CN112669243A - 一种基于连通性与孔隙度的岩石采样方法 - Google Patents
一种基于连通性与孔隙度的岩石采样方法 Download PDFInfo
- Publication number
- CN112669243A CN112669243A CN202011447257.3A CN202011447257A CN112669243A CN 112669243 A CN112669243 A CN 112669243A CN 202011447257 A CN202011447257 A CN 202011447257A CN 112669243 A CN112669243 A CN 112669243A
- Authority
- CN
- China
- Prior art keywords
- rev
- pore
- porosity
- rock
- connectivity
- 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.)
- Granted
Links
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于连通性与孔隙度的岩石采样方法,首先通过CT成像获得二维图像,再通过三维重构将空间拓扑结构信息加入二维图像得到岩石的三维图像。设置变化率阈值后对获得的三维图像进行孔隙度的变化率分析,绘图并得出参考REV体积,再通过腐蚀膨胀等一系列图像处理操作,对图像的孔径不同的孔进行筛选并分析不同孔径区段的孔隙连通性,寻找保证岩心内部连通需要的最大孔径,通过最小最大值进行REV综合分析。其优点在于,在取样时尽可能地避免出现信息丢失,同时也可以避免由于非常规结构导致的REV选取过大问题,实现对物理性质的准确分析并节省计算时间成本。
Description
技术领域
本发明属于数字岩心领域以及油藏开发领域,尤其涉及一种一种基于连通性与孔隙度的岩石采样方法。
背景技术
自然界中的岩石种类十分繁多,根据结构分布是否有规律可大致分为均质和非均质两大类。早期的数字岩心技术对于岩石的研究主要围绕均质岩石展开,通过分析足以表征整体物理性质的最小体积-REV(Represent element volume)后,在大块岩石基础上进行REV采样,并以分析小样本得到的物理性质作为大块样本的近似估计。但是传统的REV分析方法只是简单地以孔隙度的变化率作为指标,在岩石结构中出现裂缝、大孔洞等非常规结构时,分析会出现极大误差。随着高精度成像技术的发展以及数字岩心技术领域的进步,领域内出现了越来越多的关于非均质岩石的研究,基于REV选取的样本分析,对整体样本物理性质的估计出现了较大的误差。同时,针对岩石的研究已经推进到微纳尺度,出现了许多之前未被发掘的微小非常规结构,如微裂缝等,这些结构会极大地改变部分区域的物理性质,而传统的基于孔隙度的REV分析方法无法反映非常规结构的影响,因此,如何合理地选择REV来平衡非常规结构影响成为了数字岩心领域的技术难关。
发明内容
基于上述问题,本发明提供一种取样时尽可能地避免出现信息丢失,同时也可以避免由于非常规结构导致的REV选取过大问题,实现对物理性质的准确分析并节省计算时间成本的岩石采样方法。其技术方案为,
一种基于连通性与孔隙度的岩石采样方法,包括以下步骤,
S1.利用高精度扫描设备获取岩石图像的断层扫描图像,将扫描的切片图像通过三维重构的方式获得岩石三维扫描图像;
S2.以岩石几何中心为中心,提取边长为a的正方体,并计算立方体区域内孔隙度p1;
S4.将步骤S1中整个三维二值图像进行半径为r的球型开运算,并对像素点排列进行分析,得出当前岩石结构的连通性,并记录欧拉数作为量化表征;
S5.重复步骤S4,直到球型半径达到设定值;
S6.将每次处理得到的欧拉数绘制曲线图,获得欧拉数曲线过零点,并以此作为REV选择的最大限制,设为V2。
S7.比较V1与V2,选择数值小的REV进行采样。
进一步的,所述步骤S4中开运算包括腐蚀方法和膨胀方法,具体过程为:
S41.先通过腐蚀方法筛除掉孔径小于选取半径倍数乘分辨率的孔隙,即除掉小孔隙;
S42.再通过膨胀方法对腐蚀方法破坏掉的孔径大于开运算半径的孔隙结进行结构还原,保留大孔隙。
进一步的,所述腐蚀方法是以一个开运算半径为半径的球遍历整张图像上所有孔隙点,即以孔隙点为球心画球,如果该孔隙点的球邻域中不全为孔隙点,那么将该孔隙点改为固体点,当遍历所有图像中孔隙点后,便实现了去除所有孔径小于开运算半径的孔隙。
