CN111950192B - 基于卷积神经网络的孔隙网络模型的建模方法及装置 - Google Patents
基于卷积神经网络的孔隙网络模型的建模方法及装置 Download PDFInfo
- Publication number
- CN111950192B CN111950192B CN202010680503.3A CN202010680503A CN111950192B CN 111950192 B CN111950192 B CN 111950192B CN 202010680503 A CN202010680503 A CN 202010680503A CN 111950192 B CN111950192 B CN 111950192B
- Authority
- CN
- China
- Prior art keywords
- pore
- dimensional tensor
- core
- tensor data
- frequency distribution
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 97
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 21
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 18
- 238000002591 computed tomography Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000011435 rock Substances 0.000 description 10
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 8
- 230000009977 dual effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002247 constant time method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 238000010603 microCT Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000002459 porosimetry Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Computer Graphics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于卷积神经网络的孔隙网络模型的建模方法及装置，该方法包括：获取通过核磁共振成像得到的岩心的核磁图像；根据所述核磁图像获取相关长度，根据所述相关长度计算三维张量卷积核；获取通过核磁共振得到的岩心的T2谱，根据所述T2谱获取孔喉半径频率分布；根据所述孔喉半径频率分布形成初始三维张量数据体；根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体；根据初始三维张量数据体构建孔隙网络模型的无序空间结构；根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
Description
技术领域
本公开涉及石油测井解释领域，尤其涉及基于卷积神经网络的孔隙网络模型的建模方法及装置。
背景技术
油气是世界上用途广泛且具有极其重要地位的能源，随着各国对油气资源的不断开发，许多常规油藏已经大规模开发并进入生产中后期。考虑到未来油气资源的利用，就必加深对情况复杂多样的非常规油气藏的研究。因此，通过建立岩心尺度的模型来对多孔介质内部孔隙空间的发育规模、空间分布对流体渗流的影响、流体在其中的分布规律、相互作用机理等一些决定流体在多孔介质中流动的宏观现象的本质问题展开研究显得十分重要。
发明内容
本公开实施例提供了一种基于卷积神经网络的孔隙网络模型的建模方法，包括：
获取通过核磁共振成像得到的岩心的核磁图像；
根据所述核磁图像获取相关长度，根据所述相关长度计算三维张量卷积核；其中，所述相关长度表示所述核磁图像中的预选亮团的半径平均值；
获取通过核磁共振得到的岩心的T2谱，根据所述T2谱获取孔喉半径频率分布；根据所述孔喉半径频率分布形成初始三维张量数据体；
根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体；
根据初始三维张量数据体构建孔隙网络模型的无序空间结构；
根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
一种示例性的实施例中，上述方法还包括：
获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取裂缝数量和裂缝方向；
根据所述孔隙网络模型、所述裂缝数量和裂缝方向建立具有裂缝分布的孔隙网络模型。
一种示例性的实施例中，上述方法还具有下面特点：
所述根据所述相关长度计算三维张量卷积核，包括：
按照如下公式计算三维张量卷积核E(h)：
E(h)＝exp(-2h/Lc)
其中，h表示三维坐标系中以(Lx，Ly，Lz)为中心，半径小于等于Lc的球面到所述中心的距离，Lc表示所述相关长度。
一种示例性的实施例中，上述方法还具有下面特点：
所述获取核磁共振测井得到的岩心的T2谱，根据所述T2谱获取孔喉半径分布，包括：
获取通过核磁共振得到的所述岩心的T2谱；通过预设定量关系将T2谱的幅度值转换成孔喉半径频率分布。
一种示例性的实施例中，上述方法还具有下面特点：
所述预设定量关系为rm＝cT2m；
其中，rm为第m个孔喉半径，T2m为T2谱的第m个幅度值，c为预设的转换系数，m为正整数。
一种示例性的实施例中，上述方法还具有下面特点：
所述根据所述孔喉半径频率分布形成初始三维张量数据体，包括：
根据所述孔喉半径频率分布，通过随机函数建立三维稳定随机场，形成初始三维张量数据体；
其中，所述随机函数为如下对数正态分布随机函数：
其中，通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ，x表示孔喉半径。
一种示例性的实施例中，上述方法还具有下面特点：
