的转换，将RGB转换为YCbCr色彩模式。其中，YCbCr色彩模式可以将色调、亮度、饱和度三个分量区分出来，其中Y为亮度，Cb和Cr则为蓝色和红色的浓度偏移量成份。色彩模式的转换有利于孔隙结构的识别和提取。
在本发明的颜色聚类模块中，对色彩转换后的图像进行K-means颜色聚类处理。
通过设定ncolor＝2，即聚类成为2种颜色，对经过颜色模式转换后的图像进行处理，处理结果分别存储在cluster1和cluster2中，其中一个簇就是具有“目标色”铸体充填的孔隙部分，而另一个簇是多余的泥质和岩石基质部分。在颜色筛选和转换之后，通过聚类可以将孔隙结构与周围的基质完美分割出来。
在本发明的确定模块中，获得致密砂岩储层的孔隙结构。
聚类后被填充有目标色的铸体可能出现在任何一个簇之中，因此需要进行簇的选择，筛选原理是设定一个较小的“目标色”范围去对两个簇进行对比，以铸体为蓝色时举例：
设定一个小的RGB范围：45＜R＜100，110＜G＜255，100＜B＜255，因为纯孔隙结构部分全部是由蓝色铸体组成，因此符合这个范围的像素值很多，而岩石基质部分主要为灰白色像素，几乎不位于这个“蓝色”范围之中，故符合条件的像素数量很少。因此需要选择在“蓝色”范围之下，像素数目多的哪个簇，获取其数字“1或2”作为索引，赋值给index＝2，作为图层蒙版(作为一个形状框)，用索引得到的蒙版(也就是cluster2)去覆盖原图，将形状吻合的部分提取出来，即得到孔隙结构示意图。
本发明的装置还可以包括孔隙度获得模块。用于对获得的孔隙结构进行二值化处理，获得具有孔隙结构信息的二值图，根据二值图获得孔隙度。
本发明的装置还可以包括盒维数分析图获得模块。用于对获得的孔隙结构进行二值化处理，获得具有孔隙结构信息的二值图，对二值图进行剪裁，根据剪裁结果进行盒维数处理，得到盒维数分析图。
在本发明的一具体实施方式中，盒维数法计算原理是由相同大小的像素块去覆盖、分割图像，从而计算得到的。采用目前较为普遍的二等分序列将图像进行分割处理。计算时，使用长度为r的正方形像素块覆盖二值图，盒维数计算式如下：
Figure BDA0002650390520000071
其中，D1是盒维数，r是用于覆盖二值图的正方形像素块的边长，N(r)为完全覆盖二值图所需的框数。
其中，N(r)为完全覆盖二值图所需的框数。一般可写成：
ln(N(r))＝-D1lnr+constant。
盒计数维可以通过ln(N(r))对ln(r)的线性拟合来确定，其二者的斜率即为盒维数。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述计算机程序时实现本发明的致密砂岩储层孔隙结构的定量评价方法的步骤。
本发明又提供了一种计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现本发明的致密砂岩储层孔隙结构的定量评价方法的步骤。
本发明的致密砂岩储层孔隙结构的定量评价方法和装置的经济效益显著，仅仅使用铸体薄片采集的图像信息就可以实现致密砂岩孔隙结构的定量表征，适用于致密砂岩储层的孔隙结构的定量表征。
本发明的致密砂岩储层孔隙结构的定量评价方法和装置，通过颜色筛选处理步骤，满足了“即使填充的孔隙面积极少“的情况下，也可以精确识别和提取，适用范围广(除储层极其致密、近乎没有可以进行铸体充铸的孔隙情况之外)；通过色彩模式的转换，将RGB转换为YCbCr模式，有利于孔隙的识别和提取。
本发明的致密砂岩储层孔隙结构的定量评价方法和装置，运用K-means聚类方法、颜色范围筛查等处理步骤，将图像法处理的孔隙-结构二值图计算面孔率，结合盒维数分形分析，最终实现了对致密砂岩孔隙结构的综合评价。
