CN108875184B - 基于数字露头模型的页岩有机碳含量预测方法及装置 - Google Patents
基于数字露头模型的页岩有机碳含量预测方法及装置 Download PDFInfo
- Publication number
- CN108875184B CN108875184B CN201810586363.6A CN201810586363A CN108875184B CN 108875184 B CN108875184 B CN 108875184B CN 201810586363 A CN201810586363 A CN 201810586363A CN 108875184 B CN108875184 B CN 108875184B
- Authority
- CN
- China
- Prior art keywords
- outcrop
- toc content
- reservoir
- point cloud
- model
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Processing Or Creating Images (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请实施例提供了一种基于数字露头模型的页岩有机碳含量预测方法及装置,该方法包括:获取目标工区的露头数据及多个储层岩样的岩样数据;露头数据包括储层露头的第一表层三维激光点云数据;岩样数据包括储层岩样的第二表层三维激光点云数据及总有机碳TOC含量实测值;根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型;TOC含量预测模型为表征激光强度值与TOC含量的关系曲线;根据第一表层三维激光点云数据构建储层露头的数字露头表层模型;根据TOC含量预测模型表征数字露头表层模型上所有点云处的TOC含量。本申请实施例可以准确、快速地获取页岩气储层的TOC含量。
Description
技术领域
本申请涉及非常规油气勘探技术领域,尤其是涉及一种基于数字露头模型的页岩有机碳含量预测方法及装置。
背景技术
页岩储层是我国油气勘探开发的重要领域,而总有机碳(Total Organic Carbon,TOC)含量可以反映页岩的生烃潜力。因此,准确、快速地获取页岩气储层的TOC含量有利于提高对储层产能和地下油气的评价,对页岩气的开发具有重要意义。
页岩储层露头是地下页岩储层的真实刻画,对露头的调查和解剖是建立地下储层地质模型的有效手段。目前获取页岩储层露头TOC含量最常用的方法是钻取岩心并进行岩心分析。虽然这种方法可以获得高精度的TOC含量,但存在岩心样品有限、岩心分析费用高、耗时长以及无法刻画露头上TOC含量的平面分布等不足。
有鉴于此,如何准确、快速地获取页岩气储层的TOC含量是目前亟待解决的技术问题。
发明内容
本申请实施例的目的在于提供一种基于数字露头模型的页岩有机碳含量预测方法及装置,以准确、快速地获取页岩气储层的TOC含量。
为达到上述目的,一方面,本申请实施例提供了一种基于数字露头模型的页岩有机碳含量预测方法,包括:
获取目标工区的露头数据及多个储层岩样的岩样数据;所述露头数据包括储层露头的第一表层三维激光点云数据;所述岩样数据包括储层岩样的第二表层三维激光点云数据及总有机碳TOC含量实测值;
根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型;所述TOC含量预测模型为表征激光强度值与TOC含量的关系曲线;
根据所述第一表层三维激光点云数据构建所述储层露头的数字露头表层模型;
根据所述TOC含量预测模型表征所述数字露头表层模型上所有点云处的TOC含量。
本申请实施例的基于数字露头模型的页岩有机碳含量预测方法中,所述第二表层三维激光点云数据包括对应储层岩样表面上各点云处的三维坐标及对应的激光强度值;相应的,所述根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型,包括:
确定每个储层岩样的TOC含量实测值及其表面上所有点云处的激光强度值,并确定二者的相关关系;
基于所述相关关系,对所述多个储层岩样中第一部分岩样的TOC含量及其表面上所有点云处的激光强度值进行拟合,从而获得所述目标工区的TOC含量预测模型。
本申请实施例的基于数字露头模型的页岩有机碳含量预测方法中,所述根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型,还包括:
在获得TOC含量预测模型之后,将所述多个储层岩样中第二部分岩样的表面上所有点云处的激光强度值代入所述TOC含量预测模型,获得对应的TOC含量预测值;
