一种基于图神经网络的储层渗透率计算方法技术

本发明专利技术公开了一种基于图神经网络的储层渗透率计算方法，包括以下步骤：对岩石样本进行CT扫描，得到岩石序列图像样本；对岩石序列图像样本进行预处理，并进行孔缝自动阈值分割，得到孔缝序列图像切片；将孔缝序列图像切片叠加并进行三维连通域分析，得到连通域分析后的轮廓编号，并按照物理特性区分连通域中的孔隙和裂缝；根据区分后的孔隙和裂缝以及连通域分析后的轮廓编号，构建孔隙

【技术实现步骤摘要】
一种基于图神经网络的储层渗透率计算方法


[0001]本专利技术涉及渗透率的计算方法，尤其是一种基于图神经网络的储层渗透率计算方法。

技术介绍

[0002]近年来，深度学习由于其能够自动提取数据集中丰富的特征关系，在地质和岩石领域也有了广泛的应用。渗透率是反映岩石储流能力的重要数字表征，渗透率高精度的自动计算对于石油，煤层气，页岩气的运移以及勘探开发有重要作用，深度学习计算渗透率的方式是根据储层孔隙度，孔隙结构和孔隙连通性等参数学习一种映射关系，利用学习的映射函数高效计算结果。
[0003]目前自动计算渗透率的主要方式有两种，一类是基于规则编程的常规算法，这类算法需要将孔隙和裂缝节点化，构建链接节点的喉道，搭建出能反映孔隙
‑
裂缝介质真实结构的数字岩心模型，之后利用泊肃叶定律，达西定律等规则计算渗透率，这类算法局限性在于定律需要遵循一定假设条件，且单一规则不具备很好的扩展性，只适用于特定样本；另一类算法是基于深度学习的自动预测算法，利用实验获得的岩心分析数据以及测井数据构建多维特征向量，使用支持向量机，随机森林等机器学习算法建立数学模型来预测渗透率，这类算法的缺点在于数据的获取难度较大，算法不能很好的结合数字岩心中孔隙结构信息。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于图神经网络的储层渗透率计算方法解决了现有技术未考虑孔隙度对渗透率影响较大的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为一种基于图神经网络的储层渗透率计算方法，包括以下步骤：S1、对岩石样本进行CT扫描，得到岩石序列图像样本；S2、对岩石序列图像样本进行预处理，并进行孔缝自动阈值分割，得到孔缝序列图像切片；S3、将孔缝序列图像切片叠加并进行三维连通域分析，得到连通域分析后的轮廓编号，并按照物理特性区分连通域中的孔隙和裂缝；S4、根据区分后的孔隙和裂缝以及连通域分析后的轮廓编号，构建孔隙网络模型和裂缝网络模型，并将孔隙网络模型和裂缝网络模型融合构建孔隙
‑
裂缝双重网络模型；S5、计算孔缝序列图像切片的孔隙度以及孔隙
‑
裂缝双重网络模型中每个节点的迂曲度和粗糙度；S6、提取多个岩石序列图像样本的孔隙
‑
裂缝双重网络模型，并利用孔缝序列图像切片的孔隙度以及孔隙
‑
裂缝双重网络模型中每个节点的迂曲度和粗糙度训练回归模型，得到训练好的模型，使用训练好的模型实现渗透率的自动计算。
[0006]进一步地：所述步骤S2包括以下分步骤：
S21、对岩石序列图像样本进行高斯滤波去噪，得到图像灰度直方图分布Hist；其中，高斯滤波的卷积核大小为5*5；S22、对图像灰度直方图分布Hist使用0.25[1，2，1]模板平滑法处理得到连续可导函数；S23、对函数计算一阶导数得到，以中第一个导数为零的点为起点，在查找范围T∈[0，100]内寻找导数值变化小于等于7个阈值的连续点对应的灰度值集合，以灰度值集合最右边的值作为最佳灰度阈值th，对图像分割，将低于最佳灰度阈值th的部分作为孔缝序列图像切片。
[0007]进一步地：所述步骤S3包括以下分步骤：S31、将孔缝序列图像切片叠加得到三维数据体D；其中，D[x，y，z]=0为背景像素，D[x，y，z]=255为孔隙像素；S32、设置编号和并查集字典U，遍历三维数据体D，得到修改后的三维数据体D
’
；S33、遍历修改后的三维数据体D
’
，当前节点为非零像素点时，查询并查集字典U，将根节点的值赋予当前节点，完成遍历则完成三维连通域分析，并得到连通域分析后的轮廓编号；当当前节点为非零像素点时，以当前节点的像素值为查找键，查询并查集字典U中对应的值；若查找键和对应的值不相等，则将查找到的对应的值作为查找键继续迭代查询，直至键和值相等，并将相等的值赋值给当前节点，继续遍历下一个节点，完成遍历则完成三维连通域分析，得到连通域分析的结果；其中，每个轮廓对应一个轮廓编号，轮廓内像素点的像素值为轮廓编号；S34、根据连通域分析的结果，获取连通域坐标（x
min
，x
max
），（y
min
，y
max
），（z
min
，z
max
），计算连通域外接长方体的最长边与最短边比值ratio，根据ratio判断连通域孔缝类型；ratio的计算公式为：其中，若ratio大于等于5，将该连通域孔缝类型标记为裂缝，裂缝区域中的像素点为裂缝像素点；若当ratio小于5，则将该连通域孔缝类型标记为孔隙，孔隙区域中的像素点为孔隙像素点；x
min
代表连通域在x轴最小值，x
max
代表连通域在x轴最大值，y
min
代表连通域在y轴最小值，y
max
代表连通域在y轴最大值，z
min
代表连通域在z轴最小值，z
max
代表连通域在z轴最大值。
[0008]进一步地：所述步骤S32中，得到修改后的三维数据体D
’
的具体步骤为：当当前节点为孔隙像素点时，查找孔隙像素点空间上的十三邻域孔隙像素集合S；若S不为空，则将S中最小值min赋值给当前节点，遍历集合S，将每次查找到的像素值作为键，min作为值组合成一个键值对，到并查集字典U中查找是否存在该键值对，若不存
在则将该键值对加入并查集字典U ；若S为空，则表示十三邻域中没有孔隙像素，将当前节点赋值为的值；之后，的值加1，并在并查集字典U中加入一个键值对；其中，该键值对的键和值均为当前节点的值，的初始值为1。
[0009]进一步地：所述步骤S4包括以下分步骤：S41、对连通域分析后的三维数据体D
’ꢀ’
中所有的孔隙像素点采用扩张算法找到以对应点为中心的内切球，并根据连通域分析后的轮廓编号建立链表；所述链表的节点表示为（轮廓编号，x坐标，y坐标，z坐标，内切球半径）；S42、对链表进行简化，简化方式为：若链表中一个节点的内切球是另一个节点内切球的子集，则从链表中删除该节点，得到简化后的链表；S43、对每个简化后的链表采用成簇算法将节点分为不同的簇，不同簇间的相连节点为喉道节点，内切球为主球节点，保留喉道节点和主球节点，将其余节点从链表删除，根据喉道节点与主球节点的链路构建孔隙网络模型；S44、使用基于距离变化的细化算法，计算裂缝像素点到岩石基质的最短距离并将其作为像素值，查找裂缝像素点二十六邻域内对立方向像素值比中心点值小的数量对A，若A大于7，则将该裂缝像素点作为中心点，并提取出该裂缝的中心线；S45、对中心线上的像素点使用最大球填充法找到最大内切球计算半径，并采用链表的方式存储，基于链表中节点间的链路构建裂缝网络模型；S46、从连通域分析后的三维数据体D
’ꢀ’
中找到有接触面的孔隙区域和裂缝区域，即找到了孔隙网络模型和裂缝网络模型中对应的链表，找到两个链本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的储层渗透率计算方法，其特征在于，包括以下步骤：S1、对岩石样本进行CT扫描，得到岩石序列图像样本；S2、对岩石序列图像样本进行预处理，并进行孔缝自动阈值分割，得到孔缝序列图像切片；S3、将孔缝序列图像切片叠加并进行三维连通域分析，得到连通域分析后的轮廓编号，并按照物理特性区分连通域中的孔隙和裂缝；S4、根据区分后的孔隙和裂缝以及连通域分析后的轮廓编号，构建孔隙网络模型和裂缝网络模型，并将孔隙网络模型和裂缝网络模型融合构建孔隙
‑
裂缝双重网络模型；S5、计算孔缝序列图像切片的孔隙度以及孔隙
‑
裂缝双重网络模型中每个节点的迂曲度和粗糙度；S6、提取多个岩石序列图像样本的孔隙
‑
裂缝双重网络模型，并利用孔缝序列图像切片的孔隙度以及孔隙
‑
裂缝双重网络模型中每个节点的迂曲度和粗糙度训练回归模型，得到训练好的模型，使用训练好的模型实现渗透率的自动计算。2.根据权利要求1所述的基于图神经网络的储层渗透率计算方法，其特征在于，所述步骤S2包括以下分步骤：S21、对岩石序列图像样本进行高斯滤波去噪，得到图像灰度直方图分布Hist；其中，高斯滤波的卷积核大小为5*5；S22、对图像灰度直方图分布Hist使用0.25[1，2，1]模板平滑法处理得到连续可导函数 ；S23、对函数计算一阶导数得到，以中第一个导数为零的点为起点，在查找范围T∈[0，100]内寻找导数值变化小于等于7个阈值的连续点对应的灰度值集合，以灰度值集合最右边的值作为最佳灰度阈值th，对图像分割，将低于最佳灰度阈值th的部分作为孔缝序列图像切片。3.根据权利要求2所述的基于图神经网络的储层渗透率计算方法，其特征在于，所述步骤S3包括以下分步骤：S31、将孔缝序列图像切片叠加得到三维数据体D；其中，D[x，y，z]=0为背景像素，D[x，y，z]=255为孔隙像素；S32、设置编号和并查集字典U，遍历三维数据体D，得到修改后的三维数据体D
’
；S33、遍历修改后的三维数据体D
’
，当前节点为非零像素点时，查询并查集字典U，将根节点的值赋予当前节点，完成遍历则完成三维连通域分析，并得到连通域分析后的轮廓编号；当当前节点为非零像素点时，以当前节点的像素值为查找键，查询并查集字典U中对应的值；若查找键和对应的值不相等，则将查找到的对应的值作为查找键继续迭代查询，直至键和值相等，并将相等的值赋值给当前节点，继续遍历下一个节点，完成遍历则完成三维连通域分析，得到连通域分析的结果；其中，每个轮廓对应一个轮廓编号，轮廓内像素点的像素值为轮廓编号；S34、根据连通域分析的结果，获取连通域坐标（x
min
，x
max
），（y
min
，y
max
），（z
min
，z
max
），计算
连通域外接长方体的最长边与最短边比值ratio，根据ratio判断连通域孔缝类型；ratio的计算公式为：其中，若ratio大于等于5，将该连通域孔缝类型标记为裂缝，裂缝区域中的像素点为裂缝像素点；若当ratio小于5，则将该连通域孔缝类型标记为孔隙，孔隙区域中的像素点为孔隙像素点；x
min
代表连通域在x轴最小值，x
max
代表连通域在x轴最大值，y
min
代表连通域在y轴最小值，y
max
代表连通域在y轴最大值，z
min
代表连通域在z轴最小值，z
max
代表连通域在z轴最大值。4.根据权利要求3所述的基于图神经网络的储层渗透率计算方法，其特征在于：所述步骤S32中，得到修改后的三维数据体D
’
的具体步骤为：当当前节点为孔隙像素点时，查找孔隙像素点空间上的十三邻域孔隙像素集合S；若S不为空，则将S中最小值min赋值给当前节点，遍历集合S，将每次查找到的像素值作为键，min作为值组合成一个键值对，到并查集字典U中查找是否存在该键值对，若不存在则将该键值对加入并查集字典U ；若S为空，则表示十三邻域中没有孔隙像素，将当前节点赋值为的值；之后，的值加1，并在并查集字典U中加入一个键值对；其中，该键值对的键和值均为当前节点的值，的初始值为1。5.根据权利要求4所述的基于图神经网络的储层渗透率计算方法，其特征在于，所述步骤S4包括以下分步骤：S41、对连通域分析后的三维数据体D
’ꢀ’
中所有的孔隙像素点采用扩张算法找到以对应点为中心的内切球，并根据连通域分析后的轮廓编号建立链表；所述链表的节点表示为（轮廓编号，x坐标，y坐标，z坐标，内切球半径）；S42、对链表进行简化，简化方式为：若链表中一个节点的内切球是另一个节点内切球的子集，则从链表中删除该节点，得到简化后的链表；S43、对每个简化后的链表采用成簇算法将节点分为不同的簇，不同簇间的相连节点为喉道节点，内切球为主球节点，保留喉道节点和主球节点，将其余节点从链表删除，根据喉道节点与主球节点的链路构建孔隙网络模型；S44、使用基于距离变化的细化算法，计算裂缝像素点到岩石基质的最短距离并将其作为像素值，查找裂缝像素点二十六邻域内对立方向像素值比中心点值小的数量对A，若A大于7，则将该裂缝像素点作为中心点...

【专利技术属性】
技术研发人员：陈雁，杨志平，李鹏旗，闫天宇，邓伟，严兆，钟原，谌施宇，王杨，李平，张恩莉，李洋冰，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：