BR112013020555A2 - método para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluraridade de gargantas de poro, sistema para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro, e método para caracterizar uma amostra de formação de rocha subterrânea porosa incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro - Google Patents
método para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluraridade de gargantas de poro, sistema para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro, e método para caracterizar uma amostra de formação de rocha subterrânea porosa incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro Download PDFInfo
- Publication number
- BR112013020555A2 BR112013020555A2 BR112013020555-5A BR112013020555A BR112013020555A2 BR 112013020555 A2 BR112013020555 A2 BR 112013020555A2 BR 112013020555 A BR112013020555 A BR 112013020555A BR 112013020555 A2 BR112013020555 A2 BR 112013020555A2
- Authority
- BR
- Brazil
- Prior art keywords
- pore
- image
- sample
- throats
- throat
- Prior art date
Links
- 239000011148 porous material Substances 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 99
- 239000011435 rock Substances 0.000 title claims abstract description 44
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000000166 fluorescence laser scanning microscopy Methods 0.000 claims description 9
- 239000004593 Epoxy Substances 0.000 claims description 8
- 238000004624 confocal microscopy Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000005470 impregnation Methods 0.000 claims description 4
- 238000009958 sewing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 230000003416 augmentation Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 16
- 238000010191 image analysis Methods 0.000 abstract description 11
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 19
- 229910052753 mercury Inorganic materials 0.000 description 19
- 238000002347 injection Methods 0.000 description 17
- 239000007924 injection Substances 0.000 description 17
- 230000009466 transformation Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 14
- 230000001186 cumulative effect Effects 0.000 description 13
- 239000012530 fluid Substances 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000005481 NMR spectroscopy Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 9
- 230000035699 permeability Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 230000005284 excitation Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000007654 immersion Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000000873 masking effect Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000011049 filling Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000003973 paint Substances 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 150000004649 carbonic acid derivatives Chemical class 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002389 environmental scanning electron microscopy Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 230000035876 healing Effects 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010857 super resolution fluorescence microscopy Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 235000019994 cava Nutrition 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 239000010459 dolomite Substances 0.000 description 1
- 229910000514 dolomite Inorganic materials 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 238000012615 high-resolution technique Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010603 microCT Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000005325 percolation Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000002459 porosimetry Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000004621 scanning probe microscopy Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000482 two photon fluorescence microscopy Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
MÉTODO PARA CARACTERIZAR UMA AMOSTRA DE MEIO POROSO INCLUINDO UMA PLURALIDADE DE CORPOS DE PORO E UMA PLURALIDADE DE GARGANTAS DE PORO, SISTEMA PARA CARACTERIZAR UMA AMOSTRA DE MEIO POROSO INCLUINDO UMA PLURALIDADE DE CORPOS DE PORO E UMA PLURALIDADE DE GARGANTAS DE PORO, E MÉTODO PARA CARACTERIZAR UMA AMOSTRA DE FORMAÇÃO DE ROCHA SUBTERRÂNEA POROSA INCLUINDO UMA PLURALIDADE DE CORPOS DE PORO E UMA PLURALIDADE DE GARGANTAS DE PORO
A presente matéria revelada é genericamente relacionada a métodos para caracterizar amostras bidimensionais (2D) e tridimensionais (3D) para determinar distribuições de tamanho de corpo de poro e garganta de poro e curvas de pressão capilar em meio poroso utilizando análise de imagem petrográfica. A entrada inclui imagens petrográficas de alta resolução e medições de porosidade derivadas de laboratório. A saída inclui: (1) distribuições de tamanho de corpo de poro e garganta de poro, e (2) curvas de pressão capilar simuladas para os corpos de poro e gargantas de poro.
Description
à : MÉTODO PARA CARACTERIZAR UMA AMOSTRA DE MEIO POROSO : INCLUINDO UMA PLURALIDAIDE DE CORPOS DE PORO E UMA PLURALIDADE DE GARGANTAS DE PORO, SISTEMA PARA CARACTERIZAR
PORO E UMA PLURALIDADE DE GARGANTAS DE PORO Antecedentes Propriedades obtidas da Análise de Testemunho Especial (na sigla em inglês para Special Core AnaLysis, SCAL) fornecem uma entrada para simuladores de reservatório. Tais propriedades incluem distribuições de tamanho de corpo de poro e garganta de poro, e curvas de pressão capilar. Distribuições de tamanho de poro são genericamente computadas a partir de experimentos de pressão capilar de injeção de mercúrio de laboratório (na sigla em inglês para Mercury injection capillary pressure, MICP). Sob condições ideais, mercúrio entra nos poros com as gargantas maiores primeiramente, e enche esses poros ' enquanto a pressão é relativamente constante. Pressão é é sequencialmente aumentada para permitir que mercúrio entre ' nas gargantas de poro menores e menores e seus corpos de poro fixados. Medições de MICP são precisas, porém são lentas, caras e destroem as amostras. Adicionalmente,
: medições de MICP não são úteis para gargantas de poros BR maiores do que 100 mícrons porque essas gargantas são cheias em baixas pressões de injeções. Sumário Esse sumário é fornecido para introduzir uma seleção de conceitos que são adicionalmente descritos abaixo na descrição detalhada. Esse sumário não pretende identificar aspectos chaves ou essenciais da matéria reivindicada nem pretende ser utilizado como um meio auxiliar em limitar o escopo da matéria reivindicada.
De acordo com algumas modalidades, um método para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro é descrito. O método inclui preparar a amostra do meio poroso de tal modo que um plano único da amostra possa ser imageado; gerar uma imagem de resolução elevada bidimensional do plano único da amostra preparada do meio poroso; processar a imagem de resolução elevada em parte realizando uma técnica de processamento de imagem watershed; identificar uma pluralidade de gargantas de poro - com base pelo menos em parte na técnica de watershed; e Í determinar uma dimensão associada a cada da pluralidade . identificada de gargantas de poro.
De acordo com algumas modalidades, a imagem de resolução elevada é feita utilizando microscopia confocal, por exemplo, microscopia de fluorescência de varredura a a. laser.
' De acordo com algumas modalidades, Oo meio poroso sendo caracterizado é uma amostra de rocha como de uma formação de rocha subterrânea que contém hidrocarboneto. De acordo com algumas modalidades, a amostra de meio poroso é preparada de uma amostra de testemunho em fatias finas e/ou grossas, e submetida à impregnação a de pressão a vácuo com epóxi fluorescente.
De acordo com algumas modalidades, distribuições de tamanho de garganta de poro e corpo de poro e curvas de pressão capilar no meio poroso são determinadas. A imagem de resolução elevada pode ser pré-processada e aumentada, por exemplo, utilizando costura, registro, mistura, clipping e/ou rotação. De acordo com algumas modalidades, a imagem é segmentada em grãos e poros, desse modo gerando uma imagem binária que é separada em uma imagem de poroso e uma imagem de garganta utilizando uma ou mais operações lógicas binárias. A imagem de poros e imagem de gargantas são diferenciadas utilizando um ou mais algoritmos de agrupamento desse modo gerando uma imagem de poros agrupados e uma imagem de gargantas agrupadas, e - distribuições de tamanho de garganta de poro e corpo de : : poro são computadas com base em imagens agrupadas. A imagem de poros e a imagem de gargantas agrupadas são submetidas à análise de dados em que cada corpo de poro é atribuído um diâmetro de uma garganta de poro maior conectada ao corpo a de poro, e cada corpo de poro tem uma área de poro . conhecida, e poros tendo pelo menos uma garganta conecta são agrupados de acordo com o tamanho maior de garganta, e tamanho de corpo de poro para cada agrupamento é computado e utilizado para gerar curvas de pressão capilares simuladas utilizando uma equação Washburn.
De acordo com algumas modalidades um sistema para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro é descrito. O sistema inclui: um sistema de preparação de amostra adaptado para preparar uma amostra do meio poroso de tal modo que um único plano da amostra pode ser imageado; um sistema de imageamento adaptado para gerar uma imagem de resolução elevada bidimensional de um plano único de uma amostra preparada do meio poroso; e um sistena de processamento adaptado e programado para processar uma imagem de resolução elevada bidimensional gerada em parte realizando uma técnica de processamento de imagem watershed, identificar uma pluralidade de gargantas de poro com base pelo menos em parte na técnica watershed; e determinar uma dimensão associada a cada da pluralidade - identificada de gargantas de poro. . ' Aspectos e vantagens adicionais da revelação em questão se tornarão mais prontamente evidentes a partir da seguinte descrição detalhada quando tomada em combinação com os desenhos em anexo.
. Breve descrição dos desenhos A presente revelação é adicionalmente descrita na descrição detalhada que segue, em referência à pluralidade mencionada de desenhos por meio de exemplos não limitadores 5 de modalidades da presente revelação, em que numerais de referência similares representam partes similares em todas as várias vistas dos desenhos e em que: A figura 1 representa um processo de limitação (binarização).
A figura 2 representa um exemplo watershed utilizando a imagem de saída da figura 1, de acordo com algumas modalidades.
A figura 3 representa um fluxograma de um procedimento de filtro Kuwahara seletivo para “curar” poros grandes, de acordo com algumas modalidades.
A figura 4 representa um exemplo de um algoritmo de agrupamento, de acordo com algumas modalidades.
A figura 5 representa um Modelo de Fluxo em Expansão (na sigla em inglês para Expanding Flow Model, EFM) utilizado para entender pressão capilar, de acordo com algumas modalidades.
- As figuras 6 e 7 representam duas vistas de poros e ' ' gargantas, de acordo com algumas modalidades. A figura 8 representa um fluxo de trabalho de cálculo de pressão numérica com base no modelo EFM, de acordo com algumas modalidades.
- k A figura 9 mostra sistemas para determinar : distribuições de tamanho de garganta de poro e corpo de poro e curvas de pressão capilar simuladas a partir de dados petrográficos, de acordo com algumas modalidades.
A figura 10 representa um fluxo de trabalho dos métodos descritos para determinar distribuição de corpo de poro, distribuição de garganta de poro e pressão capilar, de acordo com algumas modalidades.
A figura 11 é um fluxograma que ilustra um fluxo de trabalho 2D de acordo com algumas modalidades.
A figura 12 é um fluxograma que ilustra o fluxo de trabalho básico para determinação de área de elemento representativo (na sigla em inglês para Representative Element Area, REA) de acordo com algumas modalidades.
A figura 13 ilustra um procedimento para relacionar cada garganta de poro com seus corpos de poro adjacentes, de acordo com algumas modalidades.
A figura 14 ilustra um procedimento para curar poros grandes, de acordo com algumas modalidades.
As figuras 15 e 16 representam uma imagem de poro típica 1510 e imagem de garganta 1610 após processamento da - imagem binária. . : A figura 17 representa um modelo EFM para cálculo de pressão capilar. Os poros são aproximados por tubos se separados em tamanho de garganta decrescente (isto é, diâmetro).
* As figuras 18-25 representam resultados de análise ' de imagem petrográfica para uma amostra, de acordo com algumas modalidades.
A figura 26 é um fluxograma que ilustra um fluxo de trabalho 3D de acordo com algumas modalidades; e A figura 27 é um fluxograma que ilustra o fluxo de trabalho básico para determinação de volume de elemento representativo (na sigla em inglês para Representative Element Volume, REV), de acordo com algumas modalidades.
Descrição detalhada | Os detalhes mostrados aqui são como exemplo e para fins de discussão ilustrativa das modalidades da presente revelação somente e são apresentados no caso de fornecer o que se acredita ser a descrição mais útil e prontamente entendida dos princípios e aspectos conceptuais da presente revelação.
A esse respeito, nenhuma tentativa é feita para mostrar detalhes estruturais da presente revelação em mais detalhes do que O necessário para a compreensão fundamental da presente revelação, a descrição tomada com os desenhos tornando evidente para aqueles versados na técnica como as . várias formas da presente revelação podem ser incorporadas ' na prática.
Além disso, números de referência similares e - | designações nos vários desenhos indicam elementos similares.
De acordo com algumas modalidades, um fluxo de trabalho integrado é descrito para imagear, processar e
* gerar distribuições de tamanho de garganta de poro e corpo . de poro e curvas de pressão capilar similares para meios porosos, com poros tão pequenos quanto aproximadamente 0,25 mícron em tamanho. De acordo com algumas modalidades, um sistema de análise de imagem petrográfica automatizada utilizada para computar distribuições de tamanho de garganta de poro e corpo de poro 2D e 3D é revelado. Os métodos descritos podem ser aplicados em qualquer meio poroso, embora rochas sejam utilizadas como exemplo não limitador. Os exemplos de entradas incluem imagens petrográficas de alta resolução e medições de porosidade derivadas de laboratório. Microscopia de fluorescência de varredura laser (na sigla em inglês para , LSFM) fornece imagens petrográficas nas quais poros são medidos a uma resolução de aproximadamente 0,25 mícron. os exemplos de saídas incluem: (1) distribuições de tamanho de garganta de poro e corpo de poro, traçadas como histogramas de frequência, gráficos de frequência cumulativa, e fração de volume de poro VS. Gráficos de diâmetro de poro, e (2) curvas simuladas de : pressão capilar tanto para os corpos de poro como gargantas - de poro. Para validação, resultados de pressão capilar - ' simulados são comparados com dados de laboratório.