附图说明
图1为本发明的实施例中致密砂岩储层孔隙结构的定量评价装置示意图。
图2为本发明的实施例中致密砂岩储层孔隙结构的定量评价方法流程图。
图3A为本发明实施例的方法中铸体薄片的原始图像。
图3B为本发明实施例的方法中铸体薄片的原始图像经过颜色初筛后的图像。
图4为本发明实施例的方法中经过色彩模式转换后的图像。
图5A为本发明实施例的方法中cluster1岩石基质部分的示意图。
图5B为本发明实施例的方法中cluster2孔隙结构部分的示意图。
图6为本发明实施例的方法中图像处理前后图。
图7为本发明实施例的方法中盒维数处理示意图。
图8为本发明实施例的方法中盒维数分形分析图。
图9为现有的图像处理软件(ImageJ)的提取图。
图10为传统编程程序提取图。
具体实施方式
为了对本发明的技术特征、目的和有益效果有更加清楚的理解，现对本发明的技术方案进行以下详细说明，但不能理解为对本发明的可实施范围的限定。
本发明的致密砂岩储层孔隙结构的定量评价方法和装置，基于两个国家级项目和两个校级基金：
国家重点研发计划-超深层及中新元古界油气成藏富集规律与勘探方向(课题编号：2017YFC0603106)；
子项目：超深层及中新元古界油气资源形成保持机制与分布预测；
专题二：超深层及中新元古界跨构造期油气成藏机制与模式(项目编号：ZX20180097)；
国家自然科学基金青年科学基金项目《致密砂岩微裂缝分形定量识别方法研究》(41802148)。
致密砂岩：美国联邦能源管理委员会将致密含气砂岩定义为空气渗透率小于0.1×10-3μm2的砂岩，这也是目前国际上一般采用的标准。在我国，中国石油勘探开发研究院在“致密砂岩气地质评价方法”研究(2011)(SY/T 6832-2011)中，提出了致密砂岩储层地质评价标准：孔隙度<10％，原地渗透率<0.1×10-3μm2或空气渗透率<1×10-3μm2，孔喉半径<1μm，含气饱和度<60％。该评价方法于2011年经国家能源局颁布实施，成为中国第一个关于致密砂岩气的行业标准(SY/T6832-2011)，对中国致密砂岩气地质评价和勘探部署具有重要的指导作用。
孔隙结构：指岩石内的孔隙和喉道类型、大小、分布及其相互连通关系。岩石的孔隙系统由孔隙和喉道两部分组成。孔隙为系统中的膨大部分，连通孔隙的细小部分称为喉道。储层孔隙结构研究主要集中于储层孔隙结构成因分析、储层孔隙结构的定量表征和分类评价、基于储层孔隙结构研究进行储层评价、储层孔隙结构对流体活动的影响、储层孔隙结构对开发的影响、油气田开发对储层孔隙结构的影响和储层孔隙结构研究方法手段的改进等几个方面。研究储层孔隙结构，深入揭示油气储层的内部结构，对油气田勘探和开发有着重要的意义。
RGB色彩模式：RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是运用最广的颜色系统之一。但是，由于RGB色彩模式将色调，亮度，饱和度三个量放在一起表示，在进行色彩模式处理时难以进行区分处理。
YCbCr色彩模式：YCbCr或是Y'CBCR，是色彩空间的一种，通常会用于影片中的影像连续处理，或是数字摄影系统中。Y'为颜色的亮度(luma)成分、而CB和CR则为蓝色和红色的浓度偏移量成份。Y'和Y是不同的，而Y就是所谓的亮度(luminance)，表示光的浓度且为非线性，使用伽马修正(gamma correction)编码处理。
聚类算法一般有五种方法，最主要的是划分方法和层次方法两种。
