CN115993376A - 一种基于随机生长法的页岩基质数字岩心重构方法 - Google Patents
一种基于随机生长法的页岩基质数字岩心重构方法 Download PDFInfo
- Publication number
- CN115993376A CN115993376A CN202211554708.2A CN202211554708A CN115993376A CN 115993376 A CN115993376 A CN 115993376A CN 202211554708 A CN202211554708 A CN 202211554708A CN 115993376 A CN115993376 A CN 115993376A
- Authority
- CN
- China
- Prior art keywords
- picture
- probability distribution
- core
- pore
- view
- 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.)
- Granted
Links
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本申请涉及油气勘探领域,尤其涉及一种基于扫描电镜图像和随机生长法的页岩基质数字岩心重构方法,包括:分别获取岩心样品在一个平行层理方向上和两个垂直层理方向上的若干个岩心薄片,确定岩心薄片上的若干个点位,通过扫描电镜分别获取每个岩心薄片上的原始图片集合;获取原始图片集合的图片特征概率分布集合,以及根据预设的放大处理规则进行相应的放大处理,得到样品特征概率分布集合;构建三维数组,相应地确定数字岩心的孔隙形态和喉道形态以及喉道的数量和生长方向,得到数字岩心模型。本申请通过在岩心样品在一个平行层理方向上和两个垂直层理方向上的若干个岩心薄片,然后再进行后续操作,充分地考虑了取样的各向异性。
Description
技术领域
本申请涉及油气勘探领域,尤其涉及一种基于扫描电镜图像和随机生长法的页岩基质数字岩心重构方法。
背景技术
通过数字岩心技术可以获得油气田开发所必须的数据,为高效开发非常规油气资源提供理论指导和技术支持,数字岩心重构技术已成为目前非常规油气开发必备的技术和方法之一。
目前数字岩心重构方法有多种,包括高斯法、随机生长法、过程法、马尔科夫链蒙特卡洛法、模拟退火法等多种方法,页岩储层具有低孔隙度低渗透率和各向异性的特点,孔隙尺寸范围从几纳米至几百纳米,连通性差,孔隙发育具有方向性,现有的数字岩心重构技术在重构页岩孔隙结构时不能反映这些孔隙结构特点。
发明内容
本申请提供了一种基于随机生长法的页岩基质数字岩心重构方法,能够解决现有的数字岩心重构技术却没有考虑各项异性、单一放大倍数提取孔隙范围不全和孔隙特征参数分布规律的问题。
本申请的技术方案是一种基于随机生长法的页岩基质数字岩心重构方法,包括:
S1:分别获取岩心样品在一个平行层理方向上和两个垂直层理方向上的若干个岩心薄片,确定岩心薄片上的若干个点位,通过扫描电镜分别获取每个岩心薄片上每个点位的包括大视域图片、中视域图片和小视域图片的原始图片集合;
S2:获取原始图片集合中每张图片的关于孔隙和喉道的图片特征概率分布集合,以及根据预设的放大处理规则对图片特征概率分布集合中的每张图片进行相应的放大处理,得到岩心样品的样品特征概率分布集合;
S3:构建用于数字岩心重构的三维数组,根据样品特征概率分布集合以及基于随机生长法在三维数组上相应地确定数字岩心的孔隙形态和喉道形态以及喉道的数量和生长方向,得到数字岩心模型。
可选地,所述步骤S1包括:
S11:获取岩心样品并且分别对岩心样品在一个平行层理方向和两个垂直层理方向依次进行线切割和氩离子抛光的操作处理,得到对照于岩心样品时主要延伸面呈互相垂直的三个呈片状的岩心薄片;
S12:基于预设取点规则,确定岩心薄片上的若干个点位;
S13:通过扫描电镜分别获取每个岩心薄片上每个点位的包括大视域图片、中视域图片和小视域图片的原始图片集合,所述中视域图片来源于所述大视域图片,所述小视域图片来源于所述中视域图片。
可选地,所述大视域图片的图片规格包括:图片大小为49.7×49.7μm,图片精度为0.048μm;
所述中视域图片的图片规格包括:图片大小为24.9×24.9μm,图片精度为精度0.024μm;
所述小视域图片的图片规格包括:图片大小为12.4×12.4μm,图片精度为精度0.012μm。
可选地,每个所述岩心薄片上点位的取点数量为至少五个;
以及,所述步骤S2包括:
S21:预处理所述原始图片集合,得到基于点位的二值化图片集合;
S22:确定二值化图片集合中每张图片的关于孔隙和喉道的图片特征概率分布集合;
S23:整合每个点位的大视域图片、中视域图片和小视域图片中的孔隙参照位置,得到基于点位的孔隙确定位置,以及根据预设的放大处理规则对图片原始图片集合中的每张图片进行相应的放大处理,得到放大图片集合;
S24:根据放大图片集合和图片特征概率分布集合,得到岩心样品的样品特征概率分布集合;
