System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于岩石力学的,具体涉及一种基于数字图像与机器学习的3d岩石储层建模方法。
技术介绍
1、岩石内部微观结构组成和矿物成分对揭示岩石力学特性和破裂演化机理起着十分重要的作用,它对于深部储层能源开发具有十分重要的意义。不同工程扰动因素下岩石储层的应力-应变和破裂过程严重影响着深部能源储层工程(如石油、天然气生产井)的安全性和稳定性。
2、随着数字图像成像技术和处理技术的发展,新的获取岩石微观结构方法应运而生。传统的岩石取芯-薄片磨制方法获得岩石薄片在空间上并不连续,容易造成空间信息缺失,且磨制过程耗时耗力。与传统的岩石取芯-薄片磨制方法获取岩石微观结构特征相比,计算机拓扑(computed tomography, ct)层析成像技术(简称xct)具有3d可视化成像和实时检测的优点,此技术可以对岩石内部各类结构(微观孔隙、裂隙和不同矿物成分)进行实时精细化成像,进而直观地研究不同荷载作用下岩石力学特性演化规律。
3、无论是传统的岩石取芯-薄片磨制方法还是xct成像技术均需要对获取的图像进行分割,才能获取岩石内部的不同微观结构相。传统的分割方法主要有基于阈值的分割技术和基于边缘的分割技术。前者主要对比像素灰度值与分割阈值来完成不同微观结构相的识别,容易出现由于像素灰度接近导致的欠分割或者过度分割问题;后者主要通过划分不同区域的边缘来完成不同微观结构相的识别,但容易出现边缘不连续导致的分割精度较差等问题。
4、如此,依据传统分割方法建立的岩石储层模型本身带有一定的差距,且由于分割效果差,对于岩
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处,提供一种基于数字图像与机器学习的3d岩石储层建模方法,该方法不但能够提高岩石内部不同微观结构相的识别划分精度,还可以打破岩石储层从微观模型到宏观模型的尺度限制,拓展到其他大规模尺度的岩石储层模型。
2、为解决上述技术问题,本专利技术采用如下技术方案:
3、一种基于数字图像与机器学习的3d岩石储层建模方法,包括如下步骤:
4、步骤1、对岩石试件进行x-射线层析成像,获取岩石xct数字图像,并对获取的岩石xct数字图像进行预处理;
5、步骤2、根据预处理后的岩石xct数字图像建立包含红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值的统计特征向量scv;
6、步骤3、以步骤2得到的scv作为分析依据,将当前像素点三通道像素灰度值与scv中的灰度划分阈值、当前像素点两点相关系数值与scv中的两点相关系数阈值进行比较,以对岩石xct数字图像中的像素点进行微观结构相分类,并根据分类结果建立不同岩石微观结构相的分类数据集,基于分类数据集形成基于scv的数字编码分类器;
7、步骤4、以深度残差网络模型作为基础框架建立岩石图像深度学习模型,根据步骤3中的数字编码分类器调整岩石图像深度学习模型的模型参数,以获取最优化的岩石图像深度学习模型;
8、步骤5、将预处理后的待建模的岩石xct数字图像输入到最优化的岩石图像深度学习模型中对岩石不同微观结构相进行预测和分类,获得数字标签图像;
9、步骤6、根据获得的数字标签图像建立岩石储层地质力学模型。
10、进一步地,步骤1中对获取的初始岩石xct数字图像进行中值过滤预处理。
11、进一步地,步骤2具体方法为:
12、对预处理后的岩石xct数字图像进行处理分别得到红色、绿色、蓝色通道的岩石xct数字图像;
13、对红色、绿色、蓝色通道的岩石xct数字图像分别进行计算,对应得到红色通道岩石xct数字图像的灰度划分阈值和两点相关系数阈值、绿色通道岩石xct数字图像的像素灰度划分阈值和两点相关系数阈值以及蓝色通道岩石xct数字图像的像素灰度划分阈值和两点相关系数阈值;
14、根据得到的红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值建立统计特征向量scv。
15、进一步地,步骤2中灰度划分阈值和相关系数阈值的计算方法分别为:
16、
17、
18、式中: gf为岩石xct数字图像灰度直方图分布, f为像素灰度值, t为像素灰度划分阈值, i为第 i类微观结构相,m为岩石xct数字图像中划分微观结构相的阈值数目, ξcc为两点相关系数阈值, fk ,、 fk+1分别对应为第k、k+1个相邻像素灰度值, d为两个相邻像素的欧式距离, dist( fk, fk+1)为计算两个像素的欧式距离函数。
19、进一步地,步骤2中scv的表达式如下:
20、
21、式中:scv为特征向量, t, p分别对应为像素灰度划分阈值和两点相关系数阈值,2-point correlation为两点相关性符号,m1、n1分别对应为红色通道岩石xct数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m2、n2分别对应为蓝色通道岩石xct数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m3、n3分别对应为绿色通道岩石xct数字图像的像素灰度划分阈值、两点相关系数阈值的个数。
22、进一步地,步骤3具体方法为:
23、对scv中红色、绿色、蓝色三通道像素灰度划分阈值以及两点相关系数阈值分别求平均值得到岩石xct数字图像的灰度划分阈值、两点相关系数阈值;
24、根据岩石xct数字图像的灰度划分阈值分割的灰度范围将岩石xct数字图像中的像素点进行微观结构相初步分类,再结合像素点两点相关系数阈值进行精细分类,最后整理成分类数据集且统计各数据集中的像素点数量,从而形成基于scv的数字编码分类器。
25、进一步地,,数字编码分类器中的每个元素包括若干个表征岩石不同微观结构相的英文字符矢量和对应序号数字标量,相应的表达式为:
26、
27、式中: scvcode-classifer为数字编码分类器,pore为孔隙相,fracture为裂隙相,quartz为石英相,feldspar为长石相,n为不同岩石微观结构相的标签序号/个数。
28、进一步地,结合像素点两本文档来自技高网...
【技术保护点】
1.一种基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤1中对获取的岩石XCT数字图像进行中值过滤预处理。
3.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤2具体方法为:
4.根据权利要求3所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤2中灰度划分阈值和相关系数阈值的计算方法分别为:
5.根据权利要求3所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤2中SCV的表达式如下:
6.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤3具体方法为:
7.根据权利要求6所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,数字编码分类器中的每个元素包括若干个表征岩石不同微观结构相的英文字符矢量和对应序号数字标量,相应的表达式为:
8.根据权利要求6所述的基于数字图像与机器学习
9.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤4具体方法为:
10.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤6包括以下步骤:
...【技术特征摘要】
1.一种基于数字图像与机器学习的3d岩石储层建模方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于数字图像与机器学习的3d岩石储层建模方法,其特征在于,步骤1中对获取的岩石xct数字图像进行中值过滤预处理。
3.根据权利要求1所述的基于数字图像与机器学习的3d岩石储层建模方法,其特征在于,步骤2具体方法为:
4.根据权利要求3所述的基于数字图像与机器学习的3d岩石储层建模方法,其特征在于,步骤2中灰度划分阈值和相关系数阈值的计算方法分别为:
5.根据权利要求3所述的基于数字图像与机器学习的3d岩石储层建模方法,其特征在于,步骤2中scv的表达式如下:
6.根据权利要求1所述的基于数...
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。