CN115552461A - 源自二维图像的材料性质 - Google Patents

源自二维图像的材料性质 Download PDF

Info

Publication number
CN115552461A
CN115552461A CN202180033504.1A CN202180033504A CN115552461A CN 115552461 A CN115552461 A CN 115552461A CN 202180033504 A CN202180033504 A CN 202180033504A CN 115552461 A CN115552461 A CN 115552461A
Authority
CN
China
Prior art keywords
nomogram
digital image
image volume
fbp
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
Application number
CN202180033504.1A
Other languages
English (en)
Inventor
格伦·L·热特米
尼日尔·查克拉博蒂
周慕宏
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.)
BP Corp North America Inc
Original Assignee
BP Corp North America Inc
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 BP Corp North America Inc filed Critical BP Corp North America Inc
Publication of CN115552461A publication Critical patent/CN115552461A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/07—Investigating materials by wave or particle radiation secondary emission
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/418—Imaging electron microscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/50—Detectors
    • G01N2223/507—Detectors secondary-emission detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/616—Specific applications or type of materials earth materials
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Food Science & Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Medicinal Chemistry (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种分析岩石样品的方法，所述方法包括对与所述岩石样品的图像相对应的数字图像体积进行分割，以将所述数字图像体积中的体素与所述岩石样品的多个岩石组构相关联。所述方法还包括对所述数字图像体积执行图像处理以确定所述岩石组构的每一个的材料性质和从列线图集合中选择具有关联的网格尺寸的列线图。所选择的列线图将所述岩石组构的每一个的材料性质与分数反弹参数(FBP)值相关联，该FBP值在下FBP阈值与上FBP阈值之间。所述方法还包括基于所选列线图将所述数字图像体积中的每个体素与FBP值相关联。

