CN116342815A - 一种页岩孔隙空间的多尺度孔隙网络模型构建方法 - Google Patents
一种页岩孔隙空间的多尺度孔隙网络模型构建方法 Download PDFInfo
- Publication number
- CN116342815A CN116342815A CN202310530584.2A CN202310530584A CN116342815A CN 116342815 A CN116342815 A CN 116342815A CN 202310530584 A CN202310530584 A CN 202310530584A CN 116342815 A CN116342815 A CN 116342815A
- Authority
- CN
- China
- Prior art keywords
- network model
- pore network
- pore
- scale
- image
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 338
- 238000010276 construction Methods 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 36
- 239000011435 rock Substances 0.000 claims abstract description 21
- 238000007619 statistical method Methods 0.000 claims abstract description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 239000005416 organic matter Substances 0.000 claims description 16
- 150000003839 salts Chemical class 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 7
- 238000012512 characterization method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 5
- 238000012634 optical imaging Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000001198 high resolution scanning electron microscopy Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供了一种页岩孔隙空间的多尺度孔隙网络模型构建方法，属于油气开发中一般的图像处理技术领域，具体包括如下步骤：基于二值化CT图像采用多点统计法重构低分辨率数字岩心，利用SNOW算法提取表征微裂缝和无机孔隙的孔隙网络模型I；基于二值化SEM‑MAP的不同区域采用马尔科夫链蒙特卡洛法重构多个不同的高分辨率数字岩心，利用最大球法提取表征有机孔隙网络的孔隙网络模型II；计算得到有机质占整体页岩图像的比例；将多个不同的孔隙网络模型II添加至孔隙网络模型I中，最终形成表征多尺度孔隙网络模型。本发明的技术方案克服现有技术中的多尺度孔隙网络模型构建方法均不能表征真实页岩储层的多尺度特性的问题。
Description
技术领域
本发明涉及油气开发中一般的图像处理技术领域，具体涉及一种页岩孔隙空间的多尺度孔隙网络模型构建方法。
背景技术
作为一种非常规油气储层，页岩储层孔隙类型多、孔隙结构复杂，包括纳米级有机孔隙、纳米-微米级无机孔隙，且伴随微米-毫米级微裂缝的发育，具有如说明书附图1的典型的多尺度特征。页岩中有机质以团块状的聚集形式单独存在于页岩骨架中，或充填于无机孔隙中，或充填于无机喉道中。有机质的聚集形式使有机孔隙表现为有机孔隙网络而不是单独的有机孔隙。
近年来，随着光学成像技术和计算机处理能力的提高，先进的光学成像技术如X射线CT扫描技术、SEM-MAP技术正在被广泛的应用到油气田开发领域，用于岩石储层岩心样品的微观结构表征。对岩心进行X射线CT扫描可以得到岩心CT图像，分辨率为微米级，主要表征微裂缝和无机孔隙；对岩心进行电镜扫描可以得到SEM-MAP，分辨率为纳米级，主要表征有机孔隙。