层次聚类由不同层次的分割聚类组成，层次之间的分割具有嵌套的关系。它不需要输入参数，这是它优于分割聚类算法的一个明显的优点，其缺点是终止条件必须具体指定。典型的分层聚类算法有BIRCH算法、DBSCAN算法和CURE算法等。
划分聚类算法通过优化评价函数把数据集分割为K个部分，它需要K作为输入参数。典型的分割聚类算法有K-means算法，K-medoids算法、CLARANS算法。
K-means：k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
k均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k均值算法根据某个距离函数反复把数据分入k个聚类中。
安岳气田是位于川中古隆起以东的古隆起平缓构造区威远至龙女寺构造群；勘探目的层为须家河组须2段地层；须二段岩性主要发育中、粗碎屑砂岩，局部夹有泥岩、以及煤线。部分地区发育少量暗色泥岩，以及煤层，部分地区发育辫状河三角洲前缘沉积，含煤最少。该地层位于生烃能力较弱的区域内，是一个致密砂岩大气藏。根据目前资料，该研究区致密储层整体上非均质性较强，且控制因素复杂多样，使该气田开采困难。
针对上述天然气储层储层，本实施例首先提供了一种致密砂岩储层孔隙结构的定量评价装置，如图1所示，包括：
铸体薄片获取模块，用于获取目标铸体薄片，目标铸体薄片为从目标储层中获取的地层样本；
图像提取模块，用于从目标铸体薄片中提取铸体薄片图像；
图像初筛模块，用于将铸体薄片图像转换为RGB色彩模式的图像，使目标色成为图像中具有最大面积的部分；
色彩转换模块，用于将RGB色彩模式的图像转换为YCbCr色彩模式；
颜色聚类模块，用于获得目标色填充的图像和非目标色填充的图像；
确定模块，用于确定致密砂岩储层的孔隙结构。
针对上述天然气储层，本实施例提供了一种定量评价其孔隙结构的方法，具体流程如图2所示，包括以下步骤。
步骤一：从上述天然气储层中取样，制作铸体薄片，填充蓝色的“目标色”铸体便于后期提取的分辨。
步骤二：镜下观察铸体薄片、采样(尽量选取多个孔喉发育程度不同的视域进行采集)。
步骤三：对采集的多个铸体薄片图像统一进行滤波处理，使其均一化以达到提取标准，得到铸体薄片的原始图像如图3A所示。
步骤四：设置常识性RGB值范围，进行颜色的初筛，目的是排除“被目标色填充的孔隙结构”之外大范围岩石基质的干扰，使“目标色”(蓝色铸体)成为图中占有最大面积的部分，便于后期聚类，初筛后的图像如图3B所示。
设定的RGB范围为：0≤R＜160，50＜G＜255，100＜B≤255。
步骤五：色彩模式转换，将RGB转换为YCbCr色彩模式，转换后的图像如图4所示。
步骤六：K-means颜色聚类处理，设定ncolor＝2，即聚类成为2种颜色，对经过颜色模式转换后的图像进行处理，处理结果分别存储在cluster1(图5A)和cluster2(图5B)中。
步骤七：设定RGB为：45＜R＜100，110＜G＜255，100＜B＜255，因为纯孔隙结构部分全部是由蓝色铸体组成，因此符合这个范围的像素值很多，而岩石基质部分主要为灰白色像素，几乎不位于这个“蓝色”范围之中，故符合条件的像素数量很少。因此只需要选择在“蓝色”范围之下，像素数目多的哪个簇，获取其数字“1或者2”作为索引，赋值给index＝2，作为图层蒙版(作为一个形状框)，用索引得到的蒙版(cluster2)去覆盖原图(图3A)，形状吻合的部分被提取出来，即得到孔隙结构部分。
步骤八：对获得的蓝色填充的孔隙结构部分进行二值化处理，生成具有孔隙结构信息的二值图，如图6所示。其中，图6中的图片a为铸体薄片原图；图6中的图片b为蓝色铸体充填的孔隙结构部分提取图；图6中的图片c为孔隙-结构二值图。