S25:整合来源于平行层理方向的一个岩心薄片上的五个点位的点位特征概率分布集合,以及整合来源于垂直层理方向的两个岩心薄片上的十个点位的点位特征概率分布集合,确定岩心样品的样品特征概率分布集合。
可选地,在所述步骤S23中预设的放大处理规则包括:
基于大视域图片,相应地确定包括大于0.048μm直径的孔隙参照位置的大视域集合;
基于中视域图片,相应地确定包括大于0.024μm直径的孔隙参照位置的中视域集合;
基于小视域图片,相应地确定包括大于0.012μm直径的孔隙参照位置的小视域集合;
基于相对位置重合择一保留的确认原则,对比大视域集合、中视域集合和小视域集合中相对位置重合的孔隙参照位置并且相应地进行择一保留,得到得到基于点位的孔隙确定位置。
可选地,所述图片特征概率分布集合包括:
孔隙直径概率分布、形状因子概率分布、喉道直径概率分布、喉道长度概率分布、迂曲度概率分布和孔喉配位数概率分布的图片特征概率分布集合。
可选地,所述步骤S3包括:
S31:构建用于数字岩心重构的800×800×800三维数组,对每个表示矿物的数组元素进行初始赋值,初始赋值为1,每个数组元素表示一个像素,精度为12nm;
以及,在所述三维数组中随机选定一个位置为孔隙生长起点;
S32:基于随机生长法确定转换规则,以及基于转换规则并且根据孔喉配位数概率分布确定喉道在平行层理方向和垂直层理方向的数量和生长方向,以及根据喉道直径概率分布、迂曲度概率分布和喉道长度概率分布确定喉道形态,以及根据孔隙直径概率分布和形状因子概率分布确定孔隙形态;
S33:重复所述步骤S32,重复构建喉道和孔隙,直至孔隙确定功能位置达到所述三维数组的边界,得到数字岩心模型以及相应的孔隙特征参数。
可选地,所述步骤S3还包括:
S34:获取岩心样品的孔隙特征参数概率分布,比较数字岩心模型的孔隙特征参数概率分布和岩心样品的孔隙特征参数概率分布,如果误差大于5%,以50的幅度增大所述三维数组的边长,重复所述步骤S32,直至数字岩心模型的隙特征参数概率分布和岩心样品的孔隙特征参数概率分布之间的误差小于5%。
可选地,所述转换规则包括:
转换参数概率分布为累积概率分布,采用随机生成函数生成0-100之间的随机数,确定随机数所在的累积概率区间相对应的参数值,以及选定参数值为要重构的孔隙的特征参数值。
有益效果:
首先,本申请通过在岩心样品在一个平行层理方向上和两个垂直层理方向上的若干个岩心薄片,然后再进行后续操作,充分地考虑了取样的各向异性,保障了数字岩心重构的代表性;
其次,本申请在获取相应的扫描电镜图片后,根据不同的视域图片确定不同的放大规则,保障了能够准确地覆盖所有的孔隙和喉道,提高了数字岩心重构的准确性;
此外,本申请充分且全面地考虑了关于点位的特征概率分布,构成了相应的集合,保证了构建过程中数据的科学性和完整性。
综上所述,本申请的技术方案能更好地反应页岩孔隙结构的各项异性、孔隙尺寸范围大的特点,将不同方向和尺度的扫描电镜图像提取的孔隙特征参数分布和随机生长法相结合,建立一种基于扫描电镜图像和随机生长法的页岩基质数字岩心重构方法。
因此,本申请能够解决现有的数字岩心重构技术没有考虑各项异性、单一放大倍数提取孔隙范围不全和孔隙特征参数分布规律的问题。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中一种基于随机生长法的页岩基质数字岩心重构方法的流程示意图;
图2为本申请实施例中一种基于随机生长法的页岩基质数字岩心重构方法的逻辑示意图;
图3为本申请实施例中三个相互垂直面的岩心薄片的样品示例图;
图4为本申请实施例中扫描电镜的取点示例图;
图5为本申请实施例中原始图片集合的取样示例图;
图6为本申请实施例中预处理前的二值化图片
图7为本申请实施例中预处理后的二值化图片;
图8为本申请实施例中在二值化图片中分割得到的孔隙结构示意图;
图9为本申请实施例中在二值化图片中分割得到的喉道结构示意图;
图10为本申请实施例中大视域图片中和中视域图片中孔隙直径分布的对比示意图;
图11为本申请实施例中中视域图片中和小视域图片中孔隙直径分布的对比示意图;
图12为本申请实施例中基于点位的孔隙直径分布示意图;
图13为本申请实施例中基于点位的孔隙形状因子分布示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
本申请提供了一种基于随机生长法的页岩基质数字岩心重构方法,如图1和图2所示,图1为本申请实施例中一种基于随机生长法的页岩基质数字岩心重构方法的流程示意图,图2为本申请实施例中一种基于随机生长法的页岩基质数字岩心重构方法的逻辑示意图,包括:
S1:分别获取岩心样品在一个平行层理方向上和两个垂直层理方向上的若干个岩心薄片,确定岩心薄片上的若干个点位,通过扫描电镜分别获取每个岩心薄片上每个点位的包括大视域图片、中视域图片和小视域图片的原始图片集合;
其中,步骤S1包括:
S11:获取岩心样品并且分别对岩心样品在一个平行层理方向和两个垂直层理方向依次进行线切割和氩离子抛光的操作处理,得到对照于岩心样品时主要延伸面呈互相垂直的三个呈片状的岩心薄片。