所述根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体，包括：
将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘，将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来，生成符合岩心孔喉半径频率分布的三维张量数据体。
一种示例性的实施例中，上述方法还具有下面特点：
所述根据所述初始三维张量数据体构建孔隙网络模型的无序空间结构，包括：
根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数；
根据所述节点数以及预设的各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络；
计算所述三维立方体网络中各节点的坐标；
确定各方向各相邻节点之间是否有管束连通，并分配管束半径；
通过预设规则移动各节点坐标；
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
一种示例性的实施例中，上述方法还具有下面特点：
获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取平均吼道长度和配位数；其中，配置数是指一个节点与相邻节点之间存在连通管束的节点数；
所述预设的各节点间的间隔距离L为所述平均吼道长度；
所述确定各方向各相邻节点之间是否有管束连通，包括：
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通；
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通；
或者，
根据所述配位数确定各方向各相邻节点之间是否有管束连通。
一种示例性的实施例中，上述方法还具有下面特点：
所述通过预设规则移动各节点坐标包括：
按照如下公式移动各节点坐标(x,y,z)：
(x,y,z)＝[(i-1)L±rand( )％(0.5L),(j-1)L±rand( )％(0.5L),(k-1)L±rand( )％(0.5L)]
其中，i为x方向的节点序号，j为y方向的节点序号，k为z方向的节点序号，i、j和k为大于0的整数，rand()％(0.5L)表示随机生成0.5L范围内的任意整数。
一种示例性的实施例中，上述方法还具有下面特点：根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型，包括：
将所述符合岩心孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
本公开还提供了一种基于卷积神经网络的孔隙网络模型的建模装置，包括：存储器和处理器；
所述存储器，用于保存用于岩心的孔隙网络模型的建模的程序；
所述处理器，用于读取执行所述用于岩心的孔隙网络模型的建模的程序，执行如下的建模方法：
获取通过核磁共振成像得到的岩心的核磁图像；
根据所述核磁图像获取相关长度，根据所述相关长度计算三维张量卷积核；其中，所述相关长度表示所述核磁图像中的预选亮团的半径平均值；
获取通过核磁共振得到的岩心的T2谱，根据所述T2谱获取孔喉半径频率分布；根据所述孔喉半径频率分布形成初始三维张量数据体；
根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体；
根据初始三维张量数据体构建孔隙网络模型的无序空间结构；
根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
一种示例性的实施例中，所述处理器，用于读取执行所述用于岩心的孔隙网络模型的建模的程序，还执行如下的建模方法：
获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取裂缝数量和裂缝方向；
根据所述孔隙网络模型、所述裂缝数量和裂缝方向建立具有裂缝分布的孔隙网络模型。
一种示例性的实施例中，所述根据所述相关长度计算三维张量卷积核，包括：
按照如下公式计算三维张量卷积核E(h)：
E(h)＝exp(-2h/Lc)
其中，h表示三维坐标系中以(Lx，Ly，Lz)为球心，半径小于等于Lc的球面到所述球心的距离，Lc表示所述相关长度。
一种示例性的实施例中，所述获取核磁共振测井得到的岩心的T2谱，根据所述T2谱获取孔喉半径分布，包括：
获取通过核磁共振得到的所述岩心的T2谱；通过预设定量关系将T2谱的幅度值转换成孔喉半径频率分布。
一种示例性的实施例中，所述预设定量关系为rm＝cT2m；
其中，rm为第m个孔喉半径，T2m为T2谱的第m个幅度值，c为预设的转换系数，m为正整数。
一种示例性的实施例中，所述根据所述孔喉半径频率分布形成初始三维张量数据体，包括：
根据所述孔喉半径频率分布，通过随机函数建立三维稳定随机场，形成初始三维张量数据体；
其中，所述随机函数为如下对数正态分布随机函数：
其中，通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ，x表示孔喉半径。
一种示例性的实施例中，所述根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体，包括：
将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘，将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来，生成符合岩心孔喉半径频率分布的三维张量数据体。
一种示例性的实施例中，所述根据所述初始三维张量数据体构建孔隙网络模型的无序空间结构，包括：
根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数；
根据所述节点数以及预设的各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络；
计算所述三维立方体网络中各节点的坐标；
确定各方向各相邻节点之间是否有管束连通，并分配管束半径；
通过预设规则移动各节点坐标；
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
