CN117152373B - 一种考虑裂缝的岩心级孔隙网络模型构建方法 - Google Patents
一种考虑裂缝的岩心级孔隙网络模型构建方法 Download PDFInfo
- Publication number
- CN117152373B CN117152373B CN202311434157.0A CN202311434157A CN117152373B CN 117152373 B CN117152373 B CN 117152373B CN 202311434157 A CN202311434157 A CN 202311434157A CN 117152373 B CN117152373 B CN 117152373B
- Authority
- CN
- China
- Prior art keywords
- core
- network model
- pore network
- digital
- sequence
- 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.)
- Active
Links
- 239000011148 porous material Substances 0.000 title claims abstract description 91
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 37
- 239000011435 rock Substances 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000002591 computed tomography Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000003042 antagnostic effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000012528 membrane Substances 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 7
- 238000012512 characterization method Methods 0.000 abstract description 5
- 238000000354 decomposition reaction Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000005325 percolation Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- VWDWKYIASSYTQR-UHFFFAOYSA-N sodium nitrate Chemical compound [Na+].[O-][N+]([O-])=O VWDWKYIASSYTQR-UHFFFAOYSA-N 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种考虑裂缝的岩心级孔隙网络模型构建方法，涉及油气开发中一般的图像处理技术技术领域，具体包括如下步骤：扫描获得砂岩CT图像，对图像进行分割，得到训练集。重构基质数字岩心I，并基于此数字岩心提取基质孔隙网络模型。截取页岩CT扫描图像，经SNOW算法提取得到裂缝性孔隙网络模型。对数字岩心进行切片，将切片序列合成，得到岩心尺度的裂缝性数字岩心III。采用SNOW算法提取数字岩心III的孔隙网络模型，该孔隙网络模型即为裂缝性岩心级孔隙网络模型。本发明的技术方案克服现有技术中岩心级孔隙网络模型构建方法不能同时兼具岩心级孔隙量的统计信息和裂缝的表征，以及存在计算量大的问题。
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，具体涉及一种考虑裂缝的岩心级孔隙网络模型构建方法。
背景技术
作为一种非常规、压实程度高（即页岩原位地应力高）的油气储层，页岩储层发育大量的微米、毫米级裂缝，因此常规的纳米、微米级孔隙网络模型不能将其考虑在内。同时，页岩岩心样品很难获得可靠的室内实验数据。这是由于页岩岩心通常由细粒沉积物组成，非常脆弱，但流动实验需要极高的压力，因此页岩样品极易损坏，室内实验很难成功。
近十年来，计算机处理能力和光学成像技术有了极大的提高，现有光学成像技术如X射线CT扫描技术等正在被广泛的应用到油气田开发域，特别在岩心样品微观结构表征，如观察页岩裂缝的展布、开度和结构方面具有非常重要的意义。对页岩岩心进行X射线CT扫描可以得到岩心CT图像，分辨率为微米级，主要表征裂缝和大孔隙。
裂缝是页岩的储集空间和优势渗流通道。在页岩储层中，裂缝的形成是一个复杂的过程，通常涉及岩石受力产生应变，以及长时间的地质作用和化学作用。以上因素使页岩中的微裂缝逐渐扩张，形成储存和释放烃类的主要通道。裂缝开度通常为毫米级，呈现出多种不同的形态和方向，形成复杂的裂缝网络。因此,对于裂缝的表征将对致密页岩油气的开发产生深远的影响。
数字岩心技术和孔隙网络模型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。目前岩心级孔隙网络模型构建尚未得到重视，仅有一些学者进行了初步尝试，具体为：