具体地,如图3、图4和图5所示,图3为本申请实施例中三个相互垂直面的岩心薄片的样品示例图,图4为本申请实施例中扫描电镜的取点示例图,图5为本申请实施例中原始图片集合的取样示例图。
S12:基于预设取点规则,确定岩心薄片上的若干个点位。
S13:通过扫描电镜分别获取每个岩心薄片上每个点位的包括大视域图片、中视域图片和小视域图片的原始图片集合。
中视域图片来源于大视域图片。
小视域图片来源于中视域图片。
具体地,每个岩心薄片上点位的取点数量为至少五个。
一个岩心样品至少需要3面×5点/面×3张/点=45张图片。
大视域图片的图片规格包括:图片大小为49.7×49.7μm,图片精度为48nm。
中视域图片的图片规格包括:图片大小为24.9×24.9μm,图片精度为精度24nm。
小视域图片的图片规格包括:图片大小为12.4×12.4μm,图片精度为精度12nm。
S2:获取原始图片集合中每张图片的关于孔隙和喉道的图片特征概率分布集合,以及根据预设的放大处理规则对图片特征概率分布集合中的每张图片进行相应的放大处理,得到岩心样品的样品特征概率分布集合。
其中,步骤S2包括:
S21:预处理原始图片集合,得到基于点位的二值化图片集合。
具体地,首先,将原始图片集合中的图片转换为8位灰度值图,再利用阈值分割算法进行图像二值化处理,将照片转化为黑白二值化图像,黑色代表孔隙,白色代表矿物骨架,如图6所示,图6为本申请实施例中预处理前的二值化图片。
其次,对二值化图像进行降噪、平滑处理并处理掉有机质部分,如图7所示,图7为本申请实施例中预处理后的二值化图片。
最后,再利用ImageJ软件中Remove Outliers和Image Calculator命令将二值化图像根据分割为孔隙和喉道。如图8和图9所示,图8为本申请实施例中在二值化图片中分割得到的孔隙结构示意图,图9为本申请实施例中在二值化图片中分割得到的喉道结构示意图。
S22:确定二值化图片集合中每张图片的关于孔隙和喉道的图片特征概率分布集合。
具体地,图片特征概率分布集合包括:孔隙直径概率分布、形状因子概率分布、喉道直径概率分布、喉道长度概率分布、迂曲度概率分布和孔喉配位数概率分布的图片特征概率分布集合。
A1.孔隙直径概率分布为不同直径孔隙数量占总孔隙数量的比例。
A11.孔隙直径的计算公式如下所示:
A12.平均孔隙直径计算公式如下所示:
A2.形状因子概率分布为孔隙、吼道的横截面积与周长平方的比值。
A21.孔隙形状因子的计算公式如下所示:
A22.平均形状因子的计算公式如下所示:
A3.喉道直径概率分布为不同直径喉道数量占总孔隙数量的比例。
A31.喉道直径的计算公式如下所示:
A32.平均喉道直径的计算公式如下所示:
A4.喉道长度概率分布的计算公式如下所示:
A41.喉道长度的计算公式如下所示:
Si=(Sperim,i-Dti)/2。
A42.平均吼道长度的计算公式如下所示:
A5.迂曲度概率分布为渗流通道的实际长度与穿过渗流介质的视长度之比可用喉道的实际长度与喉道两端的直线长度之比。
A51.喉道迂曲度的计算公式如下所示:
A52.平均迂曲度的计算公式如下所示:
A6.孔喉配位数概率分布为与单个孔隙联通的喉道的数量。
A61.平均配位数的计算公式如下所示:
式中:CNt表示平均配位数。CNpi表示单个孔隙的配位数,小数。
S23:整合每个点位的大视域图片、中视域图片和小视域图片中的孔隙参照位置,得到基于点位的孔隙确定位置,以及根据预设的放大处理规则对图片原始图片集合中的每张图片进行相应的放大处理,得到放大图片集合。
具体地,得到一个点位不同视域三张图片的孔隙结构特征后,需要将三张图片的统计结果合在一起,并去掉三张图片识别出来的重复的孔隙。
其中,整合每个点位的大视域图片、中视域图片和小视域图片中的孔隙参照位置的整合原则包括:
基于大视域图片,相应地确定包括大于0.048μm直径的孔隙参照位置的大视域集合;
基于中视域图片,相应地确定包括大于0.024μm直径的孔隙参照位置的中视域集合;
基于小视域图片,相应地确定包括大于0.012μm直径的孔隙参照位置的小视域集合;
基于相对位置重合择一保留的确认原则,对比大视域集合、中视域集合和小视域集合中相对位置重合的孔隙参照位置并且相应地进行择一保留,得到得到基于点位的孔隙确定位置。
S24:根据放大图片集合和图片特征概率分布集合,得到岩心样品的样品特征概率分布集合;
具体地,图片规格为49.7×49.7μm,精度为48nm的大视域图片和图片规格为24.9×24.9μm,精度为24nm的中视域图片的不同直径孔隙的数量分布,如图10所示,图10为本申请实施例中大视域图片中和中视域图片中孔隙直径分布的对比示意图,图10中每个柱状组合中左侧的柱状表示中视域图片,右侧的柱状表示大视域图片。
大视域图片中孔隙直径范围为0.048-1μm,中视域图片中孔隙直径范围为0.024-0.9μm,大视域图片和中视域图片重合的孔隙直径范围是0.048-0.9μm,以及大视域图片中0.2-0.9μm直径的孔隙数量多于中视域图片约3倍,因此该点位孔隙包含大视域中0.2-0.9μm直径的孔隙。中视域图片中0.2μm直径以下的孔隙需要和小视域中孔隙进行比较再确定保留与否。