Para classificar gargantas de poro, um Modelo de Fluxo em Expansão (EFM) é introduzido para mostrar como os fluidos se comportam dentro de poros. Esse modelo
. identifica a garganta de poro fixada maior como uma que controla fluxo para dentro ou para fora de um corpo de poro específico. Gargantas de poro são extraídas utilizando uma técnica de análise de imagem nova, com base em algoritmos de watershedding e diferenças entre imagens processadas. Pressão capilar simulada é computada a partir dos resultados. Áreas de elemento representativo (REA) ou volumes (REV), isto é, as menores ares ou volumes que podem ser imageadas para capturar heterogeneidade em uma amostra são calculadas. Uma medição semiquantitativa do erro associado à SCAL numérico (Análise de Testemunho Especial) é determinada por examinar a qualidade da imagem em termos de contraste, tamanho da imagem em comparação com REA ou REV, e um fator definido por usuário opcional.
Definição de tamanho de poro: sistemas de poro são compostos de espaços vazios relativamente grandes (poros) conectados por espaços vazios menores (gargantas de poro). Tamanho de corpo de poro é genericamente medido como o diâmetro da esfera maior que pode encaixar em um poro, ao passo que tamanho de garganta de poro é o diâmetro do disco : ou esfera menor que pode ser colocado nas gargantas entre : corpos de poro. Corpos e gargantas de poro são comumente - i representados como redes de esferas e tubos. Em geral, microporos são considerados como sendo aqueles com diâmetros de corpo de poro de aproximadamente 10 mícrons ou menos, e diâmetros de garganta de poro da ordem de
- aproximadamente 1 mícron ou menos.
o Distribuição de tamanho de poro. Rochas de carbonato têm poros que variam em tamanho em pelo menos 9 ordens de magnitude, de cavernas de escala de km até espaços vazios de escala de submícron. Ao contrário, tamanhos de poro de arenito variam em várias ordens de magnitude. Distribuições de tamanho de poro são normalmente mostradas como histogramas de frequência VS. Raio Ou diâmetro de poro. O raio é genericamente 2D, determinado utilizando várias abordagens de análise de imagem e laboratório. Os exemplos de métodos de determinação de distribuição de tamanho de poro incluem o seguinte: fotografia de chapada-testemunho, análise de imagem petrográfica, pressão capilar de injeção de mercúrio (MICP), injeção de mercúrio de taxa constante (na sigla em inglês para constant rate mercury injection, CRMI ou APEX), varreduras microCT e ressonância magnética nuclear (na sigla em inglês para Nuclear Magnetic Ressonance, NMR).
Fotografia de chapada-testemunho é uma técnica que envolve revestir chapadas de testemunho de rocha de & carbonato com tinta fluorescente, solúvel em água. Fotos ' tiradas sob luz negra são processadas utilizando software . i de análise de imagem para determinar distribuições de tamanho de poro 2D. Os menores poros são genericamente 0,5 mm (500 mícrons) em tamanho. Os poros maiores são em escala de cm (dezenas de milhares de mícrons). Vide Hurley, N.F.
al *. Pantoja, D. e Zimmerman, R.A., 1999, “Flow unit . determination in a vuggy dolomite reservoir”", Dagger Draw Field, New Mexico: SPWLA transactions, presented at the SWPLA 40th Annual Logging Symposium, Oslo, Noruega e Hurley, N.F., Zimmermann, R.A., e Pantoja, D., 1998, “Quantification of vuggy porosity in a dolomite reservoir from borehole images and cores,” Dagger Draw Field, New Mexico: SPE 49323, apresentado no SPE Annual Technical Conference and exhibition, New Orleans, Louisiana, EUA.
Pressão Capilar de Injeção de Mercúrio (MICP) envolve injeção progressiva de mercúrio em uma amostra limpa, comumente um tampão de testemunho, em pressões constantemente crescentes. Em cada nível aumentado de pressão, gargantas de poro de um tamanho específico são invadidas por mercúrio. Mercúrio invade os corpos de poros conectados ao exterior do tampão de testemunho e gargantas de poro do tamanho que estão sendo atualmente invadidas. Sob condições ideais, mercúrio entra nos poros com as gargantas maiores primeiramente. Mercúrio enche esses poros enquanto a pressão é mantida relativamente constante. Após encher os poros que têm certo tamanho de garganta, pressão - é aumentada para que O mercúrio entre através de gargantas ' Ú menores. Essa operação continua até que os poros conectados sejam cheios. Observe que poros isolados não são cheios por mercúrio. Gargantas em nano-escala poderiam conectar esses poros aparentemente isolados, porém a percentagem de volume o. e sua necessidade de pressão extremamente elevada podem . impedir que os mesmos contribuam para a permeabilidade medida da rocha. Vide Jennings, J., 1987, Capillary pressure techniques: application to exploration and development geology: AAPG Bulletin, v. 71, no. 10, pág. 1196-1209; e Pittman, E.D., 1992: Relationship of porosity and permeability to various parameters derived from mercury injection-capillary pressure curves for sandstone: AAPG Bulletin, v. 76, pág. 191-198.
Distribuições de tamanho de garganta de poro são genericamente mostradas como histogramas, computadas dos resultados de MICP. Observe que MICP não é útil para gargantas de poro maiores do que 100 mícrons porque essas gargantas são cheias em pressões de injeção muito baixas. O tamanho ideal de garganta de poro para MICP é 0,1 a 100 mícrons.
A equação de Washburn (vide Washburn, E.W., 1921, “The dynamics of capillary flow." Physical review, v. 17, N.º 3, pág. 273-283), que é a abordagem padrão utilizada para relacionar pressão capilar ao tamanho de garganta, assume gargantas cilíndricas: É p=22280 O onde P. é pressão capilar, d é diâmetro de garganta, y é tensão interfacial e 1 é ângulo de contato.
* Para O sistema de mercúrio-ar em temperatura ambiente, y = o 480 dinas/cm e Tt = 140º.
Utilizando essas constantes, com d em mícrons e P, em psi, a equação se torna:
np =222 2) O ajuste hiperbólico Thomeer (vide Thomeer, J.H.M. 1960, “Introduction of a pore geometrical factor defined by the capillary pressure curve”: Journal of petroleum Technology, v. 12, N.º 3, pág. 73-77 (a seguir, “Thomeer 1960”")) assume que dados de pressão capilar situam-se em uma hipérbole dada pela equação 3 quando os dados são traçados em uma escala de perfil-perfil.
Esse modelo provê um modo conveniente para pensar sobre curvas de pressão capilar.
Sistemas de poro bimodais ou mais complexos podem ser analisados por ajuste mais de uma hipérbole Thomeer na curva (por exemplo, vide Clerke, E.A., Mueller, H.W.III, Phillips, E.C., Eyvazzadch, R.Y., Jones, D,. H., Ramamoorthy, R., e Srivastava, A., 2008: “Application of Thomeer hyperbolas to decode the pore systems, fácies and reservoir properties of the upper Jurassic arab D . ] 20 limestone, Ghawar Field, Arábia Saudita: A “Rosetta Stone” ] approach:"” GeoaArabia, v. 13, pág. 1113-116). A equação é: log(e"6) =log (O x log (=) 3) Bo, Pq onde G é o fator de formato, B, é a percentagem de o. volume cumulativa, B., é a percentagem de volume de mercúrio "o máxima atingida, P. é a pressão capilar e Pa É a pressão de entrada, isto é, a pressão quando mercúrio entra na garganta maior.
Desse modo, a hipérbole Thomeer é controlada por três parâmetros principais: G, B., e Pa. G controla o formato da hipérbole, ao passo que P; e B. controlam o local das assíntotas x e y, respectivamente. O exame de uma curva de pressão capilar típica mostra que a hipérbole Thomeer diverge da curva medida se houver poros grandes. Isso ocorre porque dados medidos têm um erro grande em pressões baixas devido a irregularidades de superfície. A 'correção de fecho' é aplicada para corrigir por poros grandes. A hipérbole Thomeer é utilizada para obter valores de pressão de entrada realista (P;3). Injeção de Mercúrio de taxa constante (CRMI ou APEX) é uma técnica que mantém uma taxa de injeção constante e monitora flutuações de pressão de injeção. Vide Yuan, H.H., e Swanson, BE.F., “Resolving pore-space characteristics by rate-controlled porosimetry”": SPE - formation evaluation, v. 4, no. 1, pág. 17-24. A taxa de Ú injeção é mantida extremamente baixa de modo que a perda de ' pressão devido a fluxo dentro da amostra é desprezível em comparação com a pressão capilar. Nesse caso, a observação de uma queda de pressão súbita é o resultado do movimento
* de mercúrio a partir de gargantas de poro para dentro de . corpos de poro, e é acompanhado por mercúrio instantaneamente enchendo os corpos de poro. A elevação adicional de pressão de injeção corresponde ao enchimento de gargantas de poro que têm raio menor. O volume de corpos de poro pode ser determinado a partir da taxa de injeção e o tempo que demora em encher os corpos de poro. Esse método provê distribuições de tamanho de corpos de poro e gargantas de poro. Não pode, entretanto, chegar às mesmas pressões elevadas que MICP convencionais. Sua pressão máxima é alguns milhares de psi Hg-ar e mostra detalhes dos poros maiores. Micro varreduras CT é uma técnica que utiliza tomografia computadorizada de raios-X (CT) em amostras pequenas (comumente tampões de testemunho com 5 mm de diâmetro) para detectar corpos de poro que são de 3 mícrons e maiores em tamanho. Vide Knackstedt, M.A., Arns, C.H., Sakellariou, A., Senden, T.J., Sheppard, A.P., Sok, R.M., Pinczewski, W.V., e Bunn, G.F., 2004, Digital core Laboratory: Properties of reservoir core derived from 3D images: SPE Preprint 87009, apresentado na Asia-Pacific - conference on integrated modeling for asset management, 29- : i 30 de março.
Ressonância nuclear magnética (NMR) é uma técnica baseada na interação de testemunhos de hidrogênio (prótons) com um campo magnético e pulsos de sinais de
*. radiofrequência.
Vide Coates, G.R., Xiao, L e Prammer, - M.G., 1999, NMR logging: Principles and applications; Halliburton Energy services, EUA, 233 p.
A distribuição de tempo de relaxamento transversal de NMR (distribuição T 2) se refere na maior parte à distribuição de tamanho de poro na rocha, embora relaxamento transversal seja também relacionado a fatores como relaxividade de superfície e tipo de fluido.
A pesquisa mostrou que relaxamento de superfície de grão tem a maior influência sobre tempos de relaxamento T 2 para rochas.
Relaxividade de superfície (p) é uma medida da capacidade de superfícies de grão causar relaxamento de giro nuclear.
Rochas diferentes têm características de relaxividade de superfície diferentes.
A taxa de relaxamento de superfície de grão de próton depende da frequência em que prótons colidem com ou se aproximam o bastante para interagir com superfícies de grão.
Como resultado, a razão de superfície para volume (S/V) de poros de rocha influencia tempos de relaxamento NMR.
Para poros esféricos, S/V é proporcional ao inverso do raio de poro.
Poros maiores têm razões S/V relativamente menores e tempos . de relaxamento proporcionalmente mais longos.
Poros menores ' têm razões S/V relativamente maiores, resultando em tempos - de relaxamento mais curtos.
Relaxividade de superfície NMR é caracterizada pelas seguintes equações:
o E) - oz ie E = per O) onde p é relaxividade de superfície em unidades de um/s, S é área superficial (um2), V é volume (um3), pe. é relaxividade efetiva (um/s), e é raio (um). Desse modo, podemos obter informações de distribuição de tamanho de poro de distribuições T, NMR.
Microscopia de fluorescência de varredura laser (na sigla em inglês para, laser scanning fluorescence microscopy, LSFM) provê uma técnica de alta resolução (aproximadamente 0,25 mícron) para construir modelos de rocha digital 3D. técnicas confocal e multifoton são mais comuns, embora o campo emergente de microscopia de fluorescência de super-resolução possa fornecer imagens aperfeiçoadas de rochas e outros meios porosos, para baixo até alguns nm a dezenas de nm em escala. Vide Huang, B., Bates, M.,; e Zhuang NX. 2009, “Super-resolution fluorescence microscopy:" Annual Review of biochemistry, v. 78, pág. 993-1016. Tais técnicas aumentam a resolução de - microscopia de fluorescência utilizando excitação ' 20 padronizada ou a localização de molécula única de : fluorescência.
