CN108133474B - 基于岩心样品二维孔隙图像的渗透率预测方法 - Google Patents
基于岩心样品二维孔隙图像的渗透率预测方法 Download PDFInfo
- Publication number
- CN108133474B CN108133474B CN201711403546.1A CN201711403546A CN108133474B CN 108133474 B CN108133474 B CN 108133474B CN 201711403546 A CN201711403546 A CN 201711403546A CN 108133474 B CN108133474 B CN 108133474B
- Authority
- CN
- China
- Prior art keywords
- core sample
- pore
- image
- dimensional pore
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
基于岩心样品二维孔隙图像的渗透率预测方法,步骤一、岩心样品二维孔隙图像的预处理;步骤二、岩心样品二维孔隙图像的二值化;步骤三、岩心样品二维孔隙图像中孔隙个数与每个孔隙面积的统计;步骤四:岩心样品二维孔隙图像中全部孔隙的等效半径求解;步骤五:岩心样品二维孔隙图像中孔隙传导系数的求取;步骤六:基于岩心样品二维孔隙图像的渗透率预测;步骤七、岩心样品渗透率的计算;本发明基于计算机图像处理技术,将岩心样品二维孔隙图像与渗透率预测有机结合,降低利用物理实验预测岩心样品渗透率的经济成本,缩短岩心样品渗透率的预测时间,并可使渗透率预测的准确性有一定提高。
Description
技术领域
本发明属于石油天然气勘探开发技术,特别涉及一种通过岩心样品二维孔隙图像预测其渗透率的方法。
背景技术
对油田开发人员而言,渗透率是一项需重点关注的储层参数。这是因为渗透率是决定一口井是否进行完井和投产的重要依据;同时,它也是钻井时油层保护、完井时射孔方案选择、最佳排液位置确定和生产速率及三次采油措施制定的重要参考标准。一直以来,渗透率主要通过物理实验测定。并且,通过物理实验测定的渗透率值与实际地层渗透率的吻合程度将直接决定油田开发人员制定的开采方***性。但由于地下储层岩石结构的复杂性,导致其渗透性往往表现出非线性特征,因此常规研究很难获得其渗透率的准确解析解;而进行物理实验需要的经济成本较高,耗费的时间较长,而且对地下储层岩石某些细微孔隙的渗透特征也难以定量表征。鉴于此,探讨预测地下储层岩石渗透率的新技术、新方法就成为目前油田科研人员的当务之急。要求这些新技术、新方法既能够提高地下储层岩石渗透率预测的准确性,又要缩短预测过程所耗费的时间,并减少投资。
发明内容
为了克服上述现有技术的缺陷,本发明的目的在于提供基于岩心样品二维孔隙图像的渗透率预测方法,只要孔隙和吼道与周围的岩石颗粒可以分隔开,那么二维孔隙图像就可以作为最基本的输入来预测相应岩心样品的渗透率,通过统计岩心样品二维孔隙图像中孔隙的个数和每个孔隙的面积来预测其渗透率值,本发明可提高渗透率预测的准确性,降低物理实验预测渗透率所耗费的经济成本,缩短预测时间。
为了达到上述目的,本发明的技术方案为:
基于岩心样品二维孔隙图像的渗透率预测方法,包括以下步骤:
步骤一、岩心样品二维孔隙图像的预处理:利用Photoshop软件对已有岩心样品二维孔隙图像进行裁切,获得孔隙和吼道的有效研究区域,并把非bmp格式图像全部转化为bmp格式的灰度图像,之后利用小波变换技术去除其噪声,增强其对比度;
步骤二、岩心样品二维孔隙图像的二值化:采用迭代阈值法对岩心样品二维孔隙图像进行二值化处理,完成之后整幅岩心样品二维孔隙图像由两种颜色构成:黑色和白色,黑色表示岩心样品二维孔隙图像中的孔隙与吼道,白色表示孔隙与吼道周围的岩石颗粒;
步骤三、岩心样品二维孔隙图像中孔隙个数与每个孔隙面积的统计:首先给出二值化后岩心样品二维孔隙图像中孔隙与吼道的定义,在此基础上利用图像腐蚀操作消除其中的吼道,接着通过轮廓跟踪算法对岩心样品二维孔隙图像中的孔隙轮廓进行跟踪,统计其中孔隙的个数numpore;最后利用扫描线种子填充算法,计算出每个孔隙的面积;
步骤四:岩心样品二维孔隙图像中全部孔隙的等效半径求解:采用等效圆方法求取岩心样品二维孔隙图像中每一个孔隙的半径,即:把步骤三计算获得的岩心样品二维孔隙图像中每一个孔隙的面积等效成一个圆的面积,然后根据圆的面积计算公式S=πr2求出每一个孔隙的等效半径r;