图片规格为24.9×24.9μm,精度为24nm的中视域图片和图片规格为12.4×12.4μm、精度12nm的小视域图片的不同直径孔隙的数量分布,如图11所示,如图11所示,图11为本申请实施例中中视域图片中和小视域图片中孔隙直径分布的对比示意图,图11中每个柱状组合中左侧的柱状表示小视域图片,右侧的柱状表示中视域图片,中视域中0.048-0.2μm直径孔隙比小视域中0.048-0.9μm直径的孔隙数量多1.5倍,因此该点位孔隙保留中视域图片中0.048-0.2μm直径孔隙以及小视域中小于0.048μm直径的孔隙。
综上可知,整合每个点位的大视域图片、中视域图片和小视域图片中的孔隙参照位置的整合原则包括:基于1倍原始的大视域图片,相应地确定0.2~0.9μm直径的孔隙参照位置;基于3倍放大的中视域图片,相应地确定0.048~0.2μm直径的孔隙参照位置;基于4.5倍放大的小视域图片,相应地确定<0.048μm直径的孔隙参照位置。
将该点位包含的所有孔隙的参数集合到一起,可得到扫描电镜能有效识别出来的所有孔隙直径分布和形状因子分布,如图12和图13所示,图12为本申请实施例中基于点位的孔隙直径分布示意图,图13为本申请实施例中基于点位的孔隙形状因子分布示意图。同理可得到所有喉道的参数。
S25:整合来源于平行层理方向的一个岩心薄片上的五个点位的点位特征概率分布集合,以及整合来源于垂直层理方向的两个岩心薄片上的十个点位的点位特征概率分布集合,确定岩心样品的样品特征概率分布集合。
具体地,将该样品该点位包含的所有孔隙相对应的参数集合到一起,可得到该点位所有孔隙的直径分布和形状因子分布。相同步骤可得到该点位所有喉道的参数。
因为页岩平行层理方向和垂直层理方向具有明显的各向异性,因此将垂直层理方向的10个点位的孔隙和吼道数据集合在一起,得到该样品垂直层理面的孔隙和吼道特征参数分布,将平行层理面的5个点位的孔隙和吼道数据集合在一起,得到该样品平行层理面的孔隙和吼道特征参数分布。
S3:构建用于数字岩心重构的三维数组,根据样品特征概率分布集合以及基于随机生长法在三维数组上相应地确定数字岩心的孔隙形态和喉道形态以及喉道的数量和生长方向,得到数字岩心模型。
其中,步骤S3包括:
S31:构建用于数字岩心重构的800×800×800三维数组,对每个表示矿物的数组元素进行初始赋值,初始赋值为1,每个数组元素表示一个像素,精度为12nm。
以及,在三维数组中随机选定一个位置为孔隙生长起点。
具体地,三维数组的大小可根据需要改变,不止为800×800×800。
S32:基于随机生长法确定转换规则,以及基于转换规则并且根据孔喉配位数概率分布确定喉道在平行层理方向和垂直层理方向的数量和生长方向,以及根据喉道直径概率分布、迂曲度概率分布和喉道长度概率分布确定喉道形态,以及根据孔隙直径概率分布和形状因子概率分布确定孔隙形态。
具体地,转换规则包括:
转换参数概率分布为累积概率分布,采用随机生成函数生成0-100之间的随机数,确定随机数所在的累积概率区间相对应的参数值,以及选定参数值为要重构的孔隙的特征参数值。
S33:重复步骤S32,重复构建喉道和孔隙,直至孔隙确定功能位置达到三维数组的边界,得到数字岩心模型以及相应的孔隙特征参数概率分布。
S34:获取岩心样品的孔隙特征参数概率分布,比较数字岩心模型的孔隙特征参数概率分布和岩心样品的孔隙特征参数概率分布,如果误差大于5%,以50的幅度增大所述三维数组的边长,重复所述步骤S32,直至数字岩心模型的隙特征参数概率分布和岩心样品的孔隙特征参数概率分布之间的误差小于5%。
以上对本申请的实施例进行了详细说明,但内容仅为本申请的较佳实施例,不能被认为用于限定本申请的实施范围。凡依本申请范围所作的均等变化与改进等,均应仍属于本申请的专利涵盖范围之内。
Claims (9)
1.一种基于随机生长法的页岩基质数字岩心重构方法,其特征在于,包括:
S1:分别获取岩心样品在一个平行层理方向上和两个垂直层理方向上的若干个岩心薄片,确定岩心薄片上的若干个点位,通过扫描电镜分别获取每个岩心薄片上每个点位的包括大视域图片、中视域图片和小视域图片的原始图片集合;
S2:获取原始图片集合中每张图片的关于孔隙和喉道的图片特征概率分布集合,以及根据预设的放大处理规则对图片特征概率分布集合中的每张图片进行相应的放大处理,得到岩心样品的样品特征概率分布集合;
S3:构建用于数字岩心重构的三维数组,根据样品特征概率分布集合以及基于随机生长法在三维数组上相应地确定数字岩心的孔隙形态和喉道形态以及喉道的数量和生长方向,得到数字岩心模型。
2.根据权利要求1所述的一种基于随机生长法的页岩基质数字岩心重构方法,其特征在于,所述步骤S1包括:
S11:获取岩心样品并且分别对岩心样品在一个平行层理方向和两个垂直层理方向依次进行线切割和氩离子抛光的操作处理,得到对照于岩心样品时主要延伸面呈互相垂直的三个呈片状的岩心薄片;
S12:基于预设取点规则,确定岩心薄片上的若干个点位;
S13:通过扫描电镜分别获取每个岩心薄片上每个点位的包括大视域图片、中视域图片和小视域图片的原始图片集合,所述中视域图片来源于所述大视域图片,所述小视域图片来源于所述中视域图片。