步骤九：根据面孔率＝黑色像素面积(铸体面积)/图像总面积，获得面孔率(孔隙率)。对于每一个样品(薄片)，观察多个视域，获取不同视域下的铸体薄片图像，并对所采集图像重复步骤三-步骤八处理，分别计算同一样品不同视域下的面孔率，并将最终所得面孔率求平均值，作为该样品的面孔率最终计算值，如表1所示，该样品的孔隙度为7.31667％。
表1多视域图片采集求取结果统计表
编号 图像总面积(像素) 铸体面积(像素) 孔隙度％
A1 4915200 508403 10.3
A2 4915200 234788 4.8
A3 4915200 70879 1.4
A4 4915200 469936 9.6
A5 4915200 437707 8.9
A6 4915200 437707 8.9
平均值 7.31667
步骤十：在图像法求取孔隙度的基础上，还可以进一步对提取的孔隙-结构二值图进行剪裁，剪裁成正方形进行盒维数计算处理。如图7所示。图7中的图片a为原长方形孔隙骨-架二值图；图7中的图片b为截取的正方形视域；图7中的图片c为盒维数分割处理示意图。
步骤十一：生成盒维数分形分析图，得到盒维数值与决定系数值，如图8所示。完成了对致密砂岩储层孔隙结构的确定。成功地对四川盆地安岳气田须家河组地层须2段致密砂岩储层的孔隙结构进行的定量的表征和评价，取得了非常显著的效果。
本发明的上述实施例可以说明，本发明的致密砂岩储层孔隙结构的确定方法和装置可以对致密砂岩储层进行准确确定。
效果对比
与使用PDP-200覆压孔渗仪测得样品的孔隙度进行对比：
实施例的样品使用PDP-200覆压孔渗仪所测孔隙度为7.1％，本实施例的致密砂岩储层孔隙结构的定量评价方法得到的结果为7.31667％，绝对误差为0.21667％。
另外，与使用图像处理软件(如ImageJ软件，如图9所示)，直观观察可发现，ImageJ提取的效果较差，对于颜色的识别不够精确，提取时出现了对“非铸体充铸部分”的过多识别和提取，同时对于细小的裂缝又无法精确识别，造成了提取结果的不准确，使得孔隙度的计算结果偏差较大。
传统编程程序提取图(图10)虽略优于图像处理软件(ImageJ)提取效果，细小缝隙得以识别，但精度不足，铸体充铸部分仍存在多余提取的现象。
此外，传统编程程序的无法实现“自动化”提取，需要手动多次提取铸体的颜色RGB值，在视域中进行大范围的“目的色”汲取，以得到色值的浮动最小值和最大值范围。例如：以A01样品蓝色铸体为例，其色域范围大致为：R：25-130，G：30-180，B：90-255，得到这个范围后即可提取色彩在该范围内的值；但是，这个色域范围并不精确，在这个范围内还会包含周围杂基的部分(“灰蓝色”)，还需手动汲取“灰蓝色”的色值范围进行过滤；A01样品灰蓝色杂基的色域范围大致为：R：90-125，G：100-140，B：100-145，得到这个范围后，在提取出的“蓝色范围”内扣除“灰蓝色范围”，才能最终得到“被蓝色铸体充填的孔隙部分”的图像信息。
这种“不自动”、“不智能”给提取带来了诸多不定因素。每重新处理一张图片则必须重新汲取色值范围，重新手动更改编程设置，非常不便，且效果仍不理想。
各种测试方法确定的孔隙度数据如表2所示。
表2
测试方法(提取方式) 面孔率(％)
实验室孔隙度测试仪 7.1
ImageJ提取 24.27
传统编程程序 16.98
本发明编程提取 7.31667
由表2的数据对比可知，本发明的方法确定的面孔率，最接近实验室测试所得的结果。