一种示例性的实施例中，所述处理器，用于读取执行所述用于岩心的孔隙网络模型的建模的程序，还执行如下的建模方法：获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取平均吼道长度和配位数；其中，配置数是指一个节点与相邻节点之间存在连通管束的节点数；
所述预设的各节点间的间隔距离L为所述平均吼道长度；
所述确定各方向各相邻节点之间是否有管束连通，包括：
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通；
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通；
或者，
根据所述配位数确定各方向各相邻节点之间是否有管束连通。
一种示例性的实施例中，所述通过预设规则移动各节点坐标包括：
按照如下公式移动各节点坐标(x,y,z)：
(x,y,z)＝[(i-1)L±rand( )％(0.5L),(j-1)L±rand( )％(0.5L),(k-1)L±rand( )％(0.5L)]
其中，i为x方向的节点序号，j为y方向的节点序号，k为z方向的节点序号，i、j和k为大于0的整数，rand()％(0.5L)表示随机生成0.5L范围内的任意整数。
一种示例性的实施例中，根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型，包括：
将所述符合岩心孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
附图说明
图1为本公开实施例的基于卷积神经网络的孔隙网络模型的建模方法的流程图。
图2为本公开实施例的压汞孔喉分布和弛豫分布示例。
图3为本公开实施例的三维卷积核示例。
图4为本公开实施例的生成符合孔喉半径频率分布的三维张量数据体的示意图。
图5为本公开实施例的CT扫描重建的孔隙图像示例。
图6为本公开实施例的CT扫描重建的裂缝图像示例。
图7为本公开实施例的有序空间结构示例。
图8为本公开实施例的无序空间结构示例。
图9为本公开实施例的微孔隙-溶孔双重介质模型图像示例。
图10为本公开实施例的微孔隙-溶孔-裂缝三重介质模型图像示例。
图11为本公开实施例的基于卷积神经网络的孔隙网络模型的建模装置示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，下文中将结合附图对本公开的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
图1为本公开实施例的一种基于卷积神经网络的孔隙网络模型的建模方法的流程图，如图1所示，本实施例的建模方法包括：
S11、获取通过核磁共振成像得到的岩心的核磁图像。
S12、根据所述核磁图像获取相关长度，根据所述相关长度计算三维张量卷积核；
S13、获取通过核磁共振得到的岩心的T2谱，根据所述T2谱获取孔喉半径频率分布；根据所述孔喉半径频率分布形成初始三维张量数据体；
S14、根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体；
S15、根据初始三维张量数据体构建孔隙网络模型的无序空间结构；
S16、根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
上述步骤中，S13可以在S11、S12之前或之后执行，可以和S11、S12并行执行；S14和S15的先后顺序不限，也可以并行执行。
一种示例性的实施例中，还包括：
获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取裂缝数量和裂缝方向；
根据所述孔隙网络模型、所述裂缝数量和裂缝方向建立具有裂缝分布的孔隙网络模型。
可以不限于采用微CT扫描方式获得岩心图像，从而确定裂缝数量和裂缝方向。还可以采用其它方式确定裂缝数量和裂缝方向。比如可以人为设定裂缝数量和裂缝方向，也可以通过随机函数确定。
一种示例性的实施例中，所述根据所述相关长度计算三维张量卷积核，包括：
按照如下公式计算三维张量卷积核E(h)：
E(h)＝exp(-2h/Lc)
其中，h表示三维坐标系中以(Lx，Ly，Lz)为球心，半径小于等于Lc的球面到所述球心的距离，Lc表示所述相关长度。
可以使用上述公式或该公式变形后的式子来计算三维张量卷积核。
一种示例性的实施例中，所述获取核磁共振测井得到的岩心的T2谱，根据所述T2谱获取孔喉半径分布，包括：
获取通过核磁共振得到的所述岩心的T2谱；通过预设定量关系将T2谱的幅度值转换成孔喉半径频率分布。
其中，预设定量关系可以是预设的T2谱的幅度值和孔喉半径频率分布之间的对应关系，或预设的通过幅度值计算孔喉半径的计算式等。
一种示例性的实施例中，包括：
所述预设定量关系为rm＝cT2m；
其中，rm为第m个孔喉半径，T2m为T2谱的第m个幅度值，c为预设的转换系数，m为正整数。
一种示例性的实施例中，所述根据所述孔喉半径频率分布形成初始三维张量数据体，包括：
根据所述孔喉半径频率分布，通过随机函数建立三维稳定随机场，形成初始三维张量数据体；
其中，所述随机函数为如下对数正态分布随机函数：
其中，通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ，x表示孔喉半径。
其中，随机函数不限于上式，可以采用对数均匀随机函数。
一种示例性的实施例中，所述根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体，包括：
将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘，将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来，生成符合岩心孔喉半径频率分布的三维张量数据体。
一种示例性的实施例中，所述根据所述初始三维张量数据体构建孔隙网络模型的无序空间结构，包括：
根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数；
根据所述节点数以及预设的各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络；
计算所述三维立方体网络中各节点的坐标；
确定各方向各相邻节点之间是否有管束连通，并分配管束半径；
通过预设规则移动各节点坐标；
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