将所述TOC含量预测值与所述第二部分岩样对应的TOC含量实测值进行比较,如果TOC含量预测值与对应TOC含量实测值的均方根误差小于预设第一阈值,且所述TOC含量预测模型的拟合优度大于预设第二阈值,则将当前的TOC含量预测模型确定为所述目标工区的TOC含量预测模型。
本申请实施例的基于数字露头模型的页岩有机碳含量预测方法中,所述根据所述第一表层三维激光点云数据构建所述储层露头的数字露头表层模型,包括:
将所述第一表层三维激光点云数据向多个指定的空间方向投影,获得多个投影面;
确定所述多个投影面中的最大者,并将所述最大者作为最佳趋势面;
根据所述最佳趋势面构建三角网;
基于所述储层露头各位置点的高程将所述三角网扩展至三维空间,形成所述储层露头的数字露头表层模型。
本申请实施例的基于数字露头模型的页岩有机碳含量预测方法中,所述露头数据还包括储层露头的RGB数字影像,所述RGB数字影像携带有所述储层露头的纹理信息和颜色信息;
相应的,在将所述第一表层三维激光点云数据向多个指定的空间方向投影之前,
先将所述第一表层三维激光点云数据中每个三维激光点云的位置点与所述RGB数字影像上对应的位置点进行匹配,并将所述RGB数字影像上对应的位置点的纹理信息和颜色信息添加至对应的三维激光点云中,以形成所述储层露头的包含纹理信息和颜色信息的数字露头表层模型。
另一方面,本申请实施例还提供了一种基于数字露头模型的页岩有机碳含量预测装置,包括:
数据获取模块,用于获取目标工区的露头数据及多个储层岩样的岩样数据;所述露头数据包括储层露头的第一表层三维激光点云数据;所述岩样数据包括储层岩样的第二表层三维激光点云数据及总有机碳TOC含量实测值;
预测模型构建模块,用于根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型;所述TOC含量预测模型为表征激光强度值与TOC含量的关系曲线;
露头模型构建模块,用于根据所述第一表层三维激光点云数据构建所述储层露头的数字露头表层模型;
含量表征模块,用于根据所述TOC含量预测模型表征所述数字露头表层模型上所有点云处的TOC含量。
本申请实施例的基于数字露头模型的页岩有机碳含量预测装置中,所述第二表层三维激光点云数据包括对应储层岩样表面上各点云处的三维坐标及对应的激光强度值;相应的,所述根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型,包括:
确定每个储层岩样的TOC含量实测值及其表面上所有点云处的激光强度值,并确定二者的相关关系;
基于所述相关关系,对所述多个储层岩样中第一部分岩样的TOC含量及其表面上所有点云处的激光强度值进行拟合,从而获得所述目标工区的TOC含量预测模型。
本申请实施例的基于数字露头模型的页岩有机碳含量预测装置中,所述根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型,还包括:
在获得TOC含量预测模型之后,将所述多个储层岩样中第二部分岩样的表面上所有点云处的激光强度值代入所述TOC含量预测模型,获得对应的TOC含量预测值;
将所述TOC含量预测值与所述第二部分岩样对应的TOC含量实测值进行比较,如果TOC含量预测值与对应TOC含量实测值的均方根误差小于预设第一阈值,且所述TOC含量预测模型的拟合优度大于预设第二阈值,则将当前的TOC含量预测模型确定为所述目标工区的TOC含量预测模型。
本申请实施例的基于数字露头模型的页岩有机碳含量预测装置中,所述根据所述第一表层三维激光点云数据构建所述储层露头的数字露头表层模型,包括:
将所述第一表层三维激光点云数据向多个指定的空间方向投影,获得多个投影面;
确定所述多个投影面中的最大者,并将所述最大者作为最佳趋势面;
根据所述最佳趋势面构建三角网;
基于所述储层露头各位置点的高程将所述三角网扩展至三维空间,形成所述储层露头的数字露头表层模型。
本申请实施例的基于数字露头模型的页岩有机碳含量预测装置中,所述露头数据还包括储层露头的RGB数字影像,所述RGB数字影像携带有所述储层露头的纹理信息和颜色信息;
相应的,在将所述第一表层三维激光点云数据向多个指定的空间方向投影之前,
先将所述第一表层三维激光点云数据中每个三维激光点云的位置点与所述RGB数字影像上对应的位置点进行匹配,并将所述RGB数字影像上对应的位置点的纹理信息和颜色信息添加至对应的三维激光点云中,以形成所述储层露头的包含纹理信息和颜色信息的数字露头表层模型。