步骤五、岩心样品二维孔隙图像孔隙传导系数C的求取:利用公式(1)求取岩心样品二维孔隙图像的孔隙传导系数C,具体公式如下:
上式中,N为岩心样品二维孔隙图像中孔隙的总个数,它的值等于步骤三中的numpore,i为岩心样品二维孔隙图像中孔隙的编号,ci为岩心样品二维孔隙图像中第i个孔隙的传导系数,ri为步骤四中求取的岩心样品二维孔隙图像中第i个孔隙的等效半径;
步骤六、基于岩心样品二维孔隙图像的渗透率预测:基于岩心样品二维孔隙图像的渗透率预测公式如下所示:
上式中,k为与岩心样品二维孔隙图像相对应的岩心样品在该截面处的渗透率值,C为该岩心样品二维孔隙图像的孔隙传导系数,A为该岩心样品二维孔隙图像的面积;
步骤七、岩心样品渗透率的计算:上述步骤只是预测了岩心样品在某一截面处的渗透率,要计算整块岩心样品的渗透率,还需对许多幅岩心样品的二维孔隙图像进行处理,求得许多个渗透率的预测值,然后取它们的最大值、最小值、平均值和标准差等,通过这些参数来表征整块岩心样品的渗透率。
所述的步骤三具体为:
(1)岩心样品二维孔隙图像中孔隙与吼道的定义:把岩心样品二维孔隙图像中由三个或三个以上岩石颗粒所包围的空间称为孔隙,把连接相邻两孔隙的最小通道称为吼道,即两颗岩石颗粒之间的空间;
(2)对岩心样品二维孔隙图像进行腐蚀操作,消除其中的吼道;
(3)基于轮廓跟踪算法岩心样品二维孔隙图像中孔隙个数统计的具体过程为:
①对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,搜索黑色像素点;
②在获取第一个黑色像素点之后,将其作为孔隙轮廓跟踪的起始点,并将该点进入方向的反方向作为起始方向链码,在确定跟踪的起始点和起始方向链码之后,完成对整个孔隙轮廓的跟踪;
③完成第一个孔隙轮廓的跟踪之后,把参数numpore的初始值设为0,用来表示该岩心样品二维孔隙图像中孔隙的总个数,参数numpore的值加1,并把该孔隙用颜色RGB((255-1),255,255)填充,用RGB颜色模式表示不同孔隙的颜色,RGB颜色模式可在计算机屏幕上重现16777216种不同的颜色;
④对岩心样品二维孔隙图像继续进行由左到右、由上到下的扫描,获取第二个黑色像素点,将其作为第二个孔隙跟踪的起始点,并将该点进入方向的反方向作为起始方向链码,这样确定了第二个孔隙跟踪的起始点和起始方向链码,在此基础上完成对该孔隙整个轮廓的跟踪,并把参数numpore的值再加1,把该孔隙用颜色RGB((255-2),255,255)填充;
⑤对岩心样品二维孔隙图像继续进行由左到右、由上到下的扫描,确定第i个孔隙跟踪的起始点和起始方向链码,完成对该孔隙整个轮廓的跟踪,把参数numpore的值再加1,并把该孔隙用颜色RGB((255-i),255,255)填充;
⑥继续对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,完成岩心样品二维孔隙图像中所有孔隙的轮廓跟踪与颜色填充和个数统计,最终实现不同的孔隙用不同的颜色表示;用numpore的最终值表示该岩心样品二维孔隙图像中孔隙的总个数;
(4)基于扫描线种子填充算法岩心样品二维孔隙图像中每个孔隙面积计算。
所述的基于扫描线种子填充算法岩心样品二维孔隙图像中每个孔隙面积计算具体过程为:
①对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,找到第一个非白色点(xfirst,yfirst),初始化一个空栈并将该点入栈;
②判断该栈是否为空,如果为空则结束该循环,否则取出栈顶元素将其作为当前扫描线的种子点(x,y),这里x即为xfirst,y即为yfirst,y为当前的扫描线;从种子点(x,y)出发,沿当前扫描线向左、右两个方向填充至边界,并分别标记填充过区段的左、右边界端点为xleft和xright,分别检查与当前扫描线相邻的y-1和y+1两条扫描线在区间中的像素,从xleft开始向xright方向搜索,若存在非边界且尚未填充的像素点,则找出这些相邻像素点中最右边的一个,将其作为种子点压入栈中,重复上述填充过程;
③在填充过程中,用参数number1表示填充过的所有像素的总数,同时在填充结束之后把填充区域内所有非白色像素点转化为白色像素点;
④继续对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,把扫描过的第二个填充区域内的所有像素总数记为number2,把扫描过的第N个填充区域内的所有像素总数记为numberN;
⑤最终,由单个像素的面积乘上number1就可以得到扫描过的第一个孔隙的面积,由单个像素的面积乘上numberN就可以得到扫描过的第N个孔隙的面积,就获得了该岩心样品二维孔隙图像中全部孔隙的面积。