3.根据权利要求2所述的一种基于随机生长法的页岩基质数字岩心重构方法,其特征在于,所述大视域图片的图片规格包括:图片大小为49.7×49.7μm,图片精度为0.048μm;
所述中视域图片的图片规格包括:图片大小为24.9×24.9μm,图片精度为精度0.024μm;
所述小视域图片的图片规格包括:图片大小为12.4×12.4μm,图片精度为精度0.012μm。
4.根据权利要求3所述的一种基于随机生长法的页岩基质数字岩心重构方法,其特征在于,每个所述岩心薄片上点位的取点数量为至少五个;
以及,所述步骤S2包括:
S21:预处理所述原始图片集合,得到基于点位的二值化图片集合;
S22:确定二值化图片集合中每张图片的关于孔隙和喉道的图片特征概率分布集合;
S23:整合每个点位的大视域图片、中视域图片和小视域图片中的孔隙参照位置,得到基于点位的孔隙确定位置,以及根据预设的放大处理规则对图片原始图片集合中的每张图片进行相应的放大处理,得到放大图片集合;
S24:根据放大图片集合和图片特征概率分布集合,得到岩心样品的样品特征概率分布集合;
S25:整合来源于平行层理方向的一个岩心薄片上的五个点位的点位特征概率分布集合,以及整合来源于垂直层理方向的两个岩心薄片上的十个点位的点位特征概率分布集合,确定岩心样品的样品特征概率分布集合。
5.根据权利要求4所述的一种基于随机生长法的页岩基质数字岩心重构方法,其特征在于,在所述步骤S23中预设的放大处理规则包括:
基于大视域图片,相应地确定包括大于0.048μm直径的孔隙参照位置的大视域集合;
基于中视域图片,相应地确定包括大于0.024μm直径的孔隙参照位置的中视域集合;
基于小视域图片,相应地确定包括大于0.012μm直径的孔隙参照位置的小视域集合;
基于相对位置重合择一保留的确认原则,对比大视域集合、中视域集合和小视域集合中相对位置重合的孔隙参照位置并且相应地进行择一保留,得到得到基于点位的孔隙确定位置。
6.根据权利要求4所述的一种基于随机生长法的页岩基质数字岩心重构方法,其特征在于,所述图片特征概率分布集合包括:
孔隙直径概率分布、形状因子概率分布、喉道直径概率分布、喉道长度概率分布、迂曲度概率分布和孔喉配位数概率分布的图片特征概率分布集合。
7.根据权利要求6所述的一种基于随机生长法的页岩基质数字岩心重构方法,其特征在于,所述步骤S3包括:
S31:构建用于数字岩心重构的800×800×800三维数组,对每个表示矿物的数组元素进行初始赋值,初始赋值为1,每个数组元素表示一个像素,精度为12nm;
以及,在所述三维数组中随机选定一个位置为孔隙生长起点;
S32:基于随机生长法确定转换规则,以及基于转换规则并且根据孔喉配位数概率分布确定喉道在平行层理方向和垂直层理方向的数量和生长方向,以及根据喉道直径概率分布、迂曲度概率分布和喉道长度概率分布确定喉道形态,以及根据孔隙直径概率分布和形状因子概率分布确定孔隙形态;
S33:重复所述步骤S32,重复构建喉道和孔隙,直至孔隙确定功能位置达到所述三维数组的边界,得到数字岩心模型以及相应的孔隙特征参数。
8.根据权利要求7所述的一种基于随机生长法的页岩基质数字岩心重构方法,其特征在于,所述步骤S3还包括:
S34:获取岩心样品的孔隙特征参数概率分布,比较数字岩心模型的孔隙特征参数概率分布和岩心样品的孔隙特征参数概率分布,如果误差大于5%,以50的幅度增大所述三维数组的边长,重复所述步骤S32,直至数字岩心模型的隙特征参数概率分布和岩心样品的孔隙特征参数概率分布之间的误差小于5%。
9.根据权利要求7所述的一种基于随机生长法的页岩基质数字岩心重构方法,其特征在于,所述转换规则包括:
转换参数概率分布为累积概率分布,采用随机生成函数生成0-100之间的随机数,确定随机数所在的累积概率区间相对应的参数值,以及选定参数值为要重构的孔隙的特征参数值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211554708.2A CN115993376B (zh) | 2022-12-06 | 2022-12-06 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
GBGB2318659.6A GB202318659D0 (en) | 2022-12-06 | 2023-12-06 | Digital core reconstruction method for shale matrix based on random growth method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211554708.2A CN115993376B (zh) | 2022-12-06 | 2022-12-06 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115993376A true CN115993376A (zh) | 2023-04-21 |
CN115993376B CN115993376B (zh) | 2023-09-15 |
Family