数字岩心技术在石油开发领域中应用广泛，是在微米-纳米尺度上研究渗流机理的重要平台。数字岩心的构建方法有两类：物理实验法和数值重构法。马尔科夫链蒙特卡洛法和多点统计法是较常用的数值重建法，其中多点统计法利用图像中高阶特征信息，具有提取并再现微裂缝的能力。基于数字岩心可以通过最大球法、分水岭法等方法提取孔隙网络模型。另一种孔隙网络模型构建方法是通过几何特征和拓扑结构信息采用随机算法进行重建。
孔隙网络模型是数字岩心孔隙空间的简化模型，是研究页岩储层微观结构和渗流机理的重要平台。基于岩心CT图像重构数字岩心并提取得到低分辨率下表征微裂缝系统、无机孔隙网络的孔隙网络模型，基于SEM-MAP重构数字岩心并提取得到高分辨率下表征有机孔隙的孔隙网络模型。结合SEM-MAP中的有机质分布信息，基于上述两种高低分辨率下的孔隙网络模型，通过添加跨尺度喉道的方式，可以实现多尺度孔隙网络模型的构建。
基于多尺度孔隙网络模型进行流动模拟相较于流动模拟实验具有成本低、可重复性的优点，相较于直接流动模拟如计算流体力学方法、格子玻尔兹曼方法等具有计算量小的优点。受限于光学成像仪器分辨率和视场的矛盾，传统的孔隙网络模型无法表征同时具有微裂缝系统、无机孔隙网络和有机孔隙网络的页岩岩心。目前已经存在的多尺度孔隙网络模型有：融合无机孔隙和有机孔隙的孔隙网络模型、融合微裂缝和无机孔隙的孔隙网络模型，融合微裂缝、无机孔隙和有机孔隙但有机孔隙孤立存在的孔隙网络模型等。相关研究表明，基于上述多尺度孔隙网络模型的流动模拟具有一定的准确性，但不能准确表征真实页岩岩心的孔隙空间。
随着光学成像技术的发展，基于CT图像和SEM-MAP的孔隙网络模型构建技术有较大提高，如通过添加跨尺度喉道的方式结合CT图像中的无机孔隙和SEM-MAP中的有机孔隙的孔隙网络模型。
多尺度孔隙网络模型现有技术如下：1. 融合无机孔隙网络和孤立有机孔隙的多尺度孔隙网络模型。
2. 融合无机孔隙网络和有机孔隙网络的多尺度孔隙网络模型。
3. 融合微裂缝和无机孔隙网络的多尺度孔隙网络模型。
4. 融合微裂缝、无机孔隙网络和孤立有机孔隙的多尺度孔隙网络模型。
针对现有孔隙网络模型构建技术在页岩孔隙空间表征方面的能力，做以下评述：1. 融合无机孔隙网络和孤立有机孔隙的多尺度孔隙网络模型。图2中（a）为Cui等构建的可以同时表征无机孔隙和有机孔隙的多尺度孔隙网络模型，但是该孔隙网络模型假设无机孔隙和有机孔隙的分布服从正态分布。图2中（b）为Song等构建的可以同时表征无机孔隙和有机孔隙的多尺度孔隙网络模型，该模型将有机孔隙连接在无机孔隙两侧。上述两种多尺度孔隙网络模型中，有机孔隙均以孤立的形式存在，无法表征有机质的聚集形式，且没有表征微裂缝，因此不能表征页岩储层复杂的孔隙空间，仅具备在理论层面研究的能力。
2. 融合无机孔隙网络模型和有机孔隙网络模型的多尺度孔隙网络模型。图2中（c）为Ma等构建的融合无机孔隙网络模型和有机孔隙网络模型的多尺度孔隙网络模型。图2中（d）为Yang等分别构建的无机孔隙数字岩心和有机孔隙数字岩心，经过整合得到双孔隙数字岩心，最终提取得到融合无机孔隙网络模型和有机孔隙网络模型的多尺度孔隙网络模型。上述两种多尺度孔隙网络模型中有机孔隙以网络的形式被添加于无机孔隙网络模型，能够表征有机质聚集形式，但不能表征有机孔隙充填于无机孔隙或无机喉道内的特征，且没有表征微裂缝，因此不能表征真实页岩的孔隙空间。
3. 融合微裂缝和无机孔隙网络的多尺度孔隙网络模型。图2中（e）为Mehmani等构建的融合微裂缝和无机孔隙网络的孔隙网络模型，该模型研究对象为致密砂岩和盐酸盐岩，没有表征有机孔隙，不具备应用于有机孔隙发育的页岩储层的能力。
4. 融合微裂缝、无机孔隙网络和孤立有机孔隙的多尺度孔隙网络模型。图2中（f）为Xiong等构建的融合微裂缝、无机孔隙网络和孤立有机孔隙的多尺度孔隙网络模型，其能够较好的表征微裂缝和无机孔隙的特征，但不能反映有机孔隙的聚集形式，这对孔隙结构的定量表征和流动模拟有一定影响。
综上所述，现有的多尺度孔隙网络模型构建技术均不能同时表征页岩储层微裂缝、无机孔隙和有机孔隙网络，以及有机孔隙网络的聚集形式。因此，现需要一种能够表征页岩孔隙空间的多尺度特性的孔隙网络模型构建方法。