Microscopia confocal, o tipo mais comum de LSFM, utiliza iluminação de ponto e um furo colocado na frente de
.. um detector para remover luz fora de foco. Como cada é medição é um ponto único, dispositivos confocais realizam varreduras ao longo de grades de linhas paralelas para fornecer imagens 2D de planos sequenciais em profundidades especificadas dentro de uma amostra.
Profundidade de penetração de LSFM é limitada porque luz refletida é absorvida e dispersa por material acima do plano focal. Experimentos têm profundidades imageadas com sucesso tão grandes quanto 500 mícrons utilizando previsões de poro de rochas de carbonato, onde o material de rocha foi removido com acido. Felizmente, a cobertura areal não é limitada por varreduras tiled podem ser feitas de áreas relativamente grandes (dezenas de mm?) de seções polidas de rocha.
Microscopia de multifotons utiliza excitação de dois fótons para imagear tecido vivo para uma profundidade muito elevada, aproximadamente um milímetro. Vide website de Wikipédia HTTP: //cn.wikipedia.org/wiki/two- photon excitation microscopy, acessado em 23 de outubro de
2010. Como microscopia confocal, essa técnica excita corantes fluorescentes injetados em rochas. “O princípio é - baseado na idéia de que dois fótons de energia : : comparativamente mais baixa do que necessário para excitação de um fóton também pode excitar um fluoroforo em um evento de quantum. Cada fóton carrega aproximadamente metade da energia necessária para excitar a molécula. Uma
“. excitação resulta na emissão subsequente de um fóton de & fluorescência, em geral em uma energia mais elevada do que qualquer um dos dois fótons de excitação.” A resolução é limitada em difração a aproximadamente 250 nm, similar à microscopia confocal. Microscopia de multi-fotons e confocal são amplamente utilizadas na vida de ciências e indústrias de semicondutores. Volumes de elemento representativo (REV) fornecem um novo modo para lidar com questões de heterogeneidade e escala ascendente em modelagem de reservatório. Vide Qi, D., 2009, “Upscaling theory and application techniques for reservoir simulation:” Lambert Academic Publishing, Saarbrucken, Alemanha, 244 p” (a seguir “Qi 2009”). Em resumo, REV é o menor volume que pode ser modelado para fornecer resultados compatíveis, em limites aceitáveis de variância de uma propriedade modelada, como porosidade. Utilizando essa abordagem, podemos escalar ascendentemente propriedades de rocha de escalas fina até grossa. Determinamos o volume menor a ser modelado, fazemos o modelo de fluxo e utilizamos os resultados nas simulações de escala maior seguintes. Após o REV ter sido modelado, . não necessitamos volumes de modelo maiores volumes porque : ' capturamos “heterogeneidade para aquele tipo de rocha específico naquela escala.
O conceito de REV foi discutido em 1972. Vide Bear, J. 1972, Dynamics of fluids in porous media: Elsevier, Nova
* York, 746 p (a seguir “Bear 1972"). Bear definiu Au; como ". um volume em um meio poroso, com um centróide de P. AU; é considerado com sendo muito maior do que um poro único ou grão. AU, é o volume de espaço vazio, e n;, é a razão de espaço vazio para volume, isto é, a porosidade fracional.
Em valores grandes de AU;i, há flutuações mínimas de porosidade como uma função de volume. Entretanto, à medida que o volume diminui, flutuações em porosidade aumentam, especialmente à medida que AU; se aproxima do tamanho de um poro único, que tem porosidade fracional de 1. Se o centróide P acontecer de se situar em um grão, porosidade é O quando AU; - 0. O valor AU, é definido como o REV, abaixo do qual flutuações de porosidade são significativas, e acima do qual flutuações de porosidade são mínimas. Em resumo, as dimensões de AU, são suficientes de modo que “o efeito de adicionar ou subtrair um ou vários poros não tem influência significativa sobre o valor de n.” (Bear 1972). Utilizando a abordagem REV, o meio poroso é substituído por “um continuum fictício: uma substância sem estrutura, a qualquer ponto no qual podemos atribuir . variáveis cinemáticas e dinâmicas e parâmetros que são ' funções contínuas das coordenadas espaciais do ponto e de tempo.” (Bear 1972). Observe que O REV para porosidade pode diferir do REV para permeabilidade ou outros parâmetros.
Além disso, o REV para propriedades estáticas vs. dinâmicas
* pode variar. Na prática, o melhor método é utilizar o maior x REV determinado utilizando várias abordagens.
Muitos engenheiros de reservatório ouviram rochas, especialmente carbonatos, descritas como “tão heterogêneas, são homogêneas”. Fundamentalmente, essa é uma afirmativa sobre REV's. abaixo de certo tamanho de amostra, rochas são heterogêneas e há dispersão considerável ou variância em propriedades de rocha (por exemplo, vide “Greder, H. N., Biver, P.Y., Danquigny, ST. e Pellerin, F.M., 1996, “Determination of permeability distribution at log scale in vuggy carbonates.” Artigo BB, SPWLA 37th Annual Logging Symposium, 16-19 de junho, 14 p”). Acima de certo tamanho de amostra, dispersão é reduzida a um nível aceitável, e esse tamanho de amostra é Oo REV. Um termo análogo para REV em 2D, que é REA (área de elemento representativo) foi definido. Vide Norris, R.J. e Lewis, J.JI.M, 1991. The geological modeling of effective permeability in complex heterolithic facies: SPE Preprint 22692, apresentado na 66th Annual Technical conference and exhibition, Dallas, TX, 6-9 de outubro, pág. 359-374. (a seguir “Norris 1991”). Norris 1991 aplicou oO conceito à - modelagem de permeabilidade efetiva a partir de fotos de . . afloramento varridas em rochas heterolíticas. Basicamente, REA é a menor área de uma rocha que é representativa da propriedade de rocha medida. REA e REV medem área e volume, respectivamente. Os dois termos permitem que nós capturemos fo heterogeneidade em propriedades de rocha. . REA é determinada utilizando um processo iterativo, pelo que variância em um dado parâmetro, como porosidade, é medida para áreas de amostra sucessivamente maiores.
REA é a área onde o desvio padrão da variância a partir da média de amostra é zero, ou um valor aceitavelmente baixo.
Média de amostra é porosidade de análise de testemunho derivado em laboratório.
Análise de imagem digital.
Imagens digitais podem ser imageadas como uma matriz de números, com cada número representando um pixel.
Em uma imagem de 8 bits, cada pixel tem um valor entre 0 e 255 (isto é, 256 ou 28 tons de cinza). Imagens também podem ser 16 bits, 24 bits e assim por diante.
Observe que imagens RGB podem ser imageadas como três matrizes com uma matriz para cada uma das cores vermelho, verde e azul.
Uma imagem binária é uma imagem na qual os pixels consistem em dois números comumente O para preto, e 255 para branco.
Cor do segundo plano VS do primeiro plano é arbitrária.
Por exemplo, em uma amostra de rocha, grãos . podem ser brancos e poros podem ser pretos, ou vice versa. . O processo pelo qual uma escala de cinza ou imagem RGB é . convertida em uma imagem binária é chamado limitação ou binarização.
Dois tipos fundamentalmente diferentes de técnicas de processamento de imagem são utilizados nessa presente
.. revelação: (1) processamento de imagem em escala cinza, e - (2) processamento de imagem binária (também conhecido como processamento de imagem morfológica). Cada processo opera em sua própria escala. Alguns processos realizam operações na escala de pixel, ao passo que outros são aplicados em um bloco com um tamanho chamado o tamanho de núcleo (por exemplo, tamanho de 3 x 3 pixels). Os resultados, nesse caso, são retornados ao pixel central.
O processamento de imagem em escala cinza é utilizado na presente revelação para aumento de imagem e recuperação. Os processos utilizados incluem: (1) máscara não nítida (na sigla em inglês para unsharp mask, USM), (2) igualação de histograma adaptável limitado por contraste (na sigla em inglês para contrast limited adaptive histogram equalization, CLAHE) e (3) limitação. Máscara não nítida (USM) em contraste com o que seu nome pode indicar, é um filtro utilizado para tornar nítida a imagem por subtrair uma visão embaçada da image original. Embaciar a imagem pode ser feito em vários modos. O procedimento comun é aplicar uma imagem indefinida gaussiana. Após subtração, a imagem é então igualada de - volta ao seu histograma original. O raio do filtro de . f imagem indefinida gaussiana e seu peso são definidos. USM pode ser implementado em um modo de indiscriminação nos pixels, ou em um modo de discriminação. Um limite que define o contraste mínimo entre pixels pode ser utilizado
= para testar se deve aplicar a máscara USM.
Um limite é - normalmente utilizado para minimizar ruído artificial criado a partir do USM de indiscriminação.
Igualação de histograma adaptável limitado por contraste (CLAHE), modificado por Zuiderveld, K., 1994, “Contrast limited adaptive histograph equalization,” em Heckbert, P.S., Graphic Gems IV, San Diego: Academic Press Professional, pág. 474-485 de Adaptive Histogram Equalization of Pizer, S.M., Amburn, E.P.
Austin, O.D., Cromartie, R., Geselowitz, A., Greer, T., Romeny, B.T.H., Zimmerman, J.B., e Zuiderveld, K., 1987, “Adaptive histogran equalization and its variations:" Computer vision, Graphics and Image Processing, v.39, no. 3, pág. 355-368 é um processo que é comumente aplicado para corrigir iluminação irregular.
Embora igualação de histograma padrão opere na imagem inteira, CLAHE opera em uma escala local por igualar contraste com uma distribuição especificada por usuário.
O tamanho de kernel define o tamanho dessa escala local.
Suavização bilinear é aplicada entre cada área local para produzir transições sem emenda.
CLAHE é mais comumente utilizado na indústria médica para - aumentar raios-x e imagens microscópicas.
CLAHE minimiza . ' ruído artificial, que é sua principal vantagem em relação a algoritmos de normalização global padrão.
Limitação (binarização) é um processo pelo qual uma imagem de número inteiro digital (8 bits, 16 bits, etc.) é
SS convertido em uma imagem binária.
A figura 1 representa um . processo de limitação (binarização). O histograma 112 da imagem de entrada 110 é dividido em duas partes: o segundo plano com um valor de 0 e os elementos (primeiro plano) com um valor de 255. A imagem de entrada 110 é modificada de uma imagem de Wikipédia, 2010, HTTP: //en.wikipedia.org/wiki/Thresholding (image processing ), acessado em 31 de outubro de 2010. limitação é aplicada por atribuir um valor preto para qualquer pixel mais baixo do que o valor de limite e um pixel branco para qualquer que é mais elevado.
Um número de algoritmos existe para detecção automática do valor de limite melhor.
Vide Sahoo, P.K., Soltani, S., Wong, A.K.C., e Chen, Y.C., 1988, “A survey of thresholding techniques:" Computer vision, Graphics, and Image processing, v. 41, no. 2, pag. 233-260 e Sezgin, M. e Sankur, B., 2004, “Survey over image thresholding techniques and quantitative performance evaluation:" Journal of Electronic Imaging, v. 13, no. 1, pág. 146-165. A escolha entre algoritmos depende do tipo de uso.
Na figura 1, O histograma resultante 122 mostra oO valor de limite com os tons de nível de cinza anteriores - abaixo do limite sendo atribuído um valor de O e os tons de . : nível de cinza anteriores acima do limite sendo atribuído um valor de 255. A imagem de saída 120 também é mostrada.
Observe que o exemplo da figura 1 onde o histograma tem dois montes ou picos distintos, o valor de limite foi
* a; selecionado entre os dois picos.
. Processamento de imagem morfológica opera em imagens binárias, e o objetivo final é obter medições. Processos utilizados na presente revelação incluem: (1) filtro de preservação de borda Kuwahara, (2) operadores lógicos, (3) a transformação de watershed, (4) algoritmos de agrupamento e (5) cálculos de medição. O filtro de suavização de borda Kuwahara (Kuwahara, M., Hachimura, K., Eiho, S., e Kinoshita, M., 1976, “Digital processing of biomedical images:"” Plenum Press, pág. 187-203) é um filtro de redução de ruído não linear que tenta preservar bordas. O filtro calcula a variância e intensidade média de 4 sub-regiões de sobreposição para cada pixel. A média da parte com a variância mínima é retornada ao pixel central. Várias variações no filtro, utilizando o mesmo tema, foram introduzidas desde que foi pela primeira vez desenvolvida. Vide Papari, G., Petokov, N., e Campisi, P., 2007, “Artistic edge and corner enhancing smoothing:” IEEE Transactions on image Processing, v. 16, no. 10, pág. 2449-2462 e Kyprianidis, J.E., Kang, H. e Dollner, J., 2009, “Image and video 5 abstraction by anisotropic Kuwahara filtering:"” Computer . ' graphics Forum, v.28, no. 7, pág. 1955-1963.
Operadores lógicos são operadores que podem ser aplicados utilizando duas imagens. Por exemplo, um operador lógico AND produziria um pixel branco se e somente se
* imagens de entrada tiverem pixels brancos no mesmo local. . Um operador lógico OR produziria um pixel branco se um pixel branco existir em qualquer das imagens de entrada naquele local.
