CN113781463A - 一种定量评价碳酸盐岩烃源岩眼皮的方法、系统 - Google Patents
一种定量评价碳酸盐岩烃源岩眼皮的方法、系统 Download PDFInfo
- Publication number
- CN113781463A CN113781463A CN202111093488.3A CN202111093488A CN113781463A CN 113781463 A CN113781463 A CN 113781463A CN 202111093488 A CN202111093488 A CN 202111093488A CN 113781463 A CN113781463 A CN 113781463A
- Authority
- CN
- China
- Prior art keywords
- eyelid
- image
- source rock
- carbonate
- rock
- 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
- 210000000744 eyelid Anatomy 0.000 title claims abstract description 138
- 239000011435 rock Substances 0.000 title claims abstract description 97
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 19
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 19
- 150000002430 hydrocarbons Chemical class 0.000 title claims description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 95
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 15
- 210000005252 bulbus oculi Anatomy 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 241000566145 Otus Species 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 7
- 230000018109 developmental process Effects 0.000 abstract description 7
- -1 carbonate hydrocarbon Chemical class 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 235000019738 Limestone Nutrition 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 239000006028 limestone Substances 0.000 description 6
- 239000011505 plaster Substances 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 150000004649 carbonic acid derivatives Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/70—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于碳酸盐岩储层评价技术领域,公开了一种定量评价碳酸盐岩烃源岩眼皮的方法、系统,所述定量评价碳酸盐岩烃源岩眼皮的方法包括:利用微电阻率成像测井仪器采集数据处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像;利用卷积神经网络模型自动识别图像中的眼皮部分;通过提取眼皮部分像素总数计算得到眼皮含量,实现连续定量评价碳酸盐岩烃源岩的眼皮。本发明利用微电阻率成像测井可以连续定量地评价碳酸盐岩烃源岩的眼皮含量,计算结果准确合理,提高了碳酸盐岩烃源岩储层的勘探开发效率。本发明成本低、使用便捷,而且与地层岩心对比表明计算结果准确合理。
Description
技术领域
本发明属于碳酸盐岩储层评价技术领域,尤其涉及一种定量评价碳酸盐岩烃源岩眼皮的方法、系统、可读存储介质。
背景技术
随着世界油气需求的持续增加和常规油气产量的不断减少,具有较大资源潜力的非常规油气资源,如煤层气、致密气、页岩气、页岩油等,逐渐成为勘探开发的重点领域。碳酸盐岩烃源岩是一种介于页岩和常规碳酸盐岩的特殊类型储层,近年来在碳酸盐岩烃源岩中发现并测试获得了工业气流,证实了中国南方地区,尤其是四川盆地的碳酸盐岩烃源岩具有较大的天然气勘探潜力。
碳酸盐岩烃源岩具有眼球状结构(又称瘤状结构),简而言之,眼球状结构由眼皮和眼球两部分组成。其中,黑灰色灰泥灰岩作为眼皮,灰白色泥晶灰岩作为眼球。眼皮部分的总有机碳含量高,具备生烃能力,而眼球部分总有机碳含量低,不具备生烃能力。总有机碳含量是评价烃源岩的关键指标,含量越高其含气性越强,同时,实际产量和实验数据也表明眼皮含量越高,储层有效性越好。因此,评价眼皮的发育程度,对碳酸盐岩烃源岩至关重要。但是,目前研究人员主要是通过岩心观察定性表述眼皮占比高或低,缺乏能够直接定量评价眼皮的方法,严重制约了碳酸盐岩烃源岩的勘探开发。
现有技术存在的问题及缺陷为:现有技术主要是通过岩心观察定性地表述眼皮含量的高低,受制于井下取心成本的限制,无法连续钻取全部地层的岩心,亦不能通过岩心观察的方法定性表述井下全部地层的眼皮含量,严重制约了碳酸盐岩烃源岩的勘探开发。
解决以上问题及缺陷的难度为:碳酸盐岩烃源岩具有强非均质性,表现为纵向上岩石结构复杂、矿物成分多变,常规测井分辨率低,无法实现高精度的定量评价碳酸盐岩烃源岩的眼皮。
解决以上问题及缺陷的意义为:本发明利用先进的微电阻率成像测井—其纵向分辨率为5mm,通过区域分割电成像图像、利用卷积神经网络模型自动识别眼皮进而计算井下地层每个深度点的眼皮含量,实现了连续定量评价碳酸盐岩烃源岩眼皮,提高了碳酸盐岩烃源岩的勘探开发效率。
发明内容
针对现有技术存在的问题,本发明提供了一种定量评价碳酸盐岩烃源岩眼皮的方法、系统。
本发明是这样实现的,一种定量评价碳酸盐岩烃源岩眼皮的方法定量评价碳酸盐岩烃源岩眼皮,所述定量评价碳酸盐岩烃源岩眼皮方法包括:
步骤一,利用微电阻率成像测井仪器采集数据处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像;
步骤二,利用卷积神经网络模型自动识别图像中的眼皮部分;
步骤三,通过提取眼皮部分像素总数计算眼皮占比,进行连续定量评价碳酸盐岩烃源岩的眼皮。
进一步,步骤一中,所述利用微电阻率成像测井仪器采集数据处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像包括:
对利用微电阻率成像测井仪器采集的用于反映井周地层的电导率原始数据进行处理得到电成像图像;
对电成像图像中由于测量仪器极板间隙造成的空白条带开展修复填充,得到全井壁的电成像图像;
采用Otus自动法对图像开展阈值分割去除噪声干扰;以图像连通域为标示对电成像图像开展区域分割,得到多个特征图像。
进一步,所述各个特征图像个体为电成像图像的基本单元。
进一步,步骤二中,所述利用卷积神经网络模型自动识别图像中的眼皮部分之前还需进行:
首先,制备样本集,并将制备的样本集分为训练集和测试集;
然后,利用卷积神经网络算法训练样本集对数据进行训练,根据损失值和预测数据调整相关训练参数;
最后,对模型进行评价。
进一步,所述制备样本集,并将制备的样本集分为训练集和测试集包括:
选取研究区的电成像图像,将所述电成像图像大小调整为192×92像素;结合研究区岩心以眼球、眼皮构造为主要特征,以电成像异常、各种裂缝、各种溶蚀孔洞及其他构造特征为其他特征,将电成像图像共分为8类,随机选取全部样本的80%作为训练集,其余20%作为测试集。
进一步,所述卷积神经网络设置有输入层、多层卷积池化层、池化层、全连接层和输出层;
每层都包含多个训练参数和多个特征图像,通过给定的卷积滤波器提取每个特征图像的特征,将输出层数据转为为一维矩阵,以全连接方式输出结果。
进一步,所述训练参数包括:训练循环次数为2000次、学习速率为0.001。
进一步,步骤三中,所述通过提取眼皮部分像素总数计算眼皮占比包括:
提取识别得到的电成像图像中的眼皮部分,计算眼皮占比:
其中,LP表示眼皮占比,单位为%;Bel表示提取的眼皮部分的像素总数,无量纲;S表示电成像图像的像素总数,无量纲。
本发明的另一目的在于提供一种实施所述定量评价碳酸盐岩烃源岩眼皮方法的定量评价碳酸盐岩烃源岩眼皮的系统,所述定量评价碳酸盐岩烃源岩眼皮的系统包括:
图像数据获取模块,用于利用微电阻率成像测井仪器采集数据;
图像处理模块,用于对采集的原始数据进行处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像;
模型构建模块,用于构建眼皮识别模型并进行模型的训练、评价;
眼皮识别模块,用于利用训练号的眼皮识别模型自动识别图像中的眼皮部分;
含量计算模块,用于通过提取眼皮部分像素总数计算眼皮占比,进行连续定量评价碳酸盐岩烃源岩的眼皮。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供了一种应用微电阻率成像测井计算碳酸盐岩烃源岩眼皮含量的方法,可以连续定量地获取井下地层岩石每个深度点的眼皮含量,计算结果准确合理,该定量评价眼皮的方法为目前业界仅有,而且费用成本远低于井下取芯观察分析,为碳酸盐岩烃源岩的勘探开发提供了有效地支撑。。
本发明利用微电阻率成像测井仪器采集数据处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像,然后利用卷积神经网络算法实现自动识别图像中的眼皮部分,最后通过提取眼皮部分像素总数计算眼皮占比,实现连续定量地评价碳酸盐岩烃源岩的眼皮。
本发明提供了一种利用微电阻率成像测井资料计算碳酸盐岩烃源岩眼皮含量的方法,实现了定量评价碳酸盐岩烃源岩中眼皮,成本低、使用便捷,而且与岩心对比表明计算结果准确合理。
附图说明
图1是本发明实施例提供的定量评价碳酸盐岩烃源岩眼皮的方法流程图。
图2是本发明实施例提供的定量评价碳酸盐岩烃源岩眼皮的系统结构示意图;
图中:1、图像数据获取模块;2、图像处理模块;3、模型构建模块;4、眼皮识别模块;5、占比计算模块。
图3是本发明实施例提供的碳酸盐岩烃源岩的眼球状构造示意图。
图4是本发明实施例提供的井下地层电成像原始图像示意图。
图5是本发明实施例提供的井下地层电成像原始图像修复填充后的图像示意图。
图6是本发明实施例提供的Otus阈值分割后图像示意图。
图7是本发明实施例提供的连通域标示区域分割后图像示意图。
图8是本发明实施例提供的井下地层岩心的岩性图例示意图。
图9是本发明实施例提供的碳酸盐岩烃源岩眼皮定量评价成果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种定量评价碳酸盐岩烃源岩眼皮方法、系统、可读存储介质,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的定量评价碳酸盐岩烃源岩眼皮方法包括:
S101,利用微电阻率成像测井仪器采集数据处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像;
S102,利用卷积神经网络模型自动识别图像中的眼皮部分;
S103,通过提取眼皮部分像素总数计算眼皮占比,进行连续定量评价碳酸盐岩烃源岩的眼皮。
本发明实施例提供的利用微电阻率成像测井仪器采集数据处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像包括:
对利用微电阻率成像测井仪器采集的用于反映井周地层的电导率原始数据进行处理得到电成像图像,
对电成像图像中由于测量仪器极板间隙造成的空白条带开展修复填充,得到全井壁的电成像图像;
采用Otus自动法对图像开展阈值分割去除噪声干扰;以图像连通域为标示对电成像图像开展区域分割,得到多个特征图像。
本发明实施例提供的各个特征图像个体为电成像图像的基本单元。
本发明实施例提供的利用卷积神经网络模型自动识别图像中的眼皮部分之前还需进行:
首先,制备样本集,并将制备的样本集分为训练集和测试集;
然后,利用卷积神经网络算法训练样本集对数据进行训练,根据损失值和预测数据调整相关训练参数;
最后,对模型进行评价。
本发明实施例提供的制备样本集,并将制备的样本集分为训练集和测试集包括:
选取研究区的电成像图像,将所述电成像图像大小调整为192×92像素;结合研究区岩心以眼球、眼皮构造为主要特征,以电成像异常、各种裂缝、各种溶蚀孔洞及其他构造特征为其他特征,将电成像图像共分为8类,随机选取全部样本的80%作为训练集,其余20%作为测试集。
本发明实施例提供的卷积神经网络设置有输入层、多层卷积池化层、池化层、全连接层和输出层;
每层都包含多个训练参数和多个特征图像,通过给定的卷积滤波器提取每个特征图像的特征,将输出层数据转为为一维矩阵,以全连接方式输出结果。
本发明实施例提供的训练参数包括:训练循环次数为2000次、学习速率为0.001。
本发明实施例提供的通过提取眼皮部分像素总数计算眼皮占比包括:
提取识别得到的电成像图像中的眼皮部分,计算眼皮占比:
其中,LP表示眼皮占比,单位为%;Bel表示提取的眼皮部分的像素总数,无量纲;S表示电成像图像的像素总数,无量纲。
如图2所示,本发明实施例提供的定量评价碳酸盐岩烃源岩眼皮系统包括:
图像数据获取模块1,用于利用微电阻率成像测井仪器采集数据;
图像处理模块2,用于对采集的原始数据进行处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像;
模型构建模块3,用于构建眼皮识别模型并进行模型的训练、评价;
眼皮识别模块4,用于利用训练号的眼皮识别模型自动识别图像中的眼皮部分;
占比计算模块5,用于通过提取眼皮部分像素总数计算眼皮占比,进行连续定量评价碳酸盐岩烃源岩的眼皮。
下面结合具体实施例对本发明的技术方案做进一步说明。
实施例1:
本发明利用微电阻率成像测井仪器采集数据处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像,然后利用卷积神经网络算法实现自动识别图像中的眼皮部分,最后通过提取眼皮部分像素总数计算眼皮占比,实现连续定量地评价碳酸盐岩烃源岩的眼皮。
(1)利用微电阻率成像测井仪器采集数据并处理得到电成像图像,对电成像图像开展区域分割
微电阻率成像测井仪器采集的原始数据反映井周地层的电导率,对原始数据进行处理得到电成像图像,采用灰度的回放方式可以连续地展示碳酸盐岩烃源岩地层中的各种地质构造特征,包括眼球、眼皮、裂缝、溶蚀孔洞等。不同的地质构造具有不同的导电性,通常电成像图像中低阻部分(眼皮、裂缝、溶蚀孔洞)呈暗色,高阻部分(眼球)呈亮色。
首先,对电成像图像中由于测量仪器极板间隙造成的空白条带开展修复填充,得到全井壁的电成像图像;其次,采用Otus自动法对图像开展阈值分割去除噪声干扰;最后,以图像连通域为标示对电成像图像开展区域分割,得到多个特征图像,各个特征图像个体为电成像图像的基本单元。
(2)利用卷积神经网络算法自动识别电成像图像中的眼皮
首先制作样本集,分为训练集和测试集,然后对数据进行训练,根据损失值和预测数据调整相关训练参数,最后对模型进行评价:
