WO2019205725A1 - 一种基于电成像测井分形维数的火山岩岩性识别方法 - Google Patents

一种基于电成像测井分形维数的火山岩岩性识别方法 Download PDF

Info

Publication number
WO2019205725A1
WO2019205725A1 PCT/CN2018/125979 CN2018125979W WO2019205725A1 WO 2019205725 A1 WO2019205725 A1 WO 2019205725A1 CN 2018125979 W CN2018125979 W CN 2018125979W WO 2019205725 A1 WO2019205725 A1 WO 2019205725A1
Authority
WO
WIPO (PCT)
Prior art keywords
fractal dimension
lithology
imaging log
electrical imaging
volcanic rock
Prior art date
Application number
PCT/CN2018/125979
Other languages
English (en)
French (fr)
Inventor
葛新民
范宜仁
刘建宇
邓少贵
张沫
邢东辉
Original Assignee
中国石油大学(华东)
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 中国石油大学(华东) filed Critical 中国石油大学(华东)
Publication of WO2019205725A1 publication Critical patent/WO2019205725A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Definitions

  • the present invention belongs to the field of geophysical logging and geological exploration, and more particularly to a method for identifying lithology of volcanic rocks based on the fractal dimension of electrical imaging logs.
  • the present invention provides a method for identifying volcanic rock lithology based on fractal dimension of electrical imaging logs.
  • a volcanic rock lithology identification method based on electrical imaging log fractal dimension comprising the following steps:
  • a2 first uses the median filtering algorithm to eliminate most of the noise in the overall image, and then uses the morphological filtering to further eliminate the fine noise, highlighting the rock skeleton and pore information;
  • a3 processes the gray image of the de-noised electrical imaging log to obtain a gray histogram, thereby determining a threshold, and distinguishing the skeleton from the aperture;
  • the square is used to cover the image, and the fractal dimension is calculated using the formula (1):
  • Step al Determine the lithology type of the volcanic rock in the core section according to the naked observation of the rock flakes.
  • Step a3 After obtaining the gray histogram, the threshold is determined according to the left trough of the last peak.
  • step a3 the skeleton gray scale is set to 255, and the aperture gray scale is set to zero.
  • step a3 the threshold is 75.
  • Step b Calculated fractal dimension
  • the maximum and minimum values are 2 and 1, respectively. .
  • the invention can realize the automatic identification of the lithology of the uncentered well section by data processing and fractal dimension calculation of the electric imaging logging, and overcome the uncertainty brought by the traditional naked eye observation method to some extent. Sex, improve lithology identification accuracy and speed. At the same time, the invention can bring new ideas to the logging identification of other rock types.
  • FIG. 1 is a flow chart of a volcanic rock lithology identification method based on electrical imaging log fractal dimension provided by the present invention
  • FIG. 2 is an original electric imaging log image of the introduced rhyolite
  • FIG. 3 is a streamlined electric imaging log image after median filtering of FIG. 2; [0029] FIG.
  • FIG. 4 is an image of a rhyolite electric imaging log after the opening operation of FIG. 3;
  • FIG. 5 is an image of a rhyolite electric imaging log after threshold segmentation of FIG. 4;
  • FIG. 6 is a statistical diagram of the fractal dimension of an electrical imaging log for determining the lithology of the taken core section.
  • the present invention constructs a new quantitative method for electrical imaging logging, in particular to provide a volcanic rock lithology identification method based on fractal dimension of electrical imaging logging, which passes data for electrical imaging logging. Processing and fractal dimension calculations, etc., to achieve automatic identification of lithology, improve recognition accuracy and speed.
  • the invention fully utilizes the characteristics of high resolution of electric imaging logging and fine characterization of rock layer texture, and overcomes the uncertainty of traditional identification of lithology based on electric imaging logging, which is a rock of volcanic reservoir. Sexual recognition provides new ideas.
  • a volcanic rock lithology identification method based on electrical imaging log fractal dimension comprising the following steps:
  • a is introduced into the electrical imaging log data of the core section, and preprocesses the electrical imaging log data to eliminate noise;
  • a2 first uses the median filtering algorithm to eliminate most of the noise in the overall image of the electrical imaging log data, and then uses the opening operation of the morphological filtering to further eliminate the fine noise, highlighting the rock skeleton and the pore information; [0039] a3
  • the gray image of the imaged electrical imaging log is processed to obtain a gray histogram of the image, and the threshold is determined according to the left trough of the last peak, thereby distinguishing the skeleton from the aperture, and setting the gray level of the skeleton to 255.
  • Set the gray level of the aperture to 0
  • [0040] b uses the network coverage method to obtain the fractal dimension of the skeleton.
  • step e determining the lithology corresponding to the imaging log data of the un-centered well segment of step d according to the different lithological fractal dimension distribution ranges determined in step c. [0047] In the above steps: the threshold of the pores and the skeleton is generally 75. Calculated fractal dimension
  • the maximum and minimum values are 2 and 1, respectively.
  • FIG. 1 is a technical flow chart of a volcanic rock lithology identification method based on fractal fractal dimension of an electric imaging log, which mainly includes an imaging log data of an imported core section, logging data filtering and signal enhancement, and a threshold value. Segmentation and skeleton information extraction, determine the fractal dimension range of different lithology and the fractal dimension calculation of the uncentered well section, and import the imaging data of the uncoring well section and calculate the fractal dimension for lithology identification. These five parts are essential, and the order cannot be reversed.
  • FIG. 3 is an electrical imaging log image obtained by performing median filtering processing on the rhyolite imaging log of FIG. 2 by applying the method provided by the present invention, and it can be seen from the figure that most of the noise in the image is obtained. Get effective suppression.
  • FIG. 5 is an electrical imaging log image obtained by thresholding the rhyolite imaging log of FIG. 4 by applying the method provided by the present invention. It can be seen from the figure that the information of the pore and the skeleton is effective. Separation.
  • FIG. 6 is a fractal dimension distribution diagram calculated by applying the method provided by the present invention to all imaging well maps for determining lithology of a coring well. It can be seen from the figure that the fractal dimension of different cores is significantly different.
  • the fractal dimension of rhyolite and Yingan rock ranges from 1.1 to 1.3
  • the fractal dimension of andesite and basalt ranges from 1.3 to 1.5
  • the fractal dimension of tuff ranges from 1.5 to 1.7
  • the fractal dimension of breccia ranges from 1.7. To 1.9.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于电成像测井分形维数的火山岩岩性识别方法，该方法主要包括导入取心井段成像测井数据、测井数据滤波与信号增强、阈值分割及骨架信息提取，确定不同岩性的分维数范围和未取心井段的分维数计算，以及导入未取心井段成像测井数据并计算分维数进行岩性识别五部分。本发明通过对电成像测井的数据处理和分形维数计算等，可实现未取心井段岩性的自动识别，在一定程度上克服了传统的肉眼观察法带来的不确定性，提高岩性识别精度和速率。同时，本发明还能为其它岩类的测井识别带来新思路。

Description

发明名称:一种基于电成像测井分形维数的火山岩岩性识别方法 技术领域
[0001] 本发明属于地球物理测井和地质勘探领域， 具体地说是涉及一种基于电成像测 井分形维数的火山岩岩性识别方法。
背景技术
[0002] 火山岩的岩性识别是火山岩储层测井评价和油气资源探测的重要基础。 然而， 受到多种因素的影响， 火山岩的非均质性强， 导致它们的测井响应特征十分复 杂， 识别难度极大。
[0003] 前人基于常规测井资料的交会图分析和常规测井资料的分形维数计算等对火山 岩的岩性识别进行了许多有益探索， 并取得了部分成果。 受制于常规测井的纵 向分辨率， 它们的识别精度低， 很难真正把地下复杂的岩性变化体现出来。 随 着测井技术的进步， 电成像测井通过多组极板和电极， 将电流传送到地层， 进 而得到井周范围内的电流变化情况， 将其用图像处理技术显示出来， 能展示地 层的岩性和储集空间等信息， 具有分辨率高， 直观成像等优点。
[0004] 然而， 5见有的方法和思路都是通过简单的肉眼识别方法， 建立不同岩性的典型 电成像测井信息库， 采用定性的方法来对岩性进行判断， 精度低， 主观性强， 且十分耗时。
发明概述
技术问题
问题的解决方案
技术解决方案
[0005] 基于上述技术问题， 本发明提供一种基于电成像测井分形维数的火山岩岩性识 别方法。
[0006] 本发明所采用的技术解决方案是：
[0007] 一种基于电成像测井分形维数的火山岩岩性识别方法， 包括以下步骤：
[0008] a导入取心井段的成像测井数据， 对成像测井数据进行预处理， 消除噪声； ［0009］ al确定取心井段火山岩的岩性类型， 应用 Matlab软件， 分别读入它们所对应 深度段的电成像测井数据；
［0010］ a2先采用中值滤波算法消除整体图像中的大部分噪声， 再采用形态学滤波的 开运算进一步将细小的噪声消除， 突出岩石骨架和孔隙信息；
［0011］ a3对去噪后的电成像测井灰度图像进行处理， 得到灰度直方图， 进而确定阈 值， 将骨架和孔隙区分；
［0012］ b采用网络覆盖法求取骨架的分维数；
［0013］ 使用半径为
［数］
S
的圆或边长为
［数］
S
的正方形去覆盖图像， 采用公式 ( 1) 计算分维数：
［0014］ ［数］
Figure imgf000004_0001
( D
［0015］ 式中：
［数］
D
为分维数;
［数］
为常数，
［数］
.剛 为半径为
[数]
S
时所覆盖图像的圆的个数；
[0016] c根据步骤 al所确定的火山岩岩性类型， 得到每个深度段的分维数， 进而确 定不同岩性的分维数分布范围， 建立岩性识别标准；
[0017] d导入未取心井段的成像测井数据， 重复步骤 a和步骤 b， 得到它们的分维数
[0018] e根据步骤 c所确定的不同岩性分维数分布范围， 确定步骤 d未取心井段的成 像测井数据所对应的岩性。
[0019] 步骤 al中： 根据肉眼观察岩石薄片确定取心井段火山岩的岩性类型。
[0020] 步骤 a3中： 得到灰度直方图后， 根据最后一个峰的左波谷确定阈值。
[0021] 步骤 a3中： 将骨架灰度置为 255 , 将孔隙灰度置为 0。
[0022] 步骤 a3中： 所述阈值为 75。
[0023] 步骤 b中： 计算的分维数
[数]
D
的最大值和最小值分别为 2和 1。 。
发明的有益效果
有益效果
[0024] 本发明的有益技术效果是：
[0025] 本发明通过对电成像测井的数据处理和分形维数计算等， 可实现未取心井段岩 性的自动识别， 在一定程度上克服了传统的肉眼观察法带来的不确定性， 提高 岩性识别精度和速率。 同时， 本发明还能为其它岩类的测井识别带来新思路。
对附图的简要说明
附图说明 [0026] 下面结合附图与具体实施方式对本发明作进一步的说明：
[0027] 图 1为本发明提供的一种基于电成像测井分形维数的火山岩岩性识别方法技术 流程图；
[0028] 图 2是导入的流纹岩原始电成像测井图像；
[0029] 图 3是对图 2进行中值滤波后的流纹岩电成像测井图像；
[0030] 图 4是对图 3进行开启运算后的流纹岩电成像测井图像；
[0031] 图 5是对图 4进行阈值分割后的流纹岩电成像测井图像；
[0032] 图 6是对已取心井段确定岩性的电成像测井分维数的统计图。
发明实施例
本发明的实施方式
[0033] 本发明构建了一个新的电成像测井定量处理方法， 具体地说是提供一种基于电 成像测井分形维数的火山岩岩性识别方法， 该方法通过对电成像测井的数据处 理和分形维数计算等， 以实现岩性的自动识别， 提高识别精度和速率。
[0034] 本发明充分发挥了电成像测井分辨率高、 能对岩层纹理进行精细刻画的特点， 又克服了传统基于电成像测井定性识别岩性的不确定性， 为火山岩储层的岩性 识别提供了新思路。
[0035] 一种基于电成像测井分形维数的火山岩岩性识别方法， 包括以下步骤：
[0036] a导入取心井段的电成像测井数据， 对电成像测井数据进行预处理， 消除噪 声；
[0037] al根据肉眼观察、 岩石薄片等确定取心井段火山岩的岩性类型， 应用 Matlab 软件平台， 分别读入它们所对应深度段的电成像测井数据；
[0038] a2先采用中值滤波算法消除电成像测井数据整体图像中的大部分噪声， 再采 用形态学滤波的开运算进一步将细小的噪声消除， 突出岩石骨架和孔隙信息； [0039] a3对去噪后的电成像测井灰度图像进行处理， 得到图像的灰度直方图， 根据 最后一个峰的左波谷确定阈值， 进而将骨架和孔隙区分出来， 将骨架的灰度置 为 255 , 将孔隙的灰度置为 0
[0040] b采用网络覆盖法求取骨架的分维数。
[0041] 使用半径为 的圆去覆盖图像， 采用公式 （1） 计算分维数:
［0042］ ［数］
Figure imgf000007_0001
［0043］ 式中:
［数］
D
为分维数;
[数]
为常数，
[数]
Figure imgf000007_0002
为半径为
[数]
时所覆盖图像的圆的个数。
[0044] c根据步骤 al所确定的火山岩岩性类型， 得到每个深度段所对应的分维数， 进而确定不同岩性的分维数分布范围， 建立岩性识别标准。
[0045] d导入未取心井段的成像测井数据， 重复步骤 a和步骤 b， 得到它们的分形维 数。
[0046] e根据步骤 c所确定的不同岩性分维数分布范围， 确定步骤 d未取心井段的成像 测井数据所对应的岩性。 [0047] 上述步骤中： 孔隙和骨架的阈值一般为 75。 计算的分维数
[数]
D
的最大值和最小值分别为 2和 1。
[0048] 下面结合附图对本发明作进一步说明。
[0049] 图 1是本发明一种基于电成像测井分形维数的火山岩岩性识别方法的技术流程 图， 主要包括导入取心井段成像测井数据、 测井数据滤波与信号增强、 阈值分 割及骨架信息提取， 确定不同岩性的分维数范围和未取心井段的分维数计算， 以及导入未取心井段成像测井数据并计算分维数进行岩性识别五部分， 这五部 分必不可少， 且顺序不可颠倒。
[0050] 图 2是流纹岩的原始电成像测井图。
[0051] 图 3是应用本发明所提供的方法对图 2所述的流纹岩成像测井图进行中值滤波处 理得到的电成像测井图像， 从图中可知， 图像中的大部分噪声得到有效压制。
[0052] 图 4是应用本发明所提供的方法对图 3所述的流纹岩成像测井图进行开启运算处 理得到的电成像测井图像， 从图中可知， 图像中的细节噪声得到有效压制。
[0053] 图 5是应用本发明所提供的方法对图 4所述的流纹岩成像测井图进行阈值分割处 理得到的电成像测井图像， 从图中可知， 孔隙和骨架的信息得到有效分离。
[0054] 图 6是应用本发明所提供的方法对取心井确定岩性的所有成像测井图计算得到 的分维数分布图， 从图中可知， 不同岩心的分维数有明显区别。 流纹岩和英安 岩的分维数范围为 1.1至 1.3 , 安山岩和玄武岩的分维数范围为 1.3至 1.5 , 凝灰岩 的分维数范围为 1.5至 1.7 , 角砾岩的分维数范围为 1.7至 1.9。

Claims

权利要求书
[权利要求 1] 一种基于电成像测井分形维数的火山岩岩性识别方法， 其特征在于包 括以下步骤：
a导入取心井段的成像测井数据， 对成像测井数据进行预处理， 消 除噪声；
al确定取心井段火山岩的岩性类型， 应用 Matlab软件， 分别读入它 们所对应深度段的电成像测井数据；
a2先采用中值滤波算法消除整体图像中的大部分噪声， 再采用形态 学滤波的开运算进一步将细小的噪声消除， 突出岩石骨架和孔隙信息 a3对去噪后的电成像测井灰度图像进行处理， 得到灰度直方图， 进 而确定阈值， 将骨架和孔隙区分；
b采用网络覆盖法求取骨架的分维数；
使用半径为
Figure imgf000009_0001
（D
式中：
D
为分维数；
a
为常数，
.卿 为半径为
s
时所覆盖图像的圆的个数；
C根据步骤 al所确定的火山岩岩性类型， 得到每个深度段的分维数 ， 进而确定不同岩性的分维数分布范围， 建立岩性识别标准； d导入未取心井段的成像测井数据， 重复步骤 a和步骤 b， 得到它们 的分维数；
e根据步骤 c所确定的不同岩性分维数分布范围， 确定步骤 d未取心 井段的成像测井数据所对应的岩性。 。
[权利要求 2] 根据权利要求 1所述的一种基于电成像测井分形维数的火山岩岩性识 别方法， 其特征在于， 步骤 al中： 根据肉眼观察岩石薄片确定取心井 段火山岩的岩性类型。
[权利要求 3] 根据权利要求 1所述的一种基于电成像测井分形维数的火山岩岩性识 别方法， 其特征在于， 步骤 a3中： 得到灰度直方图后， 根据最后一个 峰的左波谷确定阈值。
[权利要求 4] 根据权利要求 1所述的一种基于电成像测井分形维数的火山岩岩性识 别方法， 其特征在于， 步骤 a3中： 将骨架灰度置为 255 , 将孔隙灰度 置为 0。
[权利要求 5] 根据权利要求 1所述的一种基于电成像测井分形维数的火山岩岩性识 别方法， 其特征在于， 步骤 a3中： 所述阈值为 75
[权利要求 6] 根据权利要求 1所述的一种基于电成像测井分形维数的火山岩岩性识 别方法， 其特征在于， 步骤 b中： 计算的分维数
D
的最大值和最小值分别为 2和 1。
PCT/CN2018/125979 2018-04-28 2018-12-30 一种基于电成像测井分形维数的火山岩岩性识别方法 WO2019205725A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810398397.2A CN108830140B (zh) 2018-04-28 2018-04-28 一种基于电成像测井分形维数的火山岩岩性识别方法
CN201810398397.2 2018-04-28

Publications (1)

Publication Number Publication Date
WO2019205725A1 true WO2019205725A1 (zh) 2019-10-31

Family

ID=64155770

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/125979 WO2019205725A1 (zh) 2018-04-28 2018-12-30 一种基于电成像测井分形维数的火山岩岩性识别方法

Country Status (2)

Country Link
CN (1) CN108830140B (zh)
WO (1) WO2019205725A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801213A (zh) * 2021-03-09 2021-05-14 成都理工大学 一种基于人工智能的岩石岩性快速分类识别方法和装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830140B (zh) * 2018-04-28 2020-06-16 中国石油大学(华东) 一种基于电成像测井分形维数的火山岩岩性识别方法
CN111058829B (zh) * 2019-12-05 2021-06-25 中国矿业大学 基于图像处理的岩层分析方法
CN112213465B (zh) * 2020-09-29 2022-10-25 西安石油大学 一种基于电成像测井恢复古熔岩流方位及火山机构原始形态的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7174254B2 (en) * 2004-05-14 2007-02-06 Leroy Ellis Mud gas isotope logging interpretative process utilizing mixing lines in oil and gas drilling operations
CN103775071A (zh) * 2014-01-15 2014-05-07 四川大学 采动煤岩体裂隙演化的测量方法
CN104574346A (zh) * 2013-10-23 2015-04-29 核工业北京地质研究院 一种光学遥感图像分解算法
CN108830140A (zh) * 2018-04-28 2018-11-16 中国石油大学(华东) 一种基于电成像测井分形维数的火山岩岩性识别方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001020662A (ja) * 1999-07-07 2001-01-23 Fujita Corp 安定性評価方法
CN102071928B (zh) * 2009-11-25 2013-05-29 中国石油天然气股份有限公司 一种三维空间火山岩岩性识别方法
CN101950359B (zh) * 2010-10-08 2012-10-31 北京东方奔腾信息技术有限公司 一种岩石种类的识别方法
CN102053268B (zh) * 2010-11-18 2012-07-25 中国石油天然气股份有限公司 一种蚀变火山岩岩性识别方法及装置
CN103353462B (zh) * 2013-06-17 2015-12-09 中国石油大学(华东) 一种基于核磁共振成像的岩石非均质性定量评价方法
CN103325117B (zh) * 2013-06-17 2016-08-10 中国石油天然气集团公司 一种基于matlab的岩心图像处理方法及系统
US20150120197A1 (en) * 2013-10-30 2015-04-30 Chevron U.S.A. Inc. Method of Transforming Reservoir Properties to a Seismic Attribute for Hydrocarbon and Lithology Identification
CN105717551A (zh) * 2014-12-05 2016-06-29 核工业北京地质研究院 一种火山岩型铀矿盲矿空间定位方法
CN106707340A (zh) * 2016-12-13 2017-05-24 中国石油天然气股份有限公司大港油田分公司 一种火山岩岩相的预测方法
CN107092036A (zh) * 2017-04-10 2017-08-25 中国科学院大学 一种基于储层真电阻率反演的火山岩地层流体识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7174254B2 (en) * 2004-05-14 2007-02-06 Leroy Ellis Mud gas isotope logging interpretative process utilizing mixing lines in oil and gas drilling operations
CN104574346A (zh) * 2013-10-23 2015-04-29 核工业北京地质研究院 一种光学遥感图像分解算法
CN103775071A (zh) * 2014-01-15 2014-05-07 四川大学 采动煤岩体裂隙演化的测量方法
CN108830140A (zh) * 2018-04-28 2018-11-16 中国石油大学(华东) 一种基于电成像测井分形维数的火山岩岩性识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LU , SHIKUO ET AL.: "Advances in Logging Identification of Lithology and Fracture in Metamorphic Reservoir", SPECIAL OIL & GAS RESERVOIRS, vol. 23, no. 4, 31 August 2016 (2016-08-31), ISSN: 1006-6535 *
XU, . CHEN ET AL.: "The Application of Acoustolectric Imaging Logging Technology in Volcanic Rock Stratum", RESERVOIR EVALUATION AND DEVELOPMENT, vol. 1, no. 4, 31 August 2011 (2011-08-31), ISSN: 2095-1426 *
ZHANG, XU ET AL.: "Application of Fractal Theory to Anti-Drilling Properties of Volcanic Rock Formation", JOURNAL OF WUHAN UNIVERSITY ( NATURAL SCIENCE EDITION, vol. 55, no. 3, 30 June 2009 (2009-06-30), pages 315, ISSN: 1671-8836 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801213A (zh) * 2021-03-09 2021-05-14 成都理工大学 一种基于人工智能的岩石岩性快速分类识别方法和装置

Also Published As

Publication number Publication date
CN108830140A (zh) 2018-11-16
CN108830140B (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
WO2019205725A1 (zh) 一种基于电成像测井分形维数的火山岩岩性识别方法
CN109163997B (zh) 一种基于声谱图深度学习的岩石表面强度测定方法
CN109782274A (zh) 一种基于探地雷达信号时频统计特征的水损害识别方法
CN108985304B (zh) 一种基于浅剖数据的沉积层结构自动提取方法
CN109447249B (zh) 一种基于深度卷积的对抗神经网络测井数据重建方法
CN111381275A (zh) 一种地震数据的初至拾取方法和装置
CN112818876B (zh) 一种基于深度卷积神经网络的电磁信号提取与处理方法
CN109859199B (zh) 一种sd-oct图像的淡水无核珍珠质量检测的方法
CN105930852A (zh) 一种气泡图像识别方法
CN108072915A (zh) 一种识别碳酸盐岩颗粒滩相的方法
CN110673208B (zh) 一种机器学习框架下高维特征约束的初至拾取方法及系统
CN106447686A (zh) 一种基于快速有限剪切波变换的图像边缘检测方法
CN115390155A (zh) 针对非均质储层的测井解释方法、装置、电子设备及介质
CN108828687B (zh) 一种基于电成像面孔率的渗透率计算方法
CN116466408A (zh) 一种基于航磁数据的人工神经网络超基性岩识别方法
CN110552693A (zh) 一种基于深度神经网络的感应测井曲线的层界面识别方法
CN115640546A (zh) 一种图像与特征信息融合的岩性识别方法
CN114926431A (zh) 一种基于电成像测井图像的页岩裂缝发育模式识别方法
CN114563771A (zh) 基于聚类分析的双阈值激光雷达云层检测算法
CN114528729A (zh) 一种基于多尺度耦合的潜山裂缝气藏产量预测方法
CN105953766A (zh) 基于岩芯图像的砾石磨圆度测量方法
CN115047523B (zh) 一种基于密度聚类算法的地震数据动校正方法
CN116975528B (zh) 基于德劳内三角剖分的极地声信号特征提取方法和装置
CN117173618B (zh) 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法
CN112302620B (zh) 联合多源信息的缝洞储集体有效性分级方法与装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18916195

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18916195

Country of ref document: EP

Kind code of ref document: A1