CN115761318A - 纹层识别方法、装置和存储介质 - Google Patents
纹层识别方法、装置和存储介质 Download PDFInfo
- Publication number
- CN115761318A CN115761318A CN202211397786.6A CN202211397786A CN115761318A CN 115761318 A CN115761318 A CN 115761318A CN 202211397786 A CN202211397786 A CN 202211397786A CN 115761318 A CN115761318 A CN 115761318A
- Authority
- CN
- China
- Prior art keywords
- image
- core sample
- layer
- striae
- type
- 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
Images
Abstract
本公开提供的一种纹层识别方法、装置和存储介质,属于油气勘探技术领域,方法包括:对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个图像区域对应岩心样品的一个纹层;根据岩心样品的XRF元素分析数据,识别各个纹层的类型;根据各个纹层对应的图像区域包含的纹层信息,对岩心样品的不同类型的纹层进行定量表征。本公开实施例能够实现快速、准确地对岩心样品进行纹层识别。
Description
技术领域
本公开涉及油气勘探技术领域,尤其涉及一种纹层识别方法、装置和存储介质。
背景技术
随着油气勘探程度的逐渐提升,新增的含油气储集层绝大多数为页岩等致密储层。致密储层通常表现出不同的纹层状特征,纹层的类型和发育程度对于能否成为有利储层具有重要影响,有利储层通常表现出硅质含量高的纹层,且纹层厚度越大越有利。
相关技术中,岩石纹层的识别方法主要包括:地质观察法和测井识别法。
地质观察法主要通过地质人员对全直径岩心直接或利用放大镜进行肉眼观察,识别出岩心上的纹层类型并大致进行定量表征。该方法较为直观,但总体上成本高,耗时长,质量难以统一,受控于地质人员本身的专业能力。
测井识别法主要基于测井曲线或图像进行识别,但受限于测井设备的分辨率的限制,测井曲线的精度通常为几个分米,而部分纹层的厚度可能低于在精度以下,难以被识别。
发明内容
本公开实施例提供一种纹层识别方法、装置和存储介质。
本公开实施例的第一方面,提供一种纹层识别方法,所述方法包括:
对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个所述图像区域对应所述岩心样品的一个纹层;
根据所述岩心样品的XRF元素分析数据,识别各个所述纹层的类型;
根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征。
在一个实施例中,所述对岩心样品的CT图像进行分割,得到多个图像区域,包括:
根据所述CT图像的灰度值分布,确定多个灰度值波峰和多个灰度值波谷;
根据每相邻的灰度值波峰和灰度值波谷之间的中点,对所述CT图像进行分割,得到多个所述图像区域。
在一个实施例中,所述根据所述岩心样品的XRF元素分析数据,识别各个所述纹层的类型,包括:
按照所述岩心样品的深度方向,建立深度与所述CT图像中的图像区域和所述XRF元素分析数据中的元素信息之间的对应关系;
根据建立的所述对应关系,在所述XRF元素分析数据中,确定各个所述纹层的元素信息;
根据各个所述纹层的元素信息,识别各个所述纹层的类型。
在一个实施例中,所述方法还包括:
对不同类型的所述纹层采用不同的显示样式进行显示。
在一个实施例中,所述根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征,包括:
根据各个所述纹层对应的图像区域包含的纹层信息,确定所述岩心样品的不同类型的纹层的厚度和发育密度。
在一个实施例中,所述根据各个所述纹层对应的图像区域包含的纹层信息,确定所述岩心样品的不同类型的纹层的厚度和发育密度,包括:
根据各个所述纹层对应的图像区域包含的纹层信息,确定各个所述纹层的厚度;
根据每种类型的所述纹层的数量以及各个所述纹层的厚度,确定每种类型的所述纹层的厚度的统计值;
根据每种类型的所述纹层的数量和所述岩心样本的长度,确定每种类型的所述纹层的发育密度。
本公开实施例的第二方面,提供一种纹层识别装置,所述装置包括:
图像分割模块,用于对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个所述图像区域对应所述岩心样品的一个纹层;
类型识别模块,用于根据所述岩心样品的XRF元素分析数据,识别各个所述纹层的类型;
定量表征模块,用于根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征。
在一个实施例中,所述图像分割模块用于:
根据所述CT图像的灰度值分布,确定多个灰度值波峰和多个灰度值波谷;
根据每相邻的灰度值波峰和灰度值波谷之间的中点,对所述CT图像进行分割,得到多个所述图像区域。
在一个实施例中,所述类型识别模块用于:
按照所述岩心样品的深度方向,建立深度与所述CT图像中的图像区域和所述XRF元素分析数据中的元素信息之间的对应关系;
根据建立的所述对应关系,在所述XRF元素分析数据中,确定各个所述纹层的元素信息;
根据各个所述纹层的元素信息,识别各个所述纹层的类型。
在一个实施例中,所述装置还包括:
显示模块,用于对不同类型的所述纹层采用不同的显示样式进行显示。
在一个实施例中,所述定量表征模块用于:
根据各个所述纹层对应的图像区域包含的纹层信息,确定所述岩心样品的不同类型的纹层的厚度和发育密度。
在一个实施例中,所述定量表征模块用于:
根据各个所述纹层对应的图像区域包含的纹层信息,确定各个所述纹层的厚度;
根据每种类型的所述纹层的数量以及各个所述纹层的厚度,确定每种类型的所述纹层的厚度的统计值;
根据每种类型的所述纹层的数量和所述岩心样本的长度,确定每种类型的所述纹层的发育密度。
本公开实施例的第三方面,提供一种计算机设备,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第一方面任一项所述纹层识别方法的步骤。
本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一项所述纹层识别方法的步骤。
本公开实施例提供的一种纹层识别方法、装置和存储介质,通过对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个所述图像区域对应所述岩心样品的一个纹层;这样通过利用CT图像能够区分岩心样品的不同纹层,并结合岩心样品的XRF元素分析数据,识别各个所述纹层的类型;以及根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征,从而能够快速、准确地完成岩心样品的纹层定性和定量。
附图说明
图1为本公开实施例提供的一种纹层识别方法的流程示意图;
图2为本公开实施例提供的一种纹层识别方法的流程示意图;
图3为本公开实施例提供的一种纹层识别方法的流程示意图;
图4为本公开实施例提供的一种纹层识别方法的流程示意图;
图5为本公开实施例提供的一种纹层识别方法的流程示意图;
图6a为本公开实施例示出的纹层识别方法的CT扫描成像原理示意图;
图6b为本公开实施例示出的岩心CT扫描图像与岩心照片的对照图。
图6c为本公开实施例提供的纹层识别方法的纹层划分的示意图;
图6d为本公开实施例提供的纹层识别方法的纹层识别的示意图;
图7为本公开实施例提供的一种纹层识别装置的结构示意图;
图8为本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互任意组合。在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
可以理解的是,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
相关技术中,纹层识别方法主要包括:地质观察法和测井识别法。
地质观察法主要通过地质人员对全直径岩心直接或利用放大镜进行肉眼观察,识别出岩心上的纹层类型并大致进行定量表征。该方法较为直观,但总体上成本高,耗时长,质量难以统一,受控于地质人员本身的专业能力。
测井识别法主要基于测井曲线或图像进行识别,比较常见的曲线为FMI图像(微电阻率扫描成像),该图像主要基于岩石电阻率等数值的差异,定量表征纹层特征,同时结合其它类型的测井曲线(例如,自然伽马曲线)进行岩石类型的判定。该方法的优势在于资料易于获取,且结果较为直观,缺点在于精度有限,测井曲线的精度通常为几个分米,而部分纹层的厚度可能低于在精度以下,难以被识别。
图1为本公开实施例提供的一种纹层识别方法的流程示意图,如图1所示,该方法可以包括:
101,对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个图像区域对应岩心样品的一个纹层;
102,根据岩心样品的XRF元素分析数据,识别各个纹层的类型;
103,根据各个纹层对应的图像区域包含的纹层信息,对岩心样品的不同类型的纹层进行定量表征。
本公开实施例中,岩心样品可以是从储层或地层中取出的岩心,例如,将使用特殊的取心工具从地下钻取的全直径岩心作为岩心样品;其中,全直径岩心样品的直径为60mm至100mm,是从地下油气储集层中直接获取、体积最大的地质样品,蕴含的信息丰富,代表性更强。此外,所述岩心样品还可以是诸如尺寸小于全直径岩心样品的岩石小样品,此处对具体的岩心样品不作限定。
所述CT图像是通过对按深度由浅至深排列的岩心样品进行CT扫描得到。
在一些示例中,岩心样品的CT(Computed Tomography,计算机断层扫描)图像可以是采用单能量或双能量X射线对岩心样品进行CT扫描得到的。其中,CT图像可以是以DICOM(Digital Imaging and Communications in Medicine,医学数字成像和通信,是医学图像和相关信息的国际标准)格式存储。
在一些示例中,在对岩心样品的CT图像进行分割之前,可以对CT图像进行预处理。其中,所述预处理可以包括:图像去噪和/或图像增强。例如,可以采用图像腐蚀和/或图像膨胀对CT图像去噪。又例如,可以采用频域增强算法对CT图像进行增强。如此,通过对岩心样品的CT图像进行预处理,这样在不损失图像信息的前提下能够提升CT图像质量,从而便于更准确地对岩心样品的CT图像进行分割出对应于所述岩心样品的不同纹层的不同图像区域。
本实施例中,由于CT图像对岩心样品的内部结构还原度高,且分辨率高,这样通过对岩心样品的CT图像进行分割得到不同图像区域,不同图像区域对应岩心样品的不同纹层,能够便于精准地对岩心样品的纹层进行区分。
在一些示例中,上述步骤101中,可以根据岩心样品的CT图像中的灰度值的差异,选取局部最大和最小值的中点以确定各个纹层的轮廓边界,并根据各个纹层的轮廓边界,在CT图像中确定对应不同纹层的不同图像区域。
在一些示例中,岩心样品的X射线荧光光谱分析(X Ray Fluorescence,XRF)元素分析数据可以通过桌面式XRF元素分析设备或手持式XRF元素分析仪对岩心样品进行数据采集得到,其中,数据采样密度可以根据实际需要调整,例如,采样密度可以为每1cm-10cm采集一个数据点。
在一些示例中,上述步骤102中,可以根据作用于CT图像的选择操作,获取CT图像被选中的目标图像区域所对应的目标纹层的XRF元素分析数据,并根据所述目标纹层的XRF元素分析数据据,识别所述目标纹层的类型。其中,所述目标图像区域可以为对所述CT图像分割出的多个图像区域中的任意一个。
在另一些示例中,还可以建立所述CT图像中的图像区域和所述XRF元素分析数据中的元素信息之间的对应关系,根据该对应关系和所述XRF元素分析数据中的元素信息,确定不同图像区域各自对应的纹层的类型。
在一些示例中,所述纹层的类型可以包括但不限于:硅质纹层、钙质纹层、云质纹层、铁质纹层、碳质纹层和/或黏土质纹层等。
可以理解的是,本实施例中,通过对岩心样品的CT图像进行分割得到多个图像区域,使得各个图像区域均具有纹层信息,并通过进一步结合岩心样品的XRF元素分析数据,从而能够识别不同纹层的类型。
在一些示例中,上述步骤103中,可以根据各个所述纹层对应的图像区域包含的纹层信息,进行不同类型纹层的纹层厚度、密度等参数的计算,实现对岩心样品的不同类型的纹层进行定量表征。
本公开实施例提供的纹层识别方法中,通过对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个所述图像区域对应所述岩心样品的一个纹层;这样通过利用CT图像能够区分岩心样品的不同纹层,并结合岩心样品的XRF元素分析数据,识别各个所述纹层的类型;以及根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征,从而能够快速、准确地完成岩心样品的纹层定性和定量。
在一个实施例中,如图2所示,上述步骤101中,对岩心样品的CT图像进行分割,得到多个图像区域,可以包括:
201:根据CT图像的灰度值分布,确定多个灰度值波峰和多个灰度值波谷;
其中,CT图像的灰度值分布是指CT图像的灰度值的分布情况,CT图像的灰度值分布可以通过灰度直方图来表示。
这里,CT图像的灰度值分布可以用于确定局部的灰度值波峰和灰度值波谷的变化,其中,灰度值波峰和灰度值波谷的变化能够反映岩心矿物成分的变化。
202:根据每相邻的灰度值波峰和灰度值波谷之间的中点,对CT图像进行分割,得到多个图像区域。
在一些示例中,可以确定每相邻的灰度值波峰和灰度值波谷之间的中点,根据确定的中点确定各个纹层的轮廓边界,并根据各个纹层的轮廓边界,在CT图像中确定对应不同纹层的不同图像区域。
在一些示例中,所述根据确定的中点确定各个纹层的轮廓边界,可以包括:
针对每相邻的灰度值波峰和灰度值波谷之间的中点,以所述中点对应的像素点作为起点,沿所述岩心样品的深度方向的垂直方向,查找与所述像素点对应的灰度梯度最大值的像素点,根据查找到的多个像素点,确定经过所述中点的纹层的轮廓边界。
在一个实施例中,如图3所示,上述步骤102中,根据岩心样品的XRF元素分析数据,识别各个纹层的类型,可以包括:
301:按照岩心样品的深度方向,建立深度与CT图像中的图像区域和XRF元素分析数据中的元素信息之间的对应关系。
302:根据建立的对应关系,在XRF元素分析数据中,确定各个纹层的元素信息。
这里,纹层的元素信息可以包括:纹层包含的元素的类型和各元素的含量。
具体地,根据CT图像中的图像区域和元素信息之间的对应关系,在XRF元素分析数据中,确定各个图像区域对应的纹层的元素信息。
303:根据各个纹层的元素信息,识别各个纹层的类型。
具体地,可以根据各个纹层的元素信息,按照元素信息与纹层类型之间的对应关系,确定各个纹层的类型。
在一个实施例中,方法还包括:
对不同类型的纹层采用不同的显示样式进行显示。
在一些示例中,对不同类型的纹层采用不同的填充颜色或者灰度进行显示。
在另一些示例中,对不同类型的纹层采用不同的填充图形进行显示。其中,不同填充图形内的填充线的类型不同。