进一步的,所述膨胀方法是以所有固体点为球心画球,若球邻域中存在孔隙点,则认为该固体点是原大孔隙组成部分,将该固体点还原为孔隙点。
进一步的,步骤S3中得到REV下限、步骤S6中得到REV上限,
当V1>V2时,选取V2作为REV;
当V1<V2时,选择V1作为REV,即当满足连通性要求的情况下,REV越小越好。
进一步的,所述步骤S1中并通过分水岭分割算法对图像进行二值化分割,孔隙点标记为1,固体点标记为0,将扫描的切片图像通过三维重构的方式还原三维空间拓扑结构信息,获得岩石三维扫描图像。
进一步的,步骤S6,用差值法绘制欧拉数曲线图。
进一步的,所述步骤S4-S5中,欧拉数等于0时的REV设为V3,V3=V2<V1时,V3或V2为REV最优值。
有益效果
本发明提供一种取样时尽可能地避免出现信息丢失,同时也可以避免由于非常规结构导致的REV选取过大问题,实现对物理性质的准确分析并节省计算时间成本的岩石采样方法。
附图说明
图1为本申请流程图;
图2为获取孔隙度参考REV流程图;
图3为获取连通性参考REV流程图;
图4为利用差值法绘制曲线图;
具体实施方式
以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。
一种基于连通性与孔隙度的岩石采样方法,包括以下步骤,
S1.利用高精度扫描设备(如CT,电镜)获取岩石图像的断层扫描图像,并通过分水岭分割算法对图像进行二值化分割,孔隙点标记为1,其他固体点标记为0,将扫描的切片图像通过三维重构的方式还原三维空间拓扑结构信息,获得岩石三维扫描图像。
S2.以岩石几何中心为中心,提取边长为a为10-6的正方体,并计算立方体区域内孔隙度p1;
S4.将步骤S1中整个三维二值图像进行半径为1个像素点的球型开运算,并通过明可夫斯基泛函对图像的像素点排列进行分析,得出当前岩石结构的连通性,并记录欧拉数作为量化表征;
S41.先通过腐蚀方法筛除掉孔径小于选取半径倍数乘分辨率的孔隙,具体为,在图像运算中像素点为基本单位,但实际去除的孔隙孔径应是微米级的即除掉小孔隙;所述腐蚀方法是以一个开运算半径为半径的球遍历整张图像上所有孔隙点,即以孔隙点为球心画球,如果该孔隙点的球邻域中不全为孔隙点,那么将该孔隙点改为固体点,当遍历所有图像中孔隙点后,便实现了去除所有孔径小于开运算半径的孔隙。
S42.再通过膨胀方法对腐蚀方法破坏掉的孔径大于开运算半径的孔隙结进行结构还原,保留大孔隙。所述膨胀方法是以所有固体点为球心画球,若球邻域中存在孔隙点,则认为该固体点是原大孔隙组成部分,将该固体点还原为孔隙点。
S5.重复步骤S4,直到球型半径达到设定值20个像素点,或欧拉数等于0时的REV设为V3;设置为20个像素点的原因,20个像素点以上的腐蚀球开运算会将孔隙介质中绝大多数孔隙全部去除,只保留裂缝或者孔径极大的孔,而研究主要是围绕微孔开展的,因此无需再继续进行开运算分析了。
S6.将每次处理得到的欧拉数利用差值法绘制曲线图,获得欧拉数曲线过零点,并以此作为REV选择的最大限制,设为V2。此时会有以下情况:
1)V2=V3,以V2或V3作为REV的连通性参照阈值。
2)V2>V3或V2<V3,即当拟合的零点与实际零点不重合时,选择拟合零点V2作为最终参考阈值。
S7.比较V1与V2,选择数值小的REV进行采样。
当V1>V2时,选取V2作为REV,因为不连通的大孔在数字岩心领域基本没有研究价值。
当V1<V2时,选择V1作为REV,即当满足连通性要求的情况下,REV越小越好。
当V3=V2<V1时,V3或V2为REV最优值。
图4是一个4003样本进行开运算分析的结果,是根据表1数据利用差值法拟合得出,由图中显然可见,随着小孔径孔的逐渐消除,孔隙介质整体的连通性逐渐变差,在大约3.2微米左右时,曲线过零,说明去除小于3.2微米的孔隙后,样本整体已经几乎不连通,没有分析的价值了,因此,REV的没必要大于3.2微米,即取样时无需关心这些不连通的大孔能否完整提取。
表1
开运算半径(像素点) | 欧拉数 |
0 | -2231 |
1 | -293 |
2 | 25 |
3 | 212 |
4 | 224 |
5 | 126 |
6 | 71 |
7 | 35 |
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于连通性与孔隙度的岩石采样方法,其特征在于,包括以下步骤,