A transformação watershed é uma operação que tenta encontrar e separar elementos diferentes na imagem. Essa transformação funciona melhor com objetos elípticos e circulares. Muitos algoritmos existem para realizar tais operações e a maioria pode ser classificada em uma de duas categorias muito amplas: (1) imersão, e (2) algoritmos de distância topográfica. Roerdink, J. B.T.M. e Meijster, A., 2000, “The watershed transform:" Definitions, algorithms and parallelization strategies: fundamenta informaticae, v. 41, pág. 187-228 escreveu um exame abrangente de Wwatershedding. Algoritmos de imersão como em Vincent, L., e Soille, P., 1991, “Watersheds in digital spaces: an efficient algorithm based on immersion simulations:" IEEE transactions on pattern analysis and machine intelligence, v. 13, no. 6., pág. 583-598, simulam inundação de bacias do mapa de distância da imagem binária. Um mapa de distância atribui valores numéricos a cada pixel com base na - distância mínima para pixels de segundo plano. Um pixel no . : centro de um poro tem um valor relativamente elevado. Se uma pessoa tomar o inverso do mapa de distância, 'bacias' são criadas em vez de 'montanhas.' Inundação de água é então simulada por uma região que cresce até que duas
"a bacias começam a sobrepor. Nesse ponto, o algoritmo para e . uma linha de watershed é criada. Algoritmos topográficos tentam minimizar a distância entre o centro de objeto e as linhas watershed.
A figura 2 representa um exemplo watershed utilizando a imagem de saída da figura 1, de acordo com algumas modalidades. A imagem de entrada 120 é mostrada, nesse caso após limitação. A transformação de watershed baseada em imersão separa bacias de retenção diferentes na imagem. Essa inundação é simulada no mapa de distância 210 para fornecer a imagem de saída 212 que tem separações como mostrado.
A figura 3 representa um fluxograma de um procedimento de filtro Kuwahara seletivo para “curar” poros grandes, de acordo com algumas modalidades. No bloco 310, as linhas watershed são identificadas por subtrair a imagem watershedded a partir da imagem binária (por exemplo, subtrair a imagem 120 da imagem 212). No bloco 312, a imagen de macroporos é obtida por separar a imagem watershedded em duas imagens por um corte de área. No bloco 314, o filtro Kuwahara é implementado em uma imagem binária - para tentar recuperar poros segmentados grandes em seu . ' estado original, isto é, antes de segmentação e após watershedding. Como a linha watershed é relativamente pequena em largura (1 ou 2 pixels no máximo), o filtro Kuwahara 5x5 encherá a linha watershed com um tom cinza. No
To bloco 316, os tons de cinza podem ser então convertidos de " volta em porosidade. Observe que as linhas watershed em microporosidade não serão recuperadas porque a imagem utilizada é a imagem de macroporo. O filtro Kuwahara é aplicado aos pixels de linha watershed.
O corte para o que é considerado como sendo um poro grande se origina do procedimento representado na figura 3. Esse corte é relacionado ao algoritmo de watershedding utilizado bem como a definição de micro- e macroporosidade.
Um corte menor deve ser utilizado para algoritmos que segmentam em excesso poros. Verificou-se que um corte de 50 mícrons de diâmetro de corpo de poro é apropriado para o algoritmo watershed utilizado na ImageJ. Encontrar o corte mais adequado, se for necessário, deve ser parte do processo de calibragem do sistema.
A figura 4 representa um exemplo de um algoritmo de agrupamento, de acordo com algumas modalidades. Um algoritmo de agrupamento rotula cada elemento na imagem por um identificador exclusivo. Como resultado, mascaramento, medições e outros tipos de operações podem ser aplicados a . cada elemento. Na figura 4, imagem de entrada 212 e imagem - de saída 410 são mostradas para um algoritmo de agrupamento : ' 400. Agrupamento bidimensional pode ser conectado em 4 ou conectado em 8. Agrupamento conectado em 4 considera pixels que são conectados diagonalmente como dois elementos separados, ao passo que agrupamento conectado em 8
... considera os mesmos como um elemento. Um algoritmo simples & varreria a imagem pixel por pixel e atribuiria um rótulo para cada pixel dependendo de seus vizinhos. Se nenhum vizinho for encontrado, um novo rótulo é criado. Vide Hoshen, J. e Kopelman, R., 1976, “Percolation and cluster distribution - IL. Cluster multiple labeling technique and critical concentration algorithm:" Physical Review B., v. 14, no. 8, pág. 3438-3445. Outra varredura é utilizada para fundir rótulos conectados.
Finalmente, tipos diferentes de medições podem ser feitos em imagens binárias. Mascaramento de elementos individuais pode ser aplicado e área, perímetro, ajuste elíptico melhor, orientação e outras medições podem ser calculados.
A figura 5 representa um Modelo de fluxo em expansão (EFM) utilizado para entender pressão capilar, de acordo com algumas modalidades. Pressão capilar é mostrada em setas brancas, como setas 520, 522 e 524, e a pressão de água oposta é mostrada em linhas sólidas como setas 530 e 532 para um poro individual 500. O poro 500 nesse exemplo tem três gargantas 510, 512 e 514. Observe que a garganta r maior 510 tem a menor pressão capilar 520, portanto, fluido . Ú tende a sair da garganta 510. EFM trata cada poro e suas gargantas como elementos individuais. A partir dessa visão, o centróide de cada poro é a fonte do fluido, como fonte 502 do poro 500.
a. Pressão,isto é, pressão capilar, sai em gargantas e é - proporcional ao inverso de seu diâmetro. Para fluido escapar de um poro, certa pressão, igual à pressão capilar ou maior, dentro do poro tem de ser atingida. Observe que a pressão capilar mínima (520) sai em volta da garganta maior (510) e desse modo o fluido começa a escapar a partir daquela garganta primeiramente. À medida que o fluido escapa, a pressão não aumenta no poro. De acordo com algumas modalidades, utilizando o EFM o tamanho maior de garganta para cada poro é considerado ao calcular a pressão capilar. Gargantas menores podem ser assumidas para não transmitir fluido a menos que a pressão tenha elevado instantaneamente para sua pressão capilar ou outros percursos de garganta maiores foram preenchidos com fluido. Verificou-se que para uma rede de poro bem conectada, isso não acontece frequentemente.
Dados dois poros com dois tamanhos de garganta diferentes, fluido entrará no poro com a garganta maior primeiramente. Essa suposição não é válida se o fluido tiver de passar através do poro com a garganta menor primeiramente para atingir Oo poro com a garganta maior.
" As figuras 6 e 7 representam duas vistas de poros e Ú gargantas, de acordo com algumas modalidades. A figura 6 representa uma vista de bastão e bola mais convencional, em que poros como poros 610 e 612 são conectadas por gargantas como garganta 620. O modelo da figura 7, em contraste
"o. considera gargantas como linhas de mínimas locais de à. diâmetro conectando poros.
Como pode ser visto poros 610 e 612 são conectados por um poro menor 710, e há uma garganta 720 conectando poro 610 e poro 710, e uma garganta 722 s conectando poro 710 ao poro 612. Desse modo, no modelo EFM, uma garganta na vista tradicional traduz em duas gargantas que são conectadas a um poro pequeno.
A vista de EFM mostrada na figura 7 é mais realista em termos de física, porque um poro e uma garganta são fundamentalmente duas entidades diferentes.
Em contraste com a vista da figura 6, uma garganta na vista de EFM nunca pode ser um poro porque é uma linha em 2D ou um plano em 3D.
A figura 8 representa um fluxo de trabalho de cálculo de pressão capilar numérico com base no modelo EFM, de acordo com algumas modalidades.
No bloco 810, os poros são agrupados pelo tamanho de sua garganta maior.
A garganta de poro maior fixada em cada corpo de poro pode ser determinada utilizando análise de imagem para determinar tamanhos de garganta-orifício.
Esse valor é utilizado para caracterizar aquele corpo do poro nas curvas de pressão capilar simuladas feitas para gargantas de poro.
No bloco 812, a porosidade cumulativa é calculada a utilizando a porosidade total para cada agrupamento.
No bloco 814, a pressão capilar é calculada utilizando a equação Washburn (equação 1) e o tamanho de agrupamento.
O gráfico 820 mostra um exemplo da curva de pressão capilar
. simulada.
E Propriedades obtidas da Análise de testemunho especial (SCAL) fornecem uma entrada para simuladores de reservatório. Tais propriedades incluem distribuições de tamanho de garganta de poro e corpo de poro, e curvas de pressão capilar. Distribuições de tamanho de garganta de poro podem ser computadas de experimentos de pressão capilar de injeção de mercúrio de laboratório (MICP).
A análise de imagem petrográfica provê outro meio para obter medições de SCAL. Com avanços em computadores durante a última década, centenas de milhões de pixels podem ser analisados em minutos a horas. Os avanços em microscopia nos permitiram adquirir imagens de alta resolução, rápidas sobre áreas grandes (muitos mm2) de uma seção fina. Combinado com novas técnicas descritas aqui, a estimação precisa de medições de SCAL são obtidas, de acordo com algumas modalidades. A abordagem de exemplo descrita aqui é para estimar propriedades de rocha numéricas com base em cálculos feitos diretamente a partir das imagens petrográficas, que são utilizadas para computar distribuições de tamanho de garganta de poro e corpo de poro e curvas de pressão capilar simuladas.
' ft A figura 9 mostra sistemas para determinar distribuições de tamanho de garganta de poro e corpo de boro, e curvas de pressão capilar simuladas de dados petrográficos, de acordo com algumas modalidades. Dados
- petrográficos adquiridos 910 (como imagens digitais de . rochas) são transmitidos para um centro de processamento 950 que inclui uma ou mais unidades de processamento centrais 944 para realizar os procedimentos de processamento de dados como descrito aqui, bem como outro processamento.
O centro de processamento inclui um sistema de armazenagem 942, comunicações e módulos de entrada/saída 940, um display de usuário 946 e um sistema de entrada de usuário 948. De acordo com algumas modalidades, o centro de processamento 950 pode ser localizado em um local remoto a partir do local de aquisição dos dados petrográficos.
O centro de processamento recebe muitos outros tipos de dados 912 utilizados em modelagem digital de rocha, como dados de análise de testemunho e dados de perfil de poço.
Na figura 9, dados e/ou amostras de uma formação porosa subterrânea 902 estão sendo coletados no local do poço 900 através de um truque a cabo 920 que usa uma ferramenta a cabo 924 no poço 922. De acordo com algumas modalidades, a ferramenta a cabo 924 inclui uma ferramenta de amostragem de testemunho para coletar uma ou mais amostras de testemunho a partir da formação porosa 902. Uma das saídas do centro de processamento é a pressão capilar 914 como mostrado.
Embora . : o sistema na figura 9 seja mostrado aplicado ao exemplo de imagens de rocha digitais de uma formação porosa subterrânea, em geral as técnicas descritas podem ser aplicadas em qualquer meio poroso.
ss
“E A figura 10 representa um fluxo de trabalho dos . métodos descritos para determinar distribuição de corpo de poro, distribuição de garganta de poro e pressão capilar, de acordo com algumas modalidades.
A partir de um tampão de testemunho 1010, seções finas 1012 são preparadas, que são então imageadas utilizando um microscópio de resolução elevada (como microscópio confocal 1014). Porosidade e permeabilidade (p & p) podem ser utilizados no tampão de testemunho 1010 para segmentar a imagem em uma imagem binária de grãos e poros.
A imagem é analisada e uma área de elemento representativo (ou volume) 1020 é calculada.
A imagem é segmentada em poros e grãos utilizando o valor de porosidade medido em laboratório (imagem segmentada 1022). Utilizando métodos da presente revelação, distribuição de tamanho de corpo de poro, distribuição de tamanho de garganta de poro (SCAL numérico 1030) e pressão capilar são obtidas, por exemplo, utilizando código Matlab.
De acordo com algumas modalidades, procedimentos são revelados para determinar distribuições de tamanho de poro de corpo e garganta de poro, e curvas de pressão capilar simuladas.
Os procedimentos podem ser aplicados em r qualquer meio poroso, embora em alguns exemplos descritos ma aqui seja aplicado em imagens de rocha digitais.
A figura 11 é um fluxograma que ilustra um fluxo de trabalho 2D de acordo com algumas modalidades.
No bloco 1110, uma amostra é coletada e preparada.
O objetivo dessa
“a fase é preparar a amostra para imageamento.
O sistema * descrito aqui utiliza imagens microscópicas de alta resolução quaisquer imagens de escala cinza de alta resolução são suficientes.
A preparação da amostra depende do tipo de microscópio utilizado.
De acordo com algumas modalidades, um microscópio confocal é utilizado com seções finas padrão (espessura de 30 mícrons) ou seções espessas (por exemplo, espessura de 5.000 mícrons). De acordo com algumas modalidades, a preparação de amostra abrange impregnação de pressão a vácuo utilizando um epóxi tingido com fluorescente.