一种示例性的实施例中，该方法还包括，
获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取平均吼道长度和配位数；其中，配置数是指一个节点与相邻节点之间存在连通管束的节点数；
所述预设的各节点间的间隔距离L为所述平均吼道长度；
所述确定各方向各相邻节点之间是否有管束连通，包括：
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通；
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通；
或者，
根据所述配位数确定各方向各相邻节点之间是否有管束连通。
一种示例性的实施例中，所述通过预设规则移动各节点坐标包括：
按照如下公式移动各节点坐标(x,y,z)：
(x,y,z)＝[(i-1)L±rand( )％(0.5L),(j-1)L±rand( )％(0.5L),(k-1)L±rand( )％(0.5L)]
其中，i为x方向的节点序号，j为y方向的节点序号，k为z方向的节点序号，i、j和k为大于0的整数，rand()％(0.5L)表示随机生成0.5L范围内的任意整数。
一种示例性的实施例中，根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型，包括：
将所述符合岩心孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
一种示例性的实施例中，可以按照如下方式得到岩心的核磁共振T2谱和核磁共振成像。
测量目标岩心，对于目标岩心，将从地层中采取的碳酸盐岩岩心进行洗油洗盐后，在温度为80℃的条件下充分烘干至重量不变化，利用真空加压饱和仪，以KCl2盐水为介质，将碳酸盐岩岩心饱和48小时后进行核磁共振测量实验，从而得到岩心核磁图像。
然后，将核磁T2谱(通过核磁共振实验获取)与岩心孔径分布(通过常规岩石压汞实验获取)结合，可以求得一个换算系数c(其值具有地区经验性)值，将T2谱的横坐标乘以c即可获得孔径分布，如图2所示。
利用核磁共振成像可以得到岩样横截面、冠状面、矢状面图像。对于双重介质岩石，可以利用图像信号表示单相流体在岩心空间内的分布。图像像素越亮的点，代表其孔喉半径越大，图中亮色集中的地方则显示为溶孔。反之，图像越暗，表示分辨率不可识别区域越多，孔喉半径越小。因此，可由二维图像观察溶孔或溶孔发育带在岩芯内部的分布特征、相关长度。
一种示例性的实施例中，可以按照如下方式生成卷积核。
图3为卷积核示例，通过获取核磁共振图像特征，根据以往地质统计学提出的经验关系式：
E(h)＝exp(-2h/Lc)
Lc—相关长度，是根据核磁共振图像分析得到；h表示三维坐标系中以(Lx，Ly，Lz)为球心，半径小于等于Lc的球面到所述球心的距离， 比如，三维卷积核可以通过如下程序实现。
一种示例性的实施例中，可以按照如下方式形成三维张量数据体。
根据核磁共振T2谱提取的孔喉半径分布特征，通过(对数均匀或对数正态等)随机函数建立三维稳定随机场，形成三维张量数据体。比如，随机函数可以为如下对数正态分布随机函数：
其中，通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ，x表示孔喉半径。
利用Tensorflow平台，以三维张量数据体作为输入进行三维卷积。如图4所示，利用卷积核滑过输入三维稳定随机场张量数据体的每一个元素，将结果组成一个新的矩阵，最后将所有通道的结果矩阵按原来顺序堆叠起来形成一个三阶张量，并将其作为输出得到孔喉半径三维张量数据体，该数据体包含了(微)孔隙-溶孔双重介质的孔喉半径分布空间信息。
一种示例性的实施例中，可以按照如下方式生成具有微孔隙-溶孔-裂缝三重介质的碳酸盐岩CT图像。
如图5和6所示，基于计算机高分辨断层扫描成像技术(即MicroCT)对样品进行了扫描及数字岩心3D重构分别用等效球法和最大球法进行了孔网构建，并对储层进行了结构特征分析。其中，吼道长度可由下式计算：
L＝D-R1-R2
式中，R1，R2分别为该吼道所连接两个孔隙的半径，单位为μm；D为两孔隙中心点的实际坐标距离，单位为μm。
微CT实验处理结果如下：分辨率为8μm，大小为710×710×710μm，颜色集中处为溶孔，其余为孔隙，分析孔隙度为1.12％，连同体积百分比为71.3％，平均孔隙半径为18.97μm，平均吼道半径为17.8μm，平均吼道长度131.8μm，配位数1.13。图5中的红色球为孔隙；白色棒为喉道；图6的单个连通孔隙体积按大小分色阶显示，不难发现，在分辨率可见的范围内，大孔隙分布较少，以小孔隙为主。同时，可以明显观察到碳酸盐岩的溶孔、裂缝分布，并以此为基础统计溶孔数量体积占比，裂缝数量、方向、数量占体积比、孔喉半径分布。
一种示例性的实施例中，可以按照如下方式构建无序空间结构。
以正方形网格的网络模型介绍无序网络模型(如图8所示)的建模方法。有序网络模型(如图7所示)的特点在于模型的形状规则，且节点的位置固定。根据这一特点，提出无序网络模型的建模方法。
(1)指定模型的节点数(该节点数与三维张量数据体的数据数对应)，构建一个X×Y×Z的三维简单立方体网格。每个节点代表一个孔隙，节点与节点之间由喉道相连。由此建立起来的网络中每个代表孔隙的节点周围都有六个喉道相连；同理，每个喉道的周围也有六个孔隙相连。其各方向(即x方向、y方向和z方向)各节点之间的间隔距离设置为L(可以根据微CT实验的结果确定平均吼道长度131.8μm为节点间距)，节点数设置为d，模型的边长为(d-1)×L。
(2)计算出网络模型中各节点的坐标。计算式为：(x，y，z)＝[(i-1)l，(j-1)l，(k-1)l]，式中i、j、k分别为x方向、y方向和z方向的节点序号，取值分别为1，2，3…。
(3)在程序中设定概率为p的概率函数，通过(伪)随机数发生器确定x方向各相邻节点之间是否有管束连通。采用函数产生随机数，从而产生随机概率。在C/C++程序语言中，可采用rand()函数产生随机数，从而产生随机概率。具体的C/C++代码为：
if(rand( )％100＜p×100)
式中，rand()％100—计算机随机生成0-99范围内的任意整数。
当渗透概率p为50％时，rand()函数随机生成的整数中有50％的可能性(概率)小于50，有另外50％的可能性(概率)大于50。因此，该表达式可实现概率p＝50％的管束连接，即当产生了一个小于50的数时，表达式为真，执行管束半径的分配任务(分配管束半径为r)；否则为假，不执行任何操作。