本公开实施例中,通过对不同类型的纹层采用不同的显示样式进行显示,能够使得不同类型的纹层更直观地展示给用户。
在一个实施例中,上述步骤103中,根据各个纹层对应的图像区域包含的纹层信息,对岩心样品的不同类型的纹层进行定量表征,包括:
根据各个纹层对应的图像区域包含的纹层信息,确定岩心样品的不同类型的纹层的厚度和发育密度。
本实施例中,通过确定岩心样品的不同类型的纹层的厚度和发育密度,能够为优势储集层段的选择提供有力依据。
在一个实施例中,如图4所示,根据各个纹层对应的图像区域包含的纹层信息,确定各个纹层的厚度,可以包括:
401:根据各个纹层对应的图像区域包含的纹层信息,确定各个纹层的厚度。
在一些示例中,所述图像区域包含的纹层信息可以为所述图像区域内包含的像素点信息。
在一些示例中,上述步骤401中,可以针对每一个所述纹层,根据岩心样本的深度方向,确定该纹层的上边界上的每个像素点和下边界上对应的像素点之间的像素距离,并按照图像坐标系和实际坐标系之间的转换关系将该多个像素距离转换为多个物理距离,可以根据多个物理距离确定该纹层的厚度。
例如,可以将多个物理距离的最大值或者平均值确定为该纹层的厚度。
402:根据每种类型的纹层的数量以及各个纹层的厚度,确定每种类型的纹层的厚度的统计值。
这里,纹层厚度的统计值包括但不限于:纹层厚度的平均值、最大值和/或最小值等。
示例性地,假设纹层类型为硅质纹层,可以根据硅质纹层的数量并结合各个硅质纹层的厚度,确定硅质纹层总厚度、硅质纹层厚度平均值等,并可以确定所有硅质纹层厚度中的最大值和最小值。
403:根据每种类型的纹层的数量和岩心样本的长度,确定每种类型的纹层的发育密度。
这里,岩心样本的长度可以预先对岩心样本进行实际测量获得。
具体地,针对每一种类型的纹层,可以根据该类型的纹层的数量除以岩心样本的长度,得到该类型的纹层的发育密度。
下面,结合具体实施例对本公开实施例提供的技术方案进行说明。
针对相关技术存在的致密储层纹层识别较为困难,纹层识别手段精度低,准确性差的问题,本公开实施例提供一种纹层识别方法,通过对全直径岩心样品进行X射线CT扫描,获取连续岩心的三维CT图像,对纹层进行定量,结合岩心的X射线荧光光谱分析(X RayFluorescence,XRF)的元素分析结果识别出纹层类型,表征出不同类型纹层的纹层厚度和发育密度,从而为优势储集层段的选择提供有力依据。
本公开实施例提供一种岩石纹层识别方法,该方法可以包括:
步骤一:全直径岩心CT图像获取
该步骤可以包括:岩心扫描及全岩心CT图像处理。
岩心扫描:首先将待扫描岩心按深度由深至浅从岩心盒内取出,放置于岩心样品台上。根据断面茬口的各类特征(如矿物、结构、构造、裂缝、擦痕以及断面形状等)对相邻岩心进行拼接对齐。破碎岩心可使用塑料薄膜包装制品(例如,聚乙烯薄膜制品等)进行包裹后再置于岩心槽上。然后利用医疗CT或工业CT对全直径岩心开展CT扫描,得到岩心CT扫描图像。
全岩心CT图像处理:对岩心CT扫描图像进行重构,确保图像清晰无伪影。
步骤二:全直径岩心元素分析及纹层类型划分
利用桌面式XRF元素分析设备或手持式XRF元素分析仪,对岩心样品进行数据采集,采样密度可以根据实际需要调整,例如,采样密度可以为每1cm-10cm采集一个数据点。
根据采集的元素信息,确定纹层的类型。
步骤三:不同类型纹层定量
首先,基于CT图像灰度值,区分出不同的单个纹层,随后将图像进行标准化处理。
其中,图像的标准化处理,包括:将图像中的岩心样品背景部分(例如托盘)去除,不同岩心之间的孔隙去除,以及对岩石照片进行拉伸,并使纹层的厚度方向均垂直于岩心样品的长轴,厚度固定。
随后,结合元素分析结果,对不同纹层完成分类。对分类后的纹层进行定量分析,统计CT图像中纹层类型、总纹层数量,每种纹层的数量、最大厚度、最小厚度、平均厚度以及发育密度等。
接下来,结合具体示例对本公开实施例提供的技术方案进一步说明。
本公开实施例针对一段全直径的页岩岩心样品进行CT扫描和XRF元素分析,并利用专业的图像处理软件和预先编写的Matlab程序进行图像处理和计算。
在具体实施中,CT扫描设备可以为Neurological公司的CereTom NL3000,XRF元素分析采用的是布鲁克公司的手持元素分析仪S1 TITAN 800,图像处理采用是ThermoFisherScientific公司的数字岩心分析软件Pergeos2021.1以及数岩科技开发的Matlab程序DECT。
本公开实施例提供一种纹层识别方法,如图5所示,该方法可以包括:
步骤S1:全直径岩心X射线CT扫描。
在对全直径岩心进行CT扫描前,先进行全直径岩心样品整理。
1)空气校正:开启CereTom NL3000,进入空气校正界面,空气校正时间大约15min,仪器每次开启前需要先进行一次空气校正;
2)样品摆放:将岩心摆放至样品台。确认岩心顶底方向、深浅位置及角度无误,确认岩心位于样品台正中位置,且位于扫描区域内。如图6a所示,岩心样品设置在探测器和准直器之间,X射线源提供X射线。其中,CT扫描原理是:CT设备内X射线管发出X射线,X射线经准直器准直后透过被扫描的岩心样品到达探测器,通过测定透过的X射线量,数字化后经过计算得出被照射的层面组织各单位体积的吸收系数,这些吸收系数可构成不同的数字矩阵;通过机内高速计算机进行数模转换,可以在屏幕上显示出来或拍成照片,重建的图像还能够给出每一个像素X射线衰减系数,通常用CT值表示。
3)岩心扫描:首先进行参数设置,选择扫描电压为100kV,扫描电流为7mA,灯丝电流为2.65A,切片厚度为0.6mm。完成参数设置后,开始扫描;
4)CT图像质量控制:完成岩心的CT扫描后确保图像清晰无断层,在不同方向显示切片图像灰度值无明显差异,如有出现环状伪影,则进行空气校正后重新扫描测试。
结合图6b所示,将扫描图像与岩心照片对应核查,确保两者能够一一对应,其中,图6b中的两幅图从左至右依次为岩心照片、CT图像纵切面。
步骤S2:X射线荧光元素扫描。
将手持元素分析仪探测头紧贴岩心样品,持续2分钟后,收回仪器。仪器上会自动记录元素信息,在仪器上将文件名设置成深度点后,进行保存。
步骤S3:CT图像处理与分割。
1)图像标准化:将扫描完的CT数据导入PerGeos软件内,去掉CT图像中的样品托盘以及首位和中间的空隙部分,形成标准化的岩心CT图像。
2)单个纹层区分:将标准化后的CT图像,导入Matlab程序DECT中,结合图6c所示,可以根据灰度值的差异,选取局部最大和最小值的中点以确定单个纹层的边界面,从而区分出岩心的不同纹层。
步骤S4:基于元素结果的纹层类型判定。
纹层类型划分:结合XRF元素分析数据,确定不同纹层的所属类型,同时将不同类型的纹层充填成不同的颜色或灰度。如图6d所示的三幅图从左至右依次为岩心照片、标准化后CT图像、结合元素分析结果后的CT图像。
其中,不同纹层的所属类型可以依据如下表1进行确定。
表1:纹层类型划分
可以理解的是,上表中的每一个元素都是独立存在的,这些元素被示例性的列在同一张表格中,但是并不代表表格中的所有元素必须根据表格中所示的同时存在。其中每一个元素的值,是不依赖于表中任何其他元素值。因此本领域内技术人员可以理解,该表中的每一个元素的取值都是一个独立的实施例。
步骤S5:基于CT图像的纹层定量表征。
不同类型纹层定量:计算出每种类型的纹层的数量和厚度,统计出各类纹层的最大厚度、最小厚度和平均厚度,同时将各类纹层的数量除以岩心的长度(以米为单位),计算出各类纹层的发育密度。本样品中示例性地统计出两种类型的纹层,分别为硅质纹层和黏土质纹层,具体统计信息如下表2所示。
表2:纹层参数统计表:
可以理解的是,上表中的每一个元素都是独立存在的,这些元素被示例性的列在同一张表格中,但是并不代表表格中的所有元素必须根据表格中所示的同时存在。其中每一个元素的值,是不依赖于表中任何其他元素值。因此本领域内技术人员可以理解,该表中的每一个元素的取值都是一个独立的实施例。
综上所述,本公开实施例提供的技术方案至少具有以下有益效果:
1)通过对全直径岩心进行CT扫描,获取毫米级精度的岩石图像,相对于传统测井识别法,能够大幅度地提高识别精度。同时CT图像可直接反映三维空间的密度信息,相对于传统手段通过岩心图像进行纹层定量,准确度更高。
2)通过结合X射线元素分析,在全直径岩心CT图像上进一步细分岩石类型,划分的准确度和时效性相对于传统手段有极大的提高。
3)本公开实施例提供的技术方案易于操作,可直接在岩心库现场进行相关分析,能够快速、准确地完成纹层定性和定量,相对于传统手段,在很大程度上降低了时间成本和经济成本。
图7为本公开实施例提供的一种纹层识别装置的结构示意图,如图7所示,装置可以包括:
图像分割模块701,用于对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个所述图像区域对应所述岩心样品的一个纹层;
类型识别模块702,用于根据所述岩心样品的XRF元素分析数据,识别各个所述纹层的类型;
定量表征模块703,用于根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征。
在一个实施例中,所述图像分割模块用于:
根据所述CT图像的灰度值分布,确定多个灰度值波峰和多个灰度值波谷;
根据每相邻的灰度值波峰和灰度值波谷之间的中点,对所述CT图像进行分割,得到多个所述图像区域。
在一个实施例中,所述类型识别模块用于:
按照所述岩心样品的深度方向,建立深度与所述CT图像中的图像区域和所述XRF元素分析数据中的元素信息之间的对应关系;
根据建立的所述对应关系,在所述XRF元素分析数据中,确定各个所述纹层的元素信息;
根据各个所述纹层的元素信息,识别各个所述纹层的类型。
在一个实施例中,所述装置还包括:
显示模块,用于对不同类型的所述纹层采用不同的显示样式进行显示。
在一个实施例中,所述定量表征模块用于:
根据各个所述纹层对应的图像区域包含的纹层信息,确定所述岩心样品的不同类型的纹层的厚度和发育密度。
在一个实施例中,所述定量表征模块用于:
根据各个所述纹层对应的图像区域包含的纹层信息,确定各个所述纹层的厚度;
根据每种类型的所述纹层的数量以及各个所述纹层的厚度,确定每种类型的所述纹层的厚度的统计值;
根据每种类型的所述纹层的数量和所述岩心样本的长度,确定每种类型的所述纹层的发育密度。
需要说明的是:上述实施例提供的纹层识别装置在执行纹层识别方法时,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的纹层识别装置与纹层识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图8为本公开实施例提供的一种计算机设备的结构示意图;如图8所示,计算机设备800包括:存储器801和处理器802,存储器801中存储有计算机程序,处理器802被设置为运行计算机程序以执行如下操作:
对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个所述图像区域对应所述岩心样品的一个纹层;
根据所述岩心样品的XRF元素分析数据,识别各个所述纹层的类型;
根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征。
处理器运行计算机程序时实现本公开实施例的各个方法中的相应流程,为了简洁,在此不再赘述。
实际应用时,计算机设备800还可以包括:至少一个网络接口803。计算机设备800中的各个组件通过总线系统804耦合在一起。可理解,总线系统804用于实现这些组件之间的连接通信。总线系统804除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图8中将各种总线都标为总线系统804。其中,处理器801的个数可以为至少一个。网络接口803用于计算机设备800与其他设备之间有线或无线方式的通信。
本公开实施例中的存储器802用于存储各种类型的数据以支持计算机设备800的操作。
上述本公开实施例揭示的方法可以应用于处理器801中,或者由处理器801实现。处理器801可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器801可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本公开实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器802,处理器801读取存储器802中的信息,结合其硬件完成前述方法的步骤。
在示例性实施例中,计算机设备800可以被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU,Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现,用于执行前述方法。
本公开实施例还提供了一种计算机可读存储介质,存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行如下操作:
对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个所述图像区域对应所述岩心样品的一个纹层;
根据所述岩心样品的XRF元素分析数据,识别各个所述纹层的类型;
根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征。
计算机程序被处理器运行时实现本公开实施例的各个方法中的相应流程,为了简洁,在此不再赘述。
在本公开所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本公开各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
另外,本公开实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种纹层识别方法,其特征在于,所述方法包括:
对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个所述图像区域对应所述岩心样品的一个纹层;
根据所述岩心样品的XRF元素分析数据,识别各个所述纹层的类型;
根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征。
2.根据权利要求1所述的方法,其特征在于,所述对岩心样品的CT图像进行分割,得到多个图像区域,包括:
根据所述CT图像的灰度值分布,确定多个灰度值波峰和多个灰度值波谷;
根据每相邻的灰度值波峰和灰度值波谷之间的中点,对所述CT图像进行分割,得到多个所述图像区域。
3.根据权利要求1所述的方法,其特征在于,所述根据所述岩心样品的XRF元素分析数据,识别各个所述纹层的类型,包括:
按照所述岩心样品的深度方向,建立深度与所述CT图像中的图像区域和所述XRF元素分析数据中的元素信息之间的对应关系;
根据建立的所述对应关系,在所述XRF元素分析数据中,确定各个所述纹层的元素信息;
根据各个所述纹层的元素信息,识别各个所述纹层的类型。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
对不同类型的所述纹层采用不同的显示样式进行显示。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征,包括:
根据各个所述纹层对应的图像区域包含的纹层信息,确定所述岩心样品的不同类型的纹层的厚度和发育密度。
6.根据权利要求5所述的方法,其特征在于,所述根据各个所述纹层对应的图像区域包含的纹层信息,确定所述岩心样品的不同类型的纹层的厚度和发育密度,包括:
根据各个所述纹层对应的图像区域包含的纹层信息,确定各个所述纹层的厚度;
根据每种类型的所述纹层的数量以及各个所述纹层的厚度,确定每种类型的所述纹层的厚度的统计值;
根据每种类型的所述纹层的数量和所述岩心样本的长度,确定每种类型的所述纹层的发育密度。
7.一种纹层识别装置,其特征在于,所述装置包括:
图像分割模块,用于对岩心样品的CT图像进行分割,得到多个图像区域;其中,一个所述图像区域对应所述岩心样品的一个纹层;
类型识别模块,用于根据所述岩心样品的XRF元素分析数据,识别各个所述纹层的类型;
定量表征模块,用于根据各个所述纹层对应的图像区域包含的纹层信息,对所述岩心样品的不同类型的所述纹层进行定量表征。
8.根据权利要求7所述的装置,其特征在于,所述图像分割模块用于:
根据所述CT图像的灰度值分布,确定多个灰度值波峰和多个灰度值波谷;
根据每相邻的灰度值波峰和灰度值波谷之间的中点,对所述CT图像进行分割,得到多个所述图像区域。
9.一种计算机设备,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6任一项所述纹层识别方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至6任一项所述纹层识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211397786.6A CN115761318A (zh) | 2022-11-09 | 2022-11-09 | 纹层识别方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211397786.6A CN115761318A (zh) | 2022-11-09 | 2022-11-09 | 纹层识别方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761318A true CN115761318A (zh) | 2023-03-07 |
Family
ID=85369816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211397786.6A Pending CN115761318A (zh) | 2022-11-09 | 2022-11-09 | 纹层识别方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761318A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173428A (zh) * | 2023-11-01 | 2023-12-05 | 核工业北京地质研究院 | 一种岩心的地质智能编录方法 |
-
2022
- 2022-11-09 CN CN202211397786.6A patent/CN115761318A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173428A (zh) * | 2023-11-01 | 2023-12-05 | 核工业北京地质研究院 | 一种岩心的地质智能编录方法 |
CN117173428B (zh) * | 2023-11-01 | 2024-01-30 | 核工业北京地质研究院 | 一种岩心的地质智能编录方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9396547B2 (en) | Output display for segmented digital volume representing porous media | |
Wu et al. | Imaged based fractal characterization of micro-fracture structure in coal | |
CN107923240B (zh) | 用于确定与井或地层中的有机质相关联的孔隙度的方法 | |
Remeysen et al. | Application of microfocus computed tomography in carbonate reservoir characterization: Possibilities and limitations | |
Karimpouli et al. | Conditional reconstruction: An alternative strategy in digital rock physics | |
EP2737297B1 (en) | Method for estimating bulk density of rock samples using dual energy x-ray computed tomographic imaging | |
NO20121394A1 (no) | Fremgangsmåte for å innhente konsistente og integrerte fysiske egenskaper for porøse medier | |
CN105308588B (zh) | 流式细胞仪中有效的等高线和建门 | |
CN114004261A (zh) | 岩石类型识别方法、装置和存储介质 | |
Romano et al. | Automated high accuracy, rapid beam hardening correction in X-Ray Computed Tomography of multi-mineral, heterogeneous core samples | |
CN115761318A (zh) | 纹层识别方法、装置和存储介质 | |
Li et al. | Automatic fracture–vug identification and extraction from electric imaging logging data based on path morphology | |
Solano et al. | Quantification of cm-Scale Heterogeneities in Tight-Oil Intervals of the Cardium Formation at Pembina, WCSB, Alberta, Canada. | |
Marschallinger | A method for three-dimensional reconstruction of macroscopic features in geological materials | |
Cappuccio et al. | Three-dimensional separation and characterization of fractures in X-ray computed tomographic images of rocks | |
Fitzsimons et al. | Integration and Data Analysis of Conventional Core Data with NMR and CT Data to Characterize An Evaporitic Carbonate Reservoir. | |
Kayser et al. | A closer look at pore geometry | |
Mendoza et al. | Statistical methods to enable practical on-site tomographic imaging of whole-core samples | |
CN116977589B (zh) | 一种岩心三维数值模型的构建方法、装置、设备及介质 | |
Mirkes et al. | Pseudo-outcrop visualization of borehole images and core scans | |
Zeigler et al. | A practical method for assigning uncertainty and improving the accuracy of alpha-ejection corrections and eU concentrations in apatite (U-Th)/He chronology | |
Som et al. | Quantitative discrimination between geological materials with variable density contrast by high resolution X-ray computed tomography: An example using amygdule size-distribution in ancient lava flows | |
Sulieman et al. | Multiscale investigation of pore structure heterogeneity in carbonate rocks using digital imaging and SCAL measurements: A case study from Upper Jurassic limestones, Abu Dhabi, UAE | |
Zhao et al. | Automated image analysis for applications in reservoir characterization | |
CN106659459A (zh) | 外围均衡的最小背景估计 |
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 |