Description

源自二维图像的材料性质
相关申请的交叉引用
本申请要求于2020年5月8日提交的题为“Material Properties from Two-Dimensional Image(源自二维图像的材料性质)”的美国临时专利申请第63/021,885号的权益，出于所有目的将所述专利申请以其完整的形式并入本文中。
发明背景
在碳氢化合物生产中，获得岩层的岩石物理性质的准确地下估计对于评估包含在岩层中的碳氢化合物体积和制定从岩层提取碳氢化合物的策略是重要的。传统上，岩层样品，例如来自岩心样品或钻屑的岩层样品，要经过物理实验室测试，以测量诸如渗透率、孔隙率、地层因子、弹性模量等的岩石物理性质。其中一些测量需要很长时间，在某些情况下会持续几个月，这取决于岩石本身的性质。用于进行这些测量的设备也非常昂贵。
因为直接测量岩石物理性质需要成本和时间，所以能够将“直接数值模拟”技术用于有效估计岩石样品的诸如孔隙率、绝对渗透率、相对渗透率、地层因子、弹性模量等的物理性质，所述岩石样品包括源自困难岩石类型的样品，例如致密含气砂或碳酸盐。根据这种方法，例如通过计算机断层(CT)扫描，获得岩石样品的三维断层图像。三维图像体积中的体素被“分割”(例如，通过“阈值化”它们的亮度值，或通过另一种方法)以区分岩石基质和空隙空间。然后进行流体流动或其他物理行为如弹性或电导率的直接数值模拟，从中能够导出孔隙率、渗透率(绝对和/或相对)、弹性性质、电性质等。可以应用多种数值方法来求解或近似模拟适当行为的物理方程。这些方法包括格子-玻尔兹曼(Lattice-Boltzmann)、有限元、有限差分、有限体积数值方法等。
发明内容
根据本发明的至少一个示例，用于分析岩石样品的方法包括分割对应于岩石样品的图像的数字图像体积，以将数字图像体积中的体素与岩石样品的多个岩石组构(fabrics)相关联。所述方法还包括对数字图像体积执行图像处理以确定岩石组构的每一个的材料性质，以及从列线图(nomograms)集合中选择具有相关联的网格尺寸的列线图。选定的列线图将岩石组构的每一个的材料性质与分数反弹参数(fractional bouncebackparameter，FBP)值相关联，该FBP值在下FBP阈值与上FBP阈值之间。所述方法还包括基于所选列线图将数字图像体积中的每个体素与FBP值相关联。
根据本发明的另一个示例，用于分析岩石样品的系统包含：第一成像装置，所述第一成像装置被配置为产生代表岩石样品的数字图像体积；和计算装置，所述计算装置耦合到所述成像装置。计算装置包含处理器和耦合到所述处理器并被配置为储存指令的存储器。当由处理器执行时，指令配置计算装置以分割数字图像体积，以将数字图像体积中的体素与岩石样品的多个岩石组构相关联。当由处理器执行时，指令还配置计算装置以对数字图像体积执行图像处理，从而确定岩石组构的每一个的材料性质；从列线图集合中选择具有相关联的网格尺寸的列线图。所选列线图将岩石组构的每一个的材料性质与分数反弹参数(FBP)值相关联，该FBP值在下FBP阈值与上FBP阈值之间。当由处理器执行时，指令进一步配置计算装置以基于所选列线图将数字图像体积中的每个体素与FBP值相关联。
根据本发明的又一个示例，一种用指令编码的非暂时性计算机可读介质，当由处理器执行时，使处理器分割对应于岩石样品图像的数字图像体积，以将数字图像体积中的体素与岩石样品的多个岩石组构相关联。所述指令在由处理器执行时还使处理器对数字图像体积执行图像处理以确定岩石组构的每一个的材料性质；从列线图集合中选择具有相关联的网格尺寸的列线图。所选列线图将岩石组构的每一个的材料性质与分数反弹参数(FBP)值相关联，该FBP值在下FBP阈值与上FBP阈值之间。所述指令当由处理器执行时进一步使处理器基于所选列线图将数字图像体积中的每个体素与FBP值相关联。
本文中描述的实施方案包含旨在解决与某些现有装置、系统和方法相关联的各种缺点的特征和特性的组合。前述内容已经相当广泛地概述了所公开实施方案的特征和技术特性，以便可以更好地理解下面的详细描述。通过阅读如下详细描述并参考附图，本领域技术人员将容易地理解上述各种特性和特征等。应当理解，所公开的概念和具体实施方案可以容易地用作修改或设计用于进行与所公开实施方案相同目的的其他结构的基础。还应该意识到，这些等效结构并不背离本文中所公开的原理的精神和范围。
附图简述
对于示例性实施方案的详细描述，现在将参考可能未按比例绘制的附图，其中：
图1a是示出根据本文中公开的原理构建和操作的测试系统的岩石样品源的示例的示意性水平图；
图1b示出了根据本文中公开的原理对岩石样品进行分析的测试系统的框图；
图1c示出了根据本文中公开的原理的适合用于分析岩石样品的测试系统中的计算装置的框图；
图2示出了根据本文中公开的原理对岩石样品进行分析的方法的流程图；
图3a和图3b示出了适合与本文中公开的各种实施方案一起使用的岩石样品的三维(3D)图像的二维(2D)切片图像；
图4示出了根据本文中公开的各种实施方案在准备机械加工时包含多个岩石组构的岩石样品；
图5a-图5c示出了根据本文中公开的各种实施方案的不同尺度的机械加工的岩石表面的扫描电子显微镜(SEM)图像；
图5d示出了根据本文中公开的各种实施方案的图5a-图5c的方法的替代性示例；
图6a和图6b展示了根据本文中公开的各种实施方案对SEM图像进行分割操作；
图7a和图7b展示了根据本文中公开的各种实施方案从一组分割的SEM图像生成一组统计上相似的3D模型；
图8示出了根据本文中公开的各种实施方案对源自图7b的3D模型中的一个进行的数字数值模拟的视觉表现；
图9示出了根据本文中公开的原理对岩石样品进行分析的另一种方法的流程图；
图10示出了根据本文中公开的原理在灰度格子玻尔兹曼(GSLB)模型中使用的分数反弹参数(FBP)确定的示例；
图11a-图11d示出了根据本文中公开的原理将岩石样品的材料性质的值、FBP值和不同网格尺寸相关联的列线图集合；
图12示出了使用从图11中的列线图集合中选择的列线图的网格尺寸来分割图像体积的示例；
图13示出了根据本文中公开的原理的原始数字图像和模拟流场的比较；并且
图14示出了根据本文中描述的原理对岩石样品进行分析的另一种方法的图示流程图。
符号和命名法
在如下讨论和权利要求中，术语“包括”和“包含”以开放末端的方式使用，由此应解释为是指“包括但不限于……”。任何形式的术语“连接”、“参与”、“耦合”、“附着”或描述元素之间相互作用的任何其他术语的任何使用并不意味着将相互作用限制为元素之间的直接相互作用，并且还可以包括所描述元素之间的间接相互作用。术语“软件”包括能够在处理器上运行的任何可执行代码，而与用于储存软件的介质无关。由此，储存在存储器(例如非易失性存储器)中并且有时称为“嵌入式固件”的代码被包括在软件的定义中。引用“基于”旨在是指“至少部分基于”。因此，如果X基于Y，则X可能基于Y和任何数量的其他因素。
具体实施方式
在随后的附图和描述中，相似的部件通常在整个说明书和附图中用相同的附图标记来标记。附图不一定按比例绘制。实施方案的某些特征可以按比例放大或以某种示意性的形式示出，并且出于清楚和简洁的目的，可以不示出常规元件的一些细节。本发明易受不同形式的实施方案的影响。具体实施方案被详细描述并示出在附图中，应当理解，本发明被认为是发明内容的原理的例示，并且并非意在将本发明限制为本文中图示和描述的内容。应当充分认识到，下面讨论的实施方案的不同教导和组件可以单独使用或以任何合适的组合使用以产生期望的结果。
非常规页岩储层本质上是非均质的，由此在尝试模拟此类页岩储层的行为时会出现复杂情况。更好地理解纳米微米级组构如何控制页岩储层中的流体流动将有利于优化或改善碳氢化合物的生产。实现这样的理解是困难的。对源自页岩储层的岩石样品进行成像以表征其纳米微米级组构，就其对全部碳氢化合物的体积和流体流动的影响而言，需要高分辨率。目前，聚焦离子束扫描电子显微镜(FIB-SEM)可以提供这种分辨率的3D信息。然而，岩石样品的FIB-SEM成像非常耗费时间和资源，由此无法经济高效地进行，并且不能在表征岩石样品的纳米微米级组构所需的尺度下有效地进行。此外，利用FIB-SEM成像来模拟页岩储层行为的现有尝试并未描述所确定的材料性质的不确定性，而这在为油井生产计划制定风险概况时很重要。例如，FIB-SEM成像在这方面是不够的，因为给定FIB-SEM图像的视野是有限的。此外，对纹理族中的大量表现形式进行物理采样非常耗时。此外，即使二维SEM图像的特定区域旨在获取具有统计上代表性的3D FIB-SEM样品，最初可用的2D表面信息也不能很好地指示可以从底层3D体积中获取的信息。
图1a以高水平示出了根据本文中公开的原理的岩石样品的采集和岩石样品的分析。本发明的实施方案在分析源自在石油和天然气生产中重要的地下地层的岩石样品方面可能特别有益。因此，图1a示出了根据各种实施方式的环境100，从所述环境100能够获得利用测试系统102所要分析的岩石样品104。在这些图示的示例中，岩石样品104能够从陆地钻井系统106或得自海洋(洋、海、湖等)钻井系统108获得，将两种系统中的任何一种用于提取资源如碳氢化合物(石油、天然气等)、水等。作为本领域的基础，优化石油和天然气生产操作在很大程度上受陆地钻井系统106或海洋钻井系统108正在钻进或过去已经钻进的岩层的结构和材料性质的影响。
获得岩石样品104的方式以及这些样品的物理形式能够广泛地变化。与本文中公开的实施方案结合使用的岩石样品104的示例包括全岩心样品、侧壁岩心样品、露头(outcrop)样品、钻屑和实验室生成的合成岩石样品如砂填充物和胶结填充物。
如图1a所图示，环境100包含测试系统102，所述测试系统102被配置为分析岩石样品104的图像128(图1b)，从而确定相应的地下岩石的材料性质，这些性质包括石油和天然气勘探和生产背景下的岩石物理性质。
图1b以普通方式示出了分析图像128的测试系统102的组成部件。一般意义上，测试系统102包含用于获得岩石样品104的2D或3D图像以及其他表现的成像装置122，这样的图像和表现包括岩石样品104的内部结构的细节。成像装置122的示例是X射线计算机断层摄影(CT)扫描仪，如本领域所已知的，所述X射线计算机断层摄影(CT)扫描仪发射X射线辐射124，所述X射线辐射124与物体相互作用并测量物体对X射线辐射124的衰减，从而生成其内部结构和成分的图像。CT扫描仪122的特殊类型、构造或其他属性能够与诸如微型CT扫描仪的任何类型的X射线装置的相对应，能够产生代表岩石样品104的内部结构的图像。成像装置122产生岩石样品104的一个或多个图像128，并将这些图像128转发到计算装置120。
由成像装置122产生的图像128可以是由岩石样品104的多个二维(2D)部分构成或产生的三维(3D)数字图像体积(即，数字岩石)的形式。在这种情况下，各个图像体积被划分为称为体积元素或者更常见的“体素(voxels)”的3D规则元素。通常，各个体素都是平行六面体，在x、y和z方向上可能具有不同的尺寸。在一些示例中，体素也可以是立方体，在x、y和z方向上具有相等长度的边。另一方面，数字图像体积128本身可以在x、y和z方向上包含不同数量的体素。数字体积内的各个体素具有一个相关的数值或幅度，以代表在由数字体积表现的介质的该位置处成像样品的相对材料性质。这些数值的范围，通常称为灰度范围，取决于数字体积的类型、值的粒度(例如8位或16位值)等。例如，16位数据值使X射线断层图像体积的体素在粒度为1的条件下具有范围为从0到65,536的幅度。
测试系统102还可以包含用于获得岩石样品104的2D SEM图像的扫描电子显微镜(SEM)123。SEM 123也耦合到计算装置120，由此由SEM 123产生的2D SEM图像可用于计算装置120(例如由其接收)，所述计算装置120对这种2D SEM图像进行处理，如下面所进一步描述的。
如上所述，成像装置122将图像128转发给计算装置120，在图1b的示例中所述计算装置120可以是任何类型的计算装置，例如台式计算机或工作站、膝上型计算机、服务器计算机、平板计算机等。SEM 123还将2D SEM图像转发到计算装置120。因此，计算装置120将包含通常存在于传统计算装置中的硬件和软件组件。如图1b所示，计算装置120的这些硬件和软件组件包含测试工具130，所述测试工具130被配置为分析图像128以确定岩石样品104在一种或多种模拟流体饱和条件下的岩石物理性质，包括地下岩层可能遇到的流体饱和条件。在这方面，测试工具130可以实现为软件、硬件或两者的组合，包括用于进行本文中进一步详细描述的功能和过程的必要和有用的逻辑、指令、例程和算法。在一般意义上，测试工具130被配置为分析岩石样品104的图像体积128，以进行代表岩层地下条件的流体饱和条件下的岩石物理性质的直接数值模拟，包括多种流体的饱和度变化程度。
图1c一般性地示出了根据各种实施方案的测试系统102中的计算装置120的架构。在该示例架构中，计算装置120包含一个或多个处理器152，其可以具有工业中可用的不同核心配置和时钟频率。用于存储数据和/或程序指令以供一个或多个处理器152执行的计算装置120的存储器资源包含：在计算装置120的操作期间用作主存储器的一个或多个存储器装置154；和一个或多个存储装置160，例如实现为一个或多个非易失性固态存储器、磁盘或光盘驱动器或随机存取存储器。提供一个或多个外围接口156以用于耦合到相应的外围装置如显示器、键盘、鼠标、触摸板、触摸屏、打印机等。提供形式可以为以太网适配器、无线收发器、串行网络组件等的网络接口158以促进计算装置120之间通过一个或多个网络如以太网、无线以太网、全球移动通信系统(GSM)、增强型数据速率GSM演进(EDGE)、通用移动电信系统(UMTS)、全球微波接入互操作性(WiMAX)、长期演进(LTE)等的通信。在该示例架构中，处理器152示出为通过单个总线耦合到组件154、156、158和160；当然，可以在计算装置120中并入不同的互连架构，例如多个专用的总线等。
尽管图示为单个计算装置，但是计算装置120能够包含几个计算装置，所述几个计算装置一起协作以提供计算装置的功能性。同样，尽管图示为物理装置，但计算装置120也能够表示抽象计算装置如虚拟机和“云”计算装置。
如图1c的示例实施方式所示，计算装置120包含软件程序162，所述软件程序162包含一个或多个操作系统、一个或多个应用程序等。根据实施方案，软件程序162包含对应于测试工具130的程序指令(图1b)，被实现为独立的应用程序、作为另一个应用或程序的一部分的程序模块、用于通过网络接口158访问与计算装置120联网的远程计算机上的测试工具软件的适当的插件或其他软件组件或其其他形式或组合。
存储与测试工具130的功能相对应的软件程序162的可执行指令的程序存储器可以物理地驻留在计算装置120内或在计算装置120可访问的其他计算资源处，即在存储器装置154和存储装置160的本地存储器资源内，或在服务器或其他网络可访问存储器资源内，或分布在多个位置中。在任何情况下，该程序存储器构成储存可执行计算机程序指令的非暂时性计算机可读介质，根据所述指令，本说明书中描述的操作由计算装置120或由通过网络接口158耦合到计算装置120的服务器或其他计算机来进行(例如在从计算装置120传送输入数据时以相互作用式应用的形式，以用于由耦合到计算装置120的外围设备显示或输出)。对应于与测试工具130相关联的软件程序162的计算机可执行软件指令可能最初已储存在可移动或其他非易失性计算机可读存储介质(例如DVD盘、闪存等)上，或作为关于电磁载波信号的编码信息以软件包的形式可下载，由所述软件包以用于软件安装的传统方式通过计算装置120来安装所述计算机可执行软件指令。可以预期，本领域的技术人员将能够容易地以适合各种特殊应用的方式实现适用数据、程序指令和与该实施方案相关的其他有用信息的存储和检索，而无需过多实验。
构成与测试工具130相关联的软件程序162的特殊计算机指令可以是一个或多个可执行程序的形式，或者是从其导出、汇编、解释或编译一个或多个可执行程序的源代码或更高级别代码的形式。根据要进行的期望的操作的方式，可以使用任何数量的计算机语言或协议。例如，用于创建根据实施方案的模型的这些计算机指令可以用诸如PYTHON、JAVA、FORTRAN或C++的传统高级语言来编写，或者作为传统的线性计算机程序或者以面向对象的方式执行的方式来安排。这些指令也可以嵌入到更高级别的应用中。在任何情况下，可以预期，本领域技术人员在参考本说明书的情况下将能够容易地以适合于期望安装的方式来实现实施方案，而无需过度实验。
现在将参考图2以及图1a-图1c对根据实施方案的用于在各种饱和条件下分析岩石样品的测试工具130的特殊功能进行描述，所述特殊功能包括通过软件程序162实现的那些功能。
图2A和图2B示出了根据本文中公开的原理在各种饱和条件下分析岩石样品的方法200的流程图。尽管为方便起见按顺序进行描绘，但所示出的动作中的至少一部分能够以不同的顺序进行和/或并行进行。此外，一些实施方案可以仅进行所示动作的一部分。在一些实施方案中，方法200的至少一部分操作以及本文中描述的其他操作能够作为储存在计算机可读介质中的并由一个或多个处理器152执行的指令来实现。
在框202中，测试系统102获取待分析的岩石样品104，例如从通过陆地钻井系统106或海洋钻井系统108获得的地下岩层或从其他来源获取。特定岩石样品104可以从较大体积的地下岩层制备，例如通过钻进或切出较大体积的感兴趣岩层的一部分制成具有可以由成像装置122(例如CT扫描仪)成像的尺寸、规格和构造。
在框204中，成像装置122与测试系统102的计算装置120生成代表岩石样品104的数字图像体积128，包括其内部结构。例如，如果成像装置122是CT扫描仪，则进行岩石样品104的X射线成像(即，发射指向岩石样品104的辐射并测量衰减)以生成2D切片图像的图像体积128或从所述2D切片图像生成图像体积128。在框204中用于获取和处理岩石样品104的3D数字图像体积128的特定常规技术包括但不限于X射线断层摄影、X射线显微断层摄影、X射线纳米断层摄影、聚焦离子束扫描电子显微镜和核磁共振成像。在一些实施方案中，数字图像体积128可以通过计算生成，而不是通过扫描物理样本来产生。在通过扫描岩石样本来产生数字图像体积128的实施方案中，岩石样本可以是天然存在的岩石或人造多孔材料(例如合成岩石)。
图3a示出了岩石样品的3D图像的一个2D切片图像300的示例，其示出了该岩石样品的结构细节的截面切片，包括固体材料302、孔或空隙空间304以及部分固体/孔空间306的特征。此时的图像数据可以是表示岩石样品104的成分对X射线辐射的衰减的灰度值的形式。尽管图3a示出了一个2D切片图像300，但是岩石样品104的3D数字图像体积128通常由沿着岩石样品104的一个轴在阶梯状的位置处的多个2D切片图像构成(例如多个2D切片图像的“堆”)，一起形成岩石样品104的3D图像。根据测试系统102的特殊架构，将2D切片图像并入3D数字图像体积128中可以通过成像装置122自身内的计算资源来进行，或者由成像装置122所产生的一系列2D切片图像128通过计算装置120来进行。
在框206中，测试系统102对岩石样品104的数字图像体积128进行分割或其他图像增强技术，以从图像的灰度值中区分和标记图像体积128的不同组分或相。更具体地，计算装置120进行这种分割，从而识别组分，例如孔空间和矿物组分(例如粘土和石英)。在一些实施方案中，测试工具130被配置为将图像体积128分割成多于两个的重要相，代表诸如孔空间、粘土比例、石英比例、其他各种矿物类型、有机物质或复合材料的材料成分。
计算装置120能够利用多种类型的分割算法中的任何一种。一种分割方法是将“阈值化”方法应用于图像体积128，其中计算装置120选择体素幅度范围内的阈值。幅度低于阈值的那些体素被分配一个表示孔空间的特定数值，而幅度高于阈值的那些体素被分配表示基质空间(即固体材料)的另一个数值。在另一个示例中，存在定义多个不同体素幅度范围的多个阈值。在该方法中，阈值化将灰度图像体积转换为具有两个(或更多)可能数值中的一个的体素的分割体积，通常选择为0和1。图3b示出了使用多于两个可能数值通过阈值化对2D切片图像310(例如3D数字图像体积128的一部分)进行的分割的示例。如图示，分割使得可区分岩石样品的结构细节，在该示例中，固体材料302示出为白色，孔或空隙空间304示出为黑色，并且部分固体/孔空间306示出为明和暗灰色。进一步的分割能够应用一次或多次以区分灰度图像中的各种特征。如果使用简单的阈值化，则能够在表现出不同的X射线衰减特征的不同材料如粘土、石英、长石等中区分多个阈值。
计算装置120可以替代地利用其他分割算法。这种替代算法的示例在本领域中称为Otsu法，其中基于直方图的阈值化技术选择阈值以最小化灰度值的双峰分布的波瓣的组合方差(即，“类内方差”)。Otsu法能够很容易地自动化，并且也可以扩展为将图像多次重复阈值化，从而区分其他材料组分如石英、粘土和长石。计算装置120可以替代地或附加地使用具有不同复杂度的自动分割算法的其他示例来区分图像体积的不同特征，这种算法包括指示克里金法(Indicator Kriging)、会聚主动轮廓(Converging Active Contours)、分水岭法(Watershedding)等。
计算装置120还可以利用其他图像增强技术以增强或改善在图像体积128中定义的结构，从而进一步区分结构、降低噪声影响等。同样，尽管计算装置120能够进行分割或其他图像增强技术，但是可以预期，测试系统102的其他组件，例如成像装置122本身，可以替代性地全部或部分进行图像增强。
由此，分割将数字图像体积128中的体素与岩石样品104内的相应物理位置处的特殊材料(或孔空间，视情况而定)相关联。各个体素以对应于分配给给定X射线衰减幅度的特殊成分的一个唯一材料标识来标记。这种成分包括孔空间、基质材料、混合孔-粘土比例、单个颗粒、颗粒接触、矿物类型等。
图4示出了岩石样品104的数字图像体积128的表现400。如上所述，数字图像体积128可以由一系列2D切片图像300(或分割的2D切片图像310)来构建。表现400包括不同的岩石组构，例如对应于源自2D切片图像300的识别的岩石组构。在一些示例中，组构是指由图像的“区域”或部分共享的图案。例如，可以基于共享底层属性如孔隙率、组成相及其比例、图像熵等将区域作为组构来一起分组。岩石组构的特定具体示例包括孔空间和各种类型的固体。例如，不同类型的固体材料可以对应于不同的岩石组构。因此，组构可能被视为特殊域或图像内像素值(例如像素强度)的空间图案的量化。
在图4的示例中，表现400包含第一岩石组构402、第二岩石组构404和第三岩石组构406以及主体或沉积主导的沉积岩组构408，其构成岩石组构402、404、406之间的岩石样品的本体。包含表现400的至少一部分体素与跟岩石样品104相关联的物理坐标空间相关联或映射到所述物理坐标空间。这使得成像的岩石组构402、404、406映射到岩石样品104内的特定物理位置。
本发明的实施方案利用成像的岩石组构402、404、406在数字图像体积128的表现400中的位置来识别穿过数字图像体积128的与岩石组构402、404、406相交的一个或多个数字平面，如图2的框208所示。在一些示例中，在图2的框206中进行的上述分割提供这些组构402、404、406的空间识别。在分割之后，并根据数字图像体积128内的岩石组构402、404、406的复杂性和布置，可能需要多个数字平面来充分地与所有不同的岩石组构402、404、406相交。此外，在一些示例中，识别数字平面以减少或最小化充分相交所有不同岩石组构402、404、406所需的平面数量。
例如，为了与岩石组构402、404、406相交，第一组数字平面包括与岩石组构402、406相交的数字平面410和与岩石组构404相交的数字平面412。然而，如果可能，减少数字平面的数量，从而减少后续的机械加工和SEM成像要求可能是有利的。因此，在至少一个实施方案中，选择与岩石组构402、404、406相交的数字平面414，从而减少所需的机械加工和成像以使所有岩石组构402、404、406充分成像。
在识别数字平面414之后(例如根据图2A的框208)，方法200在框210中继续，其中对物理岩石样品104进行机械加工(或以其他方式机械制备)以暴露对应于所识别的一组数字平面(例如数字平面414)的物理面。如上所述，因为数字图像体积128(例如其复合体素)被映射到与岩石样品104相关联的物理坐标空间，所以所识别的数字平面414对应于该物理坐标空间中的平面，使其相对简单地对相应的物理面机械加工。
一旦物理岩石样品104已经被机械加工或以其他方式机械制备以暴露对应于所识别的一组数字平面的一个或多个物理面，方法200在框212中继续以获得物理面的一系列SEM图像。在各种实施方案中，岩石样品104的物理面的SEM成像以各种尺度来进行(例如随着对岩石样品104的物理面的放大量的增加，顺序进行SEM成像)。图5a-图5c展示了以不同(例如顺序放大)尺度捕获的示例SEM图像，这有助于定义数字平面414中的一种或多种岩石组构(例如图4中的组构402、404、406)的空间特性。
在一个示例中，被放大的区域可以根据正在进行的成像的环境而变化。在其中对于给定的项目，有机孔隙率特别重要的一个示例中，重点放在获取似乎包含该类型组构的区域的放大图像。继续这个示例，似乎不包含展示有机孔隙率的组构的区域采样频率较低(即，对似乎不包含包括至少阈值量的有机孔隙率的组构体积的区域采集的放大较小的图像，并且对于不包含展示有机孔隙率的至少阈值量的组构的那些区域，缩放水平也可以更低)。在另一个示例中，总体的孔连通性对于给定的项目特别重要。在该示例中，可以对所有区域进行同等采样以避免忽略与确定孔连通性相关的图像数据。同等采样的一个示例包括沿矩形网格路径获取放大的图像，其中在图像的维度上具有规则的间距。
图5a示出了约100微米宽的SEM图像500。SEM图像500的第一缩放部分502包含多个岩石组构，包括第一组构504和第二组构506。例如，第一组构504对应于无机的富含孔隙率的组构，而第二组构506对应于有机的富含孔隙率的组构。缩放部分502可以被识别为含有具有在较低分辨率下不易辨别的更精细细节的感兴趣的特殊组构的结果。例如，缩放部分502可以从SEM图像500中选择，因为它表明存在有机的丰富的孔隙率。与能够从SEM图像500辨别的内容相比，缩放部分502提供了有机孔结构的更大的视觉清晰度。此外，放大有时可用于辨别感兴趣的各种区域的充分的结构细节。
图5b更详细地示出了第一缩放部分502。例如，图5b中的更详细的信息是通过对第一缩放部分502进行更高缩放级别的SEM成像而获得的，因此第一缩放部分502等效为缩放后的SEM图像502。特别地，如图5b所示，缩放的SEM图像502约为50微米宽。在图5b中，第一和第二组构504、506看起来更大且更详细。此外，以类似于在图5a中识别第一缩放部分502的方式对第二缩放部分510进行了识别。例如，第二缩放部分510可以从缩放的SEM图像502中选择，因为第二缩放部分510具有比缩放的SEM图像502的其他部分更高的所代表岩石组构的多样性。
图5c更详细地示出了第二缩放部分510。例如，图5c中的更详细的信息是通过使第二缩放部分510以更高的缩放级别进行SEM成像而获得的，因此第二缩放部分510等效地是第二缩放的SEM图像510。特别地，如图5c所示，第二缩放的SEM图像510为约10微米宽。第一组构504不存在于第二缩放的SEM图像510中，因为它不包含在图5b中的第二缩放部分510中。然而，第二组构506看起来更大且更详细。在图5c的示例中，在第二缩放的SEM图像510的中心区域中识别的第二组构506例示了富含有机物的孔组构，其可能影响或有助于较大岩石样品104的流动、运输和储存的描述。
尽管图5a-图5c的示例包括第一和第二缩放图像502、510，但是本发明的其他示例可以根据需要扩展到额外或更少的缩放迭代以捕获所表示的岩石组构的足够水平的多样性。此外，可以在较大岩石样品104的物理面上重复所述过程或捕获多个缩放的SEM图像。例如，可以在由图5a的SEM图像500所表示的区域上获得缩放到图5c中所示水平的一组SEM图像。因此，产生了跨越多个尺度(例如“多尺度”)的一组缩放的SEM图像，其捕获了较大岩石样品104的物理面的更精细的细节。这组多尺度SEM图像可以包含在上述数字图像体积128中所含的多个岩石组构中的至少阈值数量的岩石组构。在这种情况下，较高的阈值会产生一组多尺度SEM图像，所述SEM图像在数字图像体积128中捕获或表现较大的组构百分比(例如在某些情况下为约70％、80％、90％或100％)。在该上下文中较低的阈值导致一组多尺度SEM图像，所述SEM图像捕获或表现数字图像体积128中组构的相对较低的百分比(例如小于约70％)，例如以减少所述方法的后续步骤所需要的计算或处理资源。此外，如下文将进一步解释的，可以对第二缩放的SEM图像进行分割以提取特征量(如孔空间、有机固体材料和固体无机材料)，这可以用于与较大的岩石样本104相关的进一步的数值预测或判断。
图5d提供了图5a-5c中所示的和上述的方法的替代性示例。特别地，在图5d的步骤3中，基于在图5d的步骤2中得到的分割的较低分辨率的图像生成概率图(例如使用无监督学习算法)。步骤3的概率图对相似的组构进行概率分组。例如，类型1概率图示出了一个区域是否为无孔富含有机物的组构的概率，而类型2概率图示出了一个区域是否为多孔的富含有机物的组构的概率。在一些情况下，相似组构的分组指示或识别岩石样品104的感兴趣区域以进行更高分辨率的成像。在图5d的示例中，该识别的感兴趣区域对应于类型2材料下部的方框区域，示出所述区域很可能是类似的岩石组构。在一个示例中，识别的感兴趣区域或SEM图像中的第一区域包含与主要组构类型相关联的第一数量的像素(例如在类型2概率图的情况下为多孔的富含有机物的组构)和与主要组构类型以外的组构相关联的第二数量的像素。由此，可以基于高于阈值的第一数量对第二数量之比来识别感兴趣区域，这表明了该区域中的主要组构类型的特定百分比(或更多)。一旦识别出感兴趣的区域，则可以以更高(例如更精细)的分辨率进行额外的SEM成像，如图5d的步骤4所示。
总体上参考图5a-图5d，该说明书的一些示例利用一种或多种机器学习算法来确定上述缩放和捕获方法的各个方面。例如，可以响应于机器学习算法的应用来确定要采样的岩石组构的数量(例如数字图像体积128中识别的组构的总数)。类似地，可以响应于机器学习算法的应用来确定捕获特定岩石组构的分辨率(例如对于给定的岩石组构，放大多少合适)。在一个示例中，这些值或级别以迭代方式来确定，以生成能够在合理的时间内进行处理的数据组(例如避免对要捕获的组构数量和捕获这些组构的分辨率的所有可能组合进行暴力采样)，同时仍然为各种特定数量的组构提供有用的数据。例如，这避免了诸如如下的状况：对第一组构的缩放不足，从而错过了该组构的重要细节；或过度缩放第二组构，从而浪费宝贵的时间和处理资源(在捕获和/或后续处理过于详细的图像期间)。
返回参考图2的方法200，一旦以约2～4倍的分辨率获得了一组SEM图像，针对给定的应用要分析的最小孔或感兴趣的其他材料特征，方法200在框214中继续，任选地将分割应用于2D SEM图像。例如，如果表征样品的微孔率(例如小于5nm的孔径)，则所需的分辨率可能为约2nm。作为另一个示例，如果表征大于15nm的硫铁矿的孔，则所需的分辨率可能为约5nm，由此所需的缩放水平可能相对更宽松。分割2D SEM图像类似于上面关于框206以及图3a和3b关于分割2D切片图像300描述的分割。图6a示出了示例性简单的双成分(例如孔空间和有机物质)SEM图像600，其尺度可以类似于上面关于图5c所描述的第二缩放SEM图像510的。在该示例中，在SEM图像600相对简单的情况下，可以使用单个阈值进行分割以在孔空间与有机物质之间进行区分。图6b示出了得到的分割的SEM图像610，其中孔空间示出为黑色并且有机基质材料示出为白色。通过将框212中获得的SEM图像分割成两个相(例如孔空间和有机物质)，较大岩石样品104的孔空间在二维中以细粒度水平被捕获，然后可以利用其来创建代表岩石样品104的3D数字模型体积，但具有比最初捕获的数字图像体积更精细的分辨率(例如更大的细节水平)。特别地，可以将图6b中的分割的2D SEM图像610用作2D到3D体积变换的训练图像，这将在下面更详细地解释。在其他示例中，在框212中获得的SEM图像可以被分割成任意数量的相，代表各种岩石组构。