发明内容
本发明的主要目的在于提供一种页岩孔隙空间的多尺度孔隙网络模型构建方法，以解决现有技术中的多尺度孔隙网络模型构建方法均不能表征真实页岩储层的多尺度特性的问题。
为实现上述目的，本发明提供了一种反映页岩孔隙空间的孔隙网络模型构建方法，具体包括如下步骤：S1，基于二值化CT图像采用多点统计法重构低分辨率数字岩心，基于低分辨率数字岩心利用SNOW算法提取表征微裂缝和无机孔隙的孔隙网络模型I；S2，基于二值化SEM-MAP的不同区域采用马尔科夫链蒙特卡洛法重构多个不同的高分辨率数字岩心，基于高分辨率数字岩心利用最大球法提取表征有机孔隙网络的孔隙网络模型II；S3，对SEM-MAP图像进行分割，计算得到有机质占整体页岩图像的比例；S4，通过添加跨尺度喉道的方式将多个不同的孔隙网络模型II添加至孔隙网络模型I中，并且所有孔隙网络模型II总的添加体积与孔隙网络模型I的体积之比符合由S3获得的有机物占比，最终形成表征微裂缝、无机孔隙网络和有机孔隙网络多尺度孔隙网络模型。
进一步地，步骤S1具体包括如下步骤：S1.1，截取岩心CT图像中800×800像素大小的区域；S1.2，利用最大类间方差法对截取区域进行二值化处理，得到低分辨率下的二值化CT图像，作为多点统计法的训练图像；S1.3，基于训练图像利用多点统计法构建低分辨率下表征裂缝、无机孔隙网络的数字岩心，利用SNOW算法提取同时表征裂缝和无机孔隙的孔隙网络模型，标记为孔隙网络模型I。
进一步地，步骤S2具体包括如下步骤： S2.1，截取岩心SEM-MAP中800×800像素大小的区域；S2.2，利用最大类间方差法对截取区域进行二值化处理，得到高分辨率下的二值化SEM-MAP图像，作为马尔科夫链蒙特卡洛法的输入图像；S2.3，基于输入图像利用马尔科夫链蒙特卡洛法构建高分辨率下表征有机孔隙网络的数字岩心，利用最大球法提取表征有机孔隙网络的孔隙网络模型，标记为孔隙网络模型II。
进一步地，步骤S3具体包括如下步骤：S3.1，首先利用ImageJ图像处理软件将由步骤S2.1中截取的SEM-MAP在Z方向叠加2次，使二维图像转化为三维图像，输出为raw格式并命名为3D-SEM-MAP；S3.2，将3D-SEM-MAP.raw导入Avizo软件，通过命令Non-local MeansFilter进行滤波，以去除噪声；S3.3，使用命令Edit New Label Field对图像进行多灰度阈值分割，得到多相分割图像；S3.4，重复使用命令Arithmetic，其参数设置为a==1、a==2、a==3、a==4分别得到有机质相、无机孔隙和裂缝相、骨架相、盐相；S3.5，通过分别对有机质相、无机孔隙和裂缝相、骨架相、盐相使用命令Volume Fraction得到各相的占比信息并输出在Tables中，读取即可得到有机质占比。
进一步地，步骤S4具体包括如下步骤：S4.1，首先将孔隙网络模型I、多个孔隙网络模型II导入VSCode中，并按照不同的比例因子将孔隙网络模型II缩小；S4.2，将缩小后的孔隙网络模型II通过OpenPNM库中的stitch函数连接至孔隙网络模型I，其连接方式为添加跨尺度喉道。
进一步地，步骤S4.2中，孔隙网络模型II添加至孔隙网络模型I中的方式包括：孔隙网络模型II添加至孔隙网络模型I的骨架中，即孔隙网络模型II不与孔隙网络模型I中任何孔隙和喉道重合。
孔隙网络模型II充填于孔隙网络模型I中的孔隙中，被充填孔隙由孔隙网络模型II取代。
孔隙网络模型II填充于孔隙网络模型I的喉道中，被充填喉道由孔隙网络模型II取代。
本发明具有如下有益效果：1. 孔隙网络模型的构建受限于光学成像仪器分辨率和视场的矛盾，不能同时反映高分辨率和低分辨率下的孔隙空间，本发明提供的方法将不同分辨率下的孔隙网络模型通过添加跨尺度喉道的方式连接，克服了上述矛盾。
2. 本发明的反映真实页岩孔隙空间的多尺度孔隙网络模型构建方法构建的孔隙网络模型相较于传统的孔隙网络模型，其渗流孔隙空间包含了裂缝、无机孔隙和有机孔隙。其中有机孔隙存在于岩石骨架中或充填于无机孔隙或喉道中，现有孔隙网络模型没有考虑第二种情况，反映真实页岩孔隙空间的多尺度孔隙网络模型考虑了这种情况，在此多尺度孔隙网络模型基础上开展渗流模拟相较于传统孔隙网络模型更准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
