CN113049453A - 原位润湿角测定装置和基于深度学习的润湿角确定方法 - Google Patents

Abstract

本说明书实施例提供一种原位润湿角测定装置和基于深度学习的润湿角确定方法，包括油水前处理设备和润湿角测量设备以及基于深度学习的润湿角确定方法；所述油水前处理设备中放置不同粒径与性质颗粒模拟多种多孔介质，用于模拟原油、水和岩石充分接触反应，使得原油组分在岩石表面吸附以及油水之间传质作用充分发生，以获得油藏原位流体，进而最大限度的模拟油藏实际情况，使得润湿角测定结果更为准确；进一步的，将卷积深度学习网络引入润湿液体形态捕捉与模拟，实现润湿角的高精度识别，避免人为因素以及公式适用性差异导致润湿角计算误差较大的问题，提高润湿角的测量精度。

Description

原位润湿角测定装置和基于深度学习的润湿角确定方法

技术领域

本说明书实施例涉及油田开发技术领域，特别涉及一种原位润湿角测定装置和基于深度学习的润湿角确定方法。

背景技术

润湿角(接触角)是描述液固界面润湿性最主要的物理量，其在表面化学、化工生产、材料制备、石油化工及环境保护等方面有着广泛作用。以油田开发及提高采收率研究为例，其作为界面润湿性的主要评价指标，与原油采收率有直接关系。随着油气田开发的不断推进，如何准确地、真实地评价油藏中岩石表面润湿性成为石油工程师选择开发方案、评价诸多提高采收率方法优劣的关键。

目前，润湿性测定方法主要包括接触角法、渗吸与排驱法(Amott方法)和USBM(美国矿物局)方法。其中，接触角法作为简单、最直观、最准确的润湿性评定方法被广泛采用。如专利CN111665171A采用了接触角法测定接触角，主要公开了探针液体装入一个透光度高的样品皿中后，在被测试固体样品的上表面滴一个低密度相的液滴或气泡滴，该液滴或气泡滴与固体之间形成三相接触线位置的夹角，即为湿法接触角(Liquid Method ContactAngle，LMCA)，并且通过采用将被测试固体样品固定到由两个光学滑台组成的固定夹具后再浸入装有探针液体内部，利用浸入深度的压力，将纳米结构或微米结构中的气泡或低密度相实现有效排出，从而进一地，实现了将Cassie-Baxter模型向Wenzel模型的转换状态条件下的真实接触角值的测量；同时，充分考虑接触角测量的非轴对称性质，采用至少两个镜头相机与背景光的组合，测试非轴对称条件下的接触角值，提升接触角测量的精度。

现有的润湿角测定装置不满足油田开发/提高采收率研究实际需求，忽略油藏条件下原油组分在岩石表面吸附以及油水之间的传质作用导致测定的润湿性测量结果偏离实际，在一定程度上影响了工程实践。此外，当前润湿角确定主要通过拟合规则经验公式获得，由于人为因素干扰(基线确定)以及公式适用性等因素的影响，导致得到实验结果存在较大误差，很难满足高精度润湿角测定的需求。

发明内容

本说明书实施例的目的是提供一种原位润湿角测定装置和基于深度学习的润湿角确定方法，以提高原位润湿角的测量精度和识别精度。

为解决上述问题，本说明书实施例提供一种原位润湿角测定装置，包括油水前处理设备和润湿角测量设备；所述油水前处理设备中根据研究需要放置不同粒径或者性质的颗粒模拟多孔介质，用于模拟原油、水和岩石充分接触，发生原油吸附以及油水传质作用，以获得油藏原位流体；所述润湿角测量设备包括润湿角形成装置和润湿角捕捉装置；所述润湿角形成装置放置有岩心，以便于使所述油藏原位流体与所述润湿角形成装置中放置的岩心接触，形成润湿角；所述润湿角捕捉装置，用于在所述油藏原位流体与岩心接触后，记录岩心表面的液滴图像，以便于根据所述液滴图像确定原油在所述岩心表面上的原位湿润角。

作为一种优选的实施方式，所述装置还包括计算机设备；所述计算机设备，用于使用深度学习方法，基于所述液滴图像确定原油在所述岩心表面上的原位湿润角。

作为一种优选的实施方式，所述基于所述液滴图像确定原油在所述岩心表面上的原位湿润角包括：使用深度学习方法对所述液滴图像进行边缘检测，得的所述液滴图像对应的边缘图；所述边缘图包括液滴边界点坐标；使用卷积神经网络对预设数量的边界点进行训练，得到训练模型；将未训练的边界点的横坐标输入所述训练模型，得到边界点的预测纵坐标；选取预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点；其中，阈值范围根据训练所采用的边界点的波动范围获得；基于所述训练模型计算所述目标边界点的导数以确定原油在所述岩心表面上的原位湿润角。

作为一种优选的实施方式，使用深度学习方法对所述液滴图像进行边缘检测包括使用深度学习Richer Convolutional Features(RCF)网络方法对所述液滴图像进行边缘检测。

作为一种优选的实施方式，所述预设数量的边界点为2000个；所述预设数量的边界点为以远离岩心与液滴接触面，以液滴最高边界点为中心附近的边界点。

作为一种优选的实施方式，所述选取预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点包括：以最高边界点为中心，分别选取左右两边边界点的预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点。其中，阈值范围根据训练所采用的边界点的波动范围获得。

作为一种优选的实施方式，所述基于所述训练模型计算所述目标边界点的导数以确定原油在所述岩心表面上的原位湿润角包括：基于所述训练模型计算所述目标边界点的导数以确定原油在所述岩心表面上的左湿润角和右湿润角；将左湿润角和右湿润角平均值确定为原油在所述岩心表面上的原位湿润角。

为解决上述问题，本说明书实施例提供一种基于深度学习的润湿角确定方法，所述方法包括：获取岩心表面的液滴图像；所述液滴图像基于上述原位润湿角测定装置得到；使用深度学习方法对所述液滴图像进行边缘检测，得到所述液滴图像对应的边缘图；所述边缘图包括液滴边界点坐标；使用卷积神经网络对预设数量的边界点进行训练，得到训练模型；其中，所述预设数量的边界点为以远离岩心表面与液滴接触面，以液滴最高边界点为中心附近的边界点；将未训练的边界点的横坐标输入所述训练模型，得到边界点的预测纵坐标；选取预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点；其中，阈值范围根据训练所采用的边界点的波动范围获得；基于所述训练模型在所述目标边界点的导数确定原油在所述岩心表面上的原位湿润角。

由以上本说明书实施例提供的技术方案可见，本说明书实施例所提供的原位润湿角测定装置和基于深度学习的润湿角确定方法，可以实现孔隙空间中原油-水-岩石充分接触反应，模拟实际条件原油吸附以及油水之间传质，能够最大限度的模拟油藏实际情况，使得润湿角测定结果更为准确，为后期准确开展油水相互作用研究以及与之相关的提高采收率研究奠定坚实的基础，以及将卷积神经网络引入润湿液体形态捕捉与模拟，实现润湿角的高精度识别，避免人为因素以及公式适用性差异导致润湿角计算误差较大的问题，提高原位润湿角的测量精度和识别精度。

附图说明

为了更清楚地说明本说明书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说明书中记载的一些实施例，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为本说明书实施例一种原位润湿角测定装置的主视图；

图2为本说明书实施例一种原位润湿角测定装置的左视图；

图3为本说明书实施例原位润湿角测量过程的一个示例；

图4为不同油水处理方法对润湿角的影响示意图；

图5为常规经验公式拟合和本说明书实施例基于深度学习的润湿性确定方法差异示意图。

附图标记说明：

1、液体注入口；2、固体颗粒；3、油水前处理设备；4、过滤网；5、开关；6、油水分离设备；7、开关；8、开关；9、原油分流通道；10、水浴出口；11、润湿角测定腔；12、针管；13、稳定基座；14、液体注入设备；15、水浴入口；16、CCD相机；17、光源；18、支撑架；19、蓝宝石玻璃；20、岩心架；21、岩心；22、计算机设备。

具体实施方式

下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。

在本说明书实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解。例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。并且，除非另有说明，在本发明的描述中，“多个”的含义是两个或两个以上。

在油气行业中，取得对含油气地下地层的润湿性特性或者润湿条件有利于采油工作的开展。例如润湿性可能对储量(reserve)计算和/或储集层的动态行为具有影响。

润湿性是指存在两种互不相溶液体，液体首先润湿固相表面的能力，即一种液体在一种固体表面铺展的能力或倾向性。润湿性可以描述岩石被某个相(例如水或者油)覆盖的相对倾向。例如，如果岩石对于水比对于油而言具有大得多的亲合性，则岩石可以称为亲水的(water-wet)。因此，在亲水的多孔岩石在它的孔隙内包含水和油相的情况下，孔隙大部分内表面将由水层覆盖。在这一情况下，水可以称为“润湿相”。反言之，在油润湿多孔岩石的情况下，孔隙的基本上所有内表面将由油层覆盖。在这一情况下，油可以称为“润湿相”。

润湿角是描述液固界面润湿性最主要的物理量。其中，润湿角(接触角)是指在固、液、气三相交界处，自固-液界面经过液体内部到气-液界面之间的夹角，即液相与固相的接触点处液固界面和液态表面切线的夹角。现有技术中，对于润湿角测定多在空气中进行，而忽略了环境中水相对油相润湿性角的影响。即使部分实验实现了液体环境，但由于实验装置限制，实验中多以某一固定液体完成实验，忽略了时间效应以及油藏实际中原油组分在岩石表面的吸附以及油水之间传质作用，进而造成不可避免的实验误差。

考虑到如果在润湿角测定装置上设置油水前处理装置，用于模拟油藏实际条件下油水岩相互接触，实现原油组分吸附以及油水之间传质过程，获得油藏原位流体，进一步以原位环境和原位流体下测定润湿角，则有望解决现有技术中忽略了时间效应以及油藏实际中原油组分在岩石表面的吸附以及油水之间传质作用，提高原位润湿角的测量精度。其中，所述原位润湿角即为油藏实际情况下的润湿角。

下面将结合图1至图2对本说明书实施例的原位润湿角测定装置进行解释和说明。需要说明的是，为了便于说明，在本发明的实施例中，相同的附图标记表示相同的部件。而为了简洁，在不同的实施例中，省略对相同部件的详细说明，且相同部件的说明可互相参照和引用。

具体的，将图1至图2中所示意的向上的方向定义为“上”，将图1至图2中所示意的向下的方向定义为“下”。值得注意的是，本说明书中的对各方向定义，只是为了说明本说明书技术方案的方便，并不限定本说明书实施例的原位润湿角测定装置在包括但不限定于使用、测试、运输和制造等等其他可能导致装置方位发生颠倒或者位置发生变换的场景中的方向。

如图1和图2所示，本说明书实施例提供的一种原位润湿角测定装置可以包括：油水前处理设备3、油水分离设备6、液体注入设备14和润湿角测量设备。

在一些实施例中，所述油水前处理设备中根据研究需要放置不同粒径或者性质的颗粒模拟多孔介质，用于模拟原油、水和岩石充分接触反应，发生原油吸附以及油水传质作用，以获得油藏原位流体。具体的，所述油水前处理设备3中可以放置有固体颗粒2。所述固体颗粒2可以为不同粒径或者性质的矿物颗粒，用于模拟多孔介质。在实验开始前，可以预先将固体颗粒2填入所述油水前处理设备3中并压实，再将原油从液体注入口1注入所述油水前处理设备3中与矿物颗粒充分接触，根据研究实际要求在一定温度下老化一定时间；然后将实验用水以一定的速度从液体注入口1注入所述油水前处理设备3中，使实验用水、原油和固体颗粒2充分接触、传质，从而最大限度的模拟油藏实际情况。在实验用水、原油和矿物颗粒充分接触、传质后，可以打开开关5，使原油和水进入所述油水分离设备6。

在一些实施例中，所述油水前处理设备3底部还可以设置有过滤网4。所述过滤网4可以使原油和水通过，并进入油水分离设备6，将固体颗粒2阻拦在所述油水前处理设备3内部，避免固体颗粒2进入所述油水分离设备6。

在一些实施例中，所述装置还可以包括流体注入与排除设备，用于将所述油藏原位流体注入至所述润湿角测量设备中，使所述油藏原位流体与所述润湿角测量设备中放置的岩心接触。所述流体注入与排除设备可以由油水分离设备6和液体注入设备14组成。

所述油水分离设备6可以用于使从所述油水前处理设备3流出的原油和水混合液体分离；以及将分离后的水注入所述润湿角测量设备的润湿角测定腔11。具体的，所述油水分离设备6可以包括一个中空的腔室，用于承载从所述油水前处理设备3流出的原油和水混合液体；所述分离设备6底部出口可以设置有两个通道，分别为原油分流通道9和水分流通道。在所述油水前处理设备3流出的原油和水混合液体进入所述分离设备6的腔室后，静置预设时间，在原油和水分层后，可以打开开关7，使实验用水经过水分流通道进入所述润湿角测量设备，在实验用水分流结束后，可以关闭开关7，打开开关8，使原油经过原油分流通道9进入所述液体注入设备14。

所述液体注入设备14，用于使从所述油水分离设备6分离出的原油从所述润湿角测量设备底部进入所述润湿角测量设备。具体的，所述液体注入设备14可以经过稳定基座13通过针管12与所述润湿角测量设备底部相连接。所述液体注入设备14可以将原油通过针管12从所述润湿角测量设备底部注入所述润湿角测量设备的润湿角测定腔11。

在一些实施例中，润湿角测量设备可以包括润湿角形成装置和润湿角捕捉装置。所述润湿角形成装置可以包括中空耐温耐高压腔体，即润湿角测定腔11，两侧是蓝宝石玻璃19封口。具体的，所述润湿角形成装置包含恒温功能，所述恒温功能通过循环恒温液体经过水浴入口10进入，并经过水浴入口15流出，使所述润湿角形成装置的腔体内部保持恒温状态。

所述润湿角形成装置中设置有用于放置岩心21的岩心架20。油藏原位流体可以进入润湿角形成装置中，与所述岩心进行接触，使岩心所处的温度以及接触的液体尽可能与油藏实际情况相同，从而形成润湿角，根据原油在岩心表面的形态，进而实现原油在所述岩心表面上的湿润角的测定。

在一些实施例中，所述润湿角捕捉装置，用于在所述油藏原位流体与岩心接触后，记录岩心表面的液滴图像。具体的，所述润湿角捕捉装置可以包括光源17和CCD相机16。其中，所述光源17、CCD相机16和润湿角形成装置位于同一水平线上，以便于CCD相机16对岩心进行拍摄，从而得到岩心表面的液滴图像，以便于根据所述液滴图像确定原油在所述岩心表面上的原位湿润角。

下面介绍通过上述装置得到原油在岩心表面的形态的步骤。

步骤1：将矿物颗粒2填入油水前处理设备3中压实，关闭开关5，通过液体注入口1将原油注入油水前处理设备3中，老化一定时间(可以根据实验需求确定)；

步骤2：打开开关5，关闭开关7和开关8，通过液体注入口1将实验用水注入油水前处理设备3中，注入的水与原油在多孔介质中充分接触、传质，注入水驱替原油进入油水分离设备6中，静置分层；

步骤3：将岩心21置于岩心架20之上；

步骤4：打开开关7，使实验用水经过水分流通道进入润湿角测定腔11。待注入水全部进入润湿角测定腔11，没过岩心架20上的岩心21后，关闭开关7，打开开关8，使传质后的原油通过分流通道9进入液体注入设备14；

步骤5：恒温流体(油或者水)通过水浴入口15进入，而后通过水浴出口10流出，循环保证实验温度的稳定性；

步骤6：将液体注入设备14中的原油通过针管12释放吸附于岩心之上，得到原油在岩心表面的形态。

在上述步骤完成后，可以通过润湿角捕捉装置记录原油在岩心表面的形态，得到岩心表面的液滴图像。

在一些实施例中，所述润湿角捕捉装置可以包括光源17和CCD相机16。其中，所述光源17、CCD相机16和润湿角形成装置位于同一水平线上，以便于CCD相机16对岩心进行拍摄，从而得到岩心表面的液滴图像。

在一些实施例中，所述原位润湿角测定装置还可以包括计算机设备；所述计算机设备可以用于使用深度学习方法，基于所述液滴图像确定原油在所述岩心表面上的原位湿润角。

在一些实施例中，可以根据以下步骤确定原油在所述岩心表面上的原位湿润角。

步骤11：使用深度学习方法对所述液滴图像进行边缘检测，得到所述液滴图像对应的边缘图；所述边缘图包括液滴边界点坐标。

边缘检测的目的就是找到图像中亮度变化剧烈的像素点构成的集合，表现出来往往是轮廓。如果图像中边缘能够精确的测量和定位，那么，就意味着实际的物体能够被定位和测量，包括物体的面积、物体的直径、物体的形状等就能被测量。

在一些实施例中，可以通过深度学习方法对所述液滴图像进行边缘检测，得到所述液滴图像对应的边缘图，所述边缘图包括液滴边界点坐标。所采用的深度学习方法可以为深度学习Richer Convolutional Features(RCF)网络。

在一些实施例中，在使用深度学习方法实现对所述液滴图像进行边缘检测前包括对所述液滴图像进行预处理；所述预处理包括图像降噪处理和高斯平滑处理；相应的，使用深度学习方法对预处理后的液滴图像进行边缘检测，得到所述液滴图像对应的边缘图。

步骤12：使用卷积神经网络对预设数量的边界点进行训练，得到训练模型。

在一些实施例中，可以将液滴图像中，以远离岩心表面与液滴接触面，以液滴最高边界点为中心，选取最高边界点周围预设数量的边界点，例如可以选取2000个边界点作为训练数据，使用卷积神经网络进行训练，得到训练模型。

步骤13：将未训练的边界点的横坐标输入所述训练模型，得到边界点的预测纵坐标。

在一些实施例中，可以将未训练的边界点的横坐标输入所述训练模型，基于所述训练模型得到边界点的预测纵坐标。

步骤14：选取预测纵坐标与实际纵坐标误差大于预设阈值，且最接近预设阈值的边界点作为目标边界点；其中，阈值范围根据训练所采用的边界点的波动范围获得。

在一些实施例中，可以计算边界点的预测纵坐标与实际纵坐标的误差，选取预测纵坐标与实际纵坐标误差大于预设阈值，且最接近预设阈值的边界点作为目标边界点。其中，阈值范围根据训练所采用的边界点的波动范围获得。

步骤15：基于所述训练模型计算所述目标边界点的导数以确定原油在所述岩心表面上的原位湿润角。

基于润湿角的定义可知，润湿角是指在固、液、气三相交界处，自固-液界面经过液体内部到气-液界面之间的夹角，即液相与固相的接触点处液固界面和液态表面切线的夹角。基于此，可以将所述目标边界点作为液相与固相的接触点，基于所述训练模型计算所述目标边界点的导数即可确定液滴表面的切线，进而得到液相与固相的接触点处液固界面和液态表面切线的夹角，即润湿角。

在一些实施例中，为进一步提高原位润湿角测定的准确性，在步骤14中，可以以最高边界点为中心，分别选取左右两边边界点的预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点。

进一步的，可以基于所述训练模型计算所述目标边界点的导数以确定原油在所述岩心表面上的左湿润角和右湿润角；将左湿润角和右湿润角平均值确定为原油在所述岩心表面上的湿润角。

为进一步理解如何确定原油在所述岩心表面上的湿润角，本说明实施例提供一个具体示例，如图3所示，可以包括以下步骤：

S301：获取液滴图像。

S302：截取图像，去除噪声。

S303：高斯处理，平滑界面。

S304：RCF深度学习网络确定像素边界即坐标。

S305：卷积神经网络训练2000个边界点得到训练模型，确定阈值。

S306：边界点坐标与训练模型拟合坐标进行对比。

S307：误差是否大于阈值。

若是，进入S308；否则进入S305，对比下一个边界点坐标与训练模型拟合坐标。

S308：计算后三个边界点坐标与训练模型拟合坐标的误差。

S309：误差是否增大。

若是，进入S310；否则进入S312。

S310：确定目标边界点。

S311：基于目标边界点确定润湿角。

S312：转化为训练数据用于模型训练。

下面结合图4和图5说明本说明书实施例的有益效果。

对比分析油水前处理对润湿角测定重要作用，如图4所示。由图4可知：油水前处理对润湿角测量具有重要作用。未进行油水前处理样品测得润湿角高达100°；方解石填充油水前处理装置形成方解石多孔介质进行油水前处理后测得润湿角仅为72°；石英颗粒填充油水前处理装置形成石英多孔介质进行油水前处理后测得润湿角为87°。因此，油水前处理对于润湿角测定具有重要影响。为了准确研究油藏条件下实际润湿性特征，非常有必要采用本说明书实施例提供的原位润湿角测定装置进行的油水前处理工作，进而实现润湿角的测定。

对比分析基于深度学习的润湿角确定方法相比于常规经验公式拟合方法，如图5所示。由图5可知：常规经验公式拟合方法中基线的确定取决于人工选点，造成测量结果存在较大误差。基于深度学习的润湿角确定方法基于获取的图像利用深度学习算法实现基线的精准确定，避免人为因素的影响，极大的提高了润湿角测定的准确性。

由以上本说明书实施例提供的技术方案可见，本说明书实施例所提供的原位润湿角测定装置，可以实现油藏实际条件下原油、水和岩石充分接触反应，考虑原油吸附以及油水间传质作用，能够最大限度的模拟油藏实际情况，使得润湿角测定结果更为准确，为后期准确开展油水相互作用研究以及与之相关的提高采收率研究奠定坚实的基础，以及将卷积神经网络引入润湿液体形态捕捉与模拟，实现润湿角的高精度识别，避免人为因素以及公式适用性差异导致润湿角计算误差较大的问题，提高原位润湿角的测量精度和识别精度。

本说明书实施例还提供一种基于深度学习的润湿角确定方法，执行所述基于深度学习的润湿角确定方法的主体可以是具有逻辑运算功能的电子设备，所述电子设备可以是服务器或客户端，所述客户端可以为台式电脑、平板电脑、笔记本电脑、工作站等。当然，客户端并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软体。还可以是一种通过程序开发形成的程序软件，该程序软件可以运行于上述电子设备中。所述方法包括以下步骤。

步骤21：获取岩心表面的液滴图像；所述液滴图像基于上述原位润湿角测定装置得到。

在一些实施例中，所述液滴图像可以基于上述原位润湿角测定装置得到。具体的，原位润湿角测定装置中油藏原位流体进入所述润湿角形成装置与岩心接触后，可以通过润湿角捕捉装置记录岩心表面的液滴图像。所述润湿角捕捉设备可以将液滴图像发送至客户端，以便于客户端获取岩心表面的液滴图像。当然，还可以通过人工拷贝的方式，将所述液滴图像拷贝至客户端。

步骤22：使用深度学习方法对所述液滴图像进行边缘检测，得到所述液滴图像对应的边缘图；所述边缘图包括液滴边界点坐标。

对于该步骤的说明可以参照步骤11中的介绍，在此不再赘述。

步骤23：使用卷积神经网络对预设数量的边界点进行训练，得到训练模型；其中，所述预设数量的边界点为以远离岩心表面与液滴接触面，以液滴最高边界点为中心附近的边界点。

对于该步骤的说明可以参照步骤12中的介绍，在此不再赘述。

步骤24：将未训练的边界点的横坐标输入所述训练模型，得到边界点的预测纵坐标。

对于该步骤的说明可以参照步骤13中的介绍，在此不再赘述。

步骤25：选取预测纵坐标与实际纵坐标误差大于预设阈值，且最接近预设阈值的边界点作为目标边界点；其中，阈值范围根据训练所采用的边界点的波动范围获得。

对于该步骤的说明可以参照步骤14中的介绍，在此不再赘述。

步骤26：基于所述训练模型在所述目标边界点的导数确定原油在所述岩心表面上的原位湿润角。

对于该步骤的说明可以参照步骤15中的介绍，在此不再赘述。

在一些实施例中，所述选取预测纵坐标与实际纵坐标误差大于预设阈值，且最接近预设阈值的边界点作为目标边界点包括：以最高边界点为中心，分别选取左右两边边界点的预测纵坐标与实际纵坐标误差大于预设阈值，且最接近预设阈值的边界点作为目标边界点。

在一些实施例中，所述基于所述训练模型在所述目标边界点的导数确定原油在所述岩心表面上的原位湿润角包括：基于所述训练模型在所述目标边界点的导数确定原油在所述岩心表面上的左湿润角和右湿润角；将左湿润角和右湿润角平均值确定为原油在所述岩心表面上的原位湿润角。

由以上本说明书实施例提供的技术方案可见，本说明书实施例中，可以获取岩心表面的液滴图像；所述液滴图像基于上述原位润湿角测定装置得到；使用深度学习方法对所述液滴图像进行边缘检测，得到所述液滴图像对应的边缘图；所述边缘图包括液滴边界点坐标；使用卷积神经网络对预设数量的边界点进行训练，得到训练模型；其中，所述预设数量的边界点为以远离岩心表面与液滴接触面，以液滴最高边界点为中心附近的边界点；将未训练的边界点的横坐标输入所述训练模型，得到边界点的预测纵坐标；选取预测纵坐标与实际纵坐标误差大于预设阈值，且最接近预设阈值的边界点作为目标边界点；其中，阈值范围根据训练所采用的边界点的波动范围获得；基于所述训练模型在所述目标边界点的导数确定原油在所述岩心表面上的原位湿润角。本说明书实施例提供的方法，将卷积神经网络引入润湿液体形态捕捉与模拟，实现润湿角的高精度识别，避免人为因素以及公式适用性差异导致润湿角计算误差较大的问题，提高原位润湿角的测量精度和识别精度。

上述实施例只为说明本申请的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本申请的内容并据以实施，并不能以此限制本申请的保护范围。凡根据本申请精神实质所作的等效变化或修饰，都应涵盖在本申请的保护范围之内。

披露的所有文章和参考资料，包括专利申请和出版物，出于各种目的通过援引结合于此。描述组合的术语“基本由…构成”应该包括所确定的元件、成分、部件或步骤以及实质上没有影响该组合的基本新颖特征的其他元件、成分、部件或步骤。使用术语“包含”或“包括”来描述这里的元件、成分、部件或步骤的组合也想到了基本由这些元件、成分、部件或步骤构成的实施方式。这里通过使用术语“可以”，旨在说明“可以”包括的所描述的任何属性都是可选的。

多个元件、成分、部件或步骤能够由单个集成元件、成分、部件或步骤来提供。另选地，单个集成元件、成分、部件或步骤可以被分成分离的多个元件、成分、部件或步骤。用来描述元件、成分、部件或步骤的公开“一”或“一个”并不说为了排除其他的元件、成分、部件或步骤。

应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。出于全面之目的，所有文章和参考包括专利申请和公告的公开都通过参考结合在本文中。

Claims (10)

1.一种原位润湿角测定装置，其特征在于，包括油水前处理设备和润湿角测量设备；

所述油水前处理设备中根据研究需要放置不同粒径或者性质的颗粒模拟多孔介质，用于模拟原油、水和岩石充分接触，发生原油吸附以及油水传质作用，以获得油藏原位流体；

所述润湿角测量设备包括润湿角形成装置和润湿角捕捉装置；

所述润湿角形成装置放置有岩心，以便于使所述油藏原位流体与所述润湿角形成装置中放置的岩心接触，形成润湿角；

所述润湿角捕捉装置，用于在所述油藏原位流体与岩心接触后，记录岩心表面的液滴图像，以便于根据所述液滴图像确定原油在所述岩心表面上的原位湿润角。

2.根据权利要求1所述的装置，其特征在于，所述装置还包括计算机设备；

所述计算机设备，用于使用深度学习方法，基于所述液滴图像确定原油在所述岩心表面上的原位湿润角。

3.根据权利要求2所述的装置，其特征在于，所述基于所述液滴图像确定原油在所述岩心表面上的原位湿润角包括：

使用深度学习方法对所述液滴图像进行边缘检测，得到所述液滴图像对应的边缘图；所述边缘图包括液滴边界点坐标；

使用卷积神经网络对预设数量的边界点进行训练，得到训练模型；

将未训练的边界点的横坐标输入所述训练模型，得到边界点的预测纵坐标；

选取预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点；其中，阈值范围根据训练所采用的边界点的波动范围获得；

基于所述训练模型计算所述目标边界点的导数以确定原油在所述岩心表面上的原位湿润角。

4.根据权利要求3所述的装置，其特征在于，所述预设数量的边界点为2000个；

所述预设数量的边界点为以远离岩心表面与液滴接触面，以液滴最高边界点为中心附近的边界点。

5.根据权利要求4所述的装置，其特征在于，所述选取预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点包括：

以最高边界点为中心，分别选取左右两边边界点的预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点。

6.根据权利要求5所述的装置，其特征在于，所述基于所述训练模型计算所述目标边界点的导数以确定原油在所述岩心表面上的原位湿润角包括：

基于所述训练模型计算所述目标边界点的导数以确定原油在所述岩心表面上的左湿润角和右湿润角；

将左湿润角和右湿润角平均值确定为原油在所述岩心表面上的原位湿润角。

7.根据权利要求3所述的装置，其特征在于，在使用深度学习方法实现对所述液滴图像进行边缘检测前包括：

对所述液滴图像进行预处理；所述预处理包括图像降噪处理和高斯平滑处理；

相应的，使用深度学习方法对预处理后的液滴图像进行边缘检测，得到所述液滴图像对应的边缘图。

8.一种基于深度学习的润湿角确定方法，其特征在于，所述方法包括：

获取岩心表面的液滴图像；所述液滴图像基于权利要求1所述的原位润湿角测定装置得到；

使用深度学习方法对所述液滴图像进行边缘检测，得到所述液滴图像对应的边缘图；所述边缘图包括液滴边界点坐标；

使用卷积神经网络对预设数量的边界点进行训练，得到训练模型；其中，所述预设数量的边界点为以远离岩心表面与液滴接触面，以液滴最高边界点为中心附近的边界点；

将未训练的边界点的横坐标输入所述训练模型，得到边界点的预测纵坐标；

选取预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点；其中，阈值范围根据训练所采用的边界点的波动范围获得；

基于所述训练模型在所述目标边界点的导数确定原油在所述岩心表面上的原位湿润角。

9.根据权利要求8所述的方法，其特征在于，所述选取预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点包括：

以最高边界点为中心，分别选取左右两边边界点的预测纵坐标与实际纵坐标误差大于预设域值，且最接近预设阈值的边界点作为目标边界点。

10.根据权利要求9所述的方法，其特征在于，所述基于所述训练模型在所述目标边界点的导数确定原油在所述岩心表面上的原位湿润角包括：

基于所述训练模型在所述目标边界点的导数确定原油在所述岩心表面上的左湿润角和右湿润角；

将左湿润角和右湿润角平均值确定为原油在所述岩心表面上的原位湿润角。

Images