用于岩心的渗流模拟方法、处理器及机器可读存储介质技术

本发明专利技术涉及油田开发技术领域，公开了一种用于岩心的渗流模拟方法、处理器及机器可读存储介质。方法包括：获取岩心的扫描图像；对扫描图像进行预处理，获得预处理后的图像；利用卷积神经网络对预处理后的图像中的孔隙与基质进行分割，得到岩心的基质

【技术实现步骤摘要】
用于岩心的渗流模拟方法、处理器及机器可读存储介质


[0001]本专利技术涉及油田开发
，具体涉及一种用于岩心的渗流模拟方法、处理器及机器可读存储介质。

技术介绍

[0002]以泥页岩为示例，随着非常规油气纳米级赋存空间的发现，如何定性定量表征泥页岩的微观孔隙结构成为非常规油气研究的热点领域。岩石孔渗特征是影响储层流体储集及渗流能力的主要因素。页岩基质的非均质性和多尺度结构导致页岩纳米孔中承压流体的静态和动态行为与宏观条件下完全不同，纳米结构的表面效应、油流机理、界面现象、吸附/解吸效应、流体扩散、黏性流动、滑移效应、拓扑特征的网络结构等，加剧了超精细页岩纳米孔中油气运移的复杂程度。
[0003]根据描述渗流中流体的尺度不同，微观渗流模拟方法可以分为分子动力学模拟等。分子动力学模拟主要依据牛顿力学理论模拟分子体系的运动，通过刻画每个原子随时间运动的轨迹研究流体的流动过程，计算量大，导致耗时长。

技术实现思路

[0004]为了克服现有技术存在的不足，本专利技术实施例提供了一种用于岩心的渗流模拟方法、处理器及机器可读存储本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于岩心的渗流模拟方法，其特征在于，包括：获取所述岩心的扫描图像；对所述扫描图像进行预处理，获得预处理后的图像；利用卷积神经网络对所述预处理后的图像中的孔隙与基质进行分割，得到所述岩心的基质
‑
孔隙二分割图像；提取所述基质
‑
孔隙二分割图像的特征参数；将所述特征参数输入至预先构建的算法模型，以预测所述岩心的渗透率；基于所述基质
‑
孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得所述岩心渗流的速度场分布情况。2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括U
‑
Net网络；所述利用卷积神经网络对所述预处理后的图像中的孔隙与基质进行分割，得到所述岩心的基质
‑
孔隙二分割图像包括：将所述预处理后的图像输入所述U
‑
Net网络；利用所述U
‑
Net网络对所述预处理后的图像中的孔隙与基质进行分割；利用所述U
‑
Net网络中的准确率和交并比确定分割效果；在所述准确率大于第一预设值且所述交并比大于第二预设值的情况下，确定所述分割效果为通过，并得到所述岩心的基质
‑
孔隙二分割图像。3.根据权利要求1所述的方法，其特征在于，所述特征参数包括以下中的至少一者：喉道截面面积、湿周周长、周长、等效直径、实心度、水力半径、平均距离、轴比、凸面面积、欧拉数、扩展程度、填充面积、主轴长和次轴长；所述方法还包括：确定每个所述特征参数与所述渗透率的相关性；确定与所述渗透率相关性最大的目标特征参数；所述将所述特征参数输入预先构建的算法模型，以预测所述岩心的渗透率包括：将所述特征参数中每个参数均输入至所述预先构建的算法模型，以预测所述岩心的渗透率；或将所述目标特征参数输入至所述预先构建的算法模型，以预测所述岩心的渗透率。4.根据权利要求3所述的方法，其特征在于，所述算法模型包括长短时记忆神经网络算法模型或随机森林算法模型；所述将所述特征参数中每个参数均输入至所述预先构建的算法模型，以预测所述岩心的渗透率包括：将每个所述特征参数均输入至所述长短时记忆神经网络算法模型，得到第一均方根误差下所述岩心的第一渗透率；或将每个所述特征参数均输入至所述随机森林算法模型，得到第二均方根误差下所述岩心的第二渗透率；所述将所述目标特征参数输入至所述预先构建的算法模型，以预测所述岩心的渗透率包括：将所述目标特征参数输入至所述长短时记忆神经网络算法模...

【专利技术属性】
技术研发人员：王付勇，宰芸，侯贤沐，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：