在附图中，图1示出了具有典型的多尺度特征的页岩SEM-MAP图。
图2示出了利用现有技术构建的多尺度孔隙网络模型示意图。（a）为Cui等构建的同时表征无机孔隙和有机孔隙的多尺度孔隙网络模型图；（b）为Song等构建的同时表征无机孔隙和有机孔隙的多尺度孔隙网络模型图；（c）为Ma等构建的融合无机孔隙网络模型和有机孔隙网络模型的多尺度孔隙网络模型图；（d）为Yang等构建的融合无机孔隙网络模型和有机孔隙网络模型的多尺度孔隙网络模型图；（e）为Mehmani等构建的融合微裂缝和无机孔隙网络的孔隙网络模型图；（f）为Xiong等构建的融合微裂缝、无机孔隙网络和孤立有机孔隙的多尺度孔隙网络模型图。
图3示出了本发明的一种页岩孔隙空间的多尺度孔隙网络模型构建方法的流程图。
图4示出了利用本发明方法步骤S1得出的同时表征微裂缝和无机孔隙网络的孔隙网络模型I。
图5示出了利用本发明方法步骤S2得出的表征有机孔隙网络的孔隙网络模型II。
图6示出了本发明的一种反映页岩孔隙空间的孔隙网络模型构建方法的步骤S3的流程图。
图7示出了利用本发明方法得出的反映真实页岩孔隙结构的多尺度孔隙网络模型图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图3所示的一种反映页岩孔隙空间的孔隙网络模型构建方法，具体包括如下步骤。
S1，基于二值化CT图像采用多点统计法（MPS）重构低分辨率数字岩心，基于低分辨率数字岩心利用SNOW(过分割分水岭子网络)算法提取表征微裂缝和无机孔隙的孔隙网络模型I。
具体地，步骤S1具体包括如下步骤：S1.1，截取岩心CT图像中800×800像素大小的区域；S1.2，利用最大类间方差法（OTSU）对截取区域进行二值化处理，得到低分辨率下的二值化CT图像，作为多点统计法的训练图像；S1.3，基于训练图像利用多点统计法构建低分辨率下表征裂缝、无机孔隙网络的数字岩心，利用SNOW算法提取同时表征裂缝和无机孔隙的孔隙网络模型，标记为孔隙网络模型I，如图4所示。
S2，基于二值化SEM-MAP（即大尺寸高分辨率的SEM扫描图像，其中SEM为扫描电子显微镜）的不同区域采用马尔科夫链蒙特卡洛法(MCMC)重构多个不同的高分辨率数字岩心，基于高分辨率数字岩心利用最大球法提取表征有机孔隙网络的孔隙网络模型II，如图5所示。
具体地，步骤S2具体包括如下步骤： S2.1，截取岩心SEM-MAP中800×800像素大小的区域；S2.2，利用最大类间方差法对截取区域进行二值化处理，得到高分辨率下的二值化SEM-MAP图像，作为马尔科夫链蒙特卡洛法的输入图像；S2.3，基于输入图像利用马尔科夫链蒙特卡洛法构建高分辨率下表征有机孔隙网络的数字岩心，利用最大球法提取表征有机孔隙网络的孔隙网络模型，标记为孔隙网络模型II，如图5所示。
S3，对SEM-MAP图像进行分割，计算得到有机质占整体页岩图像的比例。
具体地，如图6所示的步骤S3具体包括如下步骤：S3.1，首先利用ImageJ图像处理软件将由步骤S2.1中截取的SEM-MAP在Z方向叠加2次，使二维图像转化为三维图像，输出为raw格式并命名为3D-SEM-MAP；S3.2，将3D-SEM-MAP.raw导入Avizo软件，通过命令Non-local Means Filter进行滤波，以去除噪声；S3.3，使用命令Edit New Label Field对图像进行多灰度阈值分割，得到多相分割图像；S3.4，重复使用命令Arithmetic，其参数设置为a==1、a==2、a==3、a==4分别得到有机质相、无机孔隙和裂缝相、骨架相、盐相，具体为，令Arithmetic中参数a==1，得到分割第一相即有机质相；令Arithmetic中参数a==2，得到分割第二相即无机孔隙和裂缝相；令Arithmetic中参数a==3，得到分割第三相即骨架相；令Arithmetic中参数a==4，得到分割第四相即盐相。S3.5，通过分别对有机质相、无机孔隙和裂缝相、骨架相、盐相使用命令Volume Fraction得到各相的占比信息并输出在Tables中，读取即可得到有机质占比。
S4，通过添加跨尺度喉道的方式将多个不同的孔隙网络模型II添加至孔隙网络模型I中，并且所有孔隙网络模型II总的添加体积与孔隙网络模型I的体积之比符合由S3获得的有机物占比，最终形成表征微裂缝、无机孔隙网络和有机孔隙网络多的孔隙网络模型。因为孔隙网络模型II的体积要远小于I的，将多个II添加至I，直到上述体积符合S3中有机物占比，进而确保统计特征符合真实页岩特征。
具体地，步骤S4具体包括如下步骤：S4.1，首先将孔隙网络模型I、多个孔隙网络模型II导入VSCode中，并按照不同的比例因子将孔隙网络模型II缩小；S4.2，将缩小后的孔隙网络模型II通过OpenPNM库中的stitch函数添加至孔隙网络模型I，其添加方式为添加跨尺度喉道。
具体地，步骤S4.2中，孔隙网络模型II添加至孔隙网络模型I中的方式包括：第一种，孔隙网络模型II添加至孔隙网络模型I的骨架中，即孔隙网络模型II不与孔隙网络模型I中任何孔隙和喉道重合。第二种，孔隙网络模型II充填于孔隙网络模型I中的孔隙中，被充填孔隙由孔隙网络模型II取代。第三种，孔隙网络模型II填充于孔隙网络模型I的喉道中，被充填喉道由孔隙网络模型II取代。
以三种不同的形式将孔隙网络模型I添加至孔隙网络模型II中，对应页岩中有机质的三种聚集形式，最终得到如图7所示的多尺度孔隙网络模型，该模型能够反映真实页岩的孔隙空间。
本发明提供了一种页岩孔隙空间的多尺度孔隙网络模型构建方法，基于CT图像重构低分辨率数字岩心，提取同时表征微裂缝和无机孔隙的孔隙网络模型，标记为孔隙网络模型I；基于SEM-MAP重构高分辨率数字岩心，提取表征有机孔隙网络的孔隙网络模型，标记为孔隙网络模型II。以三种不同的形式将孔隙网络模型I添加至孔隙网络模型II中，对应页岩中有机质的三种聚集形式，最终得到的多尺度孔隙网络模型能够反映真实页岩的孔隙空间。
实施例二
本发明不仅可以应用于表征页岩储层孔隙空间的多尺度孔隙网络模型构建，同时还可应用到其他具有多尺度特征的多孔介质的孔隙网络构建中，如混凝土、毛细血管、土壤、碳酸盐岩等。
实施例三
本发明中的Avizo软件可使用其他图像处理软件替代，以实现图像分割的功能；本发明中使用的开源Python库OpenPNM可使用其他开源库或自编程序替代，以实现孔隙网络模型融合的功能。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (6)
1.一种页岩孔隙空间的多尺度孔隙网络模型构建方法，其特征在于，具体包括如下步骤：
S1，基于二值化CT图像采用多点统计法重构低分辨率数字岩心，基于低分辨率数字岩心利用SNOW算法提取表征微裂缝和无机孔隙的孔隙网络模型I；
S2，基于二值化SEM-MAP的不同区域采用马尔科夫链蒙特卡洛法重构多个不同的高分辨率数字岩心，基于高分辨率数字岩心利用最大球法提取表征有机孔隙网络的孔隙网络模型II；
S3，对SEM-MAP图像进行分割，计算得到有机质占整体页岩图像的比例；
S4，通过添加跨尺度喉道的方式将多个不同的孔隙网络模型II添加至孔隙网络模型I中，并且所有孔隙网络模型II总的添加体积与孔隙网络模型I的体积之比符合由S3获得的有机物占比，最终形成表征微裂缝、无机孔隙网络和有机孔隙网络的多尺度孔隙网络模型。
2.根据权利要求1所述的一种页岩孔隙空间的多尺度孔隙网络模型构建方法，其特征在于，步骤S1具体包括如下步骤：
S1.1，截取岩心CT图像中800×800像素大小的区域；
S1.2，利用最大类间方差法对截取区域进行二值化处理，得到低分辨率下的二值化CT图像，作为多点统计法的训练图像；
S1.3，基于训练图像利用多点统计法构建低分辨率下表征裂缝、无机孔隙网络的数字岩心，利用SNOW算法提取同时表征裂缝和无机孔隙的孔隙网络模型，标记为孔隙网络模型I。
3.根据权利要求1所述的一种页岩孔隙空间的多尺度孔隙网络模型构建方法，其特征在于，步骤S2具体包括如下步骤：
S2.1，截取岩心SEM-MAP中800×800像素大小的区域；
S2.2，利用最大类间方差法对截取区域进行二值化处理，得到高分辨率下的二值化SEM-MAP图像，作为马尔科夫链蒙特卡洛法的输入图像；
S2.3，基于输入图像利用马尔科夫链蒙特卡洛法构建高分辨率下表征有机孔隙网络的数字岩心，利用最大球法提取表征有机孔隙网络的孔隙网络模型，标记为孔隙网络模型II。
4.根据权利要求1所述的一种页岩孔隙空间的多尺度孔隙网络模型构建方法，其特征在于，步骤S3具体包括如下步骤：
S3.1，首先利用ImageJ图像处理软件将由步骤S2.1中截取的SEM-MAP在Z方向叠加2次，使二维图像转化为三维图像，输出为raw格式并命名为3D-SEM-MAP；
S3.2，将3D-SEM-MAP.raw导入Avizo软件，通过命令Non-local Means Filter进行滤波，以去除噪声；
S3.3，使用命令Edit New Label Field对图像进行多灰度阈值分割，得到多相分割图像；
S3.4，重复使用命令Arithmetic，其参数设置为a==1、a==2、a==3、a==4分别得到有机质相、无机孔隙和裂缝相、骨架相、盐相；
S3.5，通过分别对有机质相、无机孔隙和裂缝相、骨架相、盐相使用命令VolumeFraction得到各相的占比信息并输出在Tables中，读取即可得到有机质占比。
5.根据权利要求1所述的一种页岩孔隙空间的多尺度孔隙网络模型构建方法，其特征在于，步骤S4具体包括如下步骤：
S4.1，首先将孔隙网络模型I、多个孔隙网络模型II导入VSCode中，并按照不同的比例因子将孔隙网络模型II缩小；
S4.2，将缩小后的孔隙网络模型II通过OpenPNM库中的stitch函数添加至孔隙网络模型I，其添加方式为添加跨尺度喉道。
6.根据权利要求5所述的一种页岩孔隙空间的多尺度孔隙网络模型构建方法，其特征在于，步骤S4.2中，孔隙网络模型II添加至孔隙网络模型I中的方式包括：
孔隙网络模型II添加至孔隙网络模型I的骨架中，即孔隙网络模型II不与孔隙网络模型I中任何孔隙和喉道重合；
孔隙网络模型II充填于孔隙网络模型I中的孔隙中，被充填孔隙由孔隙网络模型II取代；
孔隙网络模型II填充于孔隙网络模型I的喉道中，被充填喉道由孔隙网络模型II取代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310530584.2A CN116342815B (zh) | 2023-05-12 | 2023-05-12 | 一种页岩孔隙空间的多尺度孔隙网络模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310530584.2A CN116342815B (zh) | 2023-05-12 | 2023-05-12 | 一种页岩孔隙空间的多尺度孔隙网络模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116342815A true CN116342815A (zh) | 2023-06-27 |
| CN116342815B CN116342815B (zh) | 2023-08-01 |
Family
ID=86891432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310530584.2A Active CN116342815B (zh) | 2023-05-12 | 2023-05-12 | 一种页岩孔隙空间的多尺度孔隙网络模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116342815B (zh) |
Cited By (3)
| 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 |
| CN118095021A (zh) * | 2024-04-28 | 2024-05-28 | 中国石油大学(华东) | 一种大尺寸数字岩心渗透率的高效计算方法 |
| CN118154813A (zh) * | 2024-05-09 | 2024-06-07 | 中国石油大学(华东) | 一种结合物理信息的页岩层理孔隙网络模型构建方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120221306A1 (en) * | 2009-04-08 | 2012-08-30 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
| CN108876923A (zh) * | 2018-06-17 | 2018-11-23 | 西南石油大学 | 一种基于岩石微ct图像的三维孔隙尺度模型重建方法 |
