CN112424829A - 通过数字成像来识别岩石结构的几何特性 - Google Patents

通过数字成像来识别岩石结构的几何特性 Download PDF

Info

Publication number
CN112424829A
CN112424829A CN201980043818.2A CN201980043818A CN112424829A CN 112424829 A CN112424829 A CN 112424829A CN 201980043818 A CN201980043818 A CN 201980043818A CN 112424829 A CN112424829 A CN 112424829A
Authority
CN
China
Prior art keywords
rock sample
image
population
rock
solid matrix
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.)
Pending
Application number
CN201980043818.2A
Other languages
English (en)
Inventor
赵伟书
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Saudi Arabian Oil Co
Original Assignee
Saudi Arabian Oil Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Saudi Arabian Oil Co filed Critical Saudi Arabian Oil Co
Publication of CN112424829A publication Critical patent/CN112424829A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

建立了一种用于确定岩石质地的几何参数的岩石样本图像处理的工作流程。使用Hoshen‑Kopelman多簇标记算法和分水岭分割识别各个孔隙和颗粒。已分开的单元利用椭圆拟合，并且获得拟合椭圆的孔隙/颗粒尺寸分布、长宽比和定向。这些信息在使用质地模型的介电响应的解释和正演建模中是特别有价值的。选择利用高分辨率共焦显微术的岩石样本图像来测试该工作流程并且分析结果。

Description

通过数字成像来识别岩石结构的几何特性
优先权要求
本申请要求于2018年6月29日提交的美国临时申请号62,691,765和于2018年10月22日提交的美国专利申请No.16/167,066的优先权，其内容由此通过引用并入。
技术领域
本公开涉及用于多孔介质、特别是岩石和地下地层材料的表征的方法、***和装置。
背景技术
数字成像(或数字图像采集)是创建例如物理场景或对象的内部结构的摄影图像。数字成像还可以包括这样的图像的处理、压缩、存储、打印和显示。数字成像可以通过电磁辐射或其他波的类型进行分类，它们穿过对象或从对象反射时的可变的衰减传递构成图像的信息。这种信息通过例如图像传感器转换成，由输出图像的计算机处理的数字信号。例如，可见光介质允许利用各种数字相机的数字摄影术，例如，数字视频摄影术。其他示例介质包括X射线、伽马射线、声波、以及无线电波。数字X射线成像，例如，数字无线电摄影术；荧光术；以及计算断层摄影术(CT)是使用X射线的数字成像的示例。数字伽马射线成像数字闪烁摄影术、单光子发射计算断层摄影术(SPECT)、以及正电子发射断层摄影术(PET)是使用伽马射线的数字成像的示例。超声摄影术，例如，医疗超声摄影术和声呐，是使用声波的数字成像的示例。雷达是使用无线电波的数字成像的示例。此外，通过软件和图像编辑(例如，处理)，数字成像使其自身很好地适用于图像分析。
发明内容
本公开描述了用于执行岩石样本表征的方法和***，包括计算机实现的方法、计算机程序产品和计算机***。所产生的信息更逼真，因此提供了更高的准确性。所述信息支持为更好的地层表征建立的包括含油气的多孔介质的数值模型。
在一般的实施方式中，接收描绘来自储层的岩石样本的图像。将图像二值化成第一群体(population)和第二群体两者，以使第一群体表示岩石样本中的空白空间，第二群体表示岩石样本中的固体基质。基于第一群体和第二群体来计算岩石样本的孔隙度。所述孔隙度包括对岩石样本中的空白空间的测量值。当所计算的孔隙度与测量值相比满足阈值时，基于第一群体和第二群体来生成岩石样本的二进制图像。基于对所述二进制图像的粒子分析，确定岩石样本的空白空间和固体基质的几何特性。基于岩石样本的空白空间和固体基质的几何特性，生成岩石样本的数字模型。根据岩石样本的数字模型来确定储层的生产率。
实施方式包括：用于提高岩石表征和建立用于帮助表征多孔介质的数值模型的可靠性和准确性的过程。与定性地描述孔隙/颗粒***的传统的薄断面分析相比，由所描述的***提供的数字图像分析允许，通过基于岩石样本图像识别岩石结构的简化的和代表性的几何信息的岩石样本的定量表征。
本说明书的主题的一个或更多个实施方式的细节在附图和之后的说明书中阐述。通过说明书、附图和权利要求书，所述主题的其他特征、方面和优点将变得明显。
附图说明
图1描绘了用于通过生成岩石样本的数字模型来确定岩石样本或岩心样本的岩石质地的几何参数的示例成像过程的流程图。
图2描绘了可以通过所描述的过程生成的示例数字岩石模型。
图3A-图3C描绘了通过调整阈值来获得满意的二进制图像来将灰度图像分割成二进制图像。
图4A-图4B描绘了以分水岭分割(watershedding)将灰度图像变成用于分开颗粒粒子的二值黑白图像。
图5描绘了示出对二进制图像应用Hoshen-Kopelman算法进行多簇标记的图像。
图6A-图6C描绘了基于岩石样本图像拟合成椭圆的粒子的示例图像。
图7A-图7D描绘了所描述的过程用于骨骼球粒(skeletal-peloid)粒状灰岩岩石样本的示例图像的各阶段的各个结果。
图8A-图8D描绘了所描述的过程用于白云岩骨骼粒泥灰岩岩石样本的示例图像的各阶段的各个结果。
图9A-图9D描绘了所描述的过程用于网格伯格(meshberger)白云岩岩石样本的示例图像的各阶段的各个结果。