1.基于域分解方法的大尺寸图像直接提取的方法：如图1和图2所示，图2中的虚线表示域边界孔隙之间随机连接产生的喉道，对比原始图像的孔隙网络模型和域分解孔隙网络模型，可以看出在域边界之外的狭窄区域，二者并不完全相同，这使得域分解孔隙网络模型与真实孔隙空间有一定误差。
2.孔隙网络模型拼接方法：如图3所示，增加了最终大体素孔隙网络模型的不确定性，统计信息有较大偏差，且无法表征裂缝的存在。
3.随机生成算法：如图4所示，图4中的实线框中为大孔径孔隙，实线框外为小孔径孔隙，体现了随机非均质性，但其与真实岩心没有任何联系，不能表征真实岩心的孔隙空间。
4.基于增强超分辨率生成对抗神经网络的大视场图像处理方法：如图5所示，图5中细节区域中的小孔隙信息来自高分辨率图像，岩石基质、大孔隙、细节区域的边界信息来自低分辨率图像。此方法涵盖了CT图像的多尺度信息。但其属于机器学习的方法，需要大量的CT图像作为训练集，且训练过程和孔隙网络模型提取过程耗时长，效率低。
综上所述，现有的岩心级孔隙网络模型构建方法不能同时兼具岩心级孔隙量的统计信息和裂缝的表征，且存在计算量大的问题。
因此，现需要一种较为简便、快捷地再现岩心级孔隙量的统计信息并表征页岩大量发育裂缝的特征的岩心级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考虑裂缝的岩心级孔隙网络模型构建方法，以解决现有技术中岩心级孔隙网络模型构建方法不能同时兼具岩心级孔隙量的统计信息和裂缝的表征，以及存在计算量大的问题。
为实现上述目的，本发明提供了一种考虑裂缝的岩心级孔隙网络模型构建方法，具体包括如下步骤：
S1，扫描获得砂岩CT图像，对图像进行分割，得到训练集。
S2，采用深度卷积生成对抗神经网络，即DCGAN方法对训练集进行训练，重构基质数字岩心I，并基于此数字岩心采用SNOW算法提取基质孔隙网络模型I。
S3，截取页岩CT扫描图像，并进行二值化处理，得到裂缝性数字岩心II，经SNOW算法提取得到裂缝性孔隙网络模型II。
S4，对数字岩心I和数字岩心II进行切片，保存切片图像序列，分别命名为切片序列I和切片序列II-1。
S5，对数字岩心II的切片图像序列做倒序处理，将倒序切片序列保存并命名为切片序列II-2。
S6，将切片序列I、切片序列II-1和切片序列II-2合成，得到岩心尺度的裂缝性数字岩心III。
S7，采用SNOW算法提取数字岩心III的孔隙网络模型，该孔隙网络模型即为裂缝性岩心级孔隙网络模型，命名为孔隙网络模型III。
进一步地，步骤S1具体包括如下步骤：
S1.1，在python程序中输入砂石CT扫描图像，再输入分割参数。
S1.2，经过分割后得到训练集。
进一步地，步骤S2具体包括如下步骤：
S2.1，将训练集输入到DCGAN的python程序中，然后给定训练参数。
S2.2，经过训练后生成数字岩心，分别代表不同训练阶段产生的数字岩心。
S2.3，使用python程序对数字岩心I进行格式调整，即调整为可见的tif格式，最终得到数字岩心I。
S2.4，经SNOW算法提取其孔隙网络模型，命名为基质孔隙网络模型I。
进一步地，步骤S3具体包括如下步骤：
S3.1，使用Avizo软件的Extract Subvolume命令截取页岩CT扫描图像中的岩心，截取的岩心区域包含裂缝信息。
S3.2，通过Edit New Label Field命令进行二值化处理，最后保存为三维tif格式，即为裂缝性数字岩心，将其命名为数字岩心II，经SNOW算法提取得到裂缝性孔隙网络模型II。
进一步地，步骤S4具体包括如下步骤：
S4.1，将数字岩心I和数字岩心II分别导入ImageJ中，首先使用Type命令将其图像通道改为8位。
S4.2，通过Image Sequence命令进行切片，经保存得到切片图像序列，分别命名为切片序列I和切片序列II-1。
进一步地，步骤S5具体为：
使用python程序将切片序列II-1的顺序转换为倒序，以保证在同一方向拼接时，孔隙度在拼接位置没有突变，倒序的切片序列命名为切片序列II-2。
进一步地，步骤S6具体包括如下步骤：
S6.1，首先使用python程序中的imread_collection命令导入切片序列I、切片序列II-1、切片序列II-2的图像序列。
S6.2，将切片序列I、切片序列II-1、切片序列II-2以X轴方向进行叠加，处理时随机在切片序列II-1和切片序列II-2之间添加切片序列I，最终得到岩心尺度的裂缝性数字岩心III。
本发明具有如下有益效果：
本发明提供了一种考虑裂缝的岩心级孔隙网络模型构建方法。基于DCGAN重构了基质数字岩心，基于页岩CT图像截取了裂缝性数字岩心，对上述两种数字岩心切片处理得到相应的图像序列，采用python程序合成不同个数的切片序列可以得到不同大小的拼接数字岩心，基于该数字岩心提取得到含裂缝的岩心级孔隙网络模型，该孔隙网络模型能够达到岩心级别，并考虑了页岩储层中大量发育裂缝的特征，且拼接个数可控，有效减少了计算量，提高了构建效率。
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示出了现有技术中基于域分解方法的大尺寸图像直接提取的方法中的整体孔隙网络模型及域分解范围图。
图2示出了现有技术中基于域分解方法的大尺寸图像直接提取的方法中域分解方法提取的孔隙网络模型图。
图3示出了现有技术中的利用孔隙网络模型拼接方法拼接的孔隙网络模型示意图。
图4示出了现有技术中随机生成算法生成的孔隙网络模型图。
图5示出了现有技术中利用超分辨率生成的超分辨率图像示意图。
图6示出了本发明中的一种考虑裂缝的岩心级孔隙网络模型构建方法的流程图。
图7示出了利用本发明提供的方法获得的基质孔隙网络模型I。
图8示出了利用本发明提供的方法获得的裂缝性孔隙网络模型II。
图9示出了利用本发明提供的方法进行拼接后获得的5倍大小的孔隙网络模型。
图10示出了利用本发明提供的方法进行拼接后获得的50倍大小的孔隙网络模型。
图11示出了利用本发明提供的方法进行拼接后获得的500倍大小的孔隙网络模型。
图12示出了利用本发明提供的方法获得的裂缝性岩心级孔隙网络模型孔隙数目及提取时间拟合曲线。
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。
如图6所示，一种考虑裂缝的岩心级孔隙网络模型构建方法，具体包括如下步骤：
S1，扫描获得砂岩CT图像，对图像进行分割，得到训练集。
S2，采用深度卷积生成对抗神经网络，即DCGAN方法对训练集进行训练，重构基质数字岩心I，并基于此数字岩心采用SNOW算法提取基质孔隙网络模型I。
S3，截取页岩CT扫描图像，并进行二值化处理，得到裂缝性数字岩心II，经SNOW算法提取得到裂缝性孔隙网络模型II。
S4，对数字岩心I和数字岩心II进行切片，保存切片图像序列，分别命名为切片序列I和切片序列II-1。
S5，对数字岩心II的切片图像序列做倒序处理，将倒序切片序列保存并命名为切片序列II-2。
S6，将切片序列I、切片序列II-1和切片序列II-2合成，得到岩心尺度的裂缝性数字岩心III。即考虑裂缝的岩心级数字岩心。
S7，采用SNOW算法提取数字岩心III的孔隙网络模型，该孔隙网络模型即为裂缝性岩心级孔隙网络模型，命名为孔隙网络模型III。即考虑裂缝的岩心级孔隙网络模型。
具体地，步骤S1具体包括如下步骤：
S1.1，在python程序中输入砂石CT扫描图像，再输入分割参数。
S1.2，经过分割后得到训练集。
砂岩CT扫描图像分辨率为1微米，体素大小为400×400×400，使用python程序对其处理可以得到DCGAN训练集。该程序使用到python库tifffile（版本2022.20.20）和h5py（版本3.7.0），首先输入砂岩CT扫描图像，然后输入分割参数（本实施例中分割参数为32，即分割后的图像大小为32×32×32），经过分割和格式转换最终得到文件格式为hdf5的训练集。
具体地，步骤S2具体包括如下步骤：
S2.1，将训练集输入到DCGAN的python程序中，然后给定训练参数。
S2.2，经过训练后生成数字岩心，分别代表不同训练阶段产生的数字岩心。
S2.3，使用python程序对数字岩心I进行格式调整，即调整为可见的tif格式，最终得到数字岩心I。
S2.4，经SNOW算法提取其孔隙网络模型，命名为孔隙网络模型I。
使用DCGAN的python程序对由步骤S1获得的训练集进行训练，DCGAN算法搭建平台为pytorch2.0和CUDA11.7。首先输入训练集，然后给定训练参数，本实施例中的训练参数分别为：imageSize 32，batchSize 16，ngf 32，ndf 32，nz 128，niter 64，lr 1e-4，workers0，ngpu 1，cuda，其意义分别为：训练集中图像大小为32，与步骤S1中对应；每次训练选取的样本数为16个；生成器G中特征图的大小为32；判别器D中特征图的大小为32；空间向量z的个数为128个；初始学习率为1e-4；数据加载使用进程数为0；GPU使用数目为1个；允许使用CUDA。最后生成一系列hdf5格式的数字岩心，分别代表不同训练阶段产生的数字岩心，最后一个即为最优解下的基质数字岩心，将其命名为数字岩心I。
使用python程序将数字岩心I调整为可见的tif格式，本步骤为步骤S1的逆过程，即输入hdf5格式，输出tif格式，最终得到分辨率为1微米，体素大小为76×76×76的数字岩心I。经SNOW算法提取其孔隙网络模型，命名为基质孔隙网络模型I，如图7所示。
具体地，步骤S3具体包括如下步骤：
S3.1，使用Avizo软件的Extract Subvolume命令截取页岩CT扫描图像中的岩心，截取的岩心区域包含裂缝信息。
S3.2，通过Edit New Label Field命令进行二值化处理，最后保存为三维tif格式，即为裂缝性数字岩心，将其命名为数字岩心II，经SNOW算法提取得到裂缝性孔隙网络模型II。
使用Avizo软件的Extract Subvolume命令截取页岩CT扫描图像中76×76×76体素大小的岩心，该截取岩心区域包含裂缝信息，然后通过Edit New Label Field命令进行二值化处理，最后保存为三维tif格式，即为裂缝性数字岩心，将其命名为数字岩心II，经SNOW算法提取得到裂缝性孔隙网络模型II，如图8所示。
具体地，步骤S4具体包括如下步骤：
S4.1，将数字岩心I和数字岩心II分别导入ImageJ中，首先使用Type命令将其图像通道改为8位。以方便显示。
S4.2，通过Image Sequence命令进行切片，经保存得到切片图像序列，分别命名为切片序列I和切片序列II-1。
具体地，步骤S5具体为：
使用python程序将切片序列II-1的顺序转换为倒序，以保证在同一方向拼接时，孔隙度在拼接位置没有突变，倒序的切片序列命名为切片序列II-2。
具体地，步骤S6具体包括如下步骤：
S6.1，首先使用python程序中的imread_collection命令导入切片序列I、切片序列II-1、切片序列II-2的图像序列。
S6.2，将切片序列I、切片序列II-1、切片序列II-2以X轴方向进行叠加，处理时随机在切片序列II-1和切片序列II-2之间添加切片序列I，最终得到岩心尺度的裂缝性数字岩心III。
步骤S6涉及的python库有imageio（版本2.22.1），PoreSpy（版本2.2.2），skimage（版本0.19.3），首先使用skimage的imread_collection命令导入特定个数的图像序列，例如导入2个切片序列II-1，2个切片序列II-2，并将1个切片序列I随机插入其中，即为导入了5个图像序列。然后使用一个for循环语句即可完成图像序列的拼接过程，得到5倍大小的拼接数字岩心，其分辨率为1微米，体素大小为380×76×76。导入更多的（例如：10个、27个、50个、200个和500个）图像序列即可合成相应大小的拼接数字岩心，为三维tif格式。
步骤S6中各大小的拼接数字岩心经SNOW算法提取，即可得到相应的裂缝性岩心级孔隙网络模型，如图9、图10和图11所示，拟合了其包含的孔隙数目和提取时间与拼接倍数的关系，如图12所示，计算时间显示其计算时长为分钟级，较机器学习算法的小时级有较大提高。
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)
1.一种考虑裂缝的岩心级孔隙网络模型构建方法，其特征在于，具体包括如下步骤：
S1，扫描获得砂岩CT图像，对图像进行分割，得到训练集；
S2，采用深度卷积生成对抗神经网络，即DCGAN方法对训练集进行训练，重构基质数字岩心I，并基于此数字岩心采用SNOW算法提取基质孔隙网络模型I；
S3，截取页岩CT扫描图像，并进行二值化处理，得到裂缝性数字岩心II，经SNOW算法提取得到裂缝性孔隙网络模型II；
S4，对数字岩心I和数字岩心II进行切片，保存切片图像序列，分别命名为切片序列I和切片序列II-1；
S5，对数字岩心II的切片图像序列做倒序处理，将倒序切片序列保存并命名为切片序列II-2；
S6，将切片序列I、切片序列II-1和切片序列II-2合成，得到岩心尺度的裂缝性数字岩心III；
S7，采用SNOW算法提取数字岩心III的孔隙网络模型，该孔隙网络模型即为裂缝性岩心级孔隙网络模型，命名为孔隙网络模型III；
步骤S6具体包括如下步骤：
S6.1，首先使用python程序中的imread_collection命令导入切片序列I、切片序列II-1、切片序列II-2的图像序列；
S6.2，将切片序列I、切片序列II-1、切片序列II-2以X轴方向进行叠加，处理时随机在切片序列II-1和切片序列II-2之间添加切片序列I，最终得到岩心尺度的裂缝性数字岩心III。
2.根据权利要求1所述的一种考虑裂缝的岩心级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，在python程序中输入砂石CT扫描图像，再输入分割参数；
S1.2，经过分割后得到训练集。
3.根据权利要求1所述的一种考虑裂缝的岩心级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，将训练集输入到DCGAN的python程序中，然后给定训练参数；
S2.2，经过训练后生成数字岩心，分别代表不同训练阶段产生的数字岩心；
S2.3，使用python程序对数字岩心I进行格式调整，即调整为可见的tif格式，最终得到数字岩心I；
S2.4，经SNOW算法提取其孔隙网络模型，命名为基质孔隙网络模型I。
4.根据权利要求1所述的一种考虑裂缝的岩心级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，使用Avizo软件的Extract Subvolume命令截取页岩CT扫描图像中的岩心，截取的岩心区域包含裂缝信息；
S3.2，通过Edit New Label Field命令进行二值化处理，最后保存为三维tif格式，即为裂缝性数字岩心，将其命名为数字岩心II，经SNOW算法提取得到裂缝性孔隙网络模型II。
5.根据权利要求1所述的一种考虑裂缝的岩心级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，将数字岩心I和数字岩心II分别导入ImageJ中，首先使用Type命令将其图像通道改为8位；
S4.2，通过Image Sequence命令进行切片，经保存得到切片图像序列，分别命名为切片序列I和切片序列II-1。
6.根据权利要求1所述的一种考虑裂缝的岩心级孔隙网络模型构建方法，其特征在于，步骤S5具体为：
使用python程序将切片序列II-1的顺序转换为倒序，以保证在同一方向拼接时，孔隙度在拼接位置没有突变，倒序的切片序列命名为切片序列II-2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311434157.0A CN117152373B (zh) | 2023-11-01 | 2023-11-01 | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311434157.0A CN117152373B (zh) | 2023-11-01 | 2023-11-01 | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117152373A CN117152373A (zh) | 2023-12-01 |
| CN117152373B true CN117152373B (zh) | 2024-02-02 |
Family
ID=88906615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311434157.0A Active CN117152373B (zh) | 2023-11-01 | 2023-11-01 | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152373B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242970A (zh) * | 2018-10-11 | 2019-01-18 | 中国科学院力学研究所 | 页岩lREV尺度数字岩心重构方法及装置 |
| 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 |
| CN111461303A (zh) * | 2020-03-31 | 2020-07-28 | 中国石油大学(北京) | 基于生成对抗神经网络的数字岩心重构方法及系统 |
| CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
| CN112634429A (zh) * | 2019-10-09 | 2021-04-09 | 四川大学 | 基于混合深度生成模型的岩心三维图像重建方法 |
| CN112991370A (zh) * | 2021-04-08 | 2021-06-18 | 重庆大学 | 一种岩心ct裂纹识别与分割方法 |
| CN113916916A (zh) * | 2021-09-29 | 2022-01-11 | 西南石油大学 | 一种用于页岩数字岩心三维渗流-颗粒流动耦合的模拟方法 |
| 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 |
| CN115049781A (zh) * | 2022-05-11 | 2022-09-13 | 西南石油大学 | 一种基于深度学习的页岩数字岩心三维重建方法 |
| CN115393279A (zh) * | 2022-07-25 | 2022-11-25 | 南华大学 | 一种基于深度学习模型的砂岩ct图像渗透率预测方法 |
| CN115993376A (zh) * | 2022-12-06 | 2023-04-21 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
| CN116342815A (zh) * | 2023-05-12 | 2023-06-27 | 中国石油大学(华东) | 一种页岩孔隙空间的多尺度孔隙网络模型构建方法 |
-
2023
- 2023-11-01 CN CN202311434157.0A patent/CN117152373B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242970A (zh) * | 2018-10-11 | 2019-01-18 | 中国科学院力学研究所 | 页岩lREV尺度数字岩心重构方法及装置 |
| CN112634429A (zh) * | 2019-10-09 | 2021-04-09 | 四川大学 | 基于混合深度生成模型的岩心三维图像重建方法 |
| CN111461303A (zh) * | 2020-03-31 | 2020-07-28 | 中国石油大学(北京) | 基于生成对抗神经网络的数字岩心重构方法及系统 |
| 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 |
| CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
| CN112991370A (zh) * | 2021-04-08 | 2021-06-18 | 重庆大学 | 一种岩心ct裂纹识别与分割方法 |
| CN113916916A (zh) * | 2021-09-29 | 2022-01-11 | 西南石油大学 | 一种用于页岩数字岩心三维渗流-颗粒流动耦合的模拟方法 |
| CN115049781A (zh) * | 2022-05-11 | 2022-09-13 | 西南石油大学 | 一种基于深度学习的页岩数字岩心三维重建方法 |
| CN115393279A (zh) * | 2022-07-25 | 2022-11-25 | 南华大学 | 一种基于深度学习模型的砂岩ct图像渗透率预测方法 |
| CN115993376A (zh) * | 2022-12-06 | 2023-04-21 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
| CN116342815A (zh) * | 2023-05-12 | 2023-06-27 | 中国石油大学(华东) | 一种页岩孔隙空间的多尺度孔隙网络模型构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| Bingke Li,Xin Nie，Jianchao Cai，Xueqing Zhou，Chenchen Wang，Denglin Han.U-Net model for multi-component digital rock modeling of shales based on CT and QEMSCAN images.Journal of Petroleum Science and Engineering.2022,第216卷第1-14页. * |
| 利用CT图像与压汞核磁共振构建高精度三维数字岩心;姜黎明;刘宁静;孙建孟;屈乐;崔利凯;郭英才;测井技术(第4期);第22-25页 * |
| 基于生成对抗网络的页岩三维数字岩芯构建;杨永飞；刘夫贵；姚军；宋华军；王民;西南石油大学学报（自然科学版）;第10卷(第5期);第73-83页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117152373A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Challenges and prospects of digital core‐reconstruction research | |
| CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
| CN108876901A (zh) | 一种基于二维图像和多点统计学的数字岩心重建方法 | |
| CN111428321B (zh) | 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 | |
| CN108763711A (zh) | 一种基于岩心扫描图像分块数值模拟的渗透率预测方法 | |
| CN112381916B (zh) | 一种利用二维薄片图像的数字岩心三维结构重建方法 | |
| CN114078183B (zh) | 多孔介质三维结构的重建方法、装置、设备及介质 | |
| CN111402266A (zh) | 一种构建数字岩心的方法及系统 | |
| CN111612906A (zh) | 一种三维地质模型的生成方法、系统及计算机存储介质 | |
| CN117152373B (zh) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 | |
| Xia et al. | Multi-scale reconstruction of porous media based on progressively growing generative adversarial networks | |
| CN112883646B (zh) | 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置 | |
| CN115115783B (zh) | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 | |
| CN116342815B (zh) | 一种页岩孔隙空间的多尺度孔隙网络模型构建方法 | |
| CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
| CN114528729B (zh) | 一种基于多尺度耦合的潜山裂缝气藏产量预测方法 | |
| US20230251178A1 (en) | Random particle generation method based on particle size distribution | |
| Lei | Reconstruction and Analysis of Tight Sandstone Digital Rock Combined with X‐Ray CT Scanning and Multiple‐Point Geostatistics Algorithm | |
| CN110609046A (zh) | 一种基于微ct水驱油图像的毛管力预测方法 | |
| CN105608740B (zh) | 一种基于构造面几何恢复的构造裂缝三维建模方法 | |
| CN115147539A (zh) | 一种基于指示克里金的孔隙结构剩余油表征方法 | |
| CN112800589B (zh) | 一种基于人工智能的油水两相流相对渗透网格粗化方法 | |
| CN117557742B (zh) | 基于数字图像与机器学习的3d岩石储层建模方法 | |
| Li et al. | Three‐Dimensional Numerical Simulation of Multiscale Fractures and Multiphase Flow in Heterogeneous Unconventional Reservoirs with Coupled Fractal Characteristics | |
| CN112131776B (zh) | 裂缝性三维数字岩心油水或气水分布模型的构建方法 |
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 |