本发明基于计算机图像处理技术,将岩心样品二维孔隙灰度图像的像素处理与岩心样品的渗透率预测相结合,在一定程度上可提高渗透率预测的准确性,并降低通过物理实验预测渗透率所耗费的经济成本,缩短渗透率预测所需要的时间。
附图说明
图1为本发明中基于岩心样品二维孔隙图像预测渗透率的流程图。
图2为本发明中基于轮廓跟踪算法岩心样品二维孔隙图像中统计孔隙个数的流程图。
图3为本发明中基于扫描线种子填充算法岩心样品二维孔隙图像中计算每个孔隙面积的流程图。
具体实施方式
下面结合附图对本发明的技术方案做详细叙述。
参照图1,基于岩心样品二维孔隙图像的渗透率预测方法,包括以下步骤:
步骤一、岩心样品二维孔隙图像的预处理:利用Photoshop软件对已有岩心样品二维孔隙图像进行处理,删除无效区域,获得孔隙和吼道的有效研究区域,并把非bmp格式的图像全部转化为bmp格式。之后把彩色岩心样品二维孔隙图像转化为灰度图像(如已经是灰度图像则无需转化),最后利用小波变换技术去除其噪声,增强其对比度;
步骤二、岩心样品二维孔隙图像的二值化:利用迭代阈值法对岩心样品二维孔隙图像进行二值化处理,具体步骤为:①求取整幅岩心样品二维孔隙图像灰度的算术平均值Zaverage,将其设置为初始阈值,即T0=Zaverage;②根据阈值Tk(k=0,1,2,3,…)将岩心样品二维孔隙图像分割为孔隙吼道和岩石颗粒两部分,以黑色代表孔隙与吼道,白色代表岩石颗粒,再分别求出这两部分的平均灰度值Zpore和Zrock;③使得Tk+1=(Zpore+Zrock)/2(k=0,1,2,3,…);④如果Tk=Tk+1(k=0,1,2,3,…),则停止迭代,否则使k=k+1,重复②-④;⑤通过上述迭代计算,求得最终阈值Tfinal,之后把所有灰度大于Tfinal的像素点的灰度值重新设置为1,把所有灰度小于Tfinal的像素点的灰度值重新设置为0,至此完成了岩心样品二维孔隙图像的二值化;
步骤三、岩心样品二维孔隙图像中孔隙个数与每个孔隙面积的统计:首先给出二值化后岩心样品二维孔隙图像中孔隙与吼道的定义,在此基础上利用图像腐蚀操作消除其中的吼道(本发明中所有讨论过程都是在图像的3*3领域内运算执行,后面不再重复说明),接着利用轮廓跟踪算法对岩心样品二维孔隙图像中的孔隙轮廓进行跟踪,统计图像中孔隙的个数numpore;最后利用扫描线种子填充算法,计算出每个孔隙的面积。具体步骤为:(1)岩心样品二维孔隙图像中孔隙与吼道的定义:把岩心样品二维孔隙图像中由三个或三个以上岩石颗粒所包围的空间称为孔隙,把连接相邻两孔隙的最小通道称为吼道,即两颗岩石颗粒之间的空间;(2)对岩心样品二维孔隙图像进行腐蚀操作,消除其中的吼道;(3)基于轮廓跟踪算法岩心样品二维孔隙图像中孔隙个数统计的基本流程见图2,具体过程为:①对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,搜索黑色像素点;②在获取第一个黑色像素点之后,将其作为孔隙轮廓跟踪的起始点,并将该点进入方向的反方向作为起始方向链码,在确定跟踪的起始点和起始方向链码之后,完成对整个孔隙轮廓的跟踪;③完成第一个孔隙轮廓的跟踪之后,把参数numpore(其初始值设为0,用来表示该岩心样品二维孔隙图像中孔隙的总个数)的值加1,并把该孔隙用颜色RGB((255-1),255,255)填充(本专利中用RGB颜色模式表示不同孔隙的颜色,RGB颜色模式可在计算机屏幕上重现16777216种不同的颜色,在这里完全够用);④对岩心样品二维孔隙图像继续进行由左到右、由上到下的扫描,获取第二个黑色像素点,将其作为第二个孔隙跟踪的起始点,并将该点进入方向的反方向作为起始方向链码,这样确定了第二个孔隙跟踪的起始点和起始方向链码,在此基础上完成对该孔隙整个轮廓的跟踪,并把参数numpore的值再加1,把该孔隙用颜色RGB((255-2),255,255)填充;⑤对岩心样品二维孔隙图像继续进行由左到右、由上到下的扫描,确定第i个孔隙跟踪的起始点和起始方向链码,完成对该孔隙整个轮廓的跟踪,把参数numpore的值再加1,并把该孔隙用颜色RGB((255-i),255,255)填充;⑥继续对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,完成岩心样品二维孔隙图像中所有孔隙的轮廓跟踪与颜色填充(最终实现不同的孔隙用不同的颜色表示)和个数统计(用numpore的最终值表示该岩心样品二维孔隙图像中孔隙的总个数);(4)基于扫描线种子填充算法岩心样品二维孔隙图像中每个孔隙面积计算的基本流程见图3,具体过程为:①对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,找到第一个非白色点(xfirst,yfirst),初始化一个空栈并将该点入栈;②判断该栈是否为空,如果为空则结束该循环,否则取出栈顶元素将其作为当前扫描线的种子点(x,y)(这里x即为xfirst,y即为yfirst),y为当前的扫描线。