图10描绘了根据实施方式的用于提供与所描述的算法、方法、功能、处理、流程相关联的计算功能和如本公开中所描述的过程的计算机***的框图。
具体实施方式
本公开总体描述了用于表征多孔介质、特别是岩石和地下地层材料的优化方法。本公开被呈现为使得本领域技术人员能够在一个或多个具体实施方式的上下文中做出和使用所公开的主题内容。对所公开的实施方式的各种修改对于本领域技术人员将是显而易见的，并且在不脱离本公开的范围的情况下，本申请之中定义的总的原理可以应用于其他实施方式和应用。因此，本公开不旨在被限制在所描述或所示出的实施方式，而是要根据与本申请之中所公开的原理和特征一致的最宽的范围。
数字成像可以被用作用于帮助表征多孔介质的有力工具，其在各个行业中都是有用的。这样的多孔介质的示例包括地质岩心和岩石样本。石油和天然气行业依赖岩石样本，例如，以确定可能钻探的储层的生产率。在这些场景中，岩石样本的分析可以揭示关于地层和周围的地面地层的历史和形成的无数细节。因此，这种分析可以用于预测和表征特定储层的性质，以确定每个储层是否可以生产油气。例如，包括岩石样本的特定的粒子和流体的分析可以揭示储层的架构，例如，特定的岩石地层出现的深度或储层中包含的石油、天然气或两者的量。
结合上述内容，所描述的***被用于：通过岩石样本的数字成像的分析，识别岩石结构的几何特性。所描述的***可以用于提高通过例如提高压缩效率、去除损失或两者所采集的数据的可靠性。例如，在岩石样本中识别的结构信息可以用于生成数字岩石模型，例如，直方图或文本模型，其可以在针对储层岩石样本的介电和声波响应的正演建模中采用。在一些实施方式中，数字岩石模型被用于显示内部的岩石质地。这些内部的岩石质地可以通过例如固体基质的尺寸和形状变化来确定。固体基质可以包括岩石样本之中的颗粒以及这些颗粒之间的接触物。这些数字岩石模型图像可以被视为实际岩石样本的虚拟表示，并且允许例如，内部的岩石结构的数值研究。与传统的薄断面分析相比，由所描述的***提供的数字图像分析允许岩石样本的定量表征。
图1描绘了用于通过生成岩石样本的数字模型来确定岩石样本或岩心样本的岩石质地的几何参数的示例成像过程100的流程图。为了清楚地呈现，下文的描述在图2-图10的上下文中总体描述方法100。然而，应该理解的是，方法100可以例如通过任何其它合适的***、环境、软件和硬件、或者***、环境、软件和硬件的适当组合来执行。在一些实施方式中，方法100的各个步骤可以并行、组合、循环或以任意顺序运行。在一些实施方式中，使用Hoshen-Kopelman多簇标记算法和分水岭分割技术来识别各个孔隙和颗粒，将在下文在步骤110和112的描述中对其进行详细描述。在所生成的岩石模型之中，已分开的单元可以利用椭圆来拟合，并且获得拟合椭圆的孔隙或颗粒尺寸分布、长宽比和定向。
在101处，确定同一岩石的孔隙度的测量值。孔隙度是其他固体材料(例如，岩石样本)的空隙或空分数的测量值。其他术语，例如，“空隙”、“空隙空间”和“空白空间”对于描述被表征的岩石样本和地层或储层之中缺少材料也是有用的。孔隙度可以根据百分数(0至100)或1的分数来描述。在一些实施方式中，所述测量值是使用本领域技术人员已知的用于确定岩石样本或岩心样本的孔隙度的测试方式的实验室测量的孔隙度。在其他实施例中，所述测量值是由另一包括地层模拟器的基于计算机的***或人类用户提供的估计值。该过程从步骤101进行到步骡102。
在102处，接收岩石样本的图像。所述图像可以通过可操作地提供小到纳米孔隙级别的岩石样本的图像细节的任意方式生成。示例包括共焦显微术、扫描电子显微术(SEM)、背散射电子显微术(BSEI)、共焦激光扫描显微术、以及微计算断层摄影术(微CT)。所述图像可以是岩石样本的薄断面或切片断面。所述图像可以使用任意已知图像格式，包括但不限于，标记的图像文件格式(TIFF)、联合摄影专家组(JPEG)格式、图形交换格式(GIF)、以及便携式网络图形(PNG)格式。所述图像可以使用原始或非压缩格式。该过程从步骤102进行到步骤104。
在104处，选择目标阈值，以将连续的灰度岩石图像分割成二进制图像。选做界限值的值可以根据图像直方图，如图3B所示。过程100从104进行到105。
在105处，基于阈值将图像二值化成二值(1/0)图像。通过二值化，灰度图像的直方图可以被分成两个单独的群体，一个表示多孔材料并且另一个表示固体基质，例如，颗粒和油气。可选地，所接收的图像可以被滤波，以去除噪声或增强对比度。过程100从105进行到106。
在106处，目标的孔隙度值通过使用在步骤105中所生成的二进制图像进行点计数来确定。因为经分割的图像是二值的，即，例如，固体像素具有值1并且空隙像素具有值0，作为目标的孔隙度值可以被确定为，所检测的空隙像素与二值化的图像中所检测的总像素的数量的百分数。在备选实施例中，作为目标的孔隙度值还可以被限制为，仅计数与另一空隙像素接触的、或邻近的、或接触和邻近的空隙像素的数量。这种技术可以使用样本的图像表示来确定孔隙空间的实际连通性。在这样的实施例中，所述确定可以不考虑单个或“孤立”像素，因为它们可能表示图像采集过程中的误差或噪声、或无法到达的孔隙空间。在步骤104、105、106的一些实施方式中，诸如ImageJTM或矩阵实验室
Figure BDA0002864504560000051
之类的程序可以用于检测空隙像素或固体像素，由此使图像处理的这个方面自动化。过程100从106进行到108。
在108处，确定作为目标的孔隙度值与孔隙度的测量值是否在目标阈值之内相匹配。如果值不满足阈值，则过程100从后循环并且重复步骤104至106，直到作为目标的孔隙度值与测量值在目标阈值的界限之内相匹配为止。当作为目标的孔隙度值与测量值相匹配，或当没有获得测量值时，过程100进行到110。
在110处，对岩石图像应用分水岭分割，以分开颗粒。分水岭分割是一种数值方法，其自动分开或切开粒子看起来似乎接触的图像。例如，在岩石样本中，各个相邻的颗粒或孔隙可以接触，因此它们可能不能够被自动分开。在一些实施方式中，对图像应用分水岭算法，以基于值梯度找到最小值。在这种情况下，例如，灰度图像是每个像素具有从0到255的值的图。这样的岩石样本图像的像素值在相邻像素之间平滑地转变，例如，在具有脊线和槽线的等高线图中，使得局部的值梯度可以被找到。具有(局部)最小值的像素形成分水岭线，该分水岭线将图像划分成不同的部分，例如，颗粒和孔隙。当对孔隙应用同一过程时，可以使用负图像。过程100从110进行到112。