Normalmente, a amostra é não tensionada, embora seja possível aplicar tensão externa antes da injeção de epóxi, e manter tensão até cura do epóxi.
Verificou-se que seções finas padrão produzem resolução elevada Oo bastante com baixas razões de sinal para ruído.
No bloco 1112, a amostra de rocha é imageada.
De acordo com uma modalidade, um Microscópio confocal Vertical Zeiss LSM 710 é utilizado para adquirir imagens de amostra.
Verificou-se que tal sistema é capaz de fornecer imagens de alta resolução apropriadas (até aproximadamente 0,25 mícron) com cobertura adequada da amostra em um quadro de * tempo razoável.
De acordo com algumas modalidades = É alternativas, um microscópio de elétrons de varredura ambiental (na sigla em inglês para enviromental scanning electron microscope, ESEM) pode ser utilizado para fornecer resolução mais elevada (escala nm), porém se verificou que
* em muitas aplicações o trabalho é mais demorado e caro. ' Além disso, verificou-se que imagens de ESEM são irregulares em iluminação, devido à carga na superfície das amostras não revestidas. Isso sendo dito, o fluxo de trabalho apresentado aqui se aplica a imagens obtidas por outro meio com pouca ou nenhuma modificação, dado que uma imagem de boa qualidade é obtida. De acordo com algumas modalidades, imageamento é automatizado utilizando um computador. O microscópio confocal varre através da amostra em um padrão de grade e registra a imagem ponto a ponto. A saída desse são tiles de imagens constituindo uma imagem grande 8 bits. De acordo com uma modalidade, 8 bits foi escolhido em vez de 16 bits para reduzir o tamanho dos arquivos. Entretanto, é genericamente melhor escolher o tipo de arquivo mais preciso. Escala, em termos de mícron por pixel, também é registrada. Sobreposição de 30% foi utilizada no processo de imageamento para assegurar costura sem emenda precisa. Entretanto, de acordo com algumas modalidades, sobreposição de 10% ou mesmo 5% pode ser utilizada para acelerar o processo.
- No bloco 1114, a imagem é pré-processada e :. aumentada. O objetivo dessa fase é preparar a imagem bruta para análise de imagem. Tiles de imagem bruta de 512 por 512 pixels em tamanho, por exemplo, são costurados para produzir a imagen completa. De acordo com algumas
. modalidades, um algoritmo utilizado para costura é um + desenvolvido por Preibisch, S., Saalfeld, S. e Tomancak, P., 2009, “Globally optimal stitching of tiled 3D microscopic image acquisitions:"” Bioinformatics, v. 25, n.º 11, pág. 1463-1465 (a seguir “Preibisch 2009”). O algoritmo utiliza a correlação baseada em transformada Fourier rápida (F) para calcular os deslocamentos de translação entre cada tile. Vide Kuglin, C.D., e Hines, D.C., 1975, “The phase correlation image alignment method:"” Proceedings of the IEEE, International conference on Cybernetics and society, pág. 163-165 (a seguir “Kuglin 1975”). Além disso, o algoritmo incorpora registro global para evitar propagação de erro devido a alinhamento de tile e mistura (linear e não linear) para fornecer a transição mais sem emenda.
As imagens são levadas através de um número de etapas. Clipping e rotação são aplicados para produzir imagens quadradas, de acordo com algumas modalidades. Ajustes manuais utilizando aplicações como Photoshop ou Paint.net podem ser aplicados para remover algumas irregularidades.
No bloco 1116, a imagem é segmentada em grãos e poros. De acordo com algumas modalidades, a porosidade . ' medida em laboratório é utilizada para limitar a imagem e converter a mesma em uma imagem binária. O valor de porosidade medido em laboratório é utilizado para determinar manualmente o melhor valor limite. Como oO
“. intervalo de busca é relativamente pequeno (entre 1 e 254 - para imagens de 8 bits), um método de bi-seção pode ser i implementado e utilizado. O método de bi-seção é um algoritmo de encontrar raiz que iterativamente calcula o ponto médio e seleciona o intervalo que contém a raiz. De acordo com algumas modalidades, um algoritmo de otimização mais desenvolvido pode ser aplicado se estiver se lidando com intervalos maiores, como é O caso com imagens de 16 bits.
No bloco 1118, a área de elemento representativo é comparada com o tamanho de imagem. A fase envolve medir porosidade para tiles de não sobreposição aleatórios de tamanhos diferentes. O desvio padrão (na sigla em inglês para standard deviation, STD) é calculado para cada tamanho de tile. A interpolação é feita para atingir o valor médio de amostra e a REA é determinada como a interseção dessa interpolação.
A figura 12 é um fluxograma que ilustra o fluxo de trabalho básico para determinação de área de elemento representativo (REA), de acordo com algumas modalidades. Dada uma imagem composta de dois constituintes, por exemplo, grãos e poros, pode-se medir porosidade para O partes diferentes (ou tiles) da imagem. Por medir a porosidade para tiles de não sobreposição diferentes do mesmo tamanho, um desvio padrão (STD) pode ser calculado. À medida que o tamanho de tile aumenta, é observado que o STD
. diminui.
REA é determinada utilizando um processo ' iterativo, pelo que variância em um parâmetro dado, como porosidade, é medida para áreas de amostra sucessivamente maiores.
REA é determinada como a área onde o desvio padrão da variância a partir da média de amostra é zero, ou um valor baixo aceitável.
Média de amostra é porosidade de análise de testemunho derivada de laboratório.
No bloco 1210, uma área grande é modelada ou medida com as propriedades de rocha de interesse.
No bloco 1212, uma subamostra de um dado tamanho na área grande é aleatoriamente selecionada.
No bloco 1216, outras subamostras de não sobreposição do mesmo tamanho são aleatoriamente selecionadas.
Isso é repetido muitas vezes.
No bloco 1218, o tamanho de subamostra é aumentado por um incremento e muitas áreas similares são amostradas.
Os blocos 1212, 1216 e 1218 são repetidos, de acordo com algumas “modalidades, até não ser possível ter uma representação de amostra estatisticamente grande.
No bloco 1222, a variância em propriedade medida versus tamanho de subamostra para cada área de elemento definida é traçada cruzada.
O melhor ajuste é determinado.
A REA na interseção da interpolação de variância e a propriedade de rocha so medida em laboratório são lidas.
Com referência novamente à figura 11, no bloco 1120, testes de qualidade na imagem são realizados, de acordo com algumas modalidades.
CLAHE é aplicado a algumas
- imagens em uma tentativa para remover iluminação irregular - artificial, que é devido à inclinação da amostra no estágio de imageamento. Mascaramento não nítido pode ser aplicado em alguns casos para auxiliar a transformação watershed na separação de microporos. Como nem todas as imagens exigem CLAHE ou uma máscara não nítida, dois testes foram idealizados para automaticamente determinar sua necessidade. Um processo CLAHE tenta suavizar problemas de iluminação artificiais. Para testar se é necessário ou não, um teste de correlação foi realizado utilizando a equação
5. Observe que esse teste assume que a imagem é duas vezes o tamanho da REA. A equação é: 2010 x Mean [CorrCoef(H],H2)+ CorrCoef(H3,H4)]) Ch = —A—A€A—A—Ê€——e—c€ÔDME 0<C, <1 (5) onde os coeficientes de correlação (CorrCoef) são calculados para dois histogranmas de partes de não sobreposição como imagem como a seguir: H1,2 = metades horizontais da imagem (6) H3z,a = metades verticais da imagem (7) Se o resultado desse teste for menor do que 0,85, . ] 20 CLAHE é realizado na imagem. Esse valor é escolhido por inspeção visual das imagens. Resultados correspondentes podem ser alterados dependendo das circunstâncias. Para determinar se deve aplicar ou não a máscara
” não nítida, a correlação é novamente utilizada para pegar a ' melhor imagem.
As imagens nítidas e originais são limitadas (vide abaixo) e uma transformação watershed é aplicada.
As duas imagens resultantes são então correlacionadas com a imagem original, e a imagem com o fator de correlação mais elevado é pega.
Observe que é genericamente melhor elevar O ganho laser durante aquisição de microscopia confocal em vez de se basear nesse filtro.
No bloco 1122 operações morfológicas são realizadas.
O objetivo dessa fase é produzir uma imagem binária segmentada precisa que é fácil de analisar.
Tal objetivo é genericamente difícil de obter.
A figura 13 representa um procedimento de análise de imagem de garganta e poro, de acordo com algumas modalidades.
Poros e gargantas são separados ou segmentados utilizando uma transformação watershed (1310 e 1312). A análise de grupo (1314) é utilizada para rotular cada poro e garganta.
Uma busca de vizinhança (1316) é utilizada para relacionar gargantas e poros.
Por experimento e erro, verificou-se que o algoritmo de watershedding de crescimento de região implementado em ImageJl provê resultados apropriados por
: evitar segmentação em excesso. : A figura 14 ilustra um procedimento para curar poros “grandes, de acordo com algumas modalidades.
Verificou-se que a transformação watershed às vezes produz artefatos indesejáveis, em que alguns dos poros maiores são o. segmentados em menores. Para remediar isso, de acordo com , algumas — modalidades, a imagem “binária watershedded | resultante 1410 é separada em duas imagens: imagem de micro-porosidade 1412 e imagem de macro-porosidade 1414. A imagem de micro-porosidade é tratada com um filtro de preservação de borda Kuwahara seletivo, especializado, aplicado aos pixels removidos codificados para essa finalidade. Ao contrário do uso de um filtro mediano, esse filtro resultou em recuperação dos poros grandes ao seu estado original antes da transformação watershed, enquanto mantém o formato original dos poros (imagem 1416). As duas imagens (imagens de micro- e macro-porosidade) são então combinadas para continuar a análise na imagem curada 1420.
As figuras 15 e 16 representam uma imagem de poro típica 1510 e imagem de garganta 1610 após processamento da imagem binária. Nesse exemplo, nenhuma cura de poro grande foi aplicada para produzir essas duas imagens. Como utilizado nessa descrição, “imagem de poros” se refere à imagem watershedded (seja curada ou não curada). Para produzir a “imagem de gargantas”, uma operação lógica binária simples foi utilizada para encontrar a diferença entre a “imagem de poros” e a imagem binária original.
' ' Com referência novamente à figura 1, a fase seguinte envolve agrupar tanto as imagens de poros como as de gargantas. De acordo com algumas modalidades, uma implementação conectada em 4 é aplicada para assegurar que
4a * os grupos diagonalmente conectados são separados. No bloco . 1124, medições de poro e garganta são realizadas. Cálculos i da área dos poros e o comprimento máximo de gargantas (para diâmetro aproximado) são feitos. A relação das gargantas e poros juntas é obtida por examinar a vizinhança de pixel de cada garganta. Cada poro é atribuído o diâmetro da garganta maior conectada ao mesmo por motivos descritos no Modelo de fluxo em expansão.
No bloco 1126, a análise de dados é realizada. De acordo com algumas modalidades, a análise de dados envolve etapas de cálculo que levam a SCAL numérico para a amostra. As entradas principais são as áreas de poros, e o diâmetro (comprimento) da garganta maior para cada poro. Gráficos de distribuição de tamanho de poro, distribuição de tamanho de poro cumulativo, e volume de poro fracional são produzidos utilizando as áreas de poro medidas. Para produzir uma curva de pressão capilar simular, os dados são filtrados para remover poros isolados. Isso é feito por excluir poros sem nenhuma garganta. Os poros restantes são então agrupados de acordo com seu tamanho de garganta maior. O tamanho total de poro para cada agrupamento é calculado e uma percentagem de . ' porosidade é dada. A porosidade cumulativa é calculada e utilizada como uma percentagem cumulativa. A partir desses agrupamentos, um valor de pressão capilar simulada é calculada utilizando a equação 1. Esses valores, com a
“ . porosidade cumulativa, são traçados em uma escala de perfil-perfil para produzir a curva de pressão capilar bem conhecida. A figura 17 representa um modelo EFM para cálculo de pressão capilar. Os poros são aproximados por tubos e separados em tamanho de garganta decrescente (isto é, diâmetro). Como representado no diagrama 1710, cada poro atuará como uma garganta para Oo poro seguinte com diâmetro maior.