由以上本申请实施例提供的技术方案可见,由于本申请实施例的TOC含量预测模型是基于多个储层岩样的表层三维激光点云数据及TOC含量实测值而构建的,因此,其具有较高的TOC含量预测准确性。而且,在此基础上,本申请实施例还根据储层露头的表层三维激光点云数据构建出了储层露头的数字露头表层模型,由于构建出的数字露头表层模型中每个点云处都有相应的激光强度值,因此将数字露头表层模型中的每个点云处的激光强度值分别代入TOC含量预测模型,就可以快速地计算得到数字露头表层模型中的每个点云处的TOC含量,然后将这些计算出的TOC含量对应添加至数字露头表层模型中的每个点云处,就可以在数字露头表层模型上表征所有点云处的TOC含量。因此,本申请实施例实现了准确、快速地获取页岩气储层的TOC含量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请一实施例的基于数字露头模型的页岩有机碳含量预测方法的流程图;
图2为本申请一实施例中基于预测模型得到的预测TOC含量与实测TOC含量的对比图;
图3为本申请一实施例的基于数字露头模型的页岩有机碳含量预测装置的结构框图;
图4为本申请一实施例的基于数字露头模型的页岩有机碳含量预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。例如在下面描述中,在第一部件上方形成第二部件,可以包括第一部件和第二部件以直接接触方式形成的实施例,还可以包括第一部件和第二部件以非直接接触方式(即第一部件和第二部件之间还可以包括额外的部件)形成的实施例等。
而且,为了便于描述,本申请一些实施例可以使用诸如“在…上方”、“在…之下”、“顶部”、“下方”等空间相对术语,以描述如实施例各附图所示的一个元件或部件与另一个(或另一些)元件或部件之间的关系。应当理解的是,除了附图中描述的方位之外,空间相对术语还旨在包括装置在使用或操作中的不同方位。例如若附图中的装置被翻转,则被描述为“在”其他元件或部件“下方”或“之下”的元件或部件,随后将被定位为“在”其他元件或部件“上方”或“之上”。
参考图1所示,本申请实施例的基于数字露头模型的页岩有机碳含量预测方法可以包括以下步骤:
S101、获取目标工区的露头数据及多个储层岩样的岩样数据;所述露头数据包括储层露头的第一表层三维激光点云数据;所述岩样数据包括储层岩样的第二表层三维激光点云数据及TOC含量实测值。
在本申请一实施例中,所述第二表层三维激光点云数据可以包括对应储层岩样表面上各点云处的三维坐标(X、Y、Z)及对应的激光强度值I。所述第一表层三维激光点云数据可以是预先通过地面激光雷达扫描仪对目标工区的储层露头进行扫描获得。在一示例性实施例中,所述地面激光雷达扫描仪的设备型号例如可以rigel-vz400等。
在本申请一实施例中,所述多个储层岩样为预先从所述目标工区内采集的多个不同TOC含量的页岩岩样,通过对这些岩样进行岩心分析,可以测定这些岩样的TOC含量,即获得其TOC含量实测值。同样,通过上述地面激光雷达扫描仪对这些岩样进行扫描,也可以获得这些岩样的第二表层三维激光点云数据。在本申请一示例性实施例中,例如对采集的39块页岩岩样在室内利用地面激光雷达扫描仪进行扫描,扫描距离设定约为15米,点云间距为1mm。
S102、根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型;所述TOC含量预测模型为表征激光强度值与TOC含量的关系曲线。
在本申请一实施例中,所述根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型可以包括以下步骤:
1)、确定每个储层岩样的TOC含量实测值及其表面上所有点云处的激光强度值,并确定二者的相关关系。
在本申请一实施例中,在确定每个储层岩样的TOC含量实测值及其表面上所有点云处的激光强度值的基础上,可先对激光强度值和TOC含量进行相关性分析,以明确激光强度值与TOC含量的相关关系。在本申请一示例性实施例中,以上述39块页岩岩样为例,可计算39块岩样强度值与TOC含量的相关系数r和p值,r=-0.74,p=8.504e-08<0.001,结果表明强度值与TOC含量存在显著负相关关系,即随着岩样内TOC含量的增加激光强度值减小。由此可见,在本申请实施例中利用激光强度值进行页岩TOC含量预测是可行的。
2)、基于所述相关关系,对所述多个储层岩样中第一部分岩样的TOC含量及其表面上所有点云处的激光强度值进行拟合,从而获得所述目标工区的TOC含量预测模型。即从所述多个储层岩样中选取一部分岩样的TOC含量及激光强度值作为训练样本集或建模样本集,并根据这些样本拟合二者的关系曲线。在本申请一示例性实施例中,所述的拟合例如可以是线性拟合,从而可以得到TOC含量预测模型为表征激光强度值与TOC含量的线性关系曲线。在本申请一示例性实施例中,以上述39块页岩岩样为例,可将39块岩样按照TOC含量大小进行排序,取其中的30个岩样作为建模样本集,剩余的9个可作为测试样本集。
在本申请一实施例中,还可以利用所述多个储层岩样中第二部分岩样的表面上所有点云处的激光强度值,对获得的TOC含量预测模型进行检验;即可将所述多个储层岩样中剩下的另一部分岩样的TOC含量及激光强度值作为测试样本集或检验样本集,来检验TOC含量预测模型的预测能力是否能满足预设要求。
具体的,在获得TOC含量预测模型之后,可将所述多个储层岩样中第二部分岩样的表面上所有点云处的激光强度值代入所述TOC含量预测模型,获得对应的TOC含量预测值;
然后将所述TOC含量预测值与所述第二部分岩样对应的TOC含量实测值进行比较,如果TOC含量预测值与对应TOC含量实测值的均方根误差小于预设第一阈值,且所述TOC含量预测模型的拟合优度大于预设第二阈值,则将当前的TOC含量预测模型确定为所述目标工区的TOC含量预测模型;否则,可以调整拟合优度和/或训练样本集并重新拟合,直至当前获得TOC含量预测模型的预测能力满足预设要求。其中,第一阈值和第二阈值可以根据需要预先设定。
由此可见,在本申请上述实施例中,TOC含量预测模型的评价可采用两个指标:TOC含量实测值和TOC含量预测值的决定系数(即拟合优度)R2和均方根误差RMSE。R2能反映模型建立和验证的稳定性,0<R2≤1,R2越大说明模型的稳定性越好、拟合程度越高。RMSE用来检验模型的推断能力,RMSE≥0,RMSE越小模型预测能力越好。因此,通过比较R2和RMSE,可以选择出优化的TOC含量预测模型。其中,TOC含量预测值和TOC含量实测值对比,可如附图2所示。
S103、根据所述第一表层三维激光点云数据构建所述储层露头的数字露头表层模型。
在本申请一实施例中,所述根据所述第一表层三维激光点云数据构建所述储层露头的数字露头表层模型可以包括以下步骤:
1)、将所述第一表层三维激光点云数据向多个指定的空间方向投影,获得多个投影面;
2)、确定所述多个投影面中的最大者,并将所述最大者作为最佳趋势面;
3)、根据所述最佳趋势面构建三角网;例如Delaunay等三角网。
4)、基于所述储层露头各位置点的高程将所述三角网扩展至三维空间,形成所述储层露头的数字露头表层模型。
在本申请另一实施例中,所述露头数据还可以包括储层露头的RGB数字影像,这些RGB数字影像可通过高分辨率数码相机(例如宾得645D等)拍摄得到。其中,RGB数字影像中可携带有储层露头的高精度的纹理信息和颜色信息。相应的,上述构建储层露头的数字露头表层模型方法中,在将所述第一表层三维激光点云数据向多个指定的空间方向投影之前,可先将所述第一表层三维激光点云数据中每个三维激光点云的位置点与所述RGB数字影像上对应的位置点进行匹配,并将所述RGB数字影像上对应的位置点的纹理信息和颜色信息添加至对应的三维激光点云中,以形成所述储层露头的包含纹理信息和颜色信息的数字露头表层模型。如此,可使得构建出的数字露头表层模型更加逼真和形象。
S104、根据所述TOC含量预测模型表征所述数字露头表层模型上所有点云处的TOC含量。
在本申请一实施例中,由于构建出的数字露头表层模型中每个点云处都有相应的激光强度值,因此将数字露头表层模型中的每个点云处的激光强度值分别代入TOC含量预测模型,可以对应计算得到数字露头表层模型中的每个点云处的TOC含量,然后将这些计算出的TOC含量对应添加至数字露头表层模型中的每个点云处,就可以形象的在所述数字露头表层模型上表征所有点云处的TOC含量了。
参考图3所示,本申请实施例的一种基于数字露头模型的页岩有机碳含量预测装置可以包括:
数据获取模块31,可以用于获取目标工区的露头数据及多个储层岩样的岩样数据;所述露头数据包括储层露头的第一表层三维激光点云数据;所述岩样数据包括储层岩样的第二表层三维激光点云数据及总有机碳TOC含量实测值;
预测模型构建模块32,可以用于根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型;所述TOC含量预测模型为表征激光强度值与TOC含量的关系曲线;
露头模型构建模块33,可以用于根据所述第一表层三维激光点云数据构建所述储层露头的数字露头表层模型;
含量表征模块34,可以用于根据所述TOC含量预测模型表征所述数字露头表层模型上所有点云处的TOC含量。
参考图4所示,本申请实施例的一种基于数字露头模型的页岩有机碳含量预测装置可以包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时执行如下步骤:
获取目标工区的露头数据及多个储层岩样的岩样数据;所述露头数据包括储层露头的第一表层三维激光点云数据;所述岩样数据包括储层岩样的第二表层三维激光点云数据及总有机碳TOC含量实测值;
根据多个储层岩样的第二表层三维激光点云数据及TOC含量实测值构建TOC含量预测模型;所述TOC含量预测模型为表征激光强度值与TOC含量的关系曲线;
根据所述第一表层三维激光点云数据构建所述储层露头的数字露头表层模型;