在112处，Hoshen-Kopelman多簇标记算法被用于识别颗粒和孔隙。Hoshen-Kopelman算法基于联合查找(union-finding)算法。在一些实施方式中，将Hoshen-Kopelman算法用于在网格上标记簇，其中，所述网格是的规则的单元网络，所述单元被占用或未被占用。在所描述的***中，Hoshen-Kopelman算法被用于，在对所生成的二值岩石图像应用的网格上标记簇。所述网格包括规则的单元网络，其中，每个单元可以“被占用”或“未被占用”，其是用于识别连续单元的簇的高效方式。使用Hoshen-Kopelman算法的，所描述的***在应用于所述二值岩石图像时扫描整个网格，从而查找被占用的单元。对于每个被占用的单元，可以分配标签。在一些实施方式中，所述标签可以与单元所属的簇相对应。当单元具有零个被占用的邻单元时，可以分配还未被使用(例如，用于新的簇)的簇标签。当单元具有一个被占用的邻单元时，可以分配与被占用邻单元相同的标签，其指示该单元是同一簇的一部分。当单元具有多于一个被占用的相邻单元时，可以为当前单元分配：多个被占用的邻单元中分配了最小值的簇标签。此外，当相邻单元具有不同的标签时，***注释了：这些不同的标签与相同的簇相对应。例如，当岩石图像的两个像素共享边界或它们接触时，那么它们是连接的。在这样的示例中，每个簇可以通过整数索引(例如，1、2和3)被标记。然后，应用Hoshen-Kopelman算法，以利用索引标记多个簇。此外，可以通过统计分析来获得几何参数(例如，簇中的像素数量)。过程100从112进行到114。
在114处，使用粒子分析，以确定颗粒和孔隙的几何特性，其可以包括长宽比、定向和尺寸分布。例如，颗粒或孔隙可以利用椭圆形状表示(参见例如图2)。对于每个椭圆，所述长宽比是长轴长度与短轴长度的比率，所述定向是长轴的角度，并且所述尺寸是轴长度。因此，这些几何参数可以进行统计分析，以获得统计分布。过程100从114进行到116。
在116处，基于所生成的数据来生成数字岩石模型。在一些实施方式中，所述数字模型是直方图、文本模型、或其他统计分布，其可以被用作用于进一步的模型开发的输入数据。在一些实施方式中，基于随机或经验方法来生成数字岩石模型。这样的数字岩石模型可以定性地表示所建模的单元的多孔介质和关键几何特性(参见图2)。例如，所建模的单元可以包括尺寸、定向和长宽比，其可以用作拟合几何参数。对于定量建模，这些几何参数可以表示多孔介质结构，其可以通过分析岩石样本的数字图像和所识别的几何结构来实现。
这种信息可以然后被用作对岩石样本被获取的储层的介电和声波响应的正演建模的输入。例如，来自示例成像过程100的结果可以用于生成类似于图2的模型。这样的模型可以在例如介电建模或声建模的正演建模中使用，其对于介电测井解释/声测井解释可能是至关重要的。示例成像过程100通过识别用于表示岩石样本的简单几何形状，简化了多孔介质的分析。这种实践与追求尽可能高的分辨率的一些“数字岩石”模型不同。
此外，可以使用所生成的岩石模型，以获得实时的井场分析，例如，当岩石图像数据库或储库可用时快速确定储层岩石类型，或者用于在例如钻井或泥浆测井期间确定钻井的参数。其他潜在的应用可以包括：确定储层岩石类型(reservoir rock typing)(RRT)、筛选测井/测量工具、设计生产/激励策略、以及地质力学分析。在116处，过程100结束。
如本申请之中使用的术语“实时”是指在没有***的处理限制、正确地获得数据所需要的时间、以及数据的变化速率所给定的故意的延迟时传送或处理数据。在一些示例中，“实时”用于描述：通过所描述的岩石样本表征***来分析和确定解决方案。
图2描绘了可以通过图1的过程100生成的示例数字岩石模型200。示例数字岩石模型200表示基于例如内含物的几何参数(例如，长宽比)的流体饱和的岩石样本。内含物的几何参数用于计算去极化因子，因此，在不同频率处的介电响应于利用复折射率(CRI)混合定律进行建模。将CRI定义为，考虑光随其穿过介质被衰减的部分。数字岩石200模型可以用于对储层岩石样本的介电响应和声波响应进行正演建模。示例模型200包括：表示材料或结构的椭圆(对于2D模型)或椭球(对于3D模型)，例如，岩石样本中发现的孔隙212、颗粒214和石油(或一些其他烃)216。石油椭圆216表示所建模的岩石样本中发现的石油的粒子。同样，颗粒椭圆214表示：所建模的岩石样本中发现的其他类型的粒子的颗粒，例如，石英或云母。孔隙椭圆212表示所建模的岩石样本中发现的空白空间。为了简化，孔隙212、颗粒214和石油214这三种结构用作示例。可以在所分析的岩石样本中发现其他类型的结构和材料。
为了确定几何特性和拟合成椭圆，如图2所示，可以使用点计数算法。可以使用ImageJ、FijiTM、或其它定制工具来建立椭圆拟合。对于许多岩石图像，非拟合单元占很小的部分，因此在统计上不重要。长宽比(例如，长轴和短轴)是可以用于建立模型(例如，数字岩石模型200)的输入参数，其可以用于介电模拟、声学模拟或两者。其他信息(例如，孔隙或颗粒尺寸分布)，也可以包括在所生成的模型中。
图3A-图3C描绘了通过调整阈值(阈值化)来获得满意的二进制图像、将灰度图像300(图3A)分割成二进制图像370(图3C)。阈值化通过图3B中描绘的图350表示。在一些实施方式中，为了获得孔隙几何结构及其空间拓扑，(例如，图3A中描绘的)灰度图像，利用表示空隙或孔隙空间的黑色和表示固体基质的白色分割成二值黑白图像。阈值化可以用于灰度图像的这种二值化。此外，可以对原始图像应用滤波以去除噪声或增强对比度。通过应用阈值，灰度图像的直方图可以被分成两个单独的群体，其中一个指示多孔材料并且另一个用于固体基质，例如，如图3C所示。此外，选择不同阈值导致不同的分割图像。由图3B的图350表示的这种选择过程可以重复，直到目标准则(例如，孔隙度)满足为止。
图4A-图4B描绘了用分水岭分割将灰度图像400(图4A)变成用于例如分开颗粒粒子的二值黑白图像450(图4B)。如上文针对图1所描述的，当各个颗粒或孔隙在分割期间不可以分开时，可以使用分水岭分割。对图像执行分水岭分割涉及：计算例如图像中的信号梯度并查找局部最小值的算法。如图4B所示的分水岭线452，限定了用于进一步分析的不同粒子。在一些示例中，岩石样本的图像可以做成负图像，以应用分水岭分割来识别各个孔隙。