图7a示出了分割的2D SEM图像的组700，类似于上面解释的分割的SEM图像610。所述2D SEM图像的组700是从含有特殊组构(例如402、404、406)的不同表现的多个SEM图像中提取的。返回参考方法200，在框216中，将分割的2D SEM图像的组700用于为特殊的岩石组构生成一组统计上相似的3D数字模型体积。在特定示例中，将一种或多种随机算法(例如互相关函数)应用于一组2D SEM图像700以生成统计上相似的实现或统计上等效的3D孔-有机基质体积。在互相关函数的示例中，该方法使用2D训练图像(例如上述2D SEM图像610)中的结构信息(例如指示图像的不同部分之间的相关性的数据)以首先将图像分解成更小的成分区域，然后以随机方式重新组合这些区域，以综合生成统计上相似但不相同的原始2D训练图像的版本。随后，将原始的2D训练图像及其统计上相似的版本投影到一个或多个假想平面中(例如，在3D中)。这些3D投影或“数字模型体积”可以用于统计上调整生成合成的、统计上相似的图像的后续迭代。在一个示例中，这种调整过程可用于迭代生成合成图像，所述合成图像可以以似乎更精确地反映真实世界岩石样品的自然外观和/或结构连续性的方式位于先前生成的合成图像之上或之下。
图7b示出了3D孔-有机基质模型体积的示例性组710，其在统计上彼此相似。例如，当诸如第一模型体积的孔相的算法和第二模型体积的孔相的算法的属性相同或在阈值量(例如，基于工程公差)内时，第一数字模型体积在统计上类似于第二数字模型体积。在某些情况下，统计等价性由随机算法中关于遍历性的假设来控制。因为给定组构类型的3D数字模型体积的组710是从岩石样品104的单个物理面或少量物理面获取的2D图像计算生成的，所以可以更容易地生成组710并且与例如其中一部分岩石材料被连续机械加工并逐层成像的FIB-SEM相比，费用相对更低。在一些示例中，基于用于生成3D数字模型体积的各个2DSEM图像中的像素值的空间分布，确定组710的3D数字模型体积中的体素的数值。在一个具体但非限制性的示例中，2D SEM图像中的圆形颗粒(例如由黑色像素包围的近似圆形中的100个白色像素)导致在3D数字模型体积中生成球形颗粒(例如在被黑色体素包围的近似球体中的1000个白色体素)。
此外，因为给定组构类型的3D数字模型体积的组710可以从取自岩石样品104的多个物理面的2D图像来计算生成，所以这种2D图像可以具有岩石样品104的不同轴向取向。在一个具体但非限制性的示例中，沿第一轴相对于岩石样品104的位置拍摄岩石样品104的物理面的第一2D SEM图像，而沿第二轴相对于岩石样品104的位置拍摄岩石样品104的物理面的第二2D SEM图像。这使得生成的3D数字模型体积能够考虑其轴对称性可能不同的特征。例如，沿一个轴呈圆形的特征可能通常在生成的3D数字模型体积中表现为球形。然而，如果所述同一特征沿另一个轴呈长方形，则所述特征可能会在生成的3D数字模型体积中表现为卵形。
此外，可以针对多种组构类型重复为给定组构类型生成3D数字模型体积的组710的过程，这导致多个(例如M个)组构类型中的各个可以实现多次(例如N次)。给定组构类型的3D数字模型体积的N次实现代表了该组构类型的3D版本在自然界中的样子的多种可能性，这提供了一种在组构级别计算或确定岩石物理性质的方式，从而为该特殊组构类型生成各种岩石物理性质的概率分布。在某些情况下，从3D数字模型体积确定的岩石物理性质的估计值比从2D模型导出的那些相同性质的估计值更准确。结果，本文中描述的3D数字模型体积的生成提高了相对于例如基于2D SEM图像估计岩石物理性质的准确性。
相对于原始数字图像体积128，组710中的3D数字模型体积由于基于2D SEM图像生成而具有更高(例如更精细)的分辨率。此外，各个3D数字模型体积对于存在于数字图像体积128中的通常的多种组构类型中的一种组构类型是特定的。
一旦生成了一组统计上相似的3D模型710，则方法200在框218中继续以对3D数字模型体积710进行数值模拟，从而确定与各个3D数字模型体积710相关联的一种或多种的材料或岩石物理性质。在一个示例中，将3D数字模型体积710用作一种类型的岩石组构(例如，一种组构类型的N次实现)的建模网格以确定该组构类型的期望的一种或多种材料性质。在各种示例中，材料性质可以包括孔隙率、孔径分布、渗透率、毛细管压力、电阻率和弹性模量。
下面的示例性表1将代表性的孔隙率和渗透率值展示为源自图7b中所示的一组3D孔-有机基质体积710的材料性质。在该示例中，3D孔-有机基质体积710用于使用一种或多种图像分析算法如分割(例如用于孔隙率)和格子-玻尔兹曼模拟(例如用于渗透率)来计算孔隙率和/或渗透率。在一个示例中，由应用这些算法产生的一组计算值代表了在包含该组构的真实世界岩石样品中可能遇到的所有可能的孔隙率和渗透率。因此，算法为特殊组构类型(例如该示例中的多孔有机物质)的各种孔隙率和渗透率制造或提供概率分布。生成额外的实现或数字模型体积，导致实现基于更大量的模型来确定岩石物理性质的能力，从而产生相应更大的概率分布数据组。这导致更准确和/或精确地确定那些岩石物理性质的概率分布。
Figure BDA0003929580410000211
表1.
表1中的各种实现对应于3D模型示例组710的3D模型之一。各种模型的统计相似性通过表1中各种实现的渗透率和孔隙率值的相对紧密分组来反映。在一些示例中，数值模拟利用源自示例性直接数值模拟技术的专有算法。例如，两相格子玻尔兹曼模拟可以用于基于给定组构类型的3D数字模型体积来估计数值渗透率，而对象划分和点计数算法可用于基于给定组构类型的3D数字模型体积来估计数值孔径分布。
在一些示例中，给定岩石组构的确定的一种或多种材料性质与对应于该给定岩石组构的3D数字模型体积中的体素相关联。此外，还可以将数字模型体积内的位置映射到与岩石样品104相关联的物理坐标空间。因此，确定的一种或多种材料性质能够与跟岩石样品104相关联的物理坐标空间相关联。如上所述，映射到数字模型体积中的特殊体素的材料性质可以从针对给定岩石组构测量的性质分布来采样，这导致数字模型体积成为这种材料性质的复合体积网格。
图8示出了示例性3D模型(例如3D模型的示例组710之一)，其中作为灰度热图的流场(例如确定的材料性质)叠加在3D模型上。通常，流场包含3D数字模型体积中的多个体素(例如各个体素)的流速值。渗透率张量是将3D流场简化为代表值(例如在某些情况下为单个值)，由此可以响应于给定3D数字模型体积的确定流场来计算。尽管图8中3D模型的孔隙率呈现为断开，但是流场表明，存在通过3D体积的流动路径。灰度热图代表流速，较深的色调代表较高的速度，较浅的色调代表较低的速度。图8中的箭头代表通过3D体积建模的流动的总体方向。
图9示出了根据本文中公开的原理对岩石样品进行分析的方法950的流程图。图9包括与上述关于图2A和2B的相似的特定步骤。尽管为方便起见按顺序进行了描绘，但所示出的动作中的至少一部分能够以不同的顺序进行和/或并行进行。此外，一些实施方案可以仅进行所示出动作的一部分。在一些实施方案中，方法950的至少一部分操作以及本文中描述的其他操作能够作为储存在计算机可读介质中并由一个或多个处理器152执行的指令来实现。
框952、954和956分别类似于框202、204和206，并且为了简洁起见，此处不再重复这些框的描述。
在框958中，对在框956(和框206)中关联的各种岩石组构的材料性质进行了估计。在如下示例中，材料性质为渗透率；然而，在其他示例中，可以按上述来估计岩石组构的不同材料性质。如上文关于框218所述，可对3D模型710进行数值模拟以确定这种材料性质(例如渗透性)，然后将其与数字图像体积的各种岩石组构(或代表那些组构的体素)相关联。在各种示例中，材料性质还可以包括孔隙率、孔径分布、渗透率、毛细管压力、电阻率和弹性模量。如上所述，可以将数字图像体积的体素(以及由此相关联的、确定的一种或多种材料性质)映射到与岩石样品104相关联的物理坐标空间，从而提高对物理岩石样品104和从其采样的地层的理解。
方法950在框960中继续，从分数反弹参数(FBP)列线图集合中选择列线图，所述列线图具有关联的或有效的网格尺寸，其将框956中确定的材料性质值与给定范围内的FBP值相关联。例如，在方框956中确定的渗透率值跨越渗透率范围。列线图集合的各个列线图将渗透率值与给定网格尺寸的FBP值相关联。在一些示例中，所选择的列线图是渗透率范围与在下FBP阈值与上FBP阈值之间的FBP值相关联的列线图。
图10示出了根据本文中公开的原理在灰度格子玻尔兹曼(GSLB)模型或算法中使用的FBP确定的示例。在图10中，在流式传输(streaming)之前(例如网格1000)和在流式传输之后(例如网格1020)都示出了体素的网格。流式传输步骤是GSLB算法的一个步骤(例如中间步骤)。“在流式传输之前”是指在流式传输功能/操作的数学应用之前输出的GSLB的状态。“在流式传输之后”是指在流式传输功能/操作的应用之后输出的GSLB的状态。流式传输功能/操作是GSLB算法利用在主要输入(例如源自原始数字图像/3D数字体积输入)中提供的FBP信息的步骤。这些主要输入由网格点(例如由图10中的圆圈所图示)以及与各个网格点相关联的特定FBP值来表示。在图10中，FBP值由网格点1002和1004处的灰色阴影来图示。在一些示例中，各个网格点具有相关联的FBP值。在图10的示例中，为了简化，网格点的着色被限制为1002和1004。
GSLB算法是一种迭代算法，并且上文描述的其输出可以通过多个功能/操作来多次迭代修改。流式传输是进行这种迭代修改的GSLB算法中的一种类型的中间操作。可以进行这些迭代操作，直到满足所需的标准，在该点迭代停止(例如没有算法的额外迭代)。在GSLB算法的迭代过程中，各个步骤的输出也是下一轮迭代的输入。该输出的一个变量是在不同方向上的一组分数流式传输值。为简单起见，在图10中仅图示了两个方向：f1和f2。
Figure BDA0003929580410000241
是在应用流式传输功能/操作之前从源网格点1002到目标1004网格点的分数流式传输。
Figure BDA0003929580410000242
是从目标网格点1004到下一个网格点(例如在目标网格点1004的右侧)以用于下一轮迭代(例如在应用流式传输之后)的分数流式传输，而
Figure BDA0003929580410000243
是在应用流式传输之后从目标网格点1004返回到源网格点1002的分数流式传输。
Figure BDA0003929580410000244
和
Figure BDA0003929580410000245
由流式传输功能/操作来计算，并且是后续一轮迭代的输入的一部分。αS和αT分别是源1002和目标1004网格点处的FBP的十进制形式。
体素1000、1020的网格包括源体素1002和目标体素1004。在该示例中，确定从源体素1002到目标体素1004的流体流动行为。例如，先前确定(例如在先前的计算迭代期间)，源体素1002在
Figure BDA0003929580410000249
的目标体素1004的方向上提供流动，其可以重写为分量(1–αS)和αS之和，其中αS等于FBP除以100。
如流式传输1020之后的体素网格所示，
Figure BDA0003929580410000246
对应于分量1–αS，其被目标体素1004反射回源体素1002；
Figure BDA0003929580410000247