根据所述TOC含量预测模型表征所述数字露头表层模型上所有点云处的TOC含量。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种基于数字露头模型的页岩有机碳含量预测方法,其特征在于,包括:
获取目标工区的露头数据及多个储层岩样的岩样数据;所述露头数据包括储层露头的第一表层三维激光点云数据;所述岩样数据包括储层岩样的第二表层三维激光点云数据及总有机碳TOC含量实测值;所述第二表层三维激光点云数据包括对应储层岩样表面上各点云处的三维坐标及对应的激光强度值;
确定每个储层岩样的TOC含量实测值及其表面上所有点云处的激光强度值,并确定二者的相关关系;基于所述相关关系,对所述多个储层岩样中第一部分岩样的TOC含量及其表面上所有点云处的激光强度值进行拟合,获得所述目标工区的TOC含量预测模型;所述TOC含量预测模型为表征激光强度值与TOC含量的关系曲线;
将所述第一表层三维激光点云数据向多个指定的空间方向投影,获得多个投影面;确定所述多个投影面中的最大者,并将所述最大者作为最佳趋势面;根据所述最佳趋势面构建三角网;基于所述储层露头各位置点的高程将所述三角网扩展至三维空间,形成所述储层露头的数字露头表层模型;
根据所述TOC含量预测模型表征所述数字露头表层模型上所有点云处的TOC含量。
2.如权利要求1所述的基于数字露头模型的页岩有机碳含量预测方法,其特征在于,在获得TOC含量预测模型之后,还包括:
将所述多个储层岩样中第二部分岩样的表面上所有点云处的激光强度值代入所述TOC含量预测模型,获得对应的TOC含量预测值;
将所述TOC含量预测值与所述第二部分岩样对应的TOC含量实测值进行比较,如果TOC含量预测值与对应TOC含量实测值的均方根误差小于预设第一阈值,且所述TOC含量预测模型的拟合优度大于预设第二阈值,则将当前的TOC含量预测模型确定为所述目标工区的TOC含量预测模型。
3.如权利要求1所述的基于数字露头模型的页岩有机碳含量预测方法,其特征在于,所述露头数据还包括储层露头的RGB数字影像,所述RGB数字影像携带有所述储层露头的纹理信息和颜色信息;
相应的,在将所述第一表层三维激光点云数据向多个指定的空间方向投影之前,
先将所述第一表层三维激光点云数据中每个三维激光点云的位置点与所述RGB数字影像上对应的位置点进行匹配,并将所述RGB数字影像上对应的位置点的纹理信息和颜色信息添加至对应的三维激光点云中,以形成所述储层露头的包含纹理信息和颜色信息的数字露头表层模型。
4.一种基于数字露头模型的页岩有机碳含量预测装置,其特征在于,包括:
数据获取模块,用于获取目标工区的露头数据及多个储层岩样的岩样数据;所述露头数据包括储层露头的第一表层三维激光点云数据;所述岩样数据包括储层岩样的第二表层三维激光点云数据及总有机碳TOC含量实测值;所述第二表层三维激光点云数据包括对应储层岩样表面上各点云处的三维坐标及对应的激光强度值;
预测模型构建模块,用于确定每个储层岩样的TOC含量实测值及其表面上所有点云处的激光强度值,并确定二者的相关关系;基于所述相关关系,对所述多个储层岩样中第一部分岩样的TOC含量及其表面上所有点云处的激光强度值进行拟合,获得所述目标工区的TOC含量预测模型;所述TOC含量预测模型为表征激光强度值与TOC含量的关系曲线;
露头模型构建模块,用于将所述第一表层三维激光点云数据向多个指定的空间方向投影,获得多个投影面;确定所述多个投影面中的最大者,并将所述最大者作为最佳趋势面;根据所述最佳趋势面构建三角网;基于所述储层露头各位置点的高程将所述三角网扩展至三维空间,形成所述储层露头的数字露头表层模型;
含量表征模块,用于根据所述TOC含量预测模型表征所述数字露头表层模型上所有点云处的TOC含量。
5.如权利要求4所述的基于数字露头模型的页岩有机碳含量预测装置,其特征在于,在获得TOC含量预测模型之后,还包括:
将所述多个储层岩样中第二部分岩样的表面上所有点云处的激光强度值代入所述TOC含量预测模型,获得对应的TOC含量预测值;
将所述TOC含量预测值与所述第二部分岩样对应的TOC含量实测值进行比较,如果TOC含量预测值与对应TOC含量实测值的均方根误差小于预设第一阈值,且所述TOC含量预测模型的拟合优度大于预设第二阈值,则将当前的TOC含量预测模型确定为所述目标工区的TOC含量预测模型。
6.如权利要求5所述的基于数字露头模型的页岩有机碳含量预测装置,其特征在于,所述露头数据还包括储层露头的RGB数字影像,所述RGB数字影像携带有所述储层露头的纹理信息和颜色信息;
相应的,在将所述第一表层三维激光点云数据向多个指定的空间方向投影之前,