图5描绘了示出对用于进行多簇标记的(例如，如图4B所示的)二进制图像应用Hoshen-Kopelman算法的结果的图像500。所描绘的图像示出了：以黑色表示的孔隙(例如，图1的孔隙122)，以及以白色表示的固体基质材料(例如，图1的颗粒114和石油116)。图像500包括：宏孔隙510和由黑色的其他区域表示的微孔隙(未标记)。如上文所述，Hoshen-Kopelman算法是用于识别和分开图像单元的有用工具。在一些实施方式中，对二进制图像应用Hoshen-Kopelman算法，以基于例如簇的像素连通性，利用整数来标记多个簇。在这些实施方式中，利用索引来标记每个单元，颗粒或孔隙，并且可以计算其性质(例如，面积和等效圆直径)。所产生的图像可以用于区分所提供的岩石样本的微孔隙、中孔隙和宏孔隙。通过应用Hoshen-Kopelman算法所生成的其他图像可以以不同的颜色来描绘例如孔隙和颗粒的单元。
图6A-图6C分别描绘了基于岩石样本图像拟合成椭圆的粒子的示例图像600、640、670。一旦识别出粒子和孔隙，如上文所述，它们就可以进行数值分析以获得几何特性，并且拟合成椭圆。例如，可以计算每个拟合椭圆的长宽比、长轴、短轴、以及定向。示例图像600(图6A)描绘了拟合成椭圆的颗粒。示例图像630(图6B)描绘了没有对原始图像使用分水岭分割而拟合成椭圆的孔隙。示例图像670(图6C)描绘了对原始图像使用分水岭分割而拟合成椭圆的孔隙。
图7A-图7D、图8A-图8D和图9A-图9D描绘了由所描述的图1的过程100的不同阶段产生的图像。图7A-图7D描绘了骨骼球粒粒状灰岩岩石样本的示例图像的结果。图8A-图8D描绘了白云岩骨骼粒泥灰岩岩石样本的示例图像的结果。图9A-图9D描绘了网格伯格白云岩岩石样本的示例图像的结果。样本图像中的每一个都使用具有0.264微米的分辨率的共焦显微术生成。可以基于这些已生成的图像分析孔隙和颗粒单元的定向。虽然在几乎任何岩石样本之中都可以发现随机性，但是在过程100中包括了这种分析作为一部分，因为其他岩石类型可能具有在选定方向上对齐的孔隙或颗粒。
图7A描绘了示例骨骼球粒粒状灰岩岩石样本的灰度共焦图像700。图7B描绘了示例骨骼球粒粒状灰岩岩石样本的经分割的图像720。图7A所示的灰度共焦图像700被分割成空隙(白色)和固体(黑色)，以匹配测量的孔隙度，如图7B的图像720所示。图像720描绘了百分之23.7的孔隙度和233.4毫达西(mD)的渗透率。图像720以白色描绘示例骨骼球粒粒状灰岩岩石样本的孔隙且以黑色描绘来自样本的固体材料。可以分别使用图像700和720来分析空隙相和固体相。
图7C描绘了示例骨骼球粒粒状灰岩岩石样本的负图像740。图像740以黑色描绘孔隙空间并且以白色描绘固体材料。对孔隙空间应用AHoshen-Kopelman多聚类算法以生成负图像740。图像740可以用于分析所描绘的示例骨骼球粒粒状灰岩岩石样本的孔隙空间和固体材料。图7D描绘了已经应用了用于分开骨骼球粒粒状灰岩岩石样本中的颗粒的固相的分水岭分割的图像760。图像760以白色描绘了示例骨骼球粒粒状灰岩岩石样本的孔隙空间并且以黑色描绘了固体材料。
通过使用图像700、720、740和760，过程100可以基于粒子面积，生成孔隙和颗粒的等效圆直径，以示出示例骨骼球粒粒状灰岩岩石样本之中的孔隙和颗粒尺寸分布。例如，示例骨骼球粒粒状灰岩岩石样本中的孔隙度可以归类到微(＜2微米)、中(2-10微米)和宏(＞10微米)孔隙度。如示例图像700、720、740和760所示，宏孔隙度、中孔隙度和微孔隙度分别是百分之20.23、百分之2.77和百分之0.76。孔隙类型分类的界限还可以源于经验或对孔隙尺寸分布的观察。
对骨骼球粒粒状灰岩岩石样本的示例图像应用过程100，已分开的孔隙和颗粒两者利用椭圆拟合并且可以生成已拟合的颗粒的示例图像。此外，还可以计算拟合椭圆的长宽比和定向。对于图7A-图7D中使用的示例骨骼球粒粒状灰岩岩石样本，孔隙的长宽比范围从1到12.8，具有平均值1.9，并且颗粒的长宽比范围从1到7.6，具有均值1.6。具有若干个像素的尺寸的孔隙和颗粒被忽略以避免偏差。还可以获得示例骨骼球粒粒状灰岩岩石样本的颗粒和孔隙两者的长宽比的分布。
图8A描绘了示例白云岩骨骼粒泥灰岩岩石样本的灰度共焦图像800。图8B描绘了白云岩骨骼粒泥灰岩岩石样本的经分割的图像820。图8A所示的灰度共焦图像800被分割成空隙(白色)和固体(黑色)，以匹配测量的孔隙度，如图8B的图像820所示。图像820描绘了百分之20.7的孔隙度和8.3mD的渗透率。图像820以白色描绘了示例白云岩骨骼粒泥灰岩岩石样本的孔隙并且以黑色描绘了来自样本的固体材料。可以分别使用图像800和820分析空隙相和固体相。
图8C描绘了示例白云岩骨骼粒泥灰岩岩石样本的负图像840。对孔隙空间应用AHoshen-Kopelman多聚类算法以生成负图像840。图像840以黑色描绘孔隙空间并且以白色描绘固体材料。图像840可以用于分析所描绘的示例白云岩骨骼粒泥灰岩岩石样本的孔隙空间和固体材料。图8D描绘了已经应用了用于分开骨骼球粒粒状灰岩岩石样本中的颗粒的固相的分水岭分割的图像860。图像860以白色描绘了示例白云岩骨骼粒泥灰岩岩石样本的孔隙空间并且以黑色描绘了固体材料。
通过使用图像800、820、840和860，过程100可以基于粒子面积，生成孔隙和颗粒的等效圆直径，以示出示例白云岩骨骼粒泥灰岩岩石样本之中的孔隙和颗粒尺寸分布。例如，示例白云岩骨骼粒泥灰岩岩石样本的孔隙度可以归类到微(＜2微米)、中(2-10微米)和宏(＞10微米)孔隙度。如示例图像800、820、840和860所示，宏孔隙度、中孔隙度和微孔隙度分别是百分之0.6、百分之18.7和百分之1.4。孔隙类型分类的界限还可以源于经验或对孔隙尺寸分布的观察。与图7A-图7D中所描绘的孔隙空间主要由宏孔隙度占据的骨骼球粒粒状灰岩岩石样本相比，示例白云岩骨骼粒泥灰岩岩石样本主要由中/微孔隙度占据。
对白云岩骨骼粒泥灰岩岩石样本的示例图像应用过程100，已分开的孔隙和颗粒两者利用椭圆进行拟合并且可以生成已拟合的颗粒的示例图像。此外，还可以计算拟合椭圆的长宽比和定向。对于图8A-图8D中使用的示例白云岩骨骼粒泥灰岩岩石样本，孔隙的长宽比范围从1到10.6，具有均值1.62，并且颗粒的长宽比范围从1到16.8，具有均值1.54。与示例骨骼球粒粒状灰岩岩石样本一样，具有若干个像素的尺寸的孔隙和颗粒被忽略以避免偏差。还可以获得示例白云岩骨骼粒泥灰岩岩石样本的颗粒和孔隙两者的长宽比的分布。
图9A描绘了网格伯格白云岩岩石样本的灰度共焦图像900。图9B描绘了网格伯格白云岩岩石样本的经分割的图像920。图像920描绘了百分之15.2的孔隙度。图9A所示的灰度共焦图像900被分割成空隙(白色)和固体(黑色)，以匹配测量的孔隙度，如图9B的图像920所示。图像920以白色描绘了网格伯格白云岩岩石样本的孔隙并且以黑色描绘了来自样本的固体材料。可以分别使用图像900和920分析空隙相和固体相。
图9C描绘了网格伯格白云岩岩石样本的负图像940。图像940以黑色描绘孔隙空间并且以白色描绘固体材料。对孔隙空间应用AHoshen-Kopelman多聚类算法以生成负图像940。图像940可以用于分析所描绘的示例网格伯格白云岩岩石样本的孔隙空间和固体材料。图9D描绘了已经应用了用于分开骨骼球粒粒状灰岩岩石样本中的颗粒的固相的分水岭分割的图像960。图像960以白色描绘了示例网格伯格白云岩岩石样本的孔隙空间并且以黑色描绘了固体材料。
通过使用图像900、920、940和960，过程100可以基于粒子面积，生成孔隙和颗粒的等效圆直径，以示出示例网格伯格白云岩岩石样本之中的孔隙和颗粒尺寸分布。例如，示例网格伯格白云岩岩石样本中的孔隙度可以归类到微(＜2微米)、中(2-10微米)和宏(＞10微米)孔隙度。如示例图像900、920、940和960所示，宏孔隙度、中孔隙度和微孔隙度分别是百分之11.7、百分之3.2和百分之0.3。孔隙类型分类的界限还可以源于经验或对孔隙尺寸分布的观察。
对网格伯格白云岩岩石样本的示例图像应用过程100，已分开的孔隙和颗粒两者利用椭圆进行拟合，并且已拟合的颗粒的示例图像可以被生成。此外，还可以计算拟合椭圆的长宽比和定向。对于图9A-图9D中使用的示例网格伯格白云岩岩石样本，孔隙的长宽比范围从1到22.82，具有均值2.23，并且颗粒的长宽比范围从1到11.79，具有均值1.51。与示例骨骼球粒粒状灰岩和白云岩骨骼粒泥灰岩岩石样本一样，具有若干个像素的尺寸的孔隙和颗粒被忽略以避免偏差。还可以获得示例网格伯格白云岩岩石样本的颗粒和孔隙两者的长宽比的分布。
图10描绘了根据实施方式的用于提供与所描述的算法、方法、功能、处理、流程相关联的计算功能和如本公开中所描述的过程的示例计算机***1000的框图。示出的计算机1002旨在包括任意计算设备，例如服务器、台式计算机、膝上型或笔记本计算机、无线数据端口、智能电话、个人数字助理(PDA)、平板计算设备、这些设备内的一个或多个处理器、或任意其它合适的处理设备(包括计算设备的物理和/或虚拟实例(或这两者))。此外，计算机1002可以包括计算机，该计算机包括可以接受用户信息的输入设备(例如，键区、键盘、触摸屏或其他设备)和传递与计算机1002的操作相关联的信息(包括数字数据、视觉或音频信息(或信息的组合)或图形用户界面(GUI))的输出设备。
计算机1002可以用作用于执行本公开中描述的主题内容的计算机***的客户端、网络组件、服务器、数据库或其他持久性装置(persistency)或任何其他组件的角色(或角色的组合)。所示出的计算机1002可通信地与网络1030耦接。在一些实施方式中，计算机1002的一个或多个组件可以被配置为：在包括基于云计算的环境、本地环境、全局环境、或其他环境的环境(或环境的组合)之内操作。
计算机1002是可操作地接收、传送、处理、存储或管理与所描述的主题相关联的数据和信息的电子计算装置。根据一些实施方式，计算机1002还可以包括或可通信地耦接到应用服务器、电子邮件服务器、web服务器、高速缓存服务器、流传输数据服务器、商业智能(BI)服务器、或其它服务器(或服务器的组合)。
计算机1002可以通过网络1030从客户端应用(例如，在另一计算机1002上执行的应用)接收请求，并通过在适当的软件应用中处理所述请求来响应所接收的请求。此外，还可以从内部用户(例如，从命令控制台或通过其它适当的访问方法)、外部或第三方、其它自动化应用以及任何其它适当的实体、个人、***或计算机向计算机1002发送请求。
计算机1002的组件中的每个组件可以使用***总线1003通信。在一些实施方式中，计算机1002的任意或所有组件(硬件和/或软件(或硬件和软件的组合))可以使用应用编程接口(API)1012或服务层1013(或API 1012和服务层1013的组合)，通过***总线1003彼此对接或与接口1004(或两者的组合)对接。API 1012可以包括针对例程、数据结构和对象类的规范。API 1012可以是与计算机语言无关的或有关的，并且可以指完整的接口、单个功能、或者甚至是一组API。服务层1013向计算机1002或可通信地耦接到计算机1002的其它组件(无论是否被示出)提供软件服务。计算机1002的功能对于使用该服务层的所有服务消费者可以是可访问的。软件服务(例如，由服务层1013提供的软件服务)通过定义的接口提供可重用的、定义的业务功能。例如，接口可以是以JAVA、C++或以可扩展标记语言(XML)格式或其他合适格式提供数据的其他合适语言所编写的软件。尽管被示为计算机1002的集成组件，但是备选实施方式可以将API 1012或服务层1013示为相对于计算机1002的其他组件或可通信地耦接到计算机1002的其他组件(无论是否被示出)的独立组件。此外，API 1012或服务层1013的任意或所有部分可以被实现为另一软件模块、企业应用或硬件模块的子模块或副模块而不脱离本公开的范围。
计算机1002包括接口1004。尽管在图10中被示为单个接口1004，但是可以根据计算机1002的特定需要、期望或特定实施方式而使用两个或更多个接口1004。接口1004由计算机1002用于与连接到网络1030的分布式环境中的其它***(无论是否示出)通信。通常，接口1004包括以软件或硬件(或软件和硬件的组合)编码的逻辑，并且可操作用于与网络1030通信。更具体地，接口1004可以包括支持与通信相关联的一个或多个通信协议的软件，使得网络1030或接口的硬件可操作用于在所示出的计算机1002内部和外部传送物理信号。
计算机1002包括处理器1005。尽管在图10中被示为单个处理器1005，但是可以根据计算机1002的特定需要、期望或特定实施方式而使用两个或更多个处理器。通常，处理器1005执行指令并操纵数据以执行计算机1002的操作和如本公开中所描述的任何算法、方法、功能、处理、流程和过程。
计算机1002还包括：存储器1006，其保存用于计算机1002或可以连接到网络1030的其它组件(无论是否被示出)(或两者的组合)的数据。例如，存储器1006可以是存储与本公开一致的数据的数据库。尽管在图10中被示为单个存储器1006，但是可以根据计算机1002的特定需求、期望或特定实施方式和所描述的功能，来使用两个或更多个存储器。虽然存储器1006被示出为计算机1002的集成组件，但是在备选实施方式中，存储器1006能够在计算机1002的外部。
应用1007是提供根据计算机1002的特定需要、期望或特定实施方式的功能(尤其是关于本公开中所描述的功能)的算法软件引擎。例如，应用1007可以用作一个或多个组件、模块和应用。此外，尽管被示为单个应用1007，但是应用1007可以被实现为计算机1002上的多个应用1007。此外，虽然被示出为与计算机1002集成，但是在备选实施方式中，应用1007能够在计算机1002的外部。
可以存在与包含计算机1002的计算机***相关联或在其外部的任意数量的计算机1002，每个计算机1002通过网络1030进行通信。此外，术语“客户端”、“用户”和其他适当的术语可以适当地互换使用而不脱离本公开的范围。此外，本公开考虑许多用户可以使用一个计算机1002，或者一个用户可以使用多个计算机1002。
所描述的主题的实施方式可以单独或组合地包括一个或多个特征。
例如，在第一实施方式中，一种由一个或多个处理执行的计算机实现的方法，包括：接收描绘来自储层的岩石样本的图像；将所述图像二值化成第一群体和第二群体两者，所述第一群体表示所述岩石样本中的空白空间，并且所述第二群体表示所述岩石样本中的固体基质；基于所述第一群体和所述第二群体来计算所述岩石样本的孔隙度，所述孔隙度包括对所述岩石样本中的空白空间的测量值；当所计算的孔隙度与测量值相比满足阈值时，基于所述第一群体和所述第二群体来生成所述岩石样本的二进制图像；基于对所述二进制图像的粒子分析，确定所述岩石样本的空白空间和固体基质的几何特性；基于所述岩石样本的空白空间和所述固体基质的几何特性，生成所述岩石样本的数字模型；以及根据所述岩石样本的数字模型来确定所述储层的生产率。
前述和其他所述实施方式可以各自可选地包括以下特征中的一个或多个：
可与以下的任意特征进行组合的第一特征，包括：在对二值化所述图像进行二值化之前，对所述图像进行滤波，以去除噪声或增强所述图像的对比度。
可与以上或以下的任意特征组合的第二特征，其中，对所述二进制图像的粒子分析包括：对所述二进制图像执行分水岭分割，以将所述岩石样本中的固体基质中的颗粒与所述岩石样本中的空白空间分开。
可与以上或以下的任意特征组合的第三特征，其中，对所述二进制图像的负图像执行分水岭分割。
可与以上或以下的任意特征组合的第四特征，其中，对所述二进制图像的粒子分析包括：应用Hoshen-Kopelman多簇标记算法，以识别所述岩石样本中的固体基质中的颗粒和空白空间。
可与以上或以下的任意特征组合的第五特征，其中，所述岩石样本的空白空间和所述固体基质的几何特性包括长宽比、定向和尺寸分布。
可与以上或以下的任意特征组合的第六特征，其中的岩石模型是直方图或文本模型。
可与以上或以下的任意特征组合的第七特征，其中，所述孔隙度被表示为所述岩石样本的总体积的分数。
可与以上或以下的任意特征组合的第八特征，其中，所述岩石样本的图像是灰度的二维或三维阵列。
可与以上或以下的任意特征组合的第九特征，其中，所述二进制图像是黑白图像，其中，所述黑白图像中的黑色表示所述岩石样本中的空白空间，并且其中，所述黑白图像中的白色表示所述岩石样本的固体基质。
可与以上或以下的任意特征组合的第十特征，其中的高分辨率成像技术是共焦显微术、二次电子成像(SEM)或微计算断层摄影术(微CT)中的一种，并生成所述图像。
可与以上或以下的任意特征组合的第十一特征，其中，所述图像描绘所述岩石样本的薄断面或切片断面。
可与以上或以下的任意特征组合的第十二特征，其中，确定所述储层的生产率包括：介电模拟或声学模拟，该介电模拟或声学模拟基于所述岩石样本的数字模型。
在第二实施方式中，一种或多种非暂时性计算机可读存储介质，耦接到一个或多个处理器并且存储有指令，当所述指令由所述一个或多个处理器执行时，使所述一个或多个处理器执行包括以下项的操作：接收描绘来自储层的岩石样本的图像；将所述图像二值化成第一群体和第二群体两者，所述第一群体表示所述岩石样本中的空白空间，并且所述第二群体表示所述岩石样本中的固体基质；基于所述第一群体和所述第二群体来计算所述岩石样本的孔隙度，所述孔隙度包括对所述岩石样本中的空白空间的测量值；当所计算的孔隙度与测量值相比满足阈值时，基于所述第一群体和所述第二群体来生成所述岩石样本的二进制图像；基于对所述二进制图像的粒子分析，确定所述岩石样本的空白空间和固体基质的几何特性；基于所述岩石样本的空白空间和所述固体基质的几何特性，生成所述岩石样本的数字模型；以及根据所述岩石样本的数字模型来确定所述储层的生产率。
前述和其他所述实施方式可以各自可选地包括以下特征中的一个或多个：
可与以下的任意特征组合的第一特征，其中，所述二进制图像的粒子分析包括：对所述二进制图像执行分水岭分割，以将所述岩石样本中的固体基质中的颗粒与所述岩石样本中的空白空间分开。
可与以上或以下的任意特征组合的第二特征，其中，所述二进制图像的粒子分析包括：应用Hoshen-Kopelman多簇标记算法，以识别所述岩石样本中的固体基质中的颗粒和空白空间。
可与以上或以下的任意特征组合的第三特征，其中，所述岩石样本的空白空间和固体基质的几何特性包括长宽比、定向和尺寸分布。
在第三实施方式中，一种计算机实现的***，包括：一个或多个处理器；以及计算机可读存储设备，耦接到所述一个或多个处理器并存储有指令，当所述指令由所述一个或多个处理器执行时，使所述一个或多个处理器执行操作，包括：接收描绘来自储层的岩石样本的图像；将所述图像二值化成第一群体和第二群体两者，所述第一群体表示所述岩石样本中的空白空间，并且所述第二群体表示所述岩石样本中的固体基质；基于所述第一群体和所述第二群体来计算所述岩石样本的孔隙度，所述孔隙度包括对所述岩石样本中的空白空间的测量值；当所计算的孔隙度与测量值相比满足阈值时，基于所述第一群体和所述第二群体来生成所述岩石样本的二进制图像；基于对所述二进制图像的粒子分析，确定所述岩石样本的空白空间和固体基质的几何特性；基于所述岩石样本的空白空间和所述固体基质的几何特性，生成所述岩石样本的数字模型；以及根据所述岩石样本的数字模型来确定所述储层的生产率。