Com referência novamente à figura 11, no bloco 1128, cálculos de fator de confiança são feitos. Um fator de confiança é calculado para fornecer uma idéia sobre o erro associado aos resultados. Isso é calculado por examinar três partes: o tamanho de imagem comparado com a área de elemento representativa (REA), o histograma da imagem de escala cinza, e um fator de controle de qualidade definido por usuário opcional para artefatos. A equação 8 fornece a relação utilizada. O fator é um número não limitado positivo. Genericamente, quanto maior o valor, maior a confiança, com 1 sendo um limite entre resultados aceitáveis e não aceitáveis. A equação é: . G=C0,xXCXC, (8) : S onde 6 é o fator de confiança, Cs, CC e C, são definidos nas equações 9, 5 e 10 respectivamente. C, é definido como sendo igual a 1 quando a imagem analisada é Oo dobro do tamanho da REA. Isso é feito para assegurar
"E representação de amostra adequada. C, pode ser imaginada ' como a iluminação irregular residual. ] Tamanho(Imagem) C,= FR TS C;20 (9) Tamanho(REA) Cy = Entrada definida pelo usuário refletindo qualidade de imagem 0<C,E1 (10) Será reconhecido que um Cr baixo provavelmente significará um valor baixo em C'.,, porém o oposto não é verdadeiro. C; é uma medição da área de elemento representativo que assume uma imagem perfeita. Como a maioria das imagens não são perfeitas, Ch foi incluído no cálculo.
Esse procedimento é ilustrado por uma amostra composta de micrite e dolomita. Porosidade de injeção de hélio foi medida como sendo 20,7%. Os poros são microporos. Aplicando o fluxo de trabalho descrito, distribuição de tamanho de poro e curvas de pressão capilar foram obtidas.
As figuras 18-25 representam resultados de análise de imagem petrográfica para uma amostra, de acordo com algumas modalidades. Os resultados mostrados são para imagens de uma amostra estudada, tirada por uma câmera & portátil, um microscópio padrão e um microscópio confocal.
i 20 O teste de contraste na imagem confocal de close-up so retornou um valor de 0,97. Esse é considerado um valor muito bom e a igualação de histograma adotiva limitada por contraste (CLAHE) não foi necessária. Limitação produziu uma imagem binária similar à imagem confocal. Watershedding
É separou os poros individuais. A imagem de garganta mostra . gargantas extraídas. A porosidade efetiva para essa amostra foi determinada como sendo 18,60%, que é próxima à porosidade de percentagem de volume cumulativo máximo de Hg de 19,47%. Utilizando uma abordagem estatística e áreas de subamostra de não sobreposição de vários tamanhos, REA foi determinada como sendo aproximadamente 6 mmº, muito menor do que o tamanho de imagem de 16 mmº. As figuras 18-25 mostram os gráficos de distribuição de tamanho de poro produzidos para essa amostra. Dados de distribuição de tamanho de garganta e poro são traçados como frequência absoluta (gráficos 1810 e 1910), frequência cumulativa (2010 e 211), e percentagem de volume de poro (2210 e 2310). Curvas de pressão capilar de mercúrio-ar derivadas de garganta e derivadas de poro são também gravadas (2410 e 2510). Pode ser visto que a amostra é mono-modal com microporosidade. O tamanho de corpo de poro modal e mediano é aproximadamente 2 mícrons em diâmetro.
Um exemplo para imagens 3D será descrito agora em maior detalhe. Microscopia de fluorescência de varredura laser permite que adquiramos fatias de imagem empilhadas a partir da mesma rocha, que resulta em imagens 3D de " sistemas de poro. O registro de imagem é aplicado para ajustar fatias no topo uma da outra e gerar imagens 3D. A figura 26 é um fluxograma que ilustra um fluxo de trabalho 3D de acordo com algumas modalidades. No bloco
S. 2610 uma amostra é coletada e preparada.
O objetivo dessa ' fase é preparar a amostra para imageamento.
O sistema apresentado aqui utiliza imagens microscópicas de alta resolução.
Quaisquer imagens de escala cinza de alta resolução são suficientes.
Preparação de amostra depende do tipo de microscópio utilizado.
De acordo com algumas modalidades, um microscópio confocal foi utilizado com seções finas padrão (espessura de 30 mícrons) ou seções espessas (por exemplo, espessura de 5000 mícrons). De acordo com algumas modalidades, preparação de amostra abrange impregnação de pressão a vácuo utilizando um epóxi tingido com fluorescente.
Normalmente, a amostra é não tensionada, embora seja possível aplicar tensão externa antes da injeção de epóxi, e manter tensão até cura do epóxi.
Verificou-se que seções finas padrão produzem resolução elevada Oo suficiente com baixas razões de sinal para ruído, de modo que possam ser utilizadas nesta análise.
No bloco 2612, a amostra de rocha é imageada.
De acordo com uma modalidade, um Microscópio Confocal Vertical Zeiss LSM 710 foi utilizado para adquirir imagens de . amostra.
Verificou-se que tal sistema é capaz de fornecer "E imagens de alta resolução apropriadas (até aproximadamente 0,25 mícron) com cobertura adequada da amostra em um quadro de tempo razoável.
Pilhas verticais com espaçamento de 0,4 mícrons, por exemplo, são adquiridas através da amostra.
. fluxo de trabalho descrito aqui aplica a imagens 3D por ' qualquer outro meio com pouca ou nenhuma modificação, dado que uma imagem de boa qualidade é obtida. De acordo com algumas modalidades, imageamento é automatizado utilizando um computador. Para cada etapa vertical (etapa-z), O microscópio confocal varre através da amostra em um padrão de grade e grava a imagem ponto por ponto. A saída dessa etapa são tiles de imagens constituindo uma imagem grande 8 bits. De acordo com algumas modalidades, 8 bits foi escolhido em vez de 16 bits para reduzir o tamanho dos arquivos. Entretanto, é genericamente melhor escolher o tipo de arquivo mais preciso. Escala, em termos de mícron por pixel, também é registrada. Sobreposição de 30% foi utilizada no processo de imageamento para assegurar costura sem emenda precisa. Entretanto, sobreposição de 10% ou talvez 5% pode ser utilizada para acelerar o processo.
No bloco 2614, a imagem é pré-processada e aumentada. O objetivo dessa fase é preparar a imagem bruta para análise de imagem. Para cada etapa vertical (etapa-z), os tiles de imagem bruta de 512 por 512 pixels em tamanho, por exemplo, foram costurados para produzir a imagem ' completa. Como no exemplo 2D o algoritmo utilizado para costura pode ser como discutido em Preibisch 2009. Esse algoritmo utiliza a correlação baseada em transformação Fourier rápida (F) para calcular os deslocamentos de
"o translação entre cada tile (Kuglin 1975). Além disso, o - algoritmo incorpora registro global para evitar propagação de erro devido a alinhamento de tile e mistura (linear e não linear) para fornecer a transição mais sem emenda.
As imagens produzidas foram levadas através de um número de etapas. Clipping e rotação foram aplicados para produzir imagens quadradas. Ajustes manuais em Photoshop ou Paint .Net foram aplicados para remover algumas irregularidades. “Normalização de imagem é comumente necessário para ajustar brilho de etapas-z individuais para casar com um padrão escolhido.
No bloco 2616, a imagem é segmentada em grãos e poros. De acordo com algumas modalidades a porosidade medida em laboratório é utilizada para limitar a imagem e converter a mesma em uma imagem binária. Como métodos de limitação automáticos fornecem resultados altamente dependentes da qualidade de imagem e distribuição de histograma, não podem ser utilizados. O valor de porosidade medido em laboratório é utilizado para manualmente determinar o melhor valor limite. Como o intervalo de busca é relativamente pequeno (entre 1 e 254 para imagens de 8 : bits), o método de bi-seção foi implementado e utilizado. O . . método de bi-seção é um algoritmo de encontrar raiz que iterativamente calcula o ponto médio e seleciona O intervalo que contém a raiz. De acordo com algumas modalidades, um algoritmo de otimização mais desenvolvido e. pode ser aplicado se estiver lidando com intervalos ' maiores, como é Oo caso com imagens de 16 bits. No bloco 2618, o volume de elemento representativo é comparado com o tamanho de imagem. A fase envolve medir porosidade para cubos de não sobreposição aleatórios de tamanhos diferentes. O desvio padrão (STD) é calculado para cada tamanho de cubo. Interpolação é feita para atingir o valor médio de amostra e o REV é determinada como a interseção dessa interpolação.
A figura 27 é um fluxograma que ilustra o fluxo de trabalho básico para determinação de volume de elemento representativo (REV), de acordo com algumas modalidades. Dada uma imagem composta de dois constituintes, por exemplo, grãos e poros, pode-se medir porosidade para volumes diferentes da imagem. Por medir a porosidade para volumes de não sobreposição diferentes do mesmo tamanho, um desvio padrão (STD) pode ser calculado. ÀÃ medida que O volume de subamostra aumenta, observa-se que Oo STD diminui. REV é determinada utilizando um processo iterativo, pelo que variância em um dado parâmetro, como porosidade, é medida para volumes de amostra sucessivamente maiores. REV - é determinada como a área onde o desvio padrão da variância a a partir da média de amostra é zero, ou um valor baixo aceitável. Média de amostra é porosidade de análise de testemunho derivado em laboratório. No bloco 2710, um volume grande é modelado ou medido com as propriedades de
-.. rocha de interesse.
No bloco 2712, uma subamostra de um ' dado tamanho no volume grande é aleatoriamente selecionado.
No bloco 2716, outras subamostras de não sobreposição do mesmo tamanho são aleatoriamente selecionadas.
Isso é repetido muitas vezes.
No bloco 2718, o tamanho de subamostra é aumentado por um incremento e muitos objetos similares são amostrados.
Os blocos 2712, 2716 e 2718 são repetidos, de acordo com algumas modalidades, até não ser possível ter uma representação de amostra estatisticamente grande.
No bloco 2722, a variância em propriedade medida versus tamanho de subamostra para cada volume elementar definido é traçado cruzado.
O melhor ajuste é determinado.
A REV na interseção da interpolação de variância e a propriedade de rocha medida em laboratório são lidas.
Com referência novamente à figura 26, no bloco 2620, testes de qualidade na imagem são realizados, de acordo com algumas modalidades.
CLAHE é aplicado a algumas imagens em uma tentativa para remover iluminação irregular artificial, que é devido à inclinação da amostra no estágio de imageamento.
Mascaramento não nítido pode ser aplicado em casos raros para auxiliar a transformação watershed na - separação de microporos.
Como nem todas as imagens exigem "E CLAHE ou uma máscara não nítida, dois testes foram idealizados para automaticamente determinar sua necessidade.
Um processo CLAHE tenta suavizar problemas de iluminação artificiais.
Para testar se é necessário ou não,
- um teste de correlação foi realizado utilizando a equação
5. Observe que esse teste assume que a imagem é duas vezes o tamanho da REV. Utilize as equações 5 até 7, como ilustrado no fluxo de trabalho 2D. Se o resultado desse teste for menor do que 0,85, CLAHE é realizado na imagem. Esse valor é escolhido por inspeção visual das imagens. Resultados correspondentes podem ser alterados dependendo das circunstâncias. Para determinar se deve ou não aplicar a máscara não nítida, correlação é novamente utilizada para pegar a melhor imagem. As imagens nítidas e originais são limitadas (vide abaixo) e uma transformação watershed é aplicada. As duas imagens resultantes são então correlacionadas com a imagem original, e a imagem com o fator de correlação mais elevado é pega. Observe que é genericamente melhor elevar O ganho laser durante aquisição de microscopia confocal em vez de se basear nesse filtro. No bloco 2622 operações morfológicas são realizadas. O objetivo dessa fase é produzir uma imagem binária segmentada precisa que é fácil de analisar. Tal objetivo é genericamente difícil de obter. Os poros na . imagem binária são segmentados e separados utilizando a a transformação watershed. A transformação watershed produz às vezes artefatos indesejáveis, em que alguns dos poros maiores são segmentados em menores. Para remediar isso, a imagem
O binária watershedded resultante é separada em duas imagens: imagem de micro-porosidade e imagem de macro-porosidade. A imagem de macro-porosidade é tratada com um filtro de preservação de borda Kuwahara seletivo especializado, aplicado aos pixels removidos codificados para essa finalidade. Ao contrário do uso de um filtro mediano, esse filtro resultou em recuperar os poros grandes ao seu estado original antes da transformação watershed, enquanto mantém o formato original dos poros. As duas imagens (imagens de micro- e macro-porosidade) foram então combinadas para continuar a análise.
A etapa seguinte envolveu agrupamento tanto de imagens de poros quanto de gargantas. Uma implementação conectada-6 foi aplicada para assegurar que os grupos diagonalmente conectados são separados. No bloco 2624, medições de poro e garganta são realizadas. Cálculos dos volumes dos poros e a área de gargantas foram realizados. A relação de gargantas e poros juntos é feita por examinar a vizinhança de pixel de cada garganta. Cada poro é atribuído o diâmetro da garganta maior conectada ao mesmo por motivos descritos no Modelo de fluxo em expansão.
No bloco 2626, análise de dados é realizada. De a acordo com algumas modalidades, a análise de dados envolve etapas de cálculo que levam a SCAL numérico para a amostra.