| CN110320137A (zh) * | 2018-03-29 | 2019-10-11 | 中国石油化工股份有限公司 | 一种基于数字岩心的多尺度融合方法 |
| CN113297779A (zh) * | 2021-06-23 | 2021-08-24 | 中国石油大学(华东) | 一种基于双重介质孔隙网络模型的页岩渗透率解释方法 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127816A (zh) * | 2016-03-08 | 2016-11-16 | 中国石油大学(华东) | 一种页岩基质储层孔隙空间表征方法 |
| CN107449707B (zh) * | 2017-07-03 | 2020-01-07 | 中国石油天然气股份有限公司 | 页岩储层中不同尺度孔隙定量的三维表征确定方法和装置 |
-
2023
- 2023-05-12 CN CN202310530584.2A patent/CN116342815B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120221306A1 (en) * | 2009-04-08 | 2012-08-30 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
| CN110320137A (zh) * | 2018-03-29 | 2019-10-11 | 中国石油化工股份有限公司 | 一种基于数字岩心的多尺度融合方法 |
| CN108876923A (zh) * | 2018-06-17 | 2018-11-23 | 西南石油大学 | 一种基于岩石微ct图像的三维孔隙尺度模型重建方法 |
| 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 |
| CN113297779A (zh) * | 2021-06-23 | 2021-08-24 | 中国石油大学(华东) | 一种基于双重介质孔隙网络模型的页岩渗透率解释方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨永飞;刘志辉;姚军;王晨晨;孙海;张磊;刘磊;赵建林;安森友;张文杰;刘鹏飞;: "基于叠加数字岩心和孔隙网络模型的页岩基质储层孔隙空间表征方法", 中国科学:技术科学, no. 05 * |
| 赵建鹏;陈惠;李宁;丁泾莉;高建申;: "三维数字岩心技术岩石物理应用研究进展", 地球物理学进展, no. 03 * |
Cited By (4)
| 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 |
| CN118095021A (zh) * | 2024-04-28 | 2024-05-28 | 中国石油大学(华东) | 一种大尺寸数字岩心渗透率的高效计算方法 |
| CN118154813A (zh) * | 2024-05-09 | 2024-06-07 | 中国石油大学(华东) | 一种结合物理信息的页岩层理孔隙网络模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116342815B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116342815B (zh) | 一种页岩孔隙空间的多尺度孔隙网络模型构建方法 | |
| CN110222445A (zh) | 基于bim与设计信息的集成、协同设计和交付方法及系统 | |
| Hinks et al. | Point cloud data conversion into solid models via point-based voxelization | |
| CN110135311A (zh) | 一种基于三维岩心扫描图像的孔隙与孔喉识别系统及方法 | |
| CN105261068A (zh) | 基于Micro-CT技术的储层岩心三维实体模型重构方法 | |
| CN111339691A (zh) | 一种基于voxler软件的智慧岩土工程参数三维分析与评价系统及方法 | |