前述和其他所述实施方式可以各自可选地包括以下特征中的一个或多个：
可与以下的任意特征组合的第一特征，其中，所述二进制图像是黑白图像，其中，所述黑白图像中的黑色表示所述岩石样本中的空白空间，并且其中，所述黑白图像中的白色表示所述岩石样本的固体基质。
可与以上或以下的任意特征组合的第二特征，其中，确定所述储层的生产率包括：介电模拟或声学模拟，该介电模拟或声学模拟基于所述岩石样本的数字模型。
在本说明书中描述的主题和功能操作的实施方式可以在数字电子电路中、在被有形地实现的计算机软件或固件中、在计算机硬件中实现，包括在本说明书中所公开的结构及其结构等同物、或它们中的一个或更多个的组合中实现。在本说明书中描述的主题的实施方式可以实现为一个或多个计算机程序，即，在有形的非暂时性计算机可读计算机存储介质上编码的计算机程序指令的一个或多个模块，以用于被数据处理装置执行或控制数据处理装置的操作。备选地或附加地，程序指令可以编码在人工生成的传播信号(例如，机器生成的电、光或电磁信号)上，所述信号被生成以对信息进行编码，以传输给合适的接收机装置，以供数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或计算机存储介质的组合。
术语“数据处理装置”、“计算机”或“电子计算机设备”(或本领域普通技术人员所理解的等同物)指数据处理硬件，并且包括用于处理数据的各种装置、设备和机器，例如，包括可编程处理器、计算机、或多个处理器或计算机。所述装置还可以是或还可以包括专用逻辑电路，例如，中央处理单元(CPU)、现场可编程门阵列(FPGA)或专用集成电路(ASIC)。在一些实施方式中，数据处理装置或专用逻辑电路(或数据处理装置或专用逻辑电路的组合)可以基于硬件或基于软件(或基于硬件和基于软件的组合)。所述装置可以可选地包括为计算机程序创建执行环境的代码，例如，构成处理器固件、协议栈、数据库管理***、操作***或执行环境的组合的代码。本公开考虑具有或不具有常规操作***(例如，LINUXTM、UNIXTM、WINDOWSTM、MAC OSTM、ANDROIDTM、IOSTM或任意其他合适的常规操作***)的数据处理装置的使用。
计算机程序还可以被称为或被描述为程序、软件、软件应用、模块、软件模块、脚本或代码。可以以任何形式的编程语言来编写计算机程序，该编程语言包括：编译或解释语言、或陈述性布告和过程语言，并且可以以任何形式来部署计算机程序，包括部署为独立的程序或者部署为适合于用于计算环境的模块、组件、子例程，或者其它单元。计算机程序可以但无需与文件***中的文件相对应。程序可以被存储在保存其他程序或数据(例如，存储在标记语言文档中的一个或多个脚本)的文件的一部分中、被存储在专用于所讨论的程序的单个文件中、或者被存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。计算机程序可以被部署为在一个计算机上或者在位于一个站点或分布在多个站点并且通过通信网络互联的多个计算机上执行。尽管各图中所示出的程序的部分被示为通过各种对象、方法或其他过程实现各个特征和功能的各个模块，但是在适当时程序可以替代地包括多个副模块、第三方服务、组件、库等。相反，各种组件的特征和功能在适当时能够被组合成单个组件。
本说明书中描述的过程和逻辑流可以由一个或多个可编程计算机来执行，所述一个或多个可编程计算机执行一个或多个计算机程序以通过操作输入数据并且生成输出来执行功能。过程和逻辑流也可以由专用逻辑电路(例如，CPU、FPGA或ASIC)来执行，并且设备也可以实现为专用逻辑电路(例如，CPU、FPGA或ASIC)。
适于计算机程序的执行的计算机可以基于通用或专用微处理器、两者或任何其他类型的CPU。通常，CPU将从只读存储器(ROM)或随机存取存储器(RAM)或者这二者接收指令和数据。计算机的必不可少的元件是用于执行指令的CPU和用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备(例如，磁盘、磁光盘或光盘)，或可操作地耦接以便从所述一个或更多个大容量存储设备接收或向其发送数据或两者。然而，计算机不需要具有这些设备。此外，计算机可以嵌入在另一设备中，例如，移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏机、全球定位***(GPS)接收器或便携式存储设备(例如，通用串行总线(USB)闪存驱动器)，这仅是举几个例子。
适合于存储计算机程序指令和数据的计算机可读介质(适当的暂时性或非暂时性的)包括所有形式的非易失性存储器、介质和存储器设备，包括例如半导体存储器设备、例如可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪存设备；磁盘(例如，内部硬盘或可移动盘)；磁光盘；以及紧凑盘、只读存储器(CD-ROM)、数字万用盘(DVD)+/-R、DVD-RAM和DVD-ROM盘。存储器可以存储各种对象或数据，包括：高速缓存区、类、框架、应用、备份数据、作业、网页、网页模板、数据库表格、存储动态信息的知识库、以及包括任意参数、变量、算法、指令、规则、约束、对其的引用在内的任意其他适当的信息。此外，存储器可以包括任何其他适当的数据，例如，日志、策略、安全或访问数据、报告文件等。处理器和存储器可以由专用逻辑电路来补充或者并入到专用逻辑电路中。
为了提供与用户的交互，本说明书中描述的主题的实施方式可以实施在计算机上，该计算机具有用于向用户显示信息的显示设备(例如，阴极射线管(CRT)、液晶显示器(LCD)、发光二极管(LED)或等离子监视器)和用户可以向计算机提供输入的键盘和指示设备(例如，鼠标、轨迹球或轨迹板)。还可以使用触摸屏(例如，具有压敏性的平板计算机表面、使用电容或电感测的多点触摸屏或其他类型的触摸屏)向计算机提供输入。其他类型的设备也可以被用于提供与用户的交互；例如，提供给用户的反馈可以是任意形式的传感反馈，例如，视觉反馈、听觉反馈或触觉反馈；以及可以以任意形式(包括声音、语音或触觉输入)来接收来自用户的输入。此外，计算机可以通过向用户使用的设备发送文档或者从该设备接收文档来与用户交互；例如，通过响应于从用户客户端设备上的web浏览器接收到的请求而向所述web浏览器发送网页。