从种子点(x,y)出发,沿当前扫描线向左、右两个方向填充至边界,并分别标记填充过区段的左、右边界端点为xleft和xright,分别检查与当前扫描线相邻的y-1和y+1两条扫描线在区间中的像素,从xleft开始向xright方向搜索,若存在非边界且尚未填充的像素点,则找出这些相邻像素点中最右边的一个,将其作为种子点压入栈中,重复上述填充过程;③在填充过程中,用参数number1表示填充过的所有像素的总数,同时在填充结束之后把填充区域内所有非白色像素点转化为白色像素点;④继续对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,把扫描过的第二个填充区域内的所有像素总数记为number2,把扫描过的第N个填充区域内的所有像素总数记为numberN;⑤最终,由单个像素的面积乘上number1就可以得到扫描过的第一个孔隙的面积,由单个像素的面积乘上numberN就可以得到扫描过的第N个孔隙的面积,如此,就获得了该岩心样品二维孔隙图像中全部孔隙的面积;
步骤四:岩心样品二维孔隙图像中全部孔隙的等效半径求解:采用等效圆方法求取岩心样品二维孔隙图像中每一个孔隙的等效半径,即:把前面计算得到的岩心样品二维孔隙图像中每一个孔隙的面积等效成一个圆的面积,根据圆的面积计算公式S=πr2求出每一个孔隙的等效半径r;
步骤五、岩心样品二维孔隙图像孔隙传导系数C的求取:利用公式(1)来求取岩心样品二维孔隙图像的孔隙传导系数C,具体公式如下:
上式中,N为岩心样品二维孔隙图像中孔隙的总个数,它的值等于步骤三中的numpore,i为岩心样品二维孔隙图像中孔隙的编号,ci为岩心样品二维孔隙图像中第i个孔隙的传导系数,ri为步骤四中求取的岩心样品二维孔隙图像中第i个孔隙的等效半径;
步骤六、基于岩心样品二维孔隙图像的渗透率预测:Mathieu等(2007)提出了基于岩心样品二维孔隙图像的渗透率预测公式,如下所示:
上式中,k为与岩心样品二维孔隙图像相对应的岩心样品在该截面处的渗透率值,N为岩心样品二维孔隙图像中孔隙的总个数,A为该岩心样品二维孔隙图像的面积,ceff为岩心样品二维孔隙图像中单个孔隙的传导系数。但Mathieu等并没有给出ceff的详细求解公式,因此本发明中采用步骤五中求取的岩心样品二维孔隙图像的孔隙传导系数C来代替Nceff,这样得到新的渗透率预测公式(3),如下所示:
上式中,k为与岩心样品二维孔隙图像相对应的岩心样品在该截面处的渗透率值,C为该岩心样品二维孔隙图像的孔隙传导系数,A为该岩心样品二维孔隙图像的面积;
步骤七、岩心样品渗透率的计算:上述步骤只是预测了岩心样品在某一截面处的渗透率值,要计算整块岩心样品的渗透率,还需对许多幅岩心样品的二维孔隙图像进行处理,求得许多个渗透率的预测值,然后取它们的最大值、最小值、平均值和标准差等,通过这些参数来表征整块岩心样品的渗透率。
Claims (3)
1.基于岩心样品二维孔隙图像的渗透率预测方法,其特征在于,包括以下步骤:
步骤一、岩心样品二维孔隙图像的预处理:利用Photoshop软件对已有岩心样品二维孔隙图像进行裁切,获得孔隙和吼道的有效研究区域,并把非bmp格式图像全部转化为bmp格式的灰度图像,之后利用小波变换技术去除其噪声,增强其对比度;
步骤二、岩心样品二维孔隙图像的二值化:采用迭代阈值法对岩心样品二维孔隙图像进行二值化处理,完成之后整幅岩心样品二维孔隙图像由两种颜色构成:黑色和白色,黑色表示岩心样品二维孔隙图像中的孔隙与吼道,白色表示孔隙与吼道周围的岩石颗粒;
步骤三、岩心样品二维孔隙图像中孔隙个数与每个孔隙面积的统计:首先给出二值化后岩心样品二维孔隙图像中孔隙与吼道的定义,在此基础上利用图像腐蚀操作消除其中的吼道,接着通过轮廓跟踪算法对岩心样品二维孔隙图像中的孔隙轮廓进行跟踪,统计其中孔隙的个数numpore;最后利用扫描线种子填充算法,计算出每个孔隙的面积;
步骤四:岩心样品二维孔隙图像中全部孔隙的等效半径求解:采用等效圆方法求取岩心样品二维孔隙图像中每一个孔隙的半径,即:把步骤三计算获得的岩心样品二维孔隙图像中每一个孔隙的面积等效成一个圆的面积,然后根据圆的面积计算公式S=πr2求出每一个孔隙的等效半径r;