ID=85991435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211554708.2A Active CN115993376B (zh) | 2022-12-06 | 2022-12-06 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115993376B (zh) |
GB (1) | GB202318659D0 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152373A (zh) * | 2023-11-01 | 2023-12-01 | 中国石油大学(华东) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971410A (zh) * | 2014-05-23 | 2014-08-06 | 中国石油大学(华东) | 一种基于ct图片的三维岩心可视化方法 |
CN104063899A (zh) * | 2014-07-10 | 2014-09-24 | 中南大学 | 一种岩心保形三维重建方法 |
US20170032532A1 (en) * | 2013-12-05 | 2017-02-02 | Schlumberger Technology Corporation | Digital Core Model Construction |
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 |
CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
CN110987751A (zh) * | 2019-11-15 | 2020-04-10 | 东北石油大学 | 一种致密储层三维空间孔喉定量分级评价方法 |
CN111428321A (zh) * | 2020-04-03 | 2020-07-17 | 中国石油天然气股份有限公司 | 一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法 |
CN112381916A (zh) * | 2020-12-08 | 2021-02-19 | 西南石油大学 | 一种利用二维薄片图像的数字岩心三维结构重建方法 |
US20210116354A1 (en) * | 2019-10-16 | 2021-04-22 | King Fahd University Of Petroleum And Minerals | Method of determining absolute permeability |
CN112819955A (zh) * | 2021-03-16 | 2021-05-18 | 中国矿业大学 | 一种改进型基于数字图像三维模型重构方法 |
CN113281239A (zh) * | 2021-06-18 | 2021-08-20 | 中国石油大学(北京) | 多尺度煤岩孔隙网络生成方法和装置 |
CN113310877A (zh) * | 2021-06-07 | 2021-08-27 | 中国石油大学(华东) | 一种区域结构差异化的岩石多尺度孔隙网络模型构建方法 |
CN113702088A (zh) * | 2021-09-01 | 2021-11-26 | 东北石油大学 | 页岩多尺度全信息综合表征及纵向演化规律确定方法 |
CN113838005A (zh) * | 2021-09-01 | 2021-12-24 | 山东大学 | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 |
CN113946984A (zh) * | 2021-12-20 | 2022-01-18 | 北京科技大学 | 一种三维随机裂隙模型建立方法 |
WO2022011894A1 (zh) * | 2020-07-15 | 2022-01-20 | 中海油田服务股份有限公司 | 基于卷积神经网络的孔隙网络模型的建模方法及装置 |
CN115018986A (zh) * | 2022-06-14 | 2022-09-06 | 长安大学 | 一种强构造活动区岩石微观结构信息解译及三维建模方法 |
CN115203900A (zh) * | 2022-06-17 | 2022-10-18 | 中国科学院武汉岩土力学研究所 | 基于离散元的裂隙岩体建模方法 |
CN115290930A (zh) * | 2022-08-12 | 2022-11-04 | 西南石油大学 | 一种考虑非常规储层多组分特征的数字岩心随机构建方法 |
-
2022
- 2022-12-06 CN CN202211554708.2A patent/CN115993376B/zh active Active
-
2023