As entradas principais são os volumes de poro, e o diâmetro da garganta maior para cada poro. Gráficos de distribuição
- de tamanho de poro, distribuição de tamanho de poro Ú cumulativo, e volume de poro fracional foram produzidos utilizando as áreas de poro medidas. Para produzir uma curva de pressão capilar simulada, os dados foram filtrados para remover poros isolados. Isso é feito por excluir poros sem quaisquer gargantas. Os poros restantes são então agrupados de acordo com seu tamanho de garganta maior. O tamanho total de poro para cada agrupamento é calculado e uma percentagem de porosidade é dada. A porosidade cumulativa é calculada e utilizada como uma percentagem cumulativa. A partir desses agrupamentos, um valor de pressão capilar simulado é calculado utilizando a equação
1. Esses valores, com a porosidade cumulativa, são traçados em uma escala de perfil-perfil para produzir a curva de pressão capilar bem conhecida. No bloco 2628, cálculos de fator de confiança são feitos. Um fator de confiança é calculado para fornecer uma idéia sobre o erro associado aos resultados. Isso é calculado por examinar três partes: o tamanho de imagem comparado com o volume de elemento representativo (REV), o histograma da imagem de escala cinza, e um fator de : controle de qualidade definido por usuário opcional para ' artefatos (vide as equações 8, 9 e 10, e o fluxo de trabalho 2D da figura 11). O fator é um número não limitado positivo. Genericamente, quanto maior o valor, maior a confiança, com 1 sendo um limite entre resultados
“ aceitáveis e não aceitáveis.
Embora a presente revelação seja descrita através das modalidades acima, será entendido por aqueles com conhecimentos comuns na técnica que modificação em e variação das modalidades ilustradas podem ser feitas sem se afastar dos conceitos inventivos aqui revelados. Além disso, embora as modalidades preferidas sejam descritas com relação a várias estruturas ilustrativas, uma pessoa versada na técnica reconhecerá que O sistema pode ser incorporado utilizando uma variedade de estruturas específicas. Por conseguinte, a presente revelação não deve ser vista como limitada exceto pelo escopo e espírito das reivindicações apensas.
Claims (17)
1. MÉTODO PARA CARACTERIZAR UMA AMOSTRA DE MEIO
POROSO INCLUINDO UMA PLURALIDADE DE CORPOS DE PORO E UMA PLURALIDADE DE GARGANTAS DE PORO, o método caracterizado pelo fato de que compreende: preparar a amostra do meio poroso de tal modo que um plano único da amostra possa ser imageado; gerar uma imagem de alta resolução bidimensional do plano único da amostra preparada do meio poroso; processar a imagem de alta resolução em parte realizando uma técnica de processamento de imagem watershed; identificar uma pluralidade de gargantas de poro com base pelo menos em parte na técnica watershed; e determinar uma dimensão associada a cada da pluralidade identificada de gargantas de poro.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a imagem de alta resolução é feita utilizando microscopia confocal.
3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a preparação inclui submeter ' a amostra de meio poroso à impregnação de pressão a vácuo com epóxi fluorescente.
4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a técnica watershed inclui inundação simulada.
. 5. Método, de acordo com a reivindicação 1, . caracterizado pelo fato de que compreende ainda determinar distribuições de corpo de poro e garganta de poro e curvas de pressão capilar no meio poroso com base pelo menos em parte na técnica watershed.
6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o processamento inclui uma ou mais técnicas de pré-processamento e aumento selecionadas de um grupo que consiste em: costura, registro, mistura, clipping e rotação.
7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o processamento inclui segmentar a imagem de alta resolução em grãos e poros, desse modo gerando uma imagem binária.
8. Método, de acordo com a reivindicação 7, caracterizado pelo fato de que um valor de porosidade a partir de uma análise do meio poroso é utilizado para controlar um limite na segmentação.
9. Método, de acordo com a reivindicação 7, caracterizado pelo fato de que uma imagem binária é separada em uma imagem de poros e uma imagem de gargantas Ls utilizando uma ou mais operações lógicas binárias.
10. Método, de acordo com a reivindicação 9, caracterizado pelo fato de que a imagem de poros e a imagem de gargantas são diferenciadas utilizando um ou mais algoritmos de agrupamento desse modo gerando uma imagem de
. poros agrupada e uma imagem de gargantas agrupada, e distribuições de tamanho de corpo de poro e garganta de poro são computadas com base em imagens agrupadas.
11. Método, de acordo com a reivindicação 10, caracterizado pelo fato de que a imagem de poros agrupada e imagem de garganta são submetidas a análise de dados caracterizado pelo fato de que cada corpo de poro é atribuído um diâmetro de uma garganta de poro maior conectada ao corpo de poro, e cada corpo de poro tem uma área de poro conhecida, e poros tendo pelo menos uma garganta conectada são agrupados de acordo com o tamanho de garganta maior, e tamanho de corpo de poro para cada agrupamento é computado e utilizado para gerar curvas de pressão capilar simuladas utilizando uma equação Washburn.
12. SISTEMA PARA CARACTERIZAR UMA AMOSTRA DE MEIO
POROSO INCLUINDO UMA PLURALIDADE DE CORPOS DE PORO E UMA PLURALIDADE DE GARGANTAS DE PORO, o sistema caracterizado pelo fato de que compreende: um sistema de preparação de amostra adaptado para preparar uma amostra do meio poroso de tal modo que um plano único da amostra pode ser imageada; . um sistema de imageamento adaptado para gerar uma imagem de alta resolução bidimensional de um plano único de uma amostra preparada do meio poroso; e um sistema de processamento adaptado e programado para processar uma imagem de alta resolução bidimensional
: gerada em parte realizando uma técnica de processamento de imagem watershedy para identificar uma pluralidade de gargantas de poro com base pelo menos em parte na técnica watershed; e determinar uma dimensão associada a cada da pluralidade identificada de gargantas de poro.
13. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que compreende ainda um sistema de coleta de amostra adaptado para coletar uma amostra do meio poroso.
14. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que o sistema de imageamento utiliza microscopia de fluorescência de varredura laser.
15. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que o sistema de processamento é adicionalmente adaptado e programado para determinar distribuições de tamanho de corpo de poro e garganta de poro e curvas de pressão capilar no meio poroso com base pelo menos em parte na técnica watershed.
16. MÉTODO PARA CARACTERIZAR UMA AMOSTRA DE
FORMAÇÃO DE ROCHA SUBTERRÂNEA POROSA INCLUINDO UMA
PLURALIDADE DE CORPOS DE PORO E UMA PLURALIDADE DE
4. GARGANTAS DE PORO, o método caracterizado pelo fato de que compreende: preparar a amostra de formação de rocha subterrânea porosa de tal modo que um plano único da amostra possa ser imageado;
: gerar uma imagem de alta resolução bidimensional do plano único da amostra preparada da rocha utilizando microscopia de fluorescência de varredura laser; segmentar a imagem de alta resolução em grãos e 5 poros, desse modo gerando uma imagem binária processar a imagem binária realizando uma técnica de processamento de imagem watershed; identificar uma pluralidade de gargantas de poro com base pelo menos em parte na técnica watershed; e determinar uma dimensão de comprimento de garganta associada a cada da pluralidade identificada de gargantas de poro, e determinar distribuições de tamanho de corpo de poro e garganta de poro e curvas de pressão capilar no meio poroso com base pelo menos em parte na técnica watershed.
17. Método, de acordo com a reivindicação 16, caracterizado pelo fato de que um valor de porosidade de uma análise da rocha porosa é utilizado para controlar um limite na segmentação.
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161447434P | 2011-02-28 | 2011-02-28 | |
US61/447,434 | 2011-02-28 | ||
US13/407,561 | 2012-02-28 | ||
US13/407,561 US8909508B2 (en) | 2011-02-28 | 2012-02-28 | Petrographic image analysis for determining capillary pressure in porous media |
PCT/US2012/027041 WO2012118868A2 (en) | 2011-02-28 | 2012-02-28 | Petrographic image analysis for determining capillary pressure in porous media |
Publications (1)
Publication Number | Publication Date |
---|---|
BR112013020555A2 true BR112013020555A2 (pt) | 2020-07-28 |
Family
ID=46758468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR112013020555-5A BR112013020555A2 (pt) | 2011-02-28 | 2012-02-28 | método para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluraridade de gargantas de poro, sistema para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro, e método para caracterizar uma amostra de formação de rocha subterrânea porosa incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro |
Country Status (4)
Country | Link |
---|---|
US (1) | US8909508B2 (pt) |
BR (1) | BR112013020555A2 (pt) |
RU (1) | RU2543698C1 (pt) |
WO (1) | WO2012118868A2 (pt) |
Families Citing this family (66)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2440591C2 (ru) | 2008-04-10 | 2012-01-20 | Шлюмбергер Текнолоджи Б.В. | Способ получения характеристик геологической формации, пересекаемой скважиной |
US9134457B2 (en) | 2009-04-08 | 2015-09-15 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
US8908925B2 (en) * | 2011-02-28 | 2014-12-09 | Schlumberger Technology Corporation | Methods to build 3D digital models of porous media using a combination of high- and low-resolution data and multi-point statistics |
EP2769207A4 (en) * | 2011-10-18 | 2015-05-20 | Schlumberger Holdings | METHOD FOR THE 3D MINERAL IMAGING OF A GESTURE TEST |
WO2013146498A1 (ja) * | 2012-03-30 | 2013-10-03 | 日本碍子株式会社 | 微構造解析方法、そのプログラム及び微構造解析装置 |
EP2850593B1 (en) * | 2012-05-18 | 2016-12-28 | Ingrain, Inc. | Method and system for estimating rock properties from rock samples using digital rock physics imaging |
US20140052420A1 (en) * | 2012-08-20 | 2014-02-20 | Ingrain Inc. | Digital Rock Analysis Systems and Methods that Estimate a Maturity Level |
WO2014052665A1 (en) | 2012-09-27 | 2014-04-03 | Ingrain, Inc. | Computed tomography (ct) systems and methods analyzing rock property changes resulting from a treatment |
CN104737037A (zh) * | 2012-10-19 | 2015-06-24 | 科诺科菲利浦公司 | 使用多点模拟的储层建模 |
US9646366B2 (en) * | 2012-11-30 | 2017-05-09 | Change Healthcare Llc | Method and apparatus for enhancing medical images |
US9342876B2 (en) | 2013-04-25 | 2016-05-17 | Battelle Energy Alliance, Llc | Methods, apparatuses, and computer-readable media for projectional morphological analysis of N-dimensional signals |
WO2014209879A2 (en) * | 2013-06-24 | 2014-12-31 | Services Petroliers Schlumberger | Characterizing porosity distribution from a borehole image |
DE202013012338U1 (de) | 2013-07-10 | 2016-04-29 | Carl Zeiss Microscopy Gmbh | Anordnung zur Lichtblattmikroskopie |
WO2015021088A1 (en) * | 2013-08-06 | 2015-02-12 | Schlumberger Canada Limited | Methods for determining a saturation-height function in oil and gas reservoirs |
US9250173B2 (en) * | 2013-08-30 | 2016-02-02 | Halliburton Energy Services, Inc. | Identifying potential fracture treatment locations in a formation based on production potential |
WO2015084447A1 (en) * | 2013-12-05 | 2015-06-11 | Schlumberger Canada Limited | Method and system of showing heterogeneity of a porous sample |
US9183656B2 (en) | 2014-03-11 | 2015-11-10 | Fei Company | Blend modes for mineralogy images |
AU2015241030A1 (en) * | 2014-03-31 | 2016-10-20 | Ingrain, Inc. | Digital rock physics-based trend determination and usage for upscaling |
US10914864B2 (en) | 2014-07-16 | 2021-02-09 | Schlumberger Technology Corporation | Multiscale method for reservoir models |
US20160057428A1 (en) * | 2014-08-21 | 2016-02-25 | Facebook, Inc. | Systems and methods for blurriness bounding for videos |
WO2016065127A1 (en) * | 2014-10-23 | 2016-04-28 | Chevron U.S.A. Inc. | A system and method of pore type classification for petrophysical rock typing |
MX2017009252A (es) * | 2015-01-16 | 2017-10-12 | Ingrain Inc | Analisis de cortes para caracterizacion mejorada por rmn de perforaciones. |
US9892321B2 (en) | 2015-06-27 | 2018-02-13 | New England Research, Inc. | Using maximal inscribed spheres for image-based rock property estimation |
FR3038408B1 (fr) * | 2015-06-30 | 2017-08-25 | Services Petroliers Schlumrberger | Modelisation de la saturation et permeabilite de reservoir de champ petrolifere |
CN105319155B (zh) * | 2015-11-23 | 2017-07-28 | 中国石油大学(华东) | 一种考虑粗糙表面特征的岩石毛管力确定方法 |
US10049172B2 (en) | 2015-12-10 | 2018-08-14 | Saudi Arabian Oil Company | Predicting and modeling changes in capillary pressure and relative permeabilities in a porous medium due to mineral precipitation and dissolution |
CN105928957B (zh) * | 2016-04-20 | 2018-08-17 | 西安石油大学 | 一种裂缝性碳酸盐岩三维数字岩心的构建方法 |
US10691846B2 (en) | 2017-03-01 | 2020-06-23 | International Business Machines Corporation | Capillary network simulations based on a low-dimensional representation of porous media |
CN107228934A (zh) * | 2017-06-27 | 2017-10-03 | 中国石油大学(华东) | 致密砂岩油气充注孔喉半径下限的确定方法 |
EP3682376A1 (en) | 2017-09-15 | 2020-07-22 | Saudi Arabian Oil Company | Inferring petrophysical properties of hydrocarbon reservoirs using a neural network |
GB201716322D0 (en) * | 2017-10-05 | 2017-11-22 | Porexpert Ltd | Pore Analysis |
US10983237B2 (en) | 2018-04-13 | 2021-04-20 | Saudi Arabian Oil Company | Enhancing seismic images |
WO2019232299A1 (en) * | 2018-06-01 | 2019-12-05 | Board Of Regents, The University Of Texas System | Method for assessment of pore-throat size distribution and permeability in porous media |
DE102018004521A1 (de) * | 2018-06-07 | 2019-12-12 | Sartorius Stedim Biotech Gmbh | Serielle Anordnung mit mehreren Lagen asymmetrischer Filtermedien, Herstellungsverfahren, Filtrationseinheit, Verwendung der Anordnung und Charakterisierungsverfahren |
CN108844879B (zh) * | 2018-06-08 | 2021-01-29 | 中国石油天然气股份有限公司 | 基于激光强度的储层露头孔隙度预测方法及装置 |
US10891462B2 (en) * | 2018-06-29 | 2021-01-12 | Saudi Arabian Oil Company | Identifying geometrical properties of rock structure through digital imaging |
CN109544624A (zh) * | 2018-11-09 | 2019-03-29 | 北方***科技有限公司 | 一种岩石块度图像分析*** |
US11249217B2 (en) * | 2018-11-15 | 2022-02-15 | Halliburton Energy Services, Inc. | Method for resistivity determination with borehole imagers |
US11119025B2 (en) * | 2018-12-18 | 2021-09-14 | Shell Oil Company | Method for characterizing the porosity of rock |
AU2019406627B2 (en) | 2018-12-18 | 2022-05-19 | Shell Internationale Research Maatschappij B.V. | Method for digitally characterizing the permeability of rock |
CN111721683A (zh) * | 2019-03-19 | 2020-09-29 | 中国石油天然气股份有限公司 | 岩样微观孔隙结构定量检测方法及装置 |
US11249002B2 (en) | 2019-03-28 | 2022-02-15 | Halliburton Energy Services, Inc. | Measuring size and shape of pore throat using digital porous plate experiments |
CN109916943B (zh) * | 2019-04-25 | 2022-05-20 | 西安石油大学 | 岩心核磁共振t2谱图驰豫时间与压汞孔喉半径转换方法 |
CN110415167B (zh) * | 2019-08-02 | 2020-03-06 | 山东科技大学 | 一种基于数字图像技术的粗糙面裂隙生成方法及试验*** |
RU2725506C9 (ru) * | 2019-08-21 | 2020-07-27 | Общество с ограниченной ответственностью "Диджитал Петролеум" (ООО "ДП") | Способ и система оптимизации лабораторных исследований образцов горных пород |
US11062439B2 (en) * | 2019-09-24 | 2021-07-13 | Halliburton Energy Services, Inc. | Automating microfacies analysis of petrographic images |
US11079581B2 (en) * | 2019-11-25 | 2021-08-03 | Saudi Arabian Oil Company | Resolution preserving methodology to generate continuous log scale reservoir permeability profile from petrographic thin section images |
CN113155693B (zh) * | 2020-01-07 | 2024-04-02 | 中国石油化工股份有限公司 | 一种孔喉连接关系判别方法、***、电子设备及存储介质 |
US11454111B2 (en) * | 2020-01-30 | 2022-09-27 | Landmark Graphics Corporation | Determination of representative elemental length based on subsurface formation data |
CN111458272A (zh) * | 2020-03-11 | 2020-07-28 | 天津工业大学 | 荧光探针法测定混凝滤饼层孔隙率的方法 |
CN111738978B (zh) * | 2020-03-27 | 2023-07-25 | 中国石油化工股份有限公司 | 储层孔喉连通性的评价方法、装置、电子设备及存储介质 |
CN111626936B (zh) * | 2020-05-22 | 2023-05-12 | 湖南国科智瞳科技有限公司 | 一种显微图像的快速全景拼接方法及*** |
US11754745B2 (en) | 2020-06-30 | 2023-09-12 | Saudi Arabian Oil Company | Methods and systems for flow-based coarsening of reservoir grid models |
US20210405248A1 (en) * | 2020-06-30 | 2021-12-30 | Saudi Arabian Oil Company | Methods and systems for reservoir simulation coarsening and refinement |
CN111862306B (zh) * | 2020-07-03 | 2023-09-19 | 大连理工大学 | 一种基于ct图像的孔隙填充型水合物沉积物三维建模方法 |
WO2022051775A1 (en) | 2020-09-04 | 2022-03-10 | Abova, Inc. | Method for x-ray dental image enhancement |
EP4182882A1 (en) * | 2020-09-22 | 2023-05-24 | Boston Scientific Scimed, Inc. | Image processing systems and methods of using the same |
CN112414917B (zh) * | 2020-11-03 | 2023-09-01 | 西安石油大学 | 一种页岩油储层有机孔隙和无机孔隙的划分与表征方法 |
US11668847B2 (en) | 2021-01-04 | 2023-06-06 | Saudi Arabian Oil Company | Generating synthetic geological formation images based on rock fragment images |
CN112945963A (zh) * | 2021-02-01 | 2021-06-11 | 中国石油大学(北京) | 观测样品和观测方法 |
CN113029899B (zh) * | 2021-02-24 | 2022-07-01 | 西南石油大学 | 一种基于显微图像处理的砂岩渗透率计算方法 |
CN113269712B (zh) * | 2021-04-07 | 2022-08-23 | 长江大学 | 一种基于铸体薄片构建储层岩石毛管压力曲线的方法 |
CN113706603B (zh) * | 2021-10-28 | 2022-02-22 | 中国科学院地质与地球物理研究所 | 页岩有机质孔隙连通性分类表征的方法 |
WO2023172481A2 (en) * | 2022-03-08 | 2023-09-14 | Basf Corporation | Ai-integrated systems, methods, and computer-readable media for characterizing microspheric material |
CN114897917B (zh) * | 2022-07-13 | 2022-10-28 | 西南石油大学 | 一种多层次的岩石铸体薄片图像分割方法 |
US20240070356A1 (en) * | 2022-08-29 | 2024-02-29 | University Of Wyoming | Methods and devices for stencil-based pore network construction |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4783751A (en) | 1983-08-17 | 1988-11-08 | University Of South Carolina | Analysis of pore complexes |
US4868883A (en) | 1985-12-30 | 1989-09-19 | Exxon Production Research Company | Analysis of thin section images |
FR2673238B1 (fr) * | 1991-02-26 | 1999-01-08 | Schlumberger Services Petrol | Procede pour caracteriser les heterogeneites de texture de formations geologiques traversees par un forage. |
RU2172942C1 (ru) * | 2000-02-15 | 2001-08-27 | Белоненко Владимир Николаевич | Способ измерения пористости и способ измерения распределения пор по размерам |
US6985612B2 (en) | 2001-10-05 | 2006-01-10 | Mevis - Centrum Fur Medizinische Diagnosesysteme Und Visualisierung Gmbh | Computer system and a method for segmentation of a digital image |
US7457708B2 (en) | 2003-03-13 | 2008-11-25 | Agilent Technologies Inc | Methods and devices for identifying related ions from chromatographic mass spectral datasets containing overlapping components |
US7277795B2 (en) * | 2004-04-07 | 2007-10-02 | New England Research, Inc. | Method for estimating pore structure of porous materials and its application to determining physical properties of the materials |
UA14912U (en) * | 2005-12-27 | 2006-06-15 | Volodymyr Vladyslavovych Popov | Method for fixation of both cusps of mitral valve in surgery of mitral prosthesis installation |
US8725477B2 (en) | 2008-04-10 | 2014-05-13 | Schlumberger Technology Corporation | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
RU2440591C2 (ru) | 2008-04-10 | 2012-01-20 | Шлюмбергер Текнолоджи Б.В. | Способ получения характеристик геологической формации, пересекаемой скважиной |
US20110004447A1 (en) | 2009-07-01 | 2011-01-06 | Schlumberger Technology Corporation | Method to build 3D digital models of porous media using transmitted laser scanning confocal mircoscopy and multi-point statistics |
US8311788B2 (en) * | 2009-07-01 | 2012-11-13 | Schlumberger Technology Corporation | Method to quantify discrete pore shapes, volumes, and surface areas using confocal profilometry |
US9134457B2 (en) | 2009-04-08 | 2015-09-15 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
RU2544884C1 (ru) | 2011-02-28 | 2015-03-20 | Шлюмбергер Текнолоджи Б.В. | Способ определения репрезентативных элементов площадей и объемов в пористой среде |
US8908925B2 (en) | 2011-02-28 | 2014-12-09 | Schlumberger Technology Corporation | Methods to build 3D digital models of porous media using a combination of high- and low-resolution data and multi-point statistics |
-
2012
- 2012-02-28 BR BR112013020555-5A patent/BR112013020555A2/pt not_active Application Discontinuation
- 2012-02-28 WO PCT/US2012/027041 patent/WO2012118868A2/en active Application Filing
- 2012-02-28 RU RU2013143616/28A patent/RU2543698C1/ru active
- 2012-02-28 US US13/407,561 patent/US8909508B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
RU2013143616A (ru) | 2015-04-10 |
RU2543698C1 (ru) | 2015-03-10 |
WO2012118868A3 (en) | 2012-12-06 |
US8909508B2 (en) | 2014-12-09 |
US20120275658A1 (en) | 2012-11-01 |
WO2012118868A2 (en) | 2012-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BR112013020555A2 (pt) | método para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluraridade de gargantas de poro, sistema para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro, e método para caracterizar uma amostra de formação de rocha subterrânea porosa incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro | |
Liu et al. | Pore-scale characterization of tight sandstone in Yanchang Formation Ordos Basin China using micro-CT and SEM imaging from nm-to cm-scale | |
Ehrlich et al. | Petrography and reservoir physics I: objective classification of reservoir porosity (1) | |
Graham et al. | Automated sizing of coarse-grained sediments: image-processing procedures | |
CN113609696B (zh) | 基于图像融合的多尺度多组分数字岩心构建方法及*** | |
Al-Raoush et al. | Extraction of physically realistic pore network properties from three-dimensional synchrotron X-ray microtomography images of unconsolidated porous media systems | |
US8908925B2 (en) | Methods to build 3D digital models of porous media using a combination of high- and low-resolution data and multi-point statistics | |
US8081796B2 (en) | Method for determining properties of fractured rock formations using computer tomograpic images thereof | |
AU2009250344B2 (en) | Image data processing | |
ES2701906T3 (es) | Procedimiento para determinar la permeabilidad de una formación rocosa utilizando imágenes tomográficas computarizadas de la misma | |
EP3077619B1 (en) | Digital core model construction | |
US20160307312A1 (en) | Method For Determining Fabric And Upscaled Properties Of Geological Sample | |
US10223782B2 (en) | Digital rock physics-based trend determination and usage for upscaling | |
CN109891460B (zh) | 具有两个或更多个不混溶相的岩石的岩石物理性质的直接数值模拟 | |
Al Ibrahim et al. | An automated petrographic image analysis system: Capillary pressure curves using confocal microscopy | |
Liu et al. | Multicomponent digital core construction and three-dimensional micro-pore structure characterization of shale | |
Kang et al. | Construction of complex digital rock physics based on full convolution network | |
US20230408431A1 (en) | Calibrating direct flow simulations of rock samples | |
Zhang et al. | An innovative image-based workflow for quantitative pore structure characterization in reservoir rocks | |
Qajar | Reactive flow in carbonate cores via digital core analysis | |
CN114518309A (zh) | 一种页岩油储层中夹层孔隙有效三维表征的方法及装置 | |
Qiu et al. | Three‐Dimensional Reconstruction of Tunnel Face Based on Multiple Images | |
Roth et al. | Numerical pore-network fusion to predict capillary pressure and relative permeability in carbonates | |
CN117115370B (zh) | 一种高精度数字岩心模型构建方法 | |
Li et al. | Automatic identification of soil layer from borehole digital optical image and GPR based on color features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B06F | Objections, documents and/or translations needed after an examination request according [chapter 6.6 patent gazette] | ||
B06U | Preliminary requirement: requests with searches performed by other patent offices: procedure suspended [chapter 6.21 patent gazette] | ||
B11B | Dismissal acc. art. 36, par 1 of ipl - no reply within 90 days to fullfil the necessary requirements | ||
B350 | Update of information on the portal [chapter 15.35 patent gazette] |