S1.利用高精度扫描设备获取岩石图像的断层扫描图像,将扫描的切片图像通过三维重构的方式获得岩石三维扫描图像;
S2.以岩石几何中心为中心,提取边长为a的正方体,并计算立方体区域内孔隙度p1;
S4.将步骤S1中整个三维二值图像进行半径为r的球型开运算,并对像素点排列进行分析,得出当前岩石结构的连通性,并记录欧拉数作为量化表征;
S5.重复步骤S4,直到球型半径达到设定值;
S6.将每次处理得到的欧拉数绘制曲线图,获得欧拉数曲线过零点,并以此作为REV选择的最大限制,设为V2。
S7.比较V1与V2,选择数值小的REV进行采样。
2.根据权利要求1所述一种基于连通性与孔隙度的岩石采样方法,其特征在于,所述步骤S4中开运算包括腐蚀方法和膨胀方法,具体过程为:
S41.先通过腐蚀方法筛除掉孔径小于选取半径倍数乘分辨率的孔隙,即除掉小孔隙;
S42.再通过膨胀方法对腐蚀方法破坏掉的孔径大于开运算半径的孔隙结进行结构还原,保留大孔隙。
3.根据权利要求2所述一种基于连通性与孔隙度的岩石采样方法,其特征在于,所述腐蚀方法是以一个开运算半径为半径的球遍历整张图像上所有孔隙点,即以孔隙点为球心画球,如果该孔隙点的球邻域中不全为孔隙点,那么将该孔隙点改为固体点,当遍历所有图像中孔隙点后,便实现了去除所有孔径小于开运算半径的孔隙。
4.根据权利要求2所述一种基于连通性与孔隙度的岩石采样方法,其特征在于,所述膨胀方法是以所有固体点为球心画球,若球邻域中存在孔隙点,则认为该固体点是原大孔隙组成部分,将该固体点还原为孔隙点。
5.根据权利要求1所述一种基于连通性与孔隙度的岩石采样方法,其特征在于,步骤S3中得到REV下限、步骤S6中得到REV上限,
当V1>V2时,选取V2作为REV;
当V1<V2时,选择V1作为REV,即当满足连通性要求的情况下,REV越小越好。
6.根据权利要求1所述一种基于连通性与孔隙度的岩石采样方法,其特征在于,所述步骤S1中并通过分水岭分割算法对图像进行二值化分割,孔隙点标记为1,固体点标记为0,将扫描的切片图像通过三维重构的方式还原三维空间拓扑结构信息,获得岩石三维扫描图像。
7.根据权利要求1所述一种基于连通性与孔隙度的岩石采样方法,其特征在于,步骤S6,用差值法绘制欧拉数曲线图。
8.根据权利要求7所述一种基于连通性与孔隙度的岩石采样方法,其特征在于,所述步骤S4-S5中,欧拉数等于0时的REV设为V3,V3=V2<V1时,V3或V2为REV最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447257.3A CN112669243B (zh) | 2020-12-09 | 2020-12-09 | 一种基于连通性与孔隙度的岩石采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447257.3A CN112669243B (zh) | 2020-12-09 | 2020-12-09 | 一种基于连通性与孔隙度的岩石采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669243A true CN112669243A (zh) | 2021-04-16 |
CN112669243B CN112669243B (zh) | 2022-10-04 |
Family
ID=75402220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011447257.3A Active CN112669243B (zh) | 2020-12-09 | 2020-12-09 | 一种基于连通性与孔隙度的岩石采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669243B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120281883A1 (en) * | 2011-02-28 | 2012-11-08 | Hurley Neil F | Methods to build 3d digital models of porous media using a combination of high- and low-resolution data and multi-point statistics |