步骤五、岩心样品二维孔隙图像孔隙传导系数C的求取:利用公式(1)求取岩心样品二维孔隙图像的孔隙传导系数C,具体公式如下:
上式中,N为岩心样品二维孔隙图像中孔隙的总个数,它的值等于步骤三中的numpore,i为岩心样品二维孔隙图像中孔隙的编号,ci为岩心样品二维孔隙图像中第i个孔隙的传导系数,ri为步骤四中求取的岩心样品二维孔隙图像中第i个孔隙的等效半径;
步骤六、基于岩心样品二维孔隙图像的渗透率预测:基于岩心样品二维孔隙图像的渗透率预测公式如下所示:
上式中,k为与岩心样品二维孔隙图像相对应的岩心样品在截面处的渗透率值,C为该岩心样品二维孔隙图像的孔隙传导系数,A为该岩心样品二维孔隙图像的面积;
步骤七、岩心样品渗透率的计算:上述步骤只是预测了岩心样品在某一截面处的渗透率,要计算整块岩心样品的渗透率,还需对许多幅岩心样品的二维孔隙图像进行处理,求得许多个渗透率的预测值,然后取它们的最大值、最小值、平均值和标准差,通过这些参数来表征整块岩心样品的渗透率。
2.根据权利要求1所述的基于岩心样品二维孔隙图像的渗透率预测方法,其特征在于,所述的步骤三具体为:
(1)岩心样品二维孔隙图像中孔隙与吼道的定义:把岩心样品二维孔隙图像中由三个或三个以上岩石颗粒所包围的空间称为孔隙,把连接相邻两孔隙的最小通道称为吼道,即两颗岩石颗粒之间的空间;
(2)对岩心样品二维孔隙图像进行腐蚀操作,消除其中的吼道;
(3)基于轮廓跟踪算法岩心样品二维孔隙图像中孔隙个数统计的具体过程为:
①对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,搜索黑色像素点;
②在获取第一个黑色像素点之后,将其作为孔隙轮廓跟踪的起始点,并将该点进入方向的反方向作为起始方向链码,在确定跟踪的起始点和起始方向链码之后,完成对整个孔隙轮廓的跟踪;
③完成第一个孔隙轮廓的跟踪之后,把参数numpore的初始值设为0,用来表示该岩心样品二维孔隙图像中孔隙的总个数,参数numpore的值加1,并把该孔隙用颜色RGB((255-1),255,255)填充,用RGB颜色模式表示不同孔隙的颜色,RGB颜色模式可在计算机屏幕上重现16777216种不同的颜色;
④对岩心样品二维孔隙图像继续进行由左到右、由上到下的扫描,获取第二个黑色像素点,将其作为第二个孔隙跟踪的起始点,并将该点进入方向的反方向作为起始方向链码,这样确定了第二个孔隙跟踪的起始点和起始方向链码,在此基础上完成对该孔隙整个轮廓的跟踪,并把参数numpore的值再加1,把该孔隙用颜色RGB((255-2),255,255)填充;
⑤对岩心样品二维孔隙图像继续进行由左到右、由上到下的扫描,确定第i个孔隙跟踪的起始点和起始方向链码,完成对该孔隙整个轮廓的跟踪,把参数numpore的值再加1,并把该孔隙用颜色RGB((255-i),255,255)填充;
⑥继续对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,完成岩心样品二维孔隙图像中所有孔隙的轮廓跟踪与颜色填充和个数统计,最终实现不同的孔隙用不同的颜色表示;用numpore的最终值表示该岩心样品二维孔隙图像中孔隙的总个数;
(4)基于扫描线种子填充算法岩心样品二维孔隙图像中每个孔隙面积计算。
3.根据权利要求2所述的基于岩心样品二维孔隙图像的渗透率预测方法,其特征在于,所述的基于扫描线种子填充算法岩心样品二维孔隙图像中每个孔隙面积计算具体过程为:
①对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,找到第一个非白色点(xfirst,yfirst),初始化一个空栈并将该点入栈;
②判断该栈是否为空,如果为空则结束该循环,否则取出栈顶元素将其作为当前扫描线的种子点(x,y),这里x即为xfirst,y即为yfirst,y为当前的扫描线;从种子点(x,y)出发,沿当前扫描线向左、右两个方向填充至边界,并分别标记填充过区段的左、右边界端点为xleft和xright,分别检查与当前扫描线相邻的y-1和y+1两条扫描线在区间中的像素,从xleft开始向xright方向搜索,若存在非边界且尚未填充的像素点,则找出这些相邻像素点中最右边的一个,将其作为种子点压入栈中,重复上述填充过程;
③在填充过程中,用参数number1表示填充过的所有像素的总数,同时在填充结束之后把填充区域内所有非白色像素点转化为白色像素点;
④继续对岩心样品二维孔隙图像进行由左到右、由上到下的扫描,把扫描过的第二个填充区域内的所有像素总数记为number2,把扫描过的第N个填充区域内的所有像素总数记为numberN;
⑤最终,由单个像素的面积乘上number1就可以得到扫描过的第一个孔隙的面积,由单个像素的面积乘上numberN就可以得到扫描过的第N个孔隙的面积,就获得了该岩心样品二维孔隙图像中全部孔隙的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711403546.1A CN108133474B (zh) | 2017-12-22 | 2017-12-22 | 基于岩心样品二维孔隙图像的渗透率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711403546.1A CN108133474B (zh) | 2017-12-22 | 2017-12-22 | 基于岩心样品二维孔隙图像的渗透率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108133474A CN108133474A (zh) | 2018-06-08 |
CN108133474B true CN108133474B (zh) | 2021-10-26 |
Family
ID=62391511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711403546.1A Active CN108133474B (zh) | 2017-12-22 | 2017-12-22 | 基于岩心样品二维孔隙图像的渗透率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133474B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961246B (zh) * | 2018-07-10 | 2021-05-07 | 吉林大学 | 一种基于人工智能的扫描电镜图像孔隙识别方法 |
CN109191423B (zh) * | 2018-07-18 | 2019-07-02 | 中国矿业大学 | 一种基于机器图像智能学习的多孔介质渗透率预测方法 |
CN109374624B (zh) * | 2018-12-12 | 2020-11-06 | 山东大学 | 透水路面堵塞检测方法及*** |
CN110222368B (zh) * | 2019-08-02 | 2021-09-17 | 中国石油大学(华东) | 一种利用二维切片计算岩心三维孔隙度和渗透率的方法 |
CN110865013B (zh) * | 2019-11-20 | 2021-05-11 | 成都理工大学 | 双重煤岩孔隙结构模型的构建方法 |
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 |
CN116342541B (zh) * | 2023-03-29 | 2024-03-22 | 中国矿业大学 | 一种基于相邻图像孔隙融合重构的岩土体渗透率计算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222359A (zh) * | 2011-05-24 | 2011-10-19 | 中国石油天然气股份有限公司 | 一种岩心三维孔隙结构重构方法 |
CN103278864A (zh) * | 2013-05-10 | 2013-09-04 | 中国石油天然气股份有限公司 | 洞缝型储层的地质特征参数及分布的测定方法及装置 |
CN104237099A (zh) * | 2014-08-29 | 2014-12-24 | 中国石油大学 | 测定致密岩心径向渗透率的装置及方法 |
CN105844011A (zh) * | 2016-03-22 | 2016-08-10 | 中国石油天然气集团公司 | 一种基于毛管模型的渗透率计算方法 |
CN106442271A (zh) * | 2016-11-18 | 2017-02-22 | 杨康 | 岩心渗透率模拟方法及装置 |
CN108896463A (zh) * | 2018-06-04 | 2018-11-27 | 中国科学院电工研究所无锡分所 | 一种核磁共振岩心渗透率成像方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2860575C (en) * | 2012-01-13 | 2018-09-18 | Ingrain, Inc. | Method of determining reservoir properties and quality with multiple energy x-ray imaging |
-
2017
- 2017-12-22 CN CN201711403546.1A patent/CN108133474B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222359A (zh) * | 2011-05-24 | 2011-10-19 | 中国石油天然气股份有限公司 | 一种岩心三维孔隙结构重构方法 |
CN103278864A (zh) * | 2013-05-10 | 2013-09-04 | 中国石油天然气股份有限公司 | 洞缝型储层的地质特征参数及分布的测定方法及装置 |
CN104237099A (zh) * | 2014-08-29 | 2014-12-24 | 中国石油大学 | 测定致密岩心径向渗透率的装置及方法 |
CN105844011A (zh) * | 2016-03-22 | 2016-08-10 | 中国石油天然气集团公司 | 一种基于毛管模型的渗透率计算方法 |
CN106442271A (zh) * | 2016-11-18 | 2017-02-22 | 杨康 | 岩心渗透率模拟方法及装置 |
CN108896463A (zh) * | 2018-06-04 | 2018-11-27 | 中国科学院电工研究所无锡分所 | 一种核磁共振岩心渗透率成像方法 |
Non-Patent Citations (11)
Title |
---|
Investigation of porosity and permeability effects from microstructure changes during limestone dissolution;Catherine Noiriel等;《Geophysical Research Letters》;20041221;第31卷(第24期);第1-4页 * |
Permeability, porosity, and mineral surface area changes in basalt cores induced by reactive transport of CO2-rich brine;Andrew J. Luhmann等;《Water Resources Research》;20170207;第53卷(第3期);第1908-1927页 * |
Research on Reservoir Sedimentary and Pore Characteristics of Chang 6 in Wuqi Oilfield;Fengxia Li等;《2012 Fourth International Conference on Computational and Information Sciences》;20120913;第1286-1289页 * |
利用薄片图像分析法估算油藏砂岩渗透率;Cosk.,SB等;《石油勘探开发情报》;19951231(第6期);第49-61页 * |
基于CT图像及孔隙网格的岩芯孔渗参数研究;宋睿;《西南石油大学学报(自然科学版)》;20150520;第37卷(第3期);第138-145页 * |
基于多点地质统计方法的岩相建模研究;潘少伟等;《科学技术与工程》;20120428;第12卷(第12期);第2805-2809页 * |
基于碎屑岩孔隙结构特征参数的渗透率计算方法研究;王天娇等;《长江大学学报(自科版)》;20140515;第11卷(第14期);第13-15+4页 * |
岩心样品孔隙度渗透率实验研究进展;张丽华等;《地球物理学进展》;20180415;第33卷(第2期);第777-782页 * |
改进PSO-BP神经网络对储层参数的动态预测研究;潘少伟等;《计算机工程与应用》;20131125;第50卷(第10期);第52-56页 * |
根据储层砂岩的图像分析估算渗透率;S.B.Coskun等;《天然气勘探与开发》;19940815;第16卷(第3期);第16-29页 * |
渗透率模型构建方法综述;滕立志;《内蒙古石油化工》;20150315;第41卷(第5期);第36-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108133474A (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133474B (zh) | 基于岩心样品二维孔隙图像的渗透率预测方法 | |
Debanshi et al. | Wetland delineation simulation and prediction in deltaic landscape | |
US10233728B2 (en) | Method and apparatus for drilling a new well using historic drilling data | |
US11423197B2 (en) | Systems and methods for estimating a well design reservoir productivity as a function of position in a subsurface volume of interest based on a reservoir productivity parameter | |
CN103871062B (zh) | 一种基于超像素描述的月面岩石检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
US11371336B2 (en) | Systems and methods for estimating refined reservoir productivity values as a function of position in a subsurface volume of interest | |
CN107448197B (zh) | 一种海相砂岩油藏窜流通道空间发育定量识别的方法 | |
CN105093289A (zh) | 一种基于图像处理的地震层位识别方法 | |
CN114897781A (zh) | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 | |
US11182890B2 (en) | Efficient system and method of determining a permeability ratio curve | |
CN112560719B (zh) | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 | |
CN112800590B (zh) | 一种机器学习辅助的两相流油藏随机建模的网格粗化方法 | |
Wang et al. | Data-driven analysis of soil consolidation with prefabricated vertical drains considering stratigraphic variation | |
CN111105377B (zh) | 一种对微电阻率成像图像的修复方法 | |
CN112282742A (zh) | 一种页岩油优质储层的预测方法 | |
CN114280259B (zh) | 基于水文地质条件和动力条件的地下水盐分分布分析方法 | |
US20230184087A1 (en) | Multi-modal and Multi-dimensional Geological Core Property Prediction using Unified Machine Learning Modeling | |
US20230036713A1 (en) | Borehole Image Gap Filing Using Deep Learning | |
Baldwin | Catchment-scale soil water retention characteristics and delineation of hydropedological functional units in the Shale Hills Catchment | |
CN109447944B (zh) | 碳酸盐岩的岩相识别方法及*** | |
CN116226623B (zh) | 基于SegNet分段模型的标志层划分方法、装置和计算机设备 | |
CN113781441B (zh) | 一种应用于节理岩体隧道开挖过程中的注浆范围优化方法 | |
CN113010501A (zh) | 采收率预测模型获取方法、采收率预测方法和产品 | |
CN116630811B (zh) | 一种河流提取方法、装置、终端设备和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |