CN113052963A - 三维岩性属性特征分析方法及装置 - Google Patents
三维岩性属性特征分析方法及装置 Download PDFInfo
- Publication number
- CN113052963A CN113052963A CN201911373314.5A CN201911373314A CN113052963A CN 113052963 A CN113052963 A CN 113052963A CN 201911373314 A CN201911373314 A CN 201911373314A CN 113052963 A CN113052963 A CN 113052963A
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- pore
- seepage
- core
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 75
- 239000011435 rock Substances 0.000 claims abstract description 91
- 239000011148 porous material Substances 0.000 claims description 240
- 238000000034 method Methods 0.000 claims description 48
- 238000003384 imaging method Methods 0.000 claims description 41
- 238000013136 deep learning model Methods 0.000 claims description 38
- 238000004891 communication Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 29
- 230000035699 permeability Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 239000007787 solid Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 4
- 238000005325 percolation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000005553 drilling Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005481 NMR spectroscopy Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000000547 structure data Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004141 dimensional analysis Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000011410 subtraction method Methods 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种三维岩性属性特征分析方法及装置，将深度学习技术引进岩心三维岩性属性特征分析中，准确标定出岩心属性特征，具有技术方法先进，操作步骤便捷，高效节省，准确度高的优点，解决了目前三维岩心属性特征分析只能借助扫描电镜、定性评价、二维分析、评价准确度不高的问题，能够准确定量评价三维岩心属性，规避钻井投资风险，达到了高精度依据岩心分析评价油藏的技术效果，具有良好的技术应用前景和经济效益。
Description
技术领域
本发明涉及石油勘探技术领域，具体涉及一种三维岩性属性特征分析方法及装置。
背景技术
岩心观察与属性特征分析是地质研究的一项基本工作，而现有的常用的岩心基本采用扫描电镜的方法，需要把岩心切割打磨成二维薄片，偏向于定性化和二维化研究。难以观测到三维内部结构，难以实现定量化研究。常规工业CT或者核磁共振扫描三维体模型又耗时耗力，成本及其高昂，难以达到高效快捷的研究目标。
发明内容
针对现有技术中的问题，本发明提供一种三维岩性属性特征分析方法及装置，旨在建立地震弹性信息与含水饱和度之间的定量关系，并提供一种准确计算储层含水饱和度的技术方法。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，一种三维岩性属性特征分析方法，包括：
采集目标层段中岩心的二维属性特征数据；
将所述二维属性特征数据输入至预设的三维重建深度学习模型，生成岩心的三维属性特征数据；
其中，所述三维重建深度学习模型通过已采集的各层段岩心的二维属性特征数据训练形成。
在某些实施例中，所述三维属性特征数据包括孔隙体积数据和基岩体积数据，所述三维岩性属性特征分析方法还包括：
根据所述三维属性特征数据获取所述孔隙体积数据；
根据所述孔隙体积数据确定所述岩心的孔隙特征数据，所述孔隙特征数据包括孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
在某些实施例中，所述三维岩性属性特征分析方法还包括：
根据所述孔隙体积数据确定所述岩心的孔渗特征数据，所述孔渗特征数据包括：岩石渗透率数据。
在某些实施例中，所述三维岩性属性特征分析方法还包括：
建立所述三维重建深度学习模型；
通过已采集的各层段岩心的二维属性特征数据训练所述三维重建深度学习模型。
在某些实施例中，所述二维属性特征数据输入至所述三维重建深度学习模型后，所述三维重建深度学习模型根据所述二维属性特征数据进行三维建模，生成三维岩心数据体，所述三维岩心数据体包括所述三维属性特征数据。
在某些实施例中，所述根据所述三维属性特征数据获取所述孔隙体积数据，包括：
根据所述三维数据体中各点的灰度值，提取得到岩心孔隙数据体，所述岩心孔隙数据体包括所述孔隙体积数据。
在某些实施例中，所述根据所述三维属性特征数据获取所述孔隙体积数据，包括：
扫描获得含有孔隙结构的数据体，并对含有孔隙结构的数据体进行三维填充，得到实心岩心数据体；
将所述实心岩心数据体与所述三维重建深度学习模型输出的三维岩心数据体做差处理，得到岩心孔隙数据体。
在某些实施例中，所述根据所述孔隙体积数据确定所述岩心的孔隙特征数据，包括：
将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计所述三维成像中孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
在某些实施例中，所述根据所述孔隙体积数据确定所述岩心的孔隙特征数据，包括：
将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计所述三维成像中孔隙的数量数据、分布数据以及类型数据；
所述根据所述孔隙体积数据确定所述岩心的孔渗特征数据，包括：
根据所述孔隙体积数据形成渗流连通通道；
对所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场；
根据构建出的渗流场计算岩心渗透率。
在某些实施例中，所述根据所述孔隙体积数据形成渗流连通通道，包括：
基于孔吼联通原理，设定联通孔隙大小和距离标准；
根据所述联通孔隙大小和距离标准，连接任意两个联通孔吼，或者连接任意两个相互邻近并且在一定压力下可相互沟通形成联通的孔吼；
设定孔隙数据体一侧渗流通道端点为起点，另一侧渗流通道端点为终点，形成渗流联通通道；
将所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场。
第二方面，一种三维岩性属性特征分析装置，包括：
二维属性特征数据采集模块，采集目标层段中岩心的二维属性特征数据；
三维属性特征数据生成模块，将所述二维属性特征数据输入至预设的三维重建深度学习模型，生成岩心的三维属性特征数据；
其中，所述三维重建深度学习模型通过已采集的各层段岩心的二维属性特征数据训练形成。
在某些实施例中，所述三维属性特征数据包括孔隙体积数据和基岩体积数据，所述三维岩性属性特征分析装置还包括：
孔隙体积数据获取模块，根据所述三维属性特征数据获取所述孔隙体积数据；
孔隙特征数据确定模块，根据所述孔隙体积数据确定所述岩心的孔隙特征数据，所述孔隙特征数据包括孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
在某些实施例中，所述三维岩性属性特征分析装置还包括：
孔渗特征数据确定模块，根据所述孔隙体积数据确定所述岩心的孔渗特征数据，所述孔渗特征数据包括：岩石渗透率数据。
在某些实施例中，所述三维岩性属性特征分析装置还包括：
模型建立模块，建立所述三维重建深度学习模型；
训练模块，通过已采集的各层段岩心的二维属性特征数据训练所述三维重建深度学习模型。
在某些实施例中，所述二维属性特征数据输入至所述三维重建深度学习模型后，所述三维重建深度学习模型根据所述二维属性特征数据进行三维建模，生成三维岩心数据体，所述三维岩心数据体包括所述三维属性特征数据。
在某些实施例中，所述孔隙体积数据获取模块根据所述三维数据体中各点的灰度值，提取得到岩心孔隙数据体，所述岩心孔隙数据体包括所述孔隙体积数据。
在某些实施例中，所述孔隙体积数据获取模块包括：
实心岩石数据体获取单元，扫描获得含有孔隙结构的数据体，并对含有孔隙结构的数据体进行三维填充，得到实心岩心数据体；
做差处理单元，将所述实心岩心数据体与所述三维重建深度学习模型输出的三维岩心数据体做差处理，得到岩心孔隙数据体。
在某些实施例中，所述孔隙特征数据确定模块，包括：
三维成像单元，将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计单元，统计所述三维成像中孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
在某些实施例中，所述孔隙特征数据确定模块，包括：
三维成像单元，将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计单元，统计所述三维成像中孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
所述孔渗特征数据确定模块，包括：
渗流连通通道形成单元，根据所述孔隙体积数据形成渗流连通通道；
渗流通道标定单元，对所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场；
岩心渗透率计算单元，根据构建出的渗流场计算岩心渗透率。
在某些实施例中，所述渗流连通通道形成单元，包括：
设定单元，基于孔吼联通原理，设定联通孔隙大小和距离标准；
连接单元，根据所述联通孔隙大小和距离标准，连接任意两个联通孔吼，或者连接任意两个相互邻近并且在一定压力下可相互沟通形成联通的孔吼；
起终点设定单元，设定孔隙数据体一侧渗流通道端点为起点，另一侧渗流通道端点为终点，形成渗流联通通道；
渗流线和渗流场获取单元，将所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场。
第三方面，本发明提供一种电子设备，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，所述处理器执行所述程序时实现所述三维岩性属性特征分析方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述三维岩性属性特征分析方法的步骤。
由上述技术方案可知，本发明提供一种三维岩性属性特征分析方法及装置，将深度学习技术引进岩心三维岩性属性特征分析中，准确标定出岩心属性特征，具有技术方法先进，操作步骤便捷，高效节省，准确度高的优点，解决了目前三维岩心属性特征分析只能借助扫描电镜、定性评价、二维分析、评价准确度不高的问题，能够准确定量评价三维岩心属性，规避钻井投资风险，达到了高精度依据岩心分析评价油藏的技术效果，具有良好的技术应用前景和经济效益。
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是本发明的实施例中的三维岩性属性特征分析方法的流程示意图之一；
图2是本发明的实施例中的三维岩性属性特征分析方法的流程示意图之二；
图3是应用本申请实施例提供的一种三维岩性属性特征分析方法的一具体场景中的处理流程示意图；
图4是应用本申请具体实施例提供的基于三维岩性属性特征分析得到的具体实例中岩心二维扫描切片示例图；
图5是应用本申请实施例提供的三维岩性属性特征分析的方法和装置得到的具体实例中含有孔隙结构的数据体示意图；
图6是应用本申请实施例提供的三维岩性属性特征分析的方法和装置得到的具体实施例中孔隙结构数据体示意图；
图7是应用本申请实施例提供的三维岩性属性特征分析的方法和装置得到的具体实例中岩心横向渗流场特征示意图；
图8为本发明的实施例中的三维岩性属性特征分析装置的结构示意图；
图9为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例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作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。
本发明的实施例提供一种三维岩性属性特征分析方法的具体实施方式，参见图1，所述三维岩性属性特征分析方法具体包括如下内容：
S1：采集目标层段中岩心的二维属性特征数据；
S2：将所述二维属性特征数据输入至预设的三维重建深度学习模型，生成岩心的三维属性特征数据，其中，所述三维重建深度学习模型通过已采集的各层段岩心的二维属性特征数据训练形成。
本发明提供一种三维岩性属性特征分析方法，将深度学习技术引进岩心三维岩性属性特征分析中，准确标定出岩心属性特征，具有技术方法先进，操作步骤便捷，高效节省，准确度高的优点，解决了目前三维岩心属性特征分析只能借助扫描电镜、定性评价、二维分析、评价准确度不高的问题，能够准确定量评价三维岩心属性，规避钻井投资风险，达到了高精度依据岩心分析评价油藏的技术效果，具有良好的技术应用前景和经济效益。
岩心的二维属性特征数据是通过采集岩心的切片数据得到的，步骤S1中，根据研究目的通过钻井取心获取目标层段岩心，然后，根据岩心特点确定岩心的物理性质，外观尺寸和大小，为了保证扫描效果，对岩心做必要的处理。针对处理好的岩心，为了更好的建立后期数字岩心，初步观察识别出目标层段岩基本特征，包括岩心岩性，粗糙度，含油性，味道等。
本发明中的二维属性特征数据还可以称之为二维切片数据，在一个实施例中，步骤S1具体为：通过高精度工业CT或者核磁共振扫描仪扫描得到岩心二维切片数据。当然，在其他实施例中也可以采用其他可以获得切片数据体的扫描和采集方式。但是，通过工业CT扫描或者核磁共振扫描，两者均可以在不破坏岩心的情况下实现无损数据采集，当然，在设施不完善的情况下，可以采用手工切片的方式，通过图像采集装置，例如高精度照相机等，直接采集二维切片的数据。
以工业CT进行举例，首先需要设置合理扫描步长和范围，扫描半径必须大于等于岩心半径，保证扫描数据完整清晰，然后将工业CT扫描的数据，通过图像重建转换为灰度存储为二维切片数据。归功于计算机的进步，图像重建非常迅速，一般不超过3s。在一个实施例中，工业CT扫描精度可达200um。
现有技术中通常通过工业CT或者核磁共振扫描仪扫描直接得到三维属性特征数据(即三维岩心数据体)，该方式处理过程长，研究成本高，需要耗费大量人力物力。与以往耗时耗力的体数据扫描不同的是，本发明将深度学习应用于二维数据和三维数据的转换，用二维岩心切片数据进行人工智能三维重建获得三维岩心数据体，省时省力，并且基于大数据训练使得三维岩心数据体越来越准确，对工业CT或者核磁共振采集得到的高精二维切片数据模型进行深度学习，上亿次的训练数据，进而得到稳定的三维重建模型，当输入一二维切片数据后，三维重建模型输出三维属性特征数据。
本发明中，三维属性特征数据可以通过构建形成的三维数据体来表示，也即三维数据体包括了三维属性特征数据，三维属性特征数据包括有孔隙体积数据和基岩体积数据。孔隙体积数据，可以通过孔隙体积数据体表示，同理，基岩体积数据通过基岩体积数据体表示。在一些实施例中，为了进一步定量分析出孔隙的特征数据，例如孔隙的数量、大小、分布、类型等，如图2所示，在优选的实施例中，本发明上述的三维岩心属性特征分析方法进一步包括：
S3：根据所述三维属性特征数据获取所述孔隙体积数据；
S4：根据所述孔隙体积数据确定所述岩心的孔隙特征数据，所述孔隙特征数据包括孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
孔隙体积数据，又称为孔隙结构体，为了获得三维孔隙结构体，可以采用直接提取法和相减法两种方法，当然其他能够获得三维孔隙结构体的方法也在该权利的保护范围。
直接提取法是从三维数据体中通过提取的方式提取出三维孔隙结构体，具体的，可以根据所述三维数据体中各点的灰度值，提取得到岩心孔隙数据体，所述岩心孔隙数据体包括所述孔隙体积数据。
在一些实施例中，上述直接提取步骤可以包括：
S31：识别所述二维属性特征数据中孔隙和基岩对应的灰度特征值；
S32：根据所述孔隙和基岩对应的灰度特征值，确定用于区别所述孔隙和所述基岩的灰度门槛值；
S33：根据所述灰度门槛值筛选所述三维属性特征数据中灰度值小于所述灰度门槛值的数据，生成所述孔隙体积数据。
在优选的实施例中，为了获得更加精确的区分岩心孔隙结构和基岩的灰度门槛值，还可以将灰度值进行散点投影生成灰度值图版，在图版上加以区分确定，获得更准确的门槛值。
在一具体实施例中，通过相减法得到三维孔隙结构体(即三维孔隙体积数据)，该实施例中，步骤S3具体包括：
S34：扫描获得含有孔隙结构的数据体，并对含有孔隙结构的数据体进行三维填充，得到实心岩心数据体；
S35：将所述实心岩心数据体与所述三维重建深度学习模型输出的三维岩心数据体做差处理，得到岩心孔隙数据体。
该实施例中，在人工智能训练重建获取的三维数据体中，包含有孔隙结构体积和基岩体积，通过孔隙填充将含有孔隙结构的岩心数据体变成岩心实体的(不含孔隙结构)的数据体，与重建获得的三维含油孔隙结构体积的岩心数据体作差求得岩心孔隙结构数据体。
通过对岩心进行高精度工业CT或者核磁共振扫描，通过CT扫描进行纯物质的标定，获得纯物质在不同条件下的灰度范围，从纯矿物的灰度分布可以看出，纯矿物灰度符合高斯分布，当将几种纯矿物一同进行CT扫描，亦可得到一种复杂的灰度高斯分布曲线，而复杂的高斯分布曲线可以有单个矿物的简单高斯分布曲线叠加而成，按照这个原理可以将岩心扫描后得到的复杂高斯分布曲线分解成若干个简单的纯矿物灰度高斯分布曲线，既可获得含有孔隙的岩心的三维数据体。
在一个实施例中，根据三维重建获得的含有孔隙结构的岩心数据体和三维重建填充孔隙后获取实心(不含孔隙结构)岩心数据体，其中，设扫描所得含有孔隙结构的岩心数据体为M1，填充后获取实心体岩心数据体M2，为了得到岩性孔隙结构数据体，将实心岩心数据体M2与三维重建岩心数据体M1作差求得岩心孔隙结构数据体M，按照以下公式进行计算：
M＝M2-M1
其中，M为岩心孔隙数据体，M1为含有孔隙结构的岩心数据体，M2为所述获取的实心岩心数据体。
一个实施方式中，相减法得到的为所有大尺度和小尺度的孔隙结构体；直接提取法受门槛值精度影响不可能完全提取所有孔隙结构。在实际操作时，可以根据实际精度和效果的需求来选择不同的获取方法。
此外，通过孔隙结构体然后三维成像的方式得到孔隙成像，通过数学统计的方式即可获得孔隙特征数据，上述实施例中，步骤S4具体包括：
将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计所述三维成像中孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
此外，为了进一步研究孔渗特点，在更优选的实施例中，请继续结合图2，本发明的实施步骤还包括：
S5：根据所述孔隙体积数据确定所述岩心的孔渗特征数据，所述孔渗特征数据包括：岩石渗透率数据。
在一些具体实施例中，步骤S5具体包括：
S51：根据所述孔隙体积数据形成渗流连通通道；
S52：对所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场；
S53：根据构建出的渗流场计算岩心渗透率。
更具体的，步骤S51包括：
基于孔吼联通原理，设定联通孔隙大小和距离标准；
根据所述联通孔隙大小和距离标准，连接任意两个联通孔吼，或者连接任意两个相互邻近并且在一定压力下可相互沟通形成联通的孔吼；
设定孔隙数据体一侧渗流通道端点为起点，另一侧渗流通道端点为终点，形成渗流联通通道；
将所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场。
该实施例中，基于数字岩心分析技术，建立坐标系统，基于孔吼连通原理，设定联通孔隙大小和距离标准，连接联通孔吼或者邻近的在一定压力下易于沟通形成联通的孔吼，设定一侧渗流通道端点为起点，另一侧渗流通道端点为终点，即可形成渗流联通通道和渗流场。在此基础上，可进一步利用流场原理进行渗流强度等特征分析，同时，还可以通过数字化定量计算渗透率大小。
在一个实施例中，为了在孔隙结构体中研究孔隙特征及分布规律，具体可以包括以下步骤：
基于数字岩心分析技术，建立坐标系统。基于孔喉特征与原理，可以通过数字分析技术进行孔隙大小定量统计分析，孔隙相隔距离定量计算，孔隙结构分布特征定量统计等研究。通过数字化定量分析技术，准确获取岩心孔隙结构的大小、分布、规模、形状等特征，对岩心加以准确描述和定量表征，进一步计算岩心孔隙度等量化参数。
在一个实施例中，通过数字化定量分析技术，定量化高效化研究孔渗特征等岩石属性，定量获取岩石孔渗特征等岩石属性，定量化计算岩石孔隙度、渗透率等物理参数，为岩心量化表征和研究提供依据。
在一个实施例中，根据人工智能的三维岩心属性分析方法获取的岩心定量描述和表征，可以对油藏评价，井位部署，优选优势区域作出科学指导，提高油气田勘探开发效益。
下面以一具体场景进行示例，来说明本发明上述方法步骤。
在一个具体实施场景，应用本申请提供的基于人工智能的三维岩心属性特征分析方法及装置，确定某岩心的孔渗透特征。具体实施流程可以参阅图3的应用过程的处理流程示意图。具体可以包括以下步骤(S11至S15)。
S11：根据研究目的通过钻井取心，获取目标层段B的岩心。根据岩心特点确定岩心的物理性质，外观尺寸和大小为长度65mm，岩心半径79mm，为了保证扫描效果以及满足扫描平台尺寸要求，对岩心做必要的处理，处理为长60mm，宽高分别为40mmX40mm的柱状体，切去外部多余岩屑，使扫描射线更容易穿透外表到达内部岩心部位。所获取岩心二维扫描切片参见图4。
S12：将准备好的岩心放置于扫描平台上，采用高精度工业CT扫描仪进行数据采集，设置扫描方式为三维体积扫描长度为60mm，扫描宽度为40mm，为了保证扫描效果，设置合理扫毛电压和电流分别为420kv和1.2A。扫描获得的含有孔隙结构的岩心数据切片中，包含了岩心骨架体积和孔隙体积。
S13：通过人工智能训练进行三维重建获得三维岩心数据体。
将所述得到的二维岩心切片数据三张，导入人工智能专业软件模块，进行图像数据学习和训练，进行三维体模型人工智能建模，得到三维数据体，如图5。
S14：采用相减法，在专业软件模块上获得孔隙结构体。如图6；
S15：在孔隙结构体中，定量分析孔隙连通性和渗透性，得到孔隙结构体渗流图如图7，同时，通过定量计算分析，得到该岩心横向渗透率为36.7mD。
通过上述具体的实施例，验证了应用本申请实施例提供的三维岩性属性特征分析方法及装置，确实可以解决现有的三维岩心属性分析确定方法中存在的只能进行扫描电镜、二维局限性、准确度不高的技术问题，达到微观尺度下高精度定量表征岩心三维空间属性的技术效果。根据岩性定量描述进行相应的钻探工作，从而科学指导油气勘探部署和钻井投资。
从上述描述可知，本发明将深度学习技术引进岩心三维岩性属性特征分析中，准确标定出岩心属性特征，具有技术方法先进，操作步骤便捷，高效节省，准确度高的优点，解决了目前三维岩心属性特征分析只能借助扫描电镜、定性评价、二维分析、评价准确度不高的问题，能够准确定量评价三维岩心属性，规避钻井投资风险，达到了高精度依据岩心分析评价油藏的技术效果，具有良好的技术应用前景和经济效益。
本发明的实施例提供一种用于实现三维岩性属性特征分析方法中全部内容的装置的具体实施方式，参见图8，所述三维岩性属性特征分析装置具体包括如下内容：
二维属性特征数据采集模块10，采集目标层段中岩心的二维属性特征数据；
三维属性特征数据生成模块20，将所述二维属性特征数据输入至预设的三维重建深度学习模型，生成岩心的三维属性特征数据；
其中，所述三维重建深度学习模型通过已采集的各层段岩心的二维属性特征数据训练形成。本申请提供的用于实现三维岩性属性特征分析装置的实施例具体可以用于执行上述实施例中的用于实现三维岩性属性特征分析方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
其中，该装置还包括：
含水饱和度分布确定模块，根据所述定量关系以及所述研究工区内所有采集的所述地震弹性信息，确定砂岩该研究工区内储层含水饱和度分布。
其中，所述三维属性特征数据包括孔隙体积数据和基岩体积数据，所述三维岩性属性特征分析装置还包括：
孔隙体积数据获取模块，根据所述三维属性特征数据获取所述孔隙体积数据；
孔隙特征数据确定模块，根据所述孔隙体积数据确定所述岩心的孔隙特征数据，所述孔隙特征数据包括孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
其中，所述三维岩性属性特征分析装置还包括：
孔渗特征数据确定模块，根据所述孔隙体积数据确定所述岩心的孔渗特征数据，所述孔渗特征数据包括：岩石渗透率数据。
其中，所述三维岩性属性特征分析装置还包括：
模型建立模块，建立所述三维重建深度学习模型；
训练模块，通过已采集的各层段岩心的二维属性特征数据训练所述三维重建深度学习模型。
其中，所述二维属性特征数据输入至所述三维重建深度学习模型后，所述三维重建深度学习模型根据所述二维属性特征数据进行三维建模，生成三维岩心数据体，所述三维岩心数据体包括所述三维属性特征数据。
其中，所述孔隙体积数据获取模块根据所述三维数据体中各点的灰度值，提取得到岩心孔隙数据体，所述岩心孔隙数据体包括所述孔隙体积数据。
其中，所述孔隙体积数据获取模块包括：
实心岩石数据体获取单元，扫描获得含有孔隙结构的数据体，并对含有孔隙结构的数据体进行三维填充，得到实心岩心数据体；
做差处理单元，将所述实心岩心数据体与所述三维重建深度学习模型输出的三维岩心数据体做差处理，得到岩心孔隙数据体。
所述孔隙特征数据确定模块，包括：
三维成像单元，将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计单元，统计所述三维成像中孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
其中，所述孔隙特征数据确定模块，包括：
三维成像单元，将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计单元，统计所述三维成像中孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
其中，所述孔渗特征数据确定模块，包括：
渗流连通通道形成单元，根据所述孔隙体积数据形成渗流连通通道；
渗流通道标定单元，对所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场；
岩心渗透率计算单元，根据构建出的渗流场计算岩心渗透率。
所述渗流连通通道形成单元，包括：
设定单元，基于孔吼联通原理，设定联通孔隙大小和距离标准；
连接单元，根据所述联通孔隙大小和距离标准，连接任意两个联通孔吼，或者连接任意两个相互邻近并且在一定压力下可相互沟通形成联通的孔吼；
起终点设定单元，设定孔隙数据体一侧渗流通道端点为起点，另一侧渗流通道端点为终点，形成渗流联通通道；
渗流线和渗流场获取单元，将所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场。
从上述描述可知，本发明的实施例提供的三维岩性属性特征分析装置，将深度学习技术引进岩心三维岩性属性特征分析中，准确标定出岩心属性特征，具有技术方法先进，操作步骤便捷，高效节省，准确度高的优点，解决了目前三维岩心属性特征分析只能借助扫描电镜、定性评价、二维分析、评价准确度不高的问题，能够准确定量评价三维岩心属性，规避钻井投资风险，达到了高精度依据岩心分析评价油藏的技术效果，具有良好的技术应用前景和经济效益。
本申请的实施例还提供能够实现上述实施例中的三维岩性属性特征分析方法中全部步骤的一种电子设备的具体实施方式，参见图9，所述电子设备具体包括如下内容：
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604；
其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述通信接口603用于实现三维岩性属性特征分析装置以及用户终端等相关设备之间的信息传输；
所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的三维岩性属性特征分析方法中的全部步骤。
本申请的实施例还提供能够实现上述实施例中的三维岩性属性特征分析方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的三维岩性属性特征分析方法的全部步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。
Claims (22)
1.一种三维岩性属性特征分析方法，其特征在于，包括：
采集目标层段中岩心的二维属性特征数据；
将所述二维属性特征数据输入至预设的三维重建深度学习模型，生成岩心的三维属性特征数据；
其中，所述三维重建深度学习模型通过已采集的各层段岩心的二维属性特征数据训练形成。
2.根据权利要求1所述的三维岩性属性特征分析方法，其特征在于，所述三维属性特征数据包括孔隙体积数据和基岩体积数据，所述三维岩性属性特征分析方法还包括：
根据所述三维属性特征数据获取所述孔隙体积数据；
根据所述孔隙体积数据确定所述岩心的孔隙特征数据，所述孔隙特征数据包括孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
3.根据权利要求2所述的三维岩性属性特征分析方法，其特征在于，所述三维岩性属性特征分析方法还包括：
根据所述孔隙体积数据确定所述岩心的孔渗特征数据，所述孔渗特征数据包括：岩石渗透率数据。
4.根据权利要求1所述的三维岩性属性特征分析方法，其特征在于，所述三维岩性属性特征分析方法还包括：
建立所述三维重建深度学习模型；
通过已采集的各层段岩心的二维属性特征数据训练所述三维重建深度学习模型。
5.根据权利要求3所述的三维岩性属性特征分析方法，其特征在于，所述二维属性特征数据输入至所述三维重建深度学习模型后，所述三维重建深度学习模型根据所述二维属性特征数据进行三维建模，生成三维岩心数据体，所述三维岩心数据体包括所述三维属性特征数据。
6.根据权利要求2所述的三维岩性属性特征分析方法，其特征在于，所述根据所述三维属性特征数据获取所述孔隙体积数据，包括：
识别所述二维属性特征数据中孔隙和基岩对应的灰度特征值；
根据所述孔隙和基岩对应的灰度特征值，确定用于区别所述孔隙和所述基岩的灰度门槛值；
根据所述灰度门槛值筛选所述三维属性特征数据中灰度值小于所述灰度门槛值的数据，生成所述孔隙体积数据。
7.根据权利要求5所述的三维岩性属性特征分析方法，其特征在于，所述根据所述三维属性特征数据获取所述孔隙体积数据，包括：
扫描获得含有孔隙结构的数据体，并对含有孔隙结构的数据体进行三维填充，得到实心岩心数据体；
将所述实心岩心数据体与所述三维重建深度学习模孔隙后型输出的三维岩心数据体做差处理，得到岩心孔隙数据体。
8.根据权利要求7所述的三维岩性属性特征分析方法，其特征在于，所述根据所述孔隙体积数据确定所述岩心的孔隙特征数据，包括：
将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计所述三维成像中孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
9.根据权利要求3所述的三维岩性属性特征分析方法，其特征在于，所述根据所述孔隙体积数据确定所述岩心的孔隙特征数据，包括：
将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计所述三维成像中孔隙的数量数据、分布数据以及类型数据；
所述根据所述孔隙体积数据确定所述岩心的孔渗特征数据，包括：
根据所述孔隙体积数据形成渗流连通通道；
对所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场；
根据构建出的渗流场计算岩心渗透率。
10.根据权利要求9所述的三维岩性属性特征分析方法，其特征在于，所述根据所述孔隙体积数据形成渗流连通通道，包括：
基于孔吼联通原理，设定联通孔隙大小和距离标准；
根据所述联通孔隙大小和距离标准，连接任意两个联通孔吼，或者连接任意两个相互邻近并且在一定压力下可相互沟通形成联通的孔吼；
设定孔隙数据体一侧渗流通道端点为起点，另一侧渗流通道端点为终点，形成渗流联通通道；
将所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场。
11.一种三维岩性属性特征分析装置，其特征在于，包括：
二维属性特征数据采集模块，采集目标层段中岩心的二维属性特征数据；
三维属性特征数据生成模块，将所述二维属性特征数据输入至预设的三维重建深度学习模型，生成岩心的三维属性特征数据；
其中，所述三维重建深度学习模型通过已采集的各层段岩心的二维属性特征数据训练形成。
12.根据权利要求11所述的三维岩性属性特征分析装置，其特征在于，所述三维属性特征数据包括孔隙体积数据和基岩体积数据，所述三维岩性属性特征分析装置还包括：
孔隙体积数据获取模块，根据所述三维属性特征数据获取所述孔隙体积数据；
孔隙特征数据确定模块，根据所述孔隙体积数据确定所述岩心的孔隙特征数据，所述孔隙特征数据包括孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
13.根据权利要求12所述的三维岩性属性特征分析装置，其特征在于，所述三维岩性属性特征分析装置还包括：
孔渗特征数据确定模块，根据所述孔隙体积数据确定所述岩心的孔渗特征数据，所述孔渗特征数据包括：岩石渗透率数据。
14.根据权利要求11所述的三维岩性属性特征分析装置，其特征在于，所述三维岩性属性特征分析装置还包括：
模型建立模块，建立所述三维重建深度学习模型；
训练模块，通过已采集的各层段岩心的二维属性特征数据训练所述三维重建深度学习模型。
15.根据权利要求13所述的三维岩性属性特征分析装置，其特征在于，所述二维属性特征数据输入至所述三维重建深度学习模型后，所述三维重建深度学习模型根据所述二维属性特征数据进行三维建模，生成三维岩心数据体，所述三维岩心数据体包括所述三维属性特征数据。
16.根据权利要求12所述的三维岩性属性特征分析装置，其特征在于，所述孔隙体积数据获取模块根据所述三维数据体中各点的灰度值，提取得到岩心孔隙数据体，所述岩心孔隙数据体包括所述孔隙体积数据。
17.根据权利要求12所述的三维岩性属性特征分析装置，其特征在于，所述孔隙体积数据获取模块包括：
实心岩石数据体获取单元，扫描获得含有孔隙结构的数据体，并对含有孔隙结构的数据体进行三维填充，得到实心岩心数据体；
做差处理单元，将所述实心岩心数据体与所述三维重建深度学习模型输出的三维岩心数据体做差处理，得到岩心孔隙数据体。
18.根据权利要求17所述的三维岩性属性特征分析装置，其特征在于，所述孔隙特征数据确定模块，包括：
三维成像单元，将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计单元，统计所述三维成像中孔隙的数量数据、分布数据、孔隙度数据以及类型数据。
19.根据权利要求13所述的三维岩性属性特征分析装置，其特征在于，所述孔隙特征数据确定模块，包括：
三维成像单元，将所述孔隙数据体输入至成像系统，得到岩石中孔隙的三维成像；
统计单元，统计所述三维成像中孔隙的数量数据、分布数据、孔隙度数据以及类型数据；
所述孔渗特征数据确定模块，包括：
渗流连通通道形成单元，根据所述孔隙体积数据形成渗流连通通道；
渗流通道标定单元，对所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场；
岩心渗透率计算单元，根据构建出的渗流场计算岩心渗透率。
20.根据权利要求19所述的三维岩性属性特征分析装置，其特征在于，所述渗流连通通道形成单元，包括：
设定单元，基于孔吼联通原理，设定联通孔隙大小和距离标准；
连接单元，根据所述联通孔隙大小和距离标准，连接任意两个联通孔吼，或者连接任意两个相互邻近并且在一定压力下可相互沟通形成联通的孔吼；
起终点设定单元，设定孔隙数据体一侧渗流通道端点为起点，另一侧渗流通道端点为终点，形成渗流联通通道；
渗流线和渗流场获取单元，将所述渗流通道进行范围标定，根据标定的渗流通道获得所在渗流通道的渗流线和渗流场。
21.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1至10任一项所述三维岩性属性特征分析方法的步骤。
22.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至10任一项所述三维岩性属性特征分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911373314.5A CN113052963A (zh) | 2019-12-27 | 2019-12-27 | 三维岩性属性特征分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911373314.5A CN113052963A (zh) | 2019-12-27 | 2019-12-27 | 三维岩性属性特征分析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052963A true CN113052963A (zh) | 2021-06-29 |
Family
ID=76506221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911373314.5A Pending CN113052963A (zh) | 2019-12-27 | 2019-12-27 | 三维岩性属性特征分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052963A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009126881A2 (en) * | 2008-04-10 | 2009-10-15 | Services Petroliers Schlumberger | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
| CN108765554A (zh) * | 2018-05-21 | 2018-11-06 | 四川大学 | 基于超维的非均质岩心三维重建方法 |
| CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
| CN110135311A (zh) * | 2019-05-06 | 2019-08-16 | 重庆科技学院 | 一种基于三维岩心扫描图像的孔隙与孔喉识别系统及方法 |
-
2019
- 2019-12-27 CN CN201911373314.5A patent/CN113052963A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009126881A2 (en) * | 2008-04-10 | 2009-10-15 | Services Petroliers Schlumberger | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
| CN108765554A (zh) * | 2018-05-21 | 2018-11-06 | 四川大学 | 基于超维的非均质岩心三维重建方法 |
| CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
| CN110135311A (zh) * | 2019-05-06 | 2019-08-16 | 重庆科技学院 | 一种基于三维岩心扫描图像的孔隙与孔喉识别系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| JUNXI FENG 等: "Accelerating multi-point statistics reconstruction method for porous media via deep learning", ACTA MATERIALIA, vol. 159, pages 296 - 308 * |
| 屈乐 等: "基于CT扫描的三维数字岩心孔隙结构表征方法及应用――以莫北油田116井区三工河组为例", 现代地质, vol. 28, no. 01, pages 190 - 196 * |
| 王阳 等: "上扬子区龙马溪组页岩微观孔缝演化与页岩气赋存", 31 December 2018, 中国矿业大学出版社, pages: 60 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arpat et al. | Conditional simulation with patterns | |
| RU2656256C2 (ru) | Определение тенденций при помощи цифровой физики пород и их применение для масштабирования | |
| Bruna et al. | A new methodology to train fracture network simulation using multiple-point statistics | |
| CN105074456A (zh) | 用于改进由岩石样品的材料特性的直接数值模拟以及确定材料特性的不确定性的系统和方法 | |
| AU2013274839B2 (en) | System and method for optimizing the number of conditioning data in multiple point statistics simulation | |
| NO20121394A1 (no) | Fremgangsmåte for å innhente konsistente og integrerte fysiske egenskaper for porøse medier | |
| CN112462438B (zh) | 基于核磁共振测井定量评价地层流体的方法、装置及设备 | |
| Li et al. | Automatic fracture–vug identification and extraction from electric imaging logging data based on path morphology | |
| CN105114067A (zh) | 一种岩性测井相的方法 | |
| Tarquis et al. | Scaling characteristics of soil structure | |
| CN111967117B (zh) | 基于露头碳酸盐岩储层建模的地下储层预测方法及装置 | |
| CN105590018A (zh) | 砂泥岩薄互层油藏的油水层判别方法 | |
| CN113052963A (zh) | 三维岩性属性特征分析方法及装置 | |
| Li et al. | Fracture extraction from FMI based on multiscale mathematical morphology | |
| CN108537883B (zh) | 一种基于MapReduce框架的地质建模方法 | |
| US11321915B2 (en) | Conversion of rock classification maps for modeling | |
| Fournier et al. | Integrated rock-typing with capillary pressure curve clustering | |
| Zhang et al. | An innovative image-based workflow for quantitative pore structure characterization in reservoir rocks | |
| CN108108512B (zh) | 一种储层岩相的表征方法及装置 | |
| Rahimov et al. | Use of local binary pattern in texture classification of carbonate rock micro-CT images | |
| CN110702632A (zh) | 一种深部岩矿高光谱信息三维建模方法 | |
| Zhang et al. | Morphological Transformation Strategy for the Computation of Effective Physical Properties Using Digital Rock | |
| Schembre-McCabe et al. | A framework to validate digital rock technology | |
| Derzhi et al. | Comparison of traditional and digital rock physics techniques to determine the elastic core parameters in Cretaceous formations, Abu Dhabi | |
| CN113987851B (zh) | 二氧化碳运移通道的流体输导特性分析方法、系统及设备 |
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 |