第一步:制作样本集,包括训练集和测试集。选取研究区的电成像图像,图像大小调整为192×92像素。结合研究区岩心以眼球、眼皮构造为主要特征,以电成像异常、各种裂缝、各种溶蚀孔洞等构造特征为其他特征,将电成像图像共分为8类,样本代号和分类标准如表1。随机选取全部样本的80%作为训练集,其余20%作为测试集。
表1 样本分类标准
第二步:样本集训练。
利用卷积神经网络算法训练样本集,网络结构设置有输入层、多层卷积池化层、池化层、全连接层和输出层。每层都包含多个训练参数和多个特征图像,通过给定的卷积滤波器提取每个特征图像的特征,最终将输出层数据转为为一维矩阵,以全连接方式输出结果。
训练过程中,根据训练准确率和训练损失值调整多个训练参数。对于训练集,当训练准确率稳定在0.95以上,训练损失值稳定在0.08以下,效果良好;对于测试集,当测试准确率稳定在0.96以上,测试损失值稳定在0.09以下,效果良好。满足上述条件得到的模型性能良好,表明能够科学、鲜明的识别样本。
建议训练参数为:训练循环次数为2000次、学习速率为0.001。
(3)眼皮占比的定量计算
提取(2)中识别出的电成像图像中的眼皮部分,计算眼皮占比:
式中,LP为眼皮占比,%;Bel为提取的眼皮部分的像素总数,无量纲;S为电成像图像的像素总数,无量纲。
本发明可提供一种利用微电阻率成像测井资料计算碳酸盐岩烃源岩眼皮占比的方法,实现了定量评价碳酸盐岩烃源岩中眼皮的目的,该方法成本低、使用便捷,而且与岩心对比表明计算结果准确合理。
图9为利用微电阻率成像测井定量评价碳酸盐岩烃源岩眼皮的成果图。图中第一道分别为无铀伽马曲线(KTH)、自然伽马曲线(GR)和井径曲线(CAL);图中第二道为深度曲线(DEPTH);图中第三道分别为微球形聚焦电阻率曲线(MFSL)、浅侧向电阻率曲线(LLS)和深侧向电阻率曲线(LLD);图中第四道分别为补偿密度曲线(DEN)、补偿中子曲线(CNL)和补偿声波曲线(AC);图中第五道为微电阻率测井的原始图像(IMAGE_STATIC);图中第六道为修复填充后的电成像图像(IMAGE_FULL);图中第七道为自动识别的各种地质构造图像(IMAGE_ID),其中蓝色区域为眼皮,绿色区域为各种裂缝,红色区域为各种溶蚀孔洞,白色区域为眼球、基质等;图中第八道分别为计算的眼球占比(LP)和岩心岩性(LITH),岩心岩性图例如图8所示。
第八道中LP曲线数值介于0~100%,100%表明地层岩石均为灰黑色的眼皮,即灰泥灰岩;0%表明地层岩石均为灰白色的眼皮,即泥晶灰岩;曲线数值越大,表明地层岩石中眼皮占比越高,眼皮部分越发育;曲线数值越小则表明地层岩石中眼皮占比越低。该曲线的变化趋势和岩心岩性相吻合:4300~4306m井段,岩心岩性为泥晶灰岩,LP曲线数值为0%,代表地层岩石中无眼皮部分;4324~4330m井段,岩心岩性为瘤状泥晶灰岩和瘤状灰泥灰岩,LP曲线数值大于零,且瘤状灰泥灰岩的LP曲线数值大于瘤状泥晶灰岩;4343~4348m井段,岩心岩性为灰泥灰岩,LP曲线数值增大至接近100%。对比分析表明基于微电阻率成像测井计算的眼皮占比与岩心岩性一致,达到了定量评价碳酸盐岩烃源岩眼皮的目的。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种定量评价碳酸盐岩烃源岩眼皮的方法,其特征在于,所述碳酸盐岩烃源岩眼皮定量评价方法包括:
步骤一,利用微电阻率成像测井仪器采集数据处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像;
步骤二,利用卷积神经网络模型自动识别图像中的眼皮部分;
步骤三,通过提取眼皮部分像素总数计算眼皮占比,进行连续定量评价碳酸盐岩烃源岩的眼皮。
2.如权利要求1所述的定量评价碳酸盐岩烃源岩眼皮的方法,其特征在于,步骤一中,所述利用微电阻率成像测井仪器采集数据处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像包括:
对利用微电阻率成像测井仪器采集的用于反映井周地层的电导率原始数据进行处理得到电成像图像;
对电成像图像中由于测量仪器极板间隙造成的空白条带开展修复填充,得到全井壁的电成像图像;
采用Otus自动法对图像开展阈值分割去除噪声干扰;以图像连通域为标示对电成像图像开展区域分割,得到多个特征图像。
3.如权利要求2所述的定量评价碳酸盐岩烃源岩眼皮的方法定量评价碳酸盐岩烃源岩眼皮,其特征在于,所述各个特征图像个体为电成像图像的基本单元。
4.如权利要求1所述的定量评价碳酸盐岩烃源岩眼皮的方法定量评价碳酸盐岩烃源岩眼皮,其特征在于,步骤二中,所述利用卷积神经网络模型自动识别图像中的眼皮部分之前还需进行:
首先,制备样本集,并将制备的样本集分为训练集和测试集;
然后,利用卷积神经网络算法训练样本集对数据进行训练,根据损失值和预测数据调整相关训练参数;
最后,对模型进行评价。
5.如权利要求4所述的定量评价碳酸盐岩烃源岩眼皮的方法定量评价碳酸盐岩烃源岩眼皮,其特征在于,所述制备样本集,并将制备的样本集分为训练集和测试集包括:
选取研究区的电成像图像,将所述电成像图像大小调整为192×92像素;结合研究区岩心以眼球、眼皮构造为主要特征,以电成像异常、各种裂缝、各种溶蚀孔洞及其他构造特征为其他特征,将电成像图像共分为8类,随机选取全部样本的80%作为训练集,其余20%作为测试集。
6.如权利要求4所述的定量评价碳酸盐岩烃源岩眼皮的方法定量评价碳酸盐岩烃源岩眼皮,其特征在于,所述卷积神经网络设置有输入层、多层卷积池化层、池化层、全连接层和输出层;
每层都包含多个训练参数和多个特征图像,通过给定的卷积滤波器提取每个特征图像的特征,将输出层数据转为为一维矩阵,以全连接方式输出结果。
7.如权利要求4所述的定量评价碳酸盐岩烃源岩眼皮的方法定量评价碳酸盐岩烃源岩眼皮,其特征在于,所述训练参数包括:训练循环次数为2000次、学习速率为0.001。
9.一种实施权利要求1-8任意一项所述定量评价碳酸盐岩烃源岩眼皮的方法定量评价碳酸盐岩烃源岩眼皮的定量评价碳酸盐岩烃源岩眼皮的定量评价碳酸盐岩烃源岩眼皮系统,其特征在于,所述定量评价碳酸盐岩烃源岩眼皮的定量评价碳酸盐岩烃源岩眼皮系统包括:
图像数据获取模块,用于利用微电阻率成像测井仪器采集数据;
图像处理模块,用于对采集的原始数据进行处理得到电成像图像,对电成像图像开展区域分割得到各个特征图像;
模型构建模块,用于构建眼皮识别模型并进行模型的训练、评价;
眼皮识别模块,用于利用训练号的眼皮识别模型自动识别图像中的眼皮部分;
占比计算模块,用于通过提取眼皮部分像素总数计算眼皮占比,进行连续定量评价碳酸盐岩烃源岩的眼皮。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1-8任意一项所述的定量评价碳酸盐岩烃源岩眼皮的方法定量评价碳酸盐岩烃源岩眼皮。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093488.3A CN113781463A (zh) | 2021-09-17 | 2021-09-17 | 一种定量评价碳酸盐岩烃源岩眼皮的方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093488.3A CN113781463A (zh) | 2021-09-17 | 2021-09-17 | 一种定量评价碳酸盐岩烃源岩眼皮的方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781463A true CN113781463A (zh) | 2021-12-10 |
Family
ID=78851797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111093488.3A Pending CN113781463A (zh) | 2021-09-17 | 2021-09-17 | 一种定量评价碳酸盐岩烃源岩眼皮的方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781463A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050135167A1 (en) * | 2003-10-16 | 2005-06-23 | Nec Plasma Display Corporation | Memory access circuit for adjusting delay of internal clock signal used for memory control |
WO2010137330A1 (ja) * | 2009-05-27 | 2010-12-02 | パナソニック株式会社 | 遅延調整装置、遅延調整方法 |
CN102565104A (zh) * | 2011-12-21 | 2012-07-11 | 中国石油天然气股份有限公司 | 一种烃源岩有机碳含量的测定方法 |
CN106447670A (zh) * | 2016-08-31 | 2017-02-22 | 中国石油集团川庆钻探工程有限公司 | 基于电成像测井图像的孔洞参数自动计算方法 |
CN109212617A (zh) * | 2018-08-24 | 2019-01-15 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
CN109389128A (zh) * | 2018-08-24 | 2019-02-26 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
-
2021
- 2021-09-17 CN CN202111093488.3A patent/CN113781463A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050135167A1 (en) * | 2003-10-16 | 2005-06-23 | Nec Plasma Display Corporation | Memory access circuit for adjusting delay of internal clock signal used for memory control |
WO2010137330A1 (ja) * | 2009-05-27 | 2010-12-02 | パナソニック株式会社 | 遅延調整装置、遅延調整方法 |