对应于分量αS，其通过目标体素1004传输到另一个相邻体素上。
在目标体素1004是完整孔空间的示例中，提供给目标体素1004的所有流体流动(例如
Figure BDA0003929580410000248
)都传输通过目标体素1004，由此αS＝1并且反射分量(1–αS)由此为0。在该示例中，与目标体素1004相关联的FBP为100。
在目标体素1004是完整固体空间的示例中，提供给目标体素1004的所有流体流动(例如
Figure BDA0003929580410000251
)都通过目标体素1004反射回源体素1002，由此αS＝0并且反射分量(1–αS)由此为1。在该示例中，与目标体素1004相关联的FBP为0。
在目标体素1004是部分固体/孔空间的其他示例中，FBP作为由目标体素1004反射回或透射的所提供流体
Figure BDA0003929580410000252
的量的函数而变化。如下面所进一步描述的，给定体素的FBP可以基于其渗透率或按上述确定的另一种材料性质来确定。
图11a示出了列线图集合1100，其将渗透率值与各种网格尺寸的FBP值相关联。在这种情况下，网格尺寸是指或与体素尺寸/分割体积尺寸有关。例如，一微米的网格尺寸意味着各个网格点(例如关于图10描述的)被指定为相对于其他网格点具有一微米的间距。在该示例中，列线图1100的集合包括用于1微米的示例性网格尺寸的第一列线图1102、用于0.1微米的示例性网格尺寸的第二列线图1104、用于0.01微米的示例性网格尺寸的第三列线图1106以及用于0.001微米的示例性网格尺寸的第四列线图1108。尽管没有描绘在图11中，但是在一些示例中，还包括一个或多个外推的列线图，它不一定是列线图1100的原始集合的一部分，而是从作为列线图1100的集合的一部分的列线图1102、1104、1106、1108导出。下面参考图11b来进一步描述列线图1100的集合的生成。
图11b示出了用于生成上述列线图1100的集合的合成样品1120的示例组。对于各个网格尺寸，创建多个合成样品，各个样品都有不同的分配的FBP。为特殊合成样品的一个网格方形计算渗透率(或其他材料性质)值，并根据合成样品的网格尺寸、该合成样品的FBP与针对该合成样品的一个网格方形计算的渗透率之间的结果关系生成列线图。
例如，合成样品1122是针对1个单位(例如微米)的网格尺寸并具有约10的FBP(对于0到100的FBP尺度)而创建的。合成样品1122的一个网格方形的渗透率值计算为约100毫达西(md)，其被绘制为图11a中的列线图1102中的点，如图所示。类似地，针对1个单位的网格尺寸创建具有不同FBP的合成样品，并为那些合成样品的网格方形计算渗透率(或其他材料性质)值，当绘制这些样品时，制得图11a中的列线图1102。在一系列FBP中创建多个网格尺寸的合成样品，并计算与各个合成样品的网格方形相关联的渗透率(或其他材料性质)值，由此得到上述列线图1100的集合。
在这些示例中，各个列线图1100的集合将渗透率值(例如按上述确定的)与相应的FBP值相关联。为了说明的目的，可以假设，图9中的前面的框确定了具有不同渗透率值的四种岩石组构。图11c将列线图1100的集合示出为列线图1150的集合，其中x轴和y轴颠倒，使得渗透率是列线图1150的集合中的自变量。四种岩石组构对应于渗透率值，如在1152处所示。在一些示例中，在FBP尺度末端的特定范围内的FBP值(例如对于0到100的FBP尺度，<10且>90)会在诸如使用下面进一步描述的GSLB算法的后续建模期间导致数值不稳定。在图11c中，选择对应于1个单位(例如微米)的网格尺寸的列线图1102，这导致大于90的FBP值，这对应于四种岩石组构的渗透率值1152。因此，如果选择列线图1102来生成GSLB引擎1154的输入，则GSLB引擎1154的结果或输出可能不可用，因为当FBP值处于易于不稳定的范围内时会导致数值不稳定性。
然而，如图11c所示，四种岩石组构的渗透率值可能与多于一个的列线图相交。如上所述，避免其中岩石组构的渗透率值与会导致数值不稳定性的范围内的FBP值相关联的列线图可能是有利的。
因此，在该说明书的示例中，选择将四种岩石组构中的各种的材料性质(例如在该示例中的渗透率)与给定范围的FBP值(例如大于下FBP阈值(例如对于0到100的尺度为10)并且小于上FBP阈值(例如对于0到100的尺度为90))相关联的列线图。尽管在列线图1100、1150的集合中未示出，但在某些情况下，列线图1100的集合最初不包括满足FBP范围约束的列线图，由此基于列线图1100的集合中的其他列线图构建外推的列线图。无论如何，图11d示出了列线图1150的集合，其中选择对应于0.1单位(例如微米)的网格尺寸的列线图1104。因此，四个岩石组构的渗透率值1152导致FBP值在10～90之间，如图所示。结果，选择列线图1104来为渗透率值1152生成到GSLB引擎1154的输入，使得GSLB引擎1154能够提供诸如模拟流场1156的稳定输出，然后能够将其映射到与初始岩石样品相关联的恢复的聚集渗透率1158(例如渗透率张量)。
返回参考图9，方法950在框962中继续，将数字图像体积中的各个体素(例如各个确定的组构类型)与由所选列线图(或外推列线图)指示的相应FBP值相关联，所述列线图例如为上述在图11d的示例中的列线图1104。
然后方法950在框964中继续，创建具有与数字图像体积相似尺寸的3D FBP体积。例如，图12在1202中示出了被通过将常规LB应用于全分辨率数字图像导出的流场覆盖的示例数字图像体积，并且在1204中示出了源自将GSLB应用于对应的粗化数字图像的3D FBP体积的示例流场。3D FBP体积的体素FBP值对应于上述所选(或外推)列线图的网格尺寸。例如，使用列线图1104来确定四种岩石组构的渗透率值1152的FBP值，导致0.1微米的网格尺寸。如图12所示，3D FBP体积1204的分辨率比数字图像体积1202的分辨率更粗，然而，为GSLB引擎输入的特定网格尺寸和FBP值对应于所选列线图1104(0.1微米)。
方法950然后在框966中继续，将GSLB算法应用到在框964中创建的3D FBP体积1204。GSLB算法接收在框960和962中确定的并在上面参考图11a-图11d进行了描述的FBP值作为输入。此后，对3D FBP体积1204中的体素位置进行对于GSLB算法特殊的数学操作如迭代流式传输、碰撞和分数反弹操作，直到为那些体素位置计算出稳定的流速。这些流速，统称为“流场”，能够用于计算数字图像体积的渗透率张量估计值。
图13示出了原始断层图像(例如捕获的数字图像)1302与模拟流场1304之间的比较，所述模拟流场1304例如由将GSLB算法应用于3D FBP体积1204而产生。
图14是用于分析诸如上述岩石样品104的岩石样品的方法1400的图示流程图。在1402，按上述在岩石样品104的一个或多个物理面上进行SEM成像，这产生岩石样品104的多个2D SEM图像(在一些情况下，来自于如上所述的不同轴向取向)。1402处的2D SEM图像可以类似于上面关于图5a-图5c描述的SEM图像500、502、510。
方法1400在1404继续，其中源自1402的SEM图像被任选地分割，例如上文关于图6a和图6b所描述的。通过分割在1402处获得的SEM图像，在二维中在细粒度水平下捕获较大岩石样品104的组构，然后可以利用其来创建代表岩石样品104的3D数字模型体积。特别地，1404处的分割的2D SEM图像可以用作2D到3D体积变换的训练图像。源自1402的2D SEM图像以及源自1404的分割训练图像可以源自岩石样品104的多个相邻和/或不相邻的视图。
方法1400在1406继续，其中将互相关函数应用于源自1402的至少第一和第二2DSEM图像以生成3D数字模型体积。例如，将一种或多种随机算法(例如互相关函数)应用于源自1402的2D SEM图像(或源自1404的分割版本)，以生成统计相似或统计等效的3D孔-有机基质体积的多次实现中的一次。在互相关函数的示例中，该方法使用2D训练图像(例如1402的2D SEM图像或1404的分割版本)中的结构信息(例如指示图像的不同部分之间的相关性的数据)，从而首先将图像分解为较小的成分区域，然后以随机方式重新组合这些区域，以综合生成统计上相似但不相同的原始2D训练图像的版本。随后，将原始的2D训练图像及其统计上相似的版本投影到一个或多个假想平面中(例如以3D的形式)。这些3D投影或“数字模型体积”可以用于统计上调整生成合成的、统计上相似的图像的后续迭代。在一个示例中，这种调整过程可用于迭代生成合成图像，所述合成图像可以以似乎更精确地反映真实世界岩石样品的自然外观和/或结构连续性的方式在先前生成的合成图像之上或之下。
方法1400在1408继续，从1406确定一个3D数字模型体积的孔径的概率分布(例如孔径分布)。在示例中，孔径分布基于源自1402的2D SEM图像中像素的图像强度值来确定，将所述图像强度值用于生成3D数字模型体积，以用于确定1408处的孔径分布。
在一些示例中，确定孔径分布包括使用源自示例性直接数值模拟技术的算法的数值模拟。例如，两相格子玻尔兹曼模拟可用于基于给定组构类型的3D数字模型体积来估计数值渗透率，而对象划分和点计数算法可用于基于给定组构类型的3D数字模型体积来估计数值孔径分布。
在方法1400中，聚集来自于多个2D SEM图像(源自1402)或任选地分割的训练图像(源自1404)的信息，导致在1406处的3D数字模型体积更接近地表示原始岩石样品104的特征。另外，在一些示例中，在1408，将多个3D模型体积用于确定相应的多个孔径分布。例如，将3D数字模型体积用作一种类型的岩石组构的建模网格(例如一种组构类型的N次实现)以确定该组构类型期望的一种或多种材料性质。因为3D模型体积代表一种组构类型的N次实现，所以也可以聚集在1408处得到的多个孔径分布，导致该组构类型的最终聚集孔径分布具有改善的准确性(例如相对于源自仅一次3D模型体积实现的孔径分布)。
在另一个示例中，因为3D模型体积代表一种组构类型的N次实现，所以2D SEM图像(源自1402)和/或分割训练图像(源自1404)可以从不同的岩石样品104生成，包括源自不同的地理区域，条件是不同的岩石样品104包括由3D模型体积代表的相同的一种组构类型。例如，第一2D SEM图像具有源自第一地理区域的第一岩石样品，而另一个2D SEM图像具有源自第二地理区域的第二岩石样品。应当理解，地理区域不必相隔很远，而是可以简单地指代靠近勘探井场的不同位置。然而，地理区域也可能相隔很远，条件是各种不同的岩石样品104包括由在1406处生成的3D数字模型体积所代表的岩石组构类型。
上述讨论旨在说明本发明的各种原理和实施方案。尽管已经示出并描述了特定的实施方案，但是本领域技术人员能够在不背离本发明的精神和教导的情况下对其进行修改。本文中所述的实施方案仅是示例性的，而不是限制性的。因此，保护范围不受上述描述的限制，而仅受所附权利要求的限制，所述范围包括权利要求的主题的所有等同物。