- 2023-12-06 GB GBGB2318659.6A patent/GB202318659D0/en active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032532A1 (en) * | 2013-12-05 | 2017-02-02 | Schlumberger Technology Corporation | Digital Core Model Construction |
CN103971410A (zh) * | 2014-05-23 | 2014-08-06 | 中国石油大学(华东) | 一种基于ct图片的三维岩心可视化方法 |
CN104063899A (zh) * | 2014-07-10 | 2014-09-24 | 中南大学 | 一种岩心保形三维重建方法 |
CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
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 |
US20210116354A1 (en) * | 2019-10-16 | 2021-04-22 | King Fahd University Of Petroleum And Minerals | Method of determining absolute permeability |
CN110987751A (zh) * | 2019-11-15 | 2020-04-10 | 东北石油大学 | 一种致密储层三维空间孔喉定量分级评价方法 |
CN111428321A (zh) * | 2020-04-03 | 2020-07-17 | 中国石油天然气股份有限公司 | 一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法 |
WO2022011894A1 (zh) * | 2020-07-15 | 2022-01-20 | 中海油田服务股份有限公司 | 基于卷积神经网络的孔隙网络模型的建模方法及装置 |
CN112381916A (zh) * | 2020-12-08 | 2021-02-19 | 西南石油大学 | 一种利用二维薄片图像的数字岩心三维结构重建方法 |
CN112819955A (zh) * | 2021-03-16 | 2021-05-18 | 中国矿业大学 | 一种改进型基于数字图像三维模型重构方法 |
CN113310877A (zh) * | 2021-06-07 | 2021-08-27 | 中国石油大学(华东) | 一种区域结构差异化的岩石多尺度孔隙网络模型构建方法 |
CN113281239A (zh) * | 2021-06-18 | 2021-08-20 | 中国石油大学(北京) | 多尺度煤岩孔隙网络生成方法和装置 |
CN113702088A (zh) * | 2021-09-01 | 2021-11-26 | 东北石油大学 | 页岩多尺度全信息综合表征及纵向演化规律确定方法 |
CN113838005A (zh) * | 2021-09-01 | 2021-12-24 | 山东大学 | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 |
CN113946984A (zh) * | 2021-12-20 | 2022-01-18 | 北京科技大学 | 一种三维随机裂隙模型建立方法 |
CN115018986A (zh) * | 2022-06-14 | 2022-09-06 | 长安大学 | 一种强构造活动区岩石微观结构信息解译及三维建模方法 |
CN115203900A (zh) * | 2022-06-17 | 2022-10-18 | 中国科学院武汉岩土力学研究所 | 基于离散元的裂隙岩体建模方法 |
CN115290930A (zh) * | 2022-08-12 | 2022-11-04 | 西南石油大学 | 一种考虑非常规储层多组分特征的数字岩心随机构建方法 |
Non-Patent Citations (9)
Title |
---|
GUANGCHENG HU: "Construction of the three-dimensional pore throat structure of reservoir rock using CT images", 《INTERNATIONAL CONFERENCE ON EXPERIMENTAL MECHANICS》 * |
XIN NIE: "Numerical simulation of the electrical properties of shale gas reservoir rock based on digital core", 《JOURNAL OF GEOPHYSICS AND ENGINEERING》 * |
YIFU HAN: "Integrated Digital Rock Construction Workflow for Chemical Enhanced Oil Recovery Numerical Simulation", 《ENERGY FUELS》 * |