| Tucci et al. | Using spatial analysis and geovisualization to reveal urban changes: Milan, Italy, 1737–2005 | |
| CN110688756B (zh) | 一种采集和制图一体化的竣工图制作方法 | |
| Chen et al. | Analyzing inundation extent in small reservoirs: A combined use of topography, bathymetry and a 3D dam model | |
| Wu et al. | The pixel crack reconstruction method: From fracture image to crack geological model for fracture evolution simulation | |
| Karimpouli et al. | Multistep Super Resolution Double-U-net (SRDUN) for enhancing the resolution of Berea sandstone images | |
| CN110363848A (zh) | 一种基于数字岩心的孔隙网络模型的可视化方法及装置 | |
| Kitsakis et al. | Legal foundations | |
| Mohammadmoradi et al. | Pore network and morphological characterization of pore-Level structures | |
| Guo et al. | A new method of central axis extracting for pore network modeling in rock engineering | |
| Patel et al. | Knowledge-assisted visualization of seismic data | |
| Park et al. | Development of an AI advisor for conceptual land use planning | |
| Wei et al. | A hybrid method to segment the pores and throats of micromodels | |
| CN113281237B (zh) | 基于孔径分布的页岩多相数字岩心的表面提取方法 | |
| Dimopooulou et al. | Initial Registration of 3D Parcels | |
| CN102495859B (zh) | 基于ArcGIS Engine的水文复杂数据类型扩充方法 | |
| Giovannini | Virtual Reconstruction Information Management. A scientific method and 3D visualization of Virtual Reconstruction Processes. | |
| Zhang | Comparative Study of Pore Structure Characterization for Different Rock Samples Using Digital Images | |
| Wang et al. | Improved skeleton extraction method considering surface feature of natural micro fractures in unconventional shale/tight reservoirs | |
| Ma et al. | Hierarchical 3D reconstruction algorithm of core image based on detailed and structural dictionaries |
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 |