先将所述第一表层三维激光点云数据中每个三维激光点云的位置点与所述RGB数字影像上对应的位置点进行匹配,并将所述RGB数字影像上对应的位置点的纹理信息和颜色信息添加至对应的三维激光点云中,以形成所述储层露头的包含纹理信息和颜色信息的数字露头表层模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810586363.6A CN108875184B (zh) | 2018-06-08 | 2018-06-08 | 基于数字露头模型的页岩有机碳含量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810586363.6A CN108875184B (zh) | 2018-06-08 | 2018-06-08 | 基于数字露头模型的页岩有机碳含量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875184A CN108875184A (zh) | 2018-11-23 |
CN108875184B true CN108875184B (zh) | 2022-02-01 |
Family
ID=64337461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810586363.6A Active CN108875184B (zh) | 2018-06-08 | 2018-06-08 | 基于数字露头模型的页岩有机碳含量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875184B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112147711A (zh) * | 2019-06-28 | 2020-12-29 | 中国石油化工股份有限公司 | 野外快速获取海相页岩总有机碳方法及*** |
CN112241028B (zh) * | 2019-07-18 | 2023-11-28 | 中国石油天然气股份有限公司 | 基于地面激光扫描的碳酸盐岩白云石含量模拟方法 |
CN113155684B (zh) * | 2020-01-07 | 2023-04-07 | 中国石油天然气股份有限公司 | 碎屑岩露头粒度的分析方法、装置及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016011384A1 (en) * | 2014-07-18 | 2016-01-21 | Chevron U.S.A. Inc. | System and method for determining stratigraphic location and areal extent of total organic carbon using an integrated stratigraphic approach |
CN104331927B (zh) * | 2014-10-15 | 2017-09-15 | 中国石油天然气股份有限公司 | 一种储层数字露头表层模拟的方法和*** |
CN104345345B (zh) * | 2014-10-30 | 2017-09-01 | 中国石油天然气集团公司 | 一种页岩储层总有机碳toc含量预测方法 |
CN105699624B (zh) * | 2016-03-07 | 2017-07-07 | 中国科学院南京土壤研究所 | 一种基于土壤发生层厚度预测的土壤有机碳储量估算方法 |
CN107064187A (zh) * | 2017-04-21 | 2017-08-18 | 中国石油天然气股份有限公司 | 一种烃源岩有机碳含量测定方法及装置 |
-
2018
- 2018-06-08 CN CN201810586363.6A patent/CN108875184B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108875184A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | Comparison of image-based and time-of-flight-based technologies for three-dimensional reconstruction of infrastructure | |
US8793107B2 (en) | Accuracy-based significant point derivation from dense 3D point clouds for terrain modeling | |
CN108875184B (zh) | 基于数字露头模型的页岩有机碳含量预测方法及装置 | |
CN105045950A (zh) | 一种基于三维激光扫描的桥梁安全评估*** | |
Alameda-Hernández et al. | Improvement of the JRC calculation using different parameters obtained through a new survey method applied to rock discontinuities | |
US20160133007A1 (en) | Crack data collection apparatus and server apparatus to collect crack data | |
CN112824828B (zh) | 一种激光跟踪仪站位确定方法、***、电子设备及介质 | |
Lovas et al. | Terrestrial laser scanning in deformation measurements of structures | |
CN113360587B (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
Mills et al. | On the estimation of geological surface roughness from terrestrial laser scanner point clouds | |
CN111177840A (zh) | 建筑信息模型的更新方法、更新装置、存储介质与处理器 | |
Varela-González et al. | Performance testing of LiDAR exploitation software | |
CN114299359A (zh) | 一种检测输电线路故障的方法、设备及存储介质 | |
Lachat et al. | Comparison of point cloud registration algorithms for better result assessment–towards an open-source solution | |
Pollyea et al. | Experimental evaluation of terrestrial LiDAR-based surface roughness estimates | |
CN112837604B (zh) | 确定地图中的目标点的地理坐标的方法和装置 | |
CN108844879B (zh) | 基于激光强度的储层露头孔隙度预测方法及装置 | |
Yakar et al. | The problems and solution offers, faced during the 3D modeling process of Sekiliyurt underground shelters with terrestrial laser scanning method | |
CN116381726A (zh) | 基于数据自身的无人机激光点云精度自评估方法 | |
Prušková et al. | Possibilities of Using Modern Technologies and Creation of the Current Project Documentation Leading to the Optimal Management of the Building for Sustainable Development | |
Trzeciak et al. | Comparison of accuracy and density of static and mobile laser scanners | |
Feng et al. | Investigation of 3D terrestrial laser scanning techniques for potential application to rock mechanics | |
Müller et al. | Improving template-based CT data evaluation by integrating CMM reference data into a CAD model-based high fidelity triangle mesh | |
CN115436570A (zh) | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 | |
CN111122813B (zh) | 基于区域地下水流场方向的水质类别评价方法 |
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 |