YUN LEI: "recontruction and analysis of tight sandstone digital rock combined with x-ray ct sacannign andmultiple point geostatictics algorithm", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
刘燕: "煤储层微观孔隙结构三维定量表征研究进展", 《内蒙古煤炭经济》 * |
周琦森: "致密油储层岩石数字岩心建模与孔隙结构表征研究", 《基础科学辑》 * |
张思勤: "基于格子Boltzmann方法的3D数字岩心 渗流特征分析", 《测 井 技 术》 * |
李仁民: "采用随机生长四参数生成法构造黏土微观结构", 《浙江大学学报》 * |
王刚: "基于C T 三维重建的高阶煤孔裂隙结构综合表征和分析", 《煤炭学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152373A (zh) * | 2023-11-01 | 2023-12-01 | 中国石油大学(华东) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
CN117152373B (zh) * | 2023-11-01 | 2024-02-02 | 中国石油大学(华东) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
GB202318659D0 (en) | 2024-01-17 |
CN115993376B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211045B (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
CN115993376B (zh) | 一种基于随机生长法的页岩基质数字岩心重构方法 | |
CN113935992A (zh) | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 | |
CN109859256B (zh) | 一种基于自动对应点匹配的三维点云配准方法 | |
CN108491786B (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
CN108765554B (zh) | 基于超维的非均质岩心三维重建方法 | |
CN109345625B (zh) | 岩心图像自适应分区三维重建方法 | |
CN104809357B (zh) | 一种三维粗糙表面多尺度接触行为的分析方法及装置 | |
CN104849757B (zh) | 消除地震信号中随机噪声系统及方法 | |
CN113281239B (zh) | 多尺度煤岩孔隙网络生成方法和装置 | |
CN108509886B (zh) | 基于静脉像素点判定的掌静脉识别方法 | |
CN105205788A (zh) | 一种针对高通量基因测序图像的去噪方法 | |
Morard et al. | Parsimonious path openings and closings | |
CN109800516B (zh) | 一种基于dcgan的多孔质材料内流场模型构建方法 | |
CN117291843B (zh) | 一种图像数据库高效管理方法 | |
CN102254293B (zh) | 一种基于数学建模的证件防伪数字水印处理方法 | |
CN107194994B (zh) | 一种无标定曲面点云数据重建圆柱面的方法及装置 | |
CN113570652A (zh) | 基于sem图像的砂岩储层矿物晶间孔的定量分析方法 | |
Fakiris et al. | Quantification of regions of interest in swath sonar backscatter images using grey-level and shape geometry descriptors: The TargAn software | |
CN114529771B (zh) | 基于机器学习的页岩大视域图像分类方法 | |
CN111833432B (zh) | 一种基于岩心二维灰度图像的三维重建方法 | |
CN115685318B (zh) | 一种基于动态匹配的抗假频地震数据插值方法、电子设备及存储介质 | |
CN111192302A (zh) | 一种基于运动平滑性和ransac算法的特征匹配方法 | |
CN115049715B (zh) | 基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写方法 | |
CN113344110B (zh) | 一种基于超分辨率重建的模糊图像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |