【技术实现步骤摘要】
一种考虑裂缝的岩心级孔隙网络模型构建方法
[0001]本专利技术涉及油气开发中一般的图像处理
,具体涉及一种考虑裂缝的岩心级孔隙网络模型构建方法
。
技术介绍
[0002]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
。
[0003]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
。
[0004]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
。
[0005]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
。
[0006]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
。
[0007]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
。
[0008]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
。
[0009]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
。
[0010]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
。
技术实现思路
[0011]本专利技术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
。
[0012]为实现上述目的,本专利技术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
。
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]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
。
[0020]S1.2
,经过分割后得到训练集
。
[0021]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
。
[0022]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
。
[0023]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。
[0024]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。
[0025]进一步地,步骤
S3
具体包括如下步骤:
...
【技术保护点】
【技术特征摘要】
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。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...
【专利技术属性】
技术研发人员:张磊,景华鹏,江鸿飞,孙海,姚军,樊冬艳,付帅师,杨永飞,张凯,
申请(专利权)人:中国石油大学华东,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。