(4)通过(伪)随机数发生器建立连通概率函数，确定y、z方向各相邻节点之间是否有管束连接。方法与x方向的管束分配过程相同。
也可以通过微CT实验结果得到的配位数确定节点的管束连通来替代(3)和(4)。
(5)移动各节点坐标，根据上述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
可以按照如下公式移动各节点坐标(x,y,z)：
(x,y,z)＝[(i-1)L±rand( )％(0.5L),(j-1)L±rand( )％(0.5L),(k-1)L±rand( )％(0.5L)]
其中，i为x方向的节点序号，j为y方向的节点序号，k为z方向的节点序号，i、j和k为大于0的整数，rand()％(0.5L)表示随机生成0.5L范围内的任意整数。
一种示例性的实施例中，可以按照如下方式生成(微)孔隙-溶孔双重介质特征的孔隙网络模型。
将三维张量数据体中的数据依次赋值到无序结构网络模型的孔喉半径格点上，即可构造出具有(微)孔隙-溶孔双重介质特征的孔隙网络模型(如图9所示，模型尺度：长×宽×高＝3cm×1cm×1cm)。
一种示例性的实施例中，可以按照如下方式生成(微)孔隙-溶孔-裂缝三重介质特征的孔隙网络模型。
在上述已经构建出的具有(微)孔隙-溶孔双重介质特征的孔隙网络模型节点中***平面方程以生成二维平面裂缝，构建(微)孔隙-溶孔-裂缝三重介质。设n为平面法向量：
M(x，y，z)，N(x0，y0，z0)为平面上任意的两点，则有：
从而平面的点法式方程为：
A(x-x0)+B(y-y0)+C(z-z0)＝0
空间圆面裂缝可用如下方法生成：
取法向量上随机点为圆心o(a,b,c)，且a为0～A的随机数，b为0～B的随机数，c为0～C的随机数，先计算球面方程：
(x-a)2+(y-b)2+(z-c)2＝r2
其中半径r为球半径；于是圆所在平面方程满足
由两者可以得到圆面方程(圆面裂缝)。平面方程的数量决定了裂缝的数量，通过CT实验结果，统计多个样品在直径为2.5cm，长度为3cm的岩心中裂缝的条数i，裂缝大致走向；以ni法向量为基准(生成随机的点坐标)控制裂缝角度与分布位置，以循环次数控制生成裂缝数量。
利用GPU并行计算调用配有两张TITAN显卡的工作站，在微孔隙-溶孔模型中***曲面方程，生成裂缝介质如图11所示(n为法向量，M、N为平面上任意两点)。在直径为2.5cm，长度为4cm，分辨率为8μm的CT实验样品中统计裂缝(含微裂缝)数量为4条，分布随机，裂缝走向随机，以随机生成法向量与中心点位置的方式***随机的曲面方程，得到最终的碳酸盐岩微孔隙-溶孔-裂缝模型(如图10所示)。
本实施例建立的碳酸盐岩岩心模型结合了实验方法与计算机算法，通过卷积神经网络处理核磁成像图特征值、相关长度生成模型，同时，利用微纳米CT扫描实验，在模型中加入了储层物性参数，在一定程度上解决了现有建模技术建立的地质模型缺乏一定的物理意义的难题。结合CT实验分析，在模型中以加入随机曲面方程的形式生成微孔隙-溶孔-裂缝网络模型，在一定解决了碳酸盐岩微孔隙-溶孔-裂缝三重介质建模难的问题。
图11为本公开实施例的基于卷积神经网络的孔隙网络模型的建模装置的示意图。该建模装置包括：存储器和处理器；
所述存储器，用于保存用于岩心的孔隙网络模型的建模的程序；
所述处理器，用于读取执行所述用于岩心的孔隙网络模型的建模的程序，执行如下的建模方法：
获取通过核磁共振成像得到的岩心的核磁图像；
根据所述核磁图像获取相关长度，根据所述相关长度计算三维张量卷积核；其中，所述相关长度表示所述核磁图像中的预选亮团的半径平均值；
获取通过核磁共振得到的岩心的T2谱，根据所述T2谱获取孔喉半径频率分布；根据所述孔喉半径频率分布形成初始三维张量数据体；
根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体；
根据初始三维张量数据体构建孔隙网络模型的无序空间结构；
根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
一种示例性的实施例中，所述处理器，用于读取执行所述用于岩心的孔隙网络模型的建模的程序，还执行如下的建模方法：
获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取裂缝数量和裂缝方向；
根据所述孔隙网络模型、所述裂缝数量和裂缝方向建立具有裂缝分布的孔隙网络模型。
一种示例性的实施例中，所述根据所述相关长度计算三维张量卷积核，包括：
按照如下公式计算三维张量卷积核E(h)：
E(h)＝exp(-2h/Lc)
其中，h表示三维坐标系中以(Lx，Ly，Lz)为球心，半径小于等于Lc的球面到所述球心的距离，Lc表示所述相关长度。
一种示例性的实施例中，所述获取核磁共振测井得到的岩心的T2谱，根据所述T2谱获取孔喉半径分布，包括：
获取通过核磁共振得到的所述岩心的T2谱；通过预设定量关系将T2谱的幅度值转换成孔喉半径频率分布。
一种示例性的实施例中，所述预设定量关系为rm＝cT2m；
其中，rm为第m个孔喉半径，T2m为T2谱的第m个幅度值，c为预设的转换系数，m为正整数。
一种示例性的实施例中，所述根据所述孔喉半径频率分布形成初始三维张量数据体，包括：
根据所述孔喉半径频率分布，通过随机函数建立三维稳定随机场，形成初始三维张量数据体；
其中，所述随机函数为如下对数正态分布随机函数：
其中，通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ，x表示孔喉半径。
一种示例性的实施例中，所述根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体，包括：
将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘，将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来，生成符合岩心孔喉半径频率分布的三维张量数据体。
一种示例性的实施例中，所述根据所述初始三维张量数据体构建孔隙网络模型的无序空间结构，包括：
根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数；
根据所述节点数以及预设的各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络；
计算所述三维立方体网络中各节点的坐标；
确定各方向各相邻节点之间是否有管束连通，并分配管束半径；
通过预设规则移动各节点坐标；
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
一种示例性的实施例中，所述处理器，用于读取执行所述用于岩心的孔隙网络模型的建模的程序，还执行如下的建模方法：获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取平均吼道长度和配位数；其中，配置数是指一个节点与相邻节点之间存在连通管束的节点数；
所述预设的各节点间的间隔距离L为所述平均吼道长度；
所述确定各方向各相邻节点之间是否有管束连通，包括：
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通；
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通；
或者，
根据所述配位数确定各方向各相邻节点之间是否有管束连通。
一种示例性的实施例中，所述通过预设规则移动各节点坐标包括：
按照如下公式移动各节点坐标(x,y,z)：
(x,y,z)＝[(i-1)L±rand( )％(0.5L),(j-1)L±rand( )％(0.5L),(k-1)L±rand( )％(0.5L)]
其中，i为x方向的节点序号，j为y方向的节点序号，k为z方向的节点序号，i、j和k为大于0的整数，rand()％(0.5L)表示随机生成0.5L范围内的任意整数。
一种示例性的实施例中，根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型，包括：
将所述符合岩心孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开不限制于任何特定形式的硬件和软件的结合。
以上仅为本公开的优选实施例，当然，本公开还可有其他多种实施例，在不背离本公开精神及其实质的情况下，熟悉本领域的技术人员当可根据本公开作出各种相应的改变和变形，但这些相应的改变和变形都应属于本公开所附的权利要求的保护范围。
Claims (9)
1.一种基于卷积神经网络的孔隙网络模型的建模方法，包括：
获取通过核磁共振成像得到的岩心的核磁图像；
根据所述核磁图像获取相关长度，根据所述相关长度计算三维张量卷积核；其中，所述相关长度表示所述核磁图像中的预选亮团的半径平均值；
获取通过核磁共振得到的岩心的T2谱，根据所述T2谱获取孔喉半径频率分布；根据所述孔喉半径频率分布形成初始三维张量数据体；
根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体；
根据初始三维张量数据体构建孔隙网络模型的无序空间结构；
根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型；
其中，所述根据所述相关长度计算三维张量卷积核，包括：
按照如下公式计算三维张量卷积核E(h)：
E(h)＝exp(-2h/Lc)
其中，h表示三维坐标系中以(Lx，Ly，Lz)为中心，半径小于等于Lc的球面到所述中心的距离，Lc表示所述相关长度；
所述根据所述孔喉半径频率分布形成初始三维张量数据体，包括：
根据所述孔喉半径频率分布，通过随机函数建立三维稳定随机场，形成初始三维张量数据体；
其中，所述随机函数为如下对数正态分布随机函数：
其中，通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ，r表示孔喉半径；
所述根据所述初始三维张量数据体构建孔隙网络模型的无序空间结构，包括：
根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数；
根据所述节点数以及预设的各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络；
计算所述三维立方体网络中各节点的坐标；
确定各方向各相邻节点之间是否有管束连通，并分配管束半径；
通过预设规则移动各节点坐标；
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
2.如权利要求1所述的方法，还包括：
获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取裂缝数量和裂缝方向；
根据所述孔隙网络模型、所述裂缝数量和裂缝方向建立具有裂缝分布的孔隙网络模型。
3.如权利要求1所述的方法，所述获取通过核磁共振得到的岩心的T2谱，根据所述T2谱获取孔喉半径频率分布，包括：
获取通过核磁共振得到的所述岩心的T2谱；通过预设定量关系将T2谱的幅度值转换成孔喉半径频率分布。
4.如权利要求3所述的方法，包括：
所述预设定量关系为rm＝cT2m；
其中，rm为第m个孔喉半径，T2m为T2谱的第m个幅度值，c为预设的转换系数，m为正整数。
5.如权利要求1所述的方法，所述根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合岩心孔喉半径频率分布的三维张量数据体，包括：
将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘，将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来，生成符合岩心孔喉半径频率分布的三维张量数据体。
6.如权利要求1所述的方法，包括：
获取通过微CT扫描得到的岩心图像；
根据所述岩心图像获取平均吼道长度和配位数；其中，配置数是指一个节点与相邻节点之间存在连通管束的节点数；
所述预设的各节点间的间隔距离L为所述平均吼道长度；
所述确定各方向各相邻节点之间是否有管束连通，包括：
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通；
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通；
或者，
根据所述配位数确定各方向各相邻节点之间是否有管束连通。
7.如权利要求1或6所述的方法，所述通过预设规则移动各节点坐标包括：
按照如下公式移动各节点坐标(x,y,z)：
(x,y,z)＝[(i-1)L±rand()％(0.5L),(j-1)L±rand()％(0.5L),(k-1)L±rand()％(0.5L)]
其中，i为x方向的节点序号，j为y方向的节点序号，k为z方向的节点序号，i、j和k为大于0的整数，rand()％(0.5L)表示随机生成0.5L范围内的任意整数。
8.如权利要求1所述的方法，根据所述符合岩心孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型，包括：
将所述符合岩心孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
9.一种基于卷积神经网络的孔隙网络模型的建模装置，包括：存储器和处理器；其特征在于：
所述存储器，用于保存用于岩心的孔隙网络模型的建模的程序；
所述处理器，用于读取执行所述用于岩心的孔隙网络模型的建模的程序，执行如权利要求1-8中任一项的建模方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010680503.3A CN111950192B (zh) | 2020-07-15 | 2020-07-15 | 基于卷积神经网络的孔隙网络模型的建模方法及装置 |
| PCT/CN2020/126213 WO2022011894A1 (zh) | 2020-07-15 | 2020-11-03 | 基于卷积神经网络的孔隙网络模型的建模方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010680503.3A CN111950192B (zh) | 2020-07-15 | 2020-07-15 | 基于卷积神经网络的孔隙网络模型的建模方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950192A CN111950192A (zh) | 2020-11-17 |
| CN111950192B true CN111950192B (zh) | 2023-10-24 |
Family
ID=73341738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010680503.3A Active CN111950192B (zh) | 2020-07-15 | 2020-07-15 | 基于卷积神经网络的孔隙网络模型的建模方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111950192B (zh) |
| WO (1) | WO2022011894A1 (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283254B (zh) * | 2021-12-31 | 2022-09-16 | 西南石油大学 | 基于核磁共振数据的岩心数字化孔隙网络模型构建方法 |
| CN114169182B (zh) * | 2022-02-14 | 2022-05-31 | 煤炭科学研究总院有限公司 | 一种岩体面裂隙的椭球模型重构方法及设备 |
| CN115254213B (zh) * | 2022-06-24 | 2024-05-03 | 中国计量大学 | 一种基于真实土壤孔隙网络的微流控芯片装置 |
| CN115374599B (zh) * | 2022-07-13 | 2023-06-16 | 河海大学 | 一种基于随机分布的3d纤维状孔隙冰数值建模方法 |
| CN115688590B (zh) | 2022-11-09 | 2023-05-16 | 中国石油大学(华东) | 一种基于深度学习的多矿物相岩心渗透率预测方法 |
| CN115993376B (zh) * | 2022-12-06 | 2023-09-15 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
| CN116342815B (zh) * | 2023-05-12 | 2023-08-01 | 中国石油大学(华东) | 一种页岩孔隙空间的多尺度孔隙网络模型构建方法 |
| CN116858630B (zh) * | 2023-06-14 | 2024-04-09 | 中国石油大学(华东) | 一种真实页岩干酪根孔隙模型的构建方法及*** |
| CN116519731B (zh) * | 2023-07-03 | 2023-08-25 | 中国石油大学(华东) | 一种基于分子动力学模拟的页岩油可动用界限确定方法 |
| CN117115370B (zh) * | 2023-08-15 | 2024-03-19 | 西南石油大学 | 一种高精度数字岩心模型构建方法 |
| CN117077499B (zh) * | 2023-10-16 | 2024-01-12 | 西安交通大学 | 一种重型燃气轮机热障涂层孔隙结构的数值建模方法 |
| CN117152373B (zh) * | 2023-11-01 | 2024-02-02 | 中国石油大学(华东) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
| CN117313589B (zh) * | 2023-11-30 | 2024-02-06 | 山东科技大学 | 三维粗糙离散裂隙网络构建、评价与渗流模拟的方法 |
| CN117745979B (zh) * | 2024-02-21 | 2024-05-03 | 山东科技大学 | 三维裂隙-孔隙耦合网络模拟生成方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331579A (zh) * | 2014-11-19 | 2015-02-04 | 中国石油大学(华东) | 一种低渗透储层原油边界层的模拟方法 |
| CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
| CN110618082A (zh) * | 2019-10-29 | 2019-12-27 | 中国石油大学(北京) | 基于神经网络的储层微观孔隙结构评价方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3358339B1 (en) * | 2015-10-02 | 2019-07-31 | Repsol, S.A. | Method for providing a numerical model of a sample of rock |
| CN106443802B (zh) * | 2016-09-20 | 2018-11-13 | 中石化石油工程技术服务有限公司 | 一种基于形态学滤波的电成像储层缝洞体的定量表征方法及*** |
-
2020
- 2020-07-15 CN CN202010680503.3A patent/CN111950192B/zh active Active
- 2020-11-03 WO PCT/CN2020/126213 patent/WO2022011894A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331579A (zh) * | 2014-11-19 | 2015-02-04 | 中国石油大学(华东) | 一种低渗透储层原油边界层的模拟方法 |
| CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
| CN110618082A (zh) * | 2019-10-29 | 2019-12-27 | 中国石油大学(北京) | 基于神经网络的储层微观孔隙结构评价方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950192A (zh) | 2020-11-17 |
| WO2022011894A1 (zh) | 2022-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950192B (zh) | 基于卷积神经网络的孔隙网络模型的建模方法及装置 | |
| CN109697752B (zh) | 基于岩心ct图像孔隙信息提取定量表征岩心非均质性方法 | |
| CN105279790B (zh) | 裂缝网络三维数字岩心建模方法 | |
| Gleiser et al. | Configurational entropy as a lifetime predictor and pattern discriminator for oscillons | |
| CN112098293A (zh) | 基于孔隙裂缝双重介质气藏非稳态气水两相渗流模拟方法 | |
| WO2022011893A1 (zh) | 基于储层的孔隙网络模型的建模方法及装置 | |
| CN111369681A (zh) | 三维模型的重构方法、装置、设备及存储介质 | |
| CN112462438B (zh) | 基于核磁共振测井定量评价地层流体的方法、装置及设备 | |
| US9041721B2 (en) | System, method, and computer program product for evaluating an integral utilizing a low discrepancy sequence and a block size | |
| Godfrey et al. | Static and dynamical properties of a hard-disk fluid confined to a narrow channel | |
| Zhang et al. | GPU-accelerated 3D reconstruction of porous media using multiple-point statistics | |
| Li et al. | Reconstructing the 3D digital core with a fully convolutional neural network | |
| CN107356971B (zh) | 地震数据规则化方法及装置 | |
| CN112037181B (zh) | 2d saxs图谱解析模型训练方法及装置 | |
| CN117315153A (zh) | 一种协同光场与占用场的人体重建与渲染方法及装置 | |
| CN112598792A (zh) | 三维场景中地形复杂度的多重分形量化方法及*** | |
| RU2812143C1 (ru) | Способ и устройство для измерения характеристик колонки породы для создания модели поровой системы | |
| Lai et al. | Accelerating geospatial applications on hybrid architectures | |
| CN116452735A (zh) | 基于八叉树的数据处理方法、装置及计算机可读存储介质 | |
| Dantas et al. | A constrained version for the stereology inverse problem: Honoring power law and persistences of the fracture traces exposed on arbitrary surfaces | |
| CN106226831A (zh) | 一种岩心的孔隙度矩阵反演方法 | |
| CN115201245A (zh) | 基于核磁共振模拟的岩心分析方法和装置、设备及介质 | |
| Zhao et al. | A data allocation strategy for geocomputation based on shape complexity in a cloud environment using parallel overlay analysis of polygons as an example | |
| CN114470786A (zh) | 帧同步数据处理方法、装置、可读介质和电子设备 | |
| Zhang et al. | 3D reconstruction of porous media using a batch normalized variational auto-encoder |
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 |