CN102565104A (zh) * | 2011-12-21 | 2012-07-11 | 中国石油天然气股份有限公司 | 一种烃源岩有机碳含量的测定方法 |
CN106447670A (zh) * | 2016-08-31 | 2017-02-22 | 中国石油集团川庆钻探工程有限公司 | 基于电成像测井图像的孔洞参数自动计算方法 |
CN109212617A (zh) * | 2018-08-24 | 2019-01-15 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
CN109389128A (zh) * | 2018-08-24 | 2019-02-26 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈伯孝 等: ""图像分割"", 《岸舰双基地地波超视距雷达》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20130080133A1 (en) | Core-plug to giga-cells lithological modeling | |
NO20210660A1 (en) | Method and system to analyze geologic formation properties | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
CN113344050A (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
KR20210150917A (ko) | 웰 로그를 학습하여 암상을 추정하는 방법 및 장치 | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
CN115390155A (zh) | 针对非均质储层的测井解释方法、装置、电子设备及介质 | |
Zhang et al. | Data-processing and recognition of seepage and microseepage anomalies of acid-extractable hydrocarbons in the south slope of the Dongying depression, eastern China | |
CN111580179B (zh) | 一种有机碳含量确定方法、装置及系统 | |
CN113781463A (zh) | 一种定量评价碳酸盐岩烃源岩眼皮的方法、系统 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
CN115977615A (zh) | 压裂效果评价方法、系统、介质及电子设备 | |
US20230036713A1 (en) | Borehole Image Gap Filing Using Deep Learning | |
Slatt et al. | Workflow for stratigraphic characterization of unconventional gas shales | |
CA3206096A1 (en) | Automatic digital rock segmentation | |
CN109577946B (zh) | 一种利用测井数据识别鲕粒滩类型的方法 | |
CN113153259A (zh) | 碳酸盐岩矿物组分的确定方法、装置、设备及存储介质 | |
CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
CN116226623B (zh) | 基于SegNet分段模型的标志层划分方法、装置和计算机设备 | |
US11953647B2 (en) | System and method for radioactivity prediction to evaluate formation productivity | |
Goto | Bayesian posterior mean in velocity modeling as alternative to resolution guaranteed imaging | |
Zhang et al. | Analysis and construction of the coal and rock cutting state identification system in coal mine intelligent mining | |
Fu et al. | Automatic Estimation Of Rock Quality Designation Based On An Improved YOLOv5 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |
|
RJ01 | Rejection of invention patent application after publication |