US20140058676A1 (en) * | 2012-08-23 | 2014-02-27 | Ingrain, Inc. | Digital rock analysis systems and methods that reliably predict a porosity-permeability trend |
CN103822865A (zh) * | 2014-03-20 | 2014-05-28 | 中国石油大学(华东) | 一种高分辨率三维数字岩心建模方法 |
CN107240154A (zh) * | 2017-05-02 | 2017-10-10 | 中国石油天然气股份有限公司 | 一种双孔隙三维数字岩心建模方法及装置 |
CN108763711A (zh) * | 2018-05-22 | 2018-11-06 | 中国石油大学(华东) | 一种基于岩心扫描图像分块数值模拟的渗透率预测方法 |
CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
CN108918829A (zh) * | 2018-07-11 | 2018-11-30 | 中国石油天然气股份有限公司 | 一种基于形态学的模拟数字岩心微观变形方法及装置 |
CN109345625A (zh) * | 2018-08-27 | 2019-02-15 | 四川大学 | 岩心图像自适应分区三维重建方法 |
CN109697752A (zh) * | 2018-11-20 | 2019-04-30 | 中国石油天然气集团有限公司 | 基于岩心ct图像孔隙信息提取定量表征岩心非均质性方法 |
CN111537419A (zh) * | 2020-04-28 | 2020-08-14 | 北京润泽创新科技有限公司 | 一种数字岩心微观孔隙结构类别评价方法及装置 |
-
2020
- 2020-12-09 CN CN202011447257.3A patent/CN112669243B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120281883A1 (en) * | 2011-02-28 | 2012-11-08 | Hurley Neil F | Methods to build 3d digital models of porous media using a combination of high- and low-resolution data and multi-point statistics |
US20140058676A1 (en) * | 2012-08-23 | 2014-02-27 | Ingrain, Inc. | Digital rock analysis systems and methods that reliably predict a porosity-permeability trend |
CN103822865A (zh) * | 2014-03-20 | 2014-05-28 | 中国石油大学(华东) | 一种高分辨率三维数字岩心建模方法 |
CN107240154A (zh) * | 2017-05-02 | 2017-10-10 | 中国石油天然气股份有限公司 | 一种双孔隙三维数字岩心建模方法及装置 |
CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
CN108763711A (zh) * | 2018-05-22 | 2018-11-06 | 中国石油大学(华东) | 一种基于岩心扫描图像分块数值模拟的渗透率预测方法 |
CN108918829A (zh) * | 2018-07-11 | 2018-11-30 | 中国石油天然气股份有限公司 | 一种基于形态学的模拟数字岩心微观变形方法及装置 |
CN109345625A (zh) * | 2018-08-27 | 2019-02-15 | 四川大学 | 岩心图像自适应分区三维重建方法 |
CN109697752A (zh) * | 2018-11-20 | 2019-04-30 | 中国石油天然气集团有限公司 | 基于岩心ct图像孔隙信息提取定量表征岩心非均质性方法 |
CN111537419A (zh) * | 2020-04-28 | 2020-08-14 | 北京润泽创新科技有限公司 | 一种数字岩心微观孔隙结构类别评价方法及装置 |
Non-Patent Citations (8)
Title |
---|
KOESTEL J ET AL.: "Scale and REV analyses for porosity and pore connectivity measures in undisturbed soil", 《GEODERMA》 * |
刘学峰: "基于数字岩心的岩石声电特性围观数值模拟研究", 《中国优秀博士学位论文全文数据库》 * |
刘磊等: "考虑微裂缝的数字岩心多点统计学构建方法", 《科学通报》 * |
吕菲等: "利用CT数字图像和网络模型预测近饱和土壤水力学性质", 《农业工程学报》 * |
孔强夫等: "基于数字岩心电性数值模拟新方法的研究", 《非常规油气》 * |
方辉煌等: "基于微米焦点CT技术的煤岩数字岩石物理分析方法――以沁水盆地伯方3号煤为例", 《煤田地质与勘探》 * |
林承焰等: "基于CT的数字岩心三维建模", 《吉林大学学报(地球科学版)》 * |
王桂林等: "腐蚀砂浆锚固体形貌特征及分形维数", 《重庆大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669243B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598892B (zh) | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 | |
CN110569899B (zh) | 坝面缺陷分类模型训练方法及装置 | |
CN111739051B (zh) | 一种基于残差网络的多序列mri图像分割方法 | |
CN103698803B (zh) | 一种岩石孔隙结构表征方法及装置 | |
CN112163621A (zh) | 一种基于微ct技术的致密砂岩储层孔隙结构分类及表征方法 | |
Lu et al. | Measurement of entrained air-void parameters in Portland cement concrete using micro X-ray computed tomography | |
CN111860570B (zh) | 一种云微粒子图像提取及分类方法 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN102339467B (zh) | 图像处理设备和方法 | |
CN115393293A (zh) | 基于UNet网络与分水岭算法的电镜红细胞分割与定位方法 | |
CN116012332A (zh) | 一种基于层次图的病理图像中原发肿瘤分期多示例学习方法、框架、设备及介质 | |
CN110738658B (zh) | 图像质量评价方法 | |
CN115081210A (zh) | 一种受限制游走模拟以计算多孔介质内流动迂曲度的方法 | |
CN112669243B (zh) | 一种基于连通性与孔隙度的岩石采样方法 | |
CN115359029A (zh) | 一种基于异构交叉伪监督网络的半监督医学图像分割方法 | |
CN113029899B (zh) | 一种基于显微图像处理的砂岩渗透率计算方法 | |
CN114419619A (zh) | 红细胞检测分类方法、装置、计算机存储介质及电子设备 | |
CN117095173A (zh) | 一种结直肠癌h&e染色病理图像语义分割方法及系统 | |
CN114705606B (zh) | 一种基于网络化分析的岩石内部关键渗流节点的封堵方法 | |
CN117218094A (zh) | 获取病理图像的特征信息的方法、设备及介质 | |
CN108492331B (zh) | 基于模拟压汞法获取岩石的孔径分布的方法和装置 | |
CN114820576B (zh) | 乳腺特征提取、检测模型的训练方法、装置 | |
CN116503323A (zh) | 一种基于深度学习的煤岩数据生成及渗透率预测方法 | |
CN110473288B (zh) | 堤坝模型重建方法、装置和电子设备 | |
CN116051966A (zh) | 基于深度学习网络的笔石图像识别方法及其模型训练方法 |
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 |