Claims (7)

1.一种致密砂岩储层孔隙结构的定量评价方法，包括：
获取目标铸体薄片，其中，所述目标铸体薄片为从目标储层中获取的地层样本；制作目标铸体薄片时，填充特定颜色的目标色；
从所述目标铸体薄片中提取铸体薄片图像；
对铸体薄片图像进行颜色初筛：设置RGB值范围，进行颜色的初筛，排除被目标色填充的孔隙结构之外大范围岩石基质的干扰，使目标色成为图像中具有最大面积的部分；
对初筛后的图像进行色彩模式的转换：将RGB色彩模式的图像转换为YCbCr色彩模式的图像；
对色彩转换后的图像进行K-means颜色聚类处理：对YCbCr色彩模式的图像进行K-means颜色聚类处理，聚类成为2种颜色，得到两个簇即为目标色填充的图像和非目标色填充的图像；
获得致密砂岩储层的孔隙结构：设定目标色RGB范围对两个簇进行对比，筛选像素数目多的那个簇为目标色填充的图像；将所述铸体薄片图像与所述目标色填充的图像重合的区域作为致密砂岩储层的孔隙结构；
对所述孔隙结构进行二值化处理，得到具有孔隙结构信息的二值图，根据所述二值图确定孔隙度；和/或；对所述孔隙结构进行二值化处理，得到具有孔隙结构信息的二值图，对所述二值图进行剪裁，根据剪裁结果进行盒维数处理，得到盒维数分形分析图。
2.根据权利要求1所述的定量评价方法，其中，目标色为蓝色。
3.根据权利要求2所述的定量评价方法，其中，对铸体薄片图像进行颜色初筛步骤中，所述RGB值范围为：0≤R＜160，50＜G＜255，100＜B≤255；获得致密砂岩储层的孔隙结构步骤中，所述目标色RGB范围为：45＜R＜100，110＜G＜255，100＜B＜255。
4.根据权利要求1所述的定量评价方法，其中，根据所述二值图确定孔隙度，包括：
按照如下公式计算孔隙度：
孔隙度＝二值图中黑色像素面积/二值图图像总面积。
5.根据权利要求1所述的定量评价方法，其中，根据剪裁结果进行盒维数处理，包括：
按照如下公式计算得到盒维数：
Figure FDA0003333922070000021
其中，D1是盒维数，r是用于覆盖二值图的正方形像素块的边长，N(r)为完全覆盖二值图所需的框数。
6.一种致密砂岩储层孔隙结构的定量评价装置，该定量评价装置包括：
铸体薄片获取模块，用于获取目标铸体薄片，目标铸体薄片为从目标储层中获取的地层样本；制作目标铸体薄片时，填充特定颜色的目标色；
图像提取模块，用于从目标铸体薄片中提取铸体薄片图像；
图像初筛模块，用于对铸体薄片图像进行颜色初筛，设置RGB值范围，进行颜色的初筛，排除被目标色填充的孔隙结构之外大范围岩石基质的干扰，使目标色成为图像中具有最大面积的部分；
色彩转换模块，用于对初筛后的图像进行色彩模式的转换，将RGB色彩模式的图像转换为YCbCr色彩模式；
颜色聚类模块，用于对色彩转换后的图像进行K-means颜色聚类处理，对YCbCr色彩模式的图像进行K-means颜色聚类处理，聚类成为2种颜色，获得两个簇即为目标色填充的图像和非目标色填充的图像；
确定模块，用于获得致密砂岩储层的孔隙结构，设定个目标色RGB范围对两个簇进行对比，筛选像素数目多的那个簇为目标色填充的图像；将所述铸体薄片图像与所述目标色填充的图像重合的区域作为致密砂岩储层的孔隙结构；
孔隙度确定模块，用于对获得的孔隙结构进行二值化处理，获得具有孔隙结构信息的二值图，根据二值图获得孔隙度；和/或；盒维数分析图获得模块，用于对获得的孔隙结构进行二值化处理，获得具有孔隙结构信息的二值图，对二值图进行剪裁，根据剪裁结果进行盒维数处理，得到盒维数分析图。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现权利要求1-5任一项所述的致密砂岩储层孔隙结构的定量评价方法的步骤。
CN202010868282.2A 2020-08-26 2020-08-26 一种致密砂岩储层孔隙结构的定量评价方法和装置 Active CN112051200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010868282.2A CN112051200B (zh) 2020-08-26 2020-08-26 一种致密砂岩储层孔隙结构的定量评价方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010868282.2A CN112051200B (zh) 2020-08-26 2020-08-26 一种致密砂岩储层孔隙结构的定量评价方法和装置