Claims (20)

1.一种分析岩石样品的方法，包括：
对与所述岩石样品的图像相对应的数字图像体积进行分割，以将所述数字图像体积中的体素与所述岩石样品的多个岩石组构相关联；
对所述数字图像体积执行图像处理以确定所述岩石组构的每一个的材料性质；
从列线图集合中选择具有关联的网格尺寸的列线图，其中所选择的列线图将所述岩石组构的每一个的所述材料性质与分数反弹参数(FBP)值相关联，所述FBP值在下FBP阈值与上FBP阈值之间；以及
基于所选列线图，将所述数字图像体积中的每个体素与FBP值相关联。
2.根据权利要求1所述的方法，其中，选择还包括：从所述列线图集合的一个或多个列线图外推列线图，其中，外推的列线图是所选择的列线图。
3.如权利要求1所述的方法，还包括：通过将灰度格子-玻尔兹曼(GSLB)算法应用于与所述数字图像体积的所述体素相关联的所述FBP值，为所述数字图像体积提供流场。
4.根据权利要求1所述的方法，还包括：通过将灰度格子-玻尔兹曼(GSLB)算法应用于与所述数字图像体积的所述体素相关联的所述FBP值，为所述数字图像体积提供渗透率张量。
5.根据权利要求1所述的方法，还包括：通过以下来生成所述列线图集合：
(a)提供包含多个体素的模拟数字图像体积；
(b)为所述模拟数字图像体积中的所述体素的每一个分配列线图FBP值；
(c)以列线图网格尺寸对所述模拟数字图像体积执行图像处理，以确定所述模拟数字图像体积的列线图材料性质；
(d)基于分配的列线图FBP值、所述列线图网格尺寸和确定的列线图材料性质，提供所述列线图集合的列线图；以及
重复步骤(b)至(d)以提供所述列线图集合中的其他列线图。
6.根据权利要求1所述的方法，其中，所述材料性质包括选自如下中的一个或多个：渗透率、孔隙率、孔径分布、毛细管压力、电阻率和弹性模量。
7.根据权利要求1所述的方法，还包括：将所述数字图像体积中的所述体素映射到与所述岩石样品相关联的物理坐标空间。
8.一种用于分析岩石样品的系统，包含：
第一成像装置，所述第一成像装置被配置为产生代表所述岩石样品的数字图像体积；和
计算装置，所述计算装置耦合到所述成像装置并且包含：
处理器；和
存储器，所述存储器耦合到所述处理器并被配置为储存指令，所述指令当由所述处理器执行时配置所述计算装置以：
分割所述数字图像体积，以将所述数字图像体积中的体素与所述岩石样品的多个岩石组构相关联；
对所述数字图像体积执行图像处理，以确定所述岩石组构的每一个的材料性质；
从列线图集合中选择具有相关联的网格尺寸的列线图，其中所选列线图将所述岩石组构的每一个的材料性质与分数反弹参数(FBP)值相关联，所述FBP值在下FBP阈值与上FBP阈值之间；以及
基于所选列线图，将所述数字图像体积中的每个体素与FBP值相关联。
9.根据权利要求8所述的系统，其中，所述指令在由所述处理器执行时配置所述计算装置以从所述列线图集合的一个或多个列线图外推列线图，其中，外推的列线图是所选择的列线图。
10.根据权利要求8所述的系统，其中，所述指令在由所述处理器执行时配置所述计算装置以通过将灰度格子-玻尔兹曼(GSLB)算法应用于与所述数字图像体积的所述体素相关联的所述FBP值来为所述数字图像体积提供流场。
11.根据权利要求8所述的系统，其中，所述指令在由所述处理器执行时配置所述计算装置以通过将灰度格子-玻尔兹曼(GSLB)算法应用于与所述数字图像体积的所述体素相关联的所述FBP值来为所述数字图像体积提供渗透率张量。
12.根据权利要求8所述的系统，其中，所述指令在由所述处理器执行时配置所述计算装置以通过以下来生成所述列线图集合：
(a)提供包含多个体素的模拟数字图像体积；
(b)为所述模拟数字图像体积中的所述体素的每一个分配列线图FBP值；
(c)以列线图网格尺寸对所述模拟数字图像体积执行图像处理，以确定所述模拟数字图像体积的列线图材料性质；
(d)基于分配的列线图FBP值、所述列线图网格尺寸和确定的列线图材料性质，提供所述列线图集合的列线图；以及
重复步骤(b)至(d)以提供所述列线图集合中的其他列线图。
13.根据权利要求8所述的系统，其中，所述材料性质包括选自如下中的一个或多个：渗透率、孔隙率、孔径分布、毛细管压力、电阻率和弹性模量。
14.根据权利要求8所述的系统，其中，所述指令在由所述处理器执行时配置所述计算装置以将所述数字图像体积中的所述体素映射到与所述岩石样品相关联的物理坐标空间。
15.一种用指令编码的非暂时性计算机可读介质，所述指令在由处理器执行时使所述处理器：
对与岩石样品的图像相对应的数字图像体积进行分割，以将所述数字图像体积中的体素与所述岩石样品的多个岩石组构相关联；
对所述数字图像体积执行图像处理以确定所述岩石组构的每一个的材料性质；
从列线图集合中选择具有关联的网格尺寸的列线图，其中所选择的列线图将所述岩石组构的每一个的材料性质与分数反弹参数(FBP)值相关联，所述FBP值在下FBP阈值与上FBP阈值之间；以及
基于所选列线图，将所述数字图像体积中的每个体素与FBP值相关联。
16.根据权利要求15所述的非暂时性计算机可读介质，其中，所述指令在由所述处理器执行时配置所述处理器以从所述列线图集合的一个或多个列线图外推列线图，其中，外推的列线图是所选择的列线图。
17.根据权利要求15所述的非暂时性计算机可读介质，其中，所述指令在由所述处理器执行时使所述处理器通过将灰度格子-玻尔兹曼(GSLB)算法应用于与所述数字图像体积的所述体素相关联的所述FBP值来为所述数字图像体积提供流场或渗透率张量。
18.根据权利要求15所述的非暂时性计算机可读介质，其中，所述指令在由所述处理器执行时使所述处理器通过以下来生成所述列线图集合：
(a)提供包含多个体素的模拟数字图像体积；
(b)为所述模拟数字图像体积中的所述体素的每一个分配列线图FBP值；
(c)以列线图网格尺寸对所述模拟数字图像体积执行图像处理，以确定所述模拟数字图像体积的列线图材料性质；
(d)基于分配的列线图FBP值、所述列线图网格尺寸和确定的列线图材料性质，提供所述列线图集合的列线图；以及
重复步骤(b)至(d)以提供所述列线图集合中的其他列线图。
19.根据权利要求15所述的非暂时性计算机可读介质，其中，所述材料性质包括选自如下中的一个或多个：渗透率、孔隙率、孔径分布、毛细管压力、电阻率和弹性模量。
20.根据权利要求15所述的非暂时性计算机可读介质，其中，所述指令在由所述处理器执行时配置所述处理器以将所述数字图像体积中的所述体素映射到与所述岩石样品相关联的物理坐标空间。
CN202180033504.1A 2020-05-08 2021-05-10 源自二维图像的材料性质 Pending CN115552461A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063021885P 2020-05-08 2020-05-08
US63/021,885 2020-05-08
PCT/US2021/031614 WO2021226593A1 (en) 2020-05-08 2021-05-10 Material properties from two-dimensional image

Publications (1)

Publication Number Publication Date
CN115552461A true CN115552461A (zh) 2022-12-30

Family

ID=76197642

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202180036949.5A Pending CN115668288A (zh) 2020-05-08 2021-05-10 源自二维图像的材料性质
CN202180036866.6A Pending CN115668287A (zh) 2020-05-08 2021-05-10 源自二维图像的材料性质
CN202180033504.1A Pending CN115552461A (zh) 2020-05-08 2021-05-10 源自二维图像的材料性质

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202180036949.5A Pending CN115668288A (zh) 2020-05-08 2021-05-10 源自二维图像的材料性质
CN202180036866.6A Pending CN115668287A (zh) 2020-05-08 2021-05-10 源自二维图像的材料性质

Country Status (9)

Country Link
US (3) US11530997B2 (zh)
EP (3) EP4147201A1 (zh)
CN (3) CN115668288A (zh)
AR (3) AR122054A1 (zh)
AU (3) AU2021269135A1 (zh)
BR (3) BR112022022579A2 (zh)
CA (3) CA3177809A1 (zh)
MX (3) MX2022013992A (zh)
WO (3) WO2021226593A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115668288A (zh) * 2020-05-08 2023-01-31 Bp北美公司 源自二维图像的材料性质
US20220207256A1 (en) * 2020-12-30 2022-06-30 Fei Company Charged particle microscope systems and clustering processes for high dynamic range sample analysis
US20230244072A1 (en) * 2022-01-31 2023-08-03 Saudi Arabian Oil Company Quantifying effects of dolomitization on porosity under petrographic microscope
CN115375680B (zh) * 2022-10-24 2023-02-03 中国煤炭地质总局勘查研究总院 矿物智能识别方法、装置及存储介质

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1896876B1 (en) * 2005-06-03 2013-04-17 Baker Hughes Incorporated Pore-scale geometric models for interpretation of downhole formation evaluation data
CA2724031A1 (en) * 2008-05-23 2009-11-26 The Australian National University Image data processing
EP2572009A1 (en) 2010-05-20 2013-03-27 Universiteit Gent 3d porous material comprising machined side
US9201026B2 (en) * 2012-03-29 2015-12-01 Ingrain, Inc. Method and system for estimating properties of porous media such as fine pore or tight rocks
US20140052420A1 (en) * 2012-08-20 2014-02-20 Ingrain Inc. Digital Rock Analysis Systems and Methods that Estimate a Maturity Level
EP2914956A1 (en) * 2012-11-01 2015-09-09 Ingrain, Inc. Characterization of rock and other samples by means of a process and system for the preparation of samples using castable mounting materials
US20140270393A1 (en) * 2013-03-15 2014-09-18 Bp Corporation North America Inc. Systems and methods for improving direct numerical simulation of material properties from rock samples and determining uncertainty in the material properties
CA2912191C (en) * 2013-08-06 2021-06-15 Bp Corporation North America Inc. Image-based direct numerical simulation of petrophysical properties under simulated stress and strain conditions
US10167704B2 (en) * 2013-08-28 2019-01-01 Board Of Regents, The University Of Texas System Reservoir pressure prediction and methods of execution
US10551520B2 (en) * 2014-11-13 2020-02-04 Colorado School Of Mines Surface relaxivity calculation using nuclear magnetic resonance (NMR) measurement, three dimensional (3D) rock model and NMR response simulation
US10198804B2 (en) * 2015-04-15 2019-02-05 Halliburton Energy Services, Inc. Method for determining fabric and upscaled properties of geological sample
US10578568B2 (en) * 2015-04-29 2020-03-03 Colorado School Of Mines Water/oil/gas emulsions/foams characterization using low field nuclear magnetic resonance
US10184906B2 (en) * 2015-05-06 2019-01-22 Cgg Services Sas Identification, quantification and prediction of free silicon in geological formation and its contribution to rock properties
CA2999220A1 (en) * 2015-10-02 2017-04-06 Repsol, S.A. Method for providing a numerical model of a sample of rock
US10107769B2 (en) * 2016-01-11 2018-10-23 Carl Zeiss X-Ray Microscopy Inc. Multimodality mineralogy segmentation system and method
CA3125967A1 (en) * 2019-01-08 2020-07-16 Schlumberger Canada Limited Methods and systems for characterizing a porous rock sample employing combined capillary pressure and nmr measurements
US11530998B2 (en) * 2019-01-10 2022-12-20 Halliburton Energy Services, Inc. Method and system to analyze geologic formation properties
US11415501B2 (en) * 2019-10-16 2022-08-16 King Fahd University Of Petroleum And Minerals Method of determining absolute permeability
CN115668288A (zh) * 2020-05-08 2023-01-31 Bp北美公司 源自二维图像的材料性质
WO2022098645A1 (en) * 2020-11-03 2022-05-12 Shell Oil Company Calibrating direct flow simulations of rock samples
US20220317015A1 (en) * 2021-03-31 2022-10-06 Saudi Arabian Oil Company Evaluating source rock permeability using 3d model
WO2023173033A1 (en) * 2022-03-10 2023-09-14 Bp Corporation North America Inc. Flow simulation in porous media

Also Published As

Publication number Publication date
US11982635B2 (en) 2024-05-14
AU2021269135A1 (en) 2022-12-08
US20210349042A1 (en) 2021-11-11
AU2021268363A1 (en) 2022-12-08
MX2022013993A (es) 2023-02-09
AR122055A1 (es) 2022-08-10
BR112022022575A2 (pt) 2023-01-17
WO2021226595A1 (en) 2021-11-11
CN115668287A (zh) 2023-01-31
MX2022013992A (es) 2023-03-09
WO2021226593A1 (en) 2021-11-11
BR112022022579A2 (pt) 2023-01-17
US20210349041A1 (en) 2021-11-11
EP4147201A1 (en) 2023-03-15
AU2021266799A1 (en) 2022-12-08
CA3177809A1 (en) 2021-11-11
AR122054A1 (es) 2022-08-10
MX2022013995A (es) 2023-02-09
BR112022022560A2 (pt) 2023-01-17
US11530997B2 (en) 2022-12-20
CA3177655A1 (en) 2021-11-11
US20210349070A1 (en) 2021-11-11
WO2021226594A1 (en) 2021-11-11
EP4147200A1 (en) 2023-03-15
CN115668288A (zh) 2023-01-31
AR122053A1 (es) 2022-08-10
US11885757B2 (en) 2024-01-30
CA3177815A1 (en) 2021-11-11
EP4147198A1 (en) 2023-03-15

Similar Documents

Publication Publication Date Title
Jing et al. Coal cleat reconstruction using micro-computed tomography imaging
AU2014306018B2 (en) Image-based direct numerical simulation of petrophysical properties under simulated stress and strain conditions
CN115552461A (zh) 源自二维图像的材料性质
EP3077619B1 (en) Digital core model construction
CN109891460B (zh) 具有两个或更多个不混溶相的岩石的岩石物理性质的直接数值模拟
CA3098042C (en) Systems and methods for estimating mechanical properties of rocks using grain contact models
EA040615B1 (ru) Система и способ оценки механических свойств горных пород с использованием моделей межзеренного контакта

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