Publications (2)

Publication Number Publication Date
CN112051200A CN112051200A (zh) 2020-12-08
CN112051200B true CN112051200B (zh) 2022-02-15

Family

ID=73599246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010868282.2A Active CN112051200B (zh) 2020-08-26 2020-08-26 一种致密砂岩储层孔隙结构的定量评价方法和装置

Country Status (1)

Country Link
CN (1) CN112051200B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113029899B (zh) * 2021-02-24 2022-07-01 西南石油大学 一种基于显微图像处理的砂岩渗透率计算方法
CN113870200B (zh) * 2021-09-16 2022-05-31 中国地质大学（北京） 一种定量分析砂岩与碳酸盐岩储层中孔隙配位数的方法
CN114445439B (zh) * 2022-01-29 2023-03-24 江苏豪尚新材料科技有限公司 一种基于图像处理的离子交换膜寿命监测方法
CN115753866B (zh) * 2022-11-17 2024-04-09 重庆科技学院 一种定量表征页岩孔隙结构的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9135691B2 (en) * 2012-06-19 2015-09-15 GM Global Technology Operations LLC Metallographic method for accurate measurement of pore sizes and distributions in metal castings
CN106323836A (zh) * 2016-08-11 2017-01-11 中国石油天然气股份有限公司 一种井壁渗透率计算方法及装置
CN106404632A (zh) * 2016-11-03 2017-02-15 中海石油(中国)有限公司 一种花岗岩储层的微观裂缝‑孔隙结构分类图版构建方法
CN108550155A (zh) * 2018-04-17 2018-09-18 黑龙江工程学院 一种彩色林火遥感图像的目标区域分割方法
CN108956416A (zh) * 2018-06-06 2018-12-07 中国地质大学（北京） 一种基于Matlab分析致密砂岩储层孔隙表征的方法
CN109948461A (zh) * 2019-02-27 2019-06-28 浙江理工大学 一种基于质心定位和距离变换的手语图像分割方法
CN111426616A (zh) * 2020-02-20 2020-07-17 中国石油大学(北京) 碳酸盐岩弹性性质与孔隙结构获取方法、装置及存储介质
CN111504875A (zh) * 2020-04-28 2020-08-07 中国地质大学（北京） 一种致密砂岩孔喉参数的提取及计算方法及提取装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9135691B2 (en) * 2012-06-19 2015-09-15 GM Global Technology Operations LLC Metallographic method for accurate measurement of pore sizes and distributions in metal castings
CN106323836A (zh) * 2016-08-11 2017-01-11 中国石油天然气股份有限公司 一种井壁渗透率计算方法及装置
CN106404632A (zh) * 2016-11-03 2017-02-15 中海石油(中国)有限公司 一种花岗岩储层的微观裂缝‑孔隙结构分类图版构建方法
CN108550155A (zh) * 2018-04-17 2018-09-18 黑龙江工程学院 一种彩色林火遥感图像的目标区域分割方法
CN108956416A (zh) * 2018-06-06 2018-12-07 中国地质大学（北京） 一种基于Matlab分析致密砂岩储层孔隙表征的方法
CN109948461A (zh) * 2019-02-27 2019-06-28 浙江理工大学 一种基于质心定位和距离变换的手语图像分割方法
CN111426616A (zh) * 2020-02-20 2020-07-17 中国石油大学(北京) 碳酸盐岩弹性性质与孔隙结构获取方法、装置及存储介质
CN111504875A (zh) * 2020-04-28 2020-08-07 中国地质大学（北京） 一种致密砂岩孔喉参数的提取及计算方法及提取装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于岩石图像特征的聚类分析研究;范鹏召;《中国优秀硕士学位论文全文数据库•信息科技辑》;20180815;第20-23页 *

Also Published As

Publication number Publication date
CN112051200A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112051200B (zh) 一种致密砂岩储层孔隙结构的定量评价方法和装置
US8909508B2 (en) Petrographic image analysis for determining capillary pressure in porous media
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
DE60316113T2 (de) Verfahren für quantitative video-mikroskopie und vorrichtung und computerprogramm zur durchführung des verfahrens
Mowers et al. Quantification of porosity and permeability reduction due to calcite cementation using computer-assisted petrographic image analysis techniques
CN108734714B (zh) 一种基于Matlab分析碳酸盐岩结构的方法
CN113706603B (zh) 页岩有机质孔隙连通性分类表征的方法
CN113609696B (zh) 基于图像融合的多尺度多组分数字岩心构建方法及系统
US20150331145A1 (en) Method for producing a three-dimensional characteristic model of a porous material sample for analysis of permeability characteristics
CN109211904A (zh) 一种沥青混合料二维内部结构检测系统及检测方法
EP3126828A1 (en) Method of Analysing a Drill Core Sample
AU2016201034B2 (en) Method of quantitative calculation and assessment of bituman content in ancient carbonate reservoirs
CN113570652B (zh) 基于sem图像的砂岩储层矿物晶间孔的定量分析方法
Buono et al. Quantitative digital petrography: full thin section quantification of pore space and grains
Tawfeeq et al. Digital rock analysis: an alternative method to predict petrophysical properties, case study from Mishrif Formation
CN115640546A (zh) 一种图像与特征信息融合的岩性识别方法
CN108828687A (zh) 一种基于电成像面孔率的渗透率计算方法
Kazak et al. Integration of large-area SEM imaging and automated mineralogy-petrography data for justified decision on nano-scale pore-space characterization sites, as a part of multiscale digital rock modeling workflow
CN106204463A (zh) 一种岩心扫描图像的处理方法
CN110895704A (zh) 微生物丘滩复合体储集层类型识别方法、装置及存储介质
CN110766742B (zh) 基于图像识别软件准确测定白云岩面孔率的方法
CN115147340A (zh) 岩石裂缝变形信息获取方法、装置、设备和存储介质
CN116342465A (zh) 一种基于煤岩ct图像的割理发育定量表征方法
Xiao et al. Integrated approach for calculating the mineral assemblages and oxide percentage of crystalline rock based on object-based image analysis and electron probe microscopic analyzer
Gao et al. Fracture identification and quantification through digital rock analysis

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