GUI可以以单数或复数形式使用，以描述一个或更多个图形用户界面以及特定图形用户界面的每一次显示。因此，GUI可以表示任意图形用户界面，包括但不限于web浏览器、触摸屏或处理信息并且高效地向用户呈现信息结果的命令行界面(CLI)。通常，GUI可以包括多个用户界面(UI)要素，其中一些或全部与web浏览豁相关联，例如可由商业套件用户操作的交互式域、下拉列表和按钮。这些和其他UI要素可以与web浏览器的功能相关或表示web浏览器的功能。
本说明书中描述的主题的实施方式可以被实现在计算***中，该计算***包括后端组件(例如，数据服务器)、或包括中间件组件(例如，应用服务器)、或包括前端组件(例如，具有用户通过其可以与本说明书中描述的主题的实施方式交互的图形用户界面或者web浏览器的客户端计算机)、或者一个或更多个此类后端组件、中间件组件或前端组件的任意组合。***的组件可以通过有线或无线数字数据通信(或数据通信的组合)的介质或任意形式(例如，通信网络)互相连接。通信网络的示例包括局域网(LAN)、无线电接入网络(RAN)、城域网(MAN)、广域网(WAN)、全球微波接入互操作性(WIMAX)、使用例如802.11a/b/g/n或802.20(或802.11x和802.20的组合或与本公开一致的其他协议)的网络(WLAN)、互联网的全部或一部分、或一个或多个位置处的任意其他通信***(或通信网络的组合)。网络可以在网络地址之间传输例如互联网协议(IP)分组、帧中继帧、异步传输模式(ATM)小区、语音、视频、数据或其他合适信息(或通信类型的组合)。
计算***可以包括客户端和服务器。客户端和服务器一般相互远离并且通常通过通信网络交互。客户端和服务器的关系通过在相应计算机上运行并且相互具有客户端-服务器关系的计算机程序来产生。
在一些实施方式中，计算***的任意或所有组件(硬件和/或软件(或硬件和软件的组合))可以使用API或服务层(或API和服务层的组合)来彼此进行交互，或接***互。API可以包括用于例程、数据结构和对象类的规范。API可以独立于或依赖于计算机语言，并且指的是完整的接口、单个功能或甚至是API集合。服务层向计算***提供软件服务。计算***的各种组件的功能对于使用该服务层的所有服务消费者可以是可访问的。软件服务通过所定义的接口提供可重用的、所定义的业务功能。例如，接口可以是以JAVA、C++或以可扩展标记语言(XML)格式或其他合适格式提供数据的其他合适语言所编写的软件。API或服务层(或API和服务层的组合)可以是与计算***的其它组件相关的集成组件或独立组件。此外，在不脱离本公开的范围的情况下，服务层的任意或所有部分可以被实现为另一软件模块、企业应用或硬件模块的子模块或副模块。
尽管本说明书包含许多特定的实现细节，然而这些细节不应被解释为对可以要求保护的范围上的限制，而是作为可以专用于特定实施方式的特征的描述。在分离的实施方式的上下文中在本说明书中描述的特定特征也可以在单个实施方式中组合实现。反之，在单个实施方式的上下文中描述的各种特征也可以在多个实施方式中分开地或以任何合适的子组合来实施。此外，尽管可能在上文将特征描述为以某些组合起作用并且甚至最初要求如此保护，但是在一些情况下，来自所要求保护的组合的一个或多个特征可以从组合中删除，并且所要求保护的组合可以指子组合或子组合的变化。
已经描述了本主题的特定实施方式。对于本领域技术人员显而易见的是，所描述的实施方式的其他实施方式、改变和置换在下文的权利要求的范围内。尽管在附图或权利要求中以特定顺序描述了操作，但这不应被理解为：为了获得期望的结果，要求按所示出的特定顺序或按相继的顺序来执行这些操作，或者要求执行所有所示出的操作(一些操作可以被认为是可选的)。在某些情况下，多任务或并行处理(或者多任务和并行处理的组合)可能是有利的并且在认为适当时被执行。
此外，在之前所描述的实施方式中的各种***模块和组件的分离或集成不应被理解为在所有实施方式中都要求这样的分离或集成，并且应该理解的是，所描述的程序组件和***一般可以一起集成在单个软件产品中或封装为多个软件产品。
因此，示例实施方式的上述描述不限定或限制本公开。其他变化、替换和改变也是可能的，没有脱离本公开的精神和范围。
此外，下文描述的任何要求保护的实施方式被视为至少适用于计算机实施的方法；存储用于执行所述计算机实现的方法的计算机可读指令的非暂时性计算机可读介质；以及计算机***，该***包括与硬件处理器可互操作地耦接的计算机存储器，所述硬件处理器被配置为执行计算机实现的方法或存储在非暂时性计算机可读介质上的指令。

Claims (20)

1.一种由一个或多个处理器执行的计算机实现的方法，所述方法包括：
接收描绘来自储层的岩石样本的图像；
将所述图像二值化成第一群体和第二群体两者，所述第一群体表示所述岩石样本中的空白空间，并且所述第二群体表示所述岩石样本中的固体基质；
基于所述第一群体和所述第二群体来计算所述岩石样本的孔隙度，所述孔隙度包括对所述岩石样本中的空白空间的测量值；
当所计算的孔隙度与测量值相比满足阈值时，基于所述第一群体和所述第二群体来生成所述岩石样本的二进制图像；
基于对所述二进制图像的粒子分析，确定所述岩石样本的空白空间和固体基质的几何特性；
基于所述岩石样本的空白空间和固体基质的几何特性，生成所述岩石样本的数字模型；以及
根据所述岩石样本的数字模型来确定所述储层的生产率。
2.根据权利要求1所述的方法，还包括：
在对所述图像进行二值化之前，对所述图像进行滤波，以去除噪声或增强所述图像的对比度。
3.根据权利要求1所述的方法，其中，对所述二进制图像的粒子分析包括：对所述二进制图像执行分水岭分割，以将所述岩石样本中的固体基质中的颗粒与所述岩石样本中的空白空间分开。
4.根据权利要求3所述的方法，其中，对所述二进制图像的负图像执行所述分水岭分割。
5.根据权利要求1所述的方法，其中，对所述二进制图像的粒子分析包括：应用Hoshen-Kopelman多簇标记算法，以识别所述岩石样本中的固体基质中的颗粒和空白空间。
6.根据权利要求1所述的方法，其中，所述岩石样本的空白空间和固体基质的几何特性包括长宽比、定向和尺寸分布。
7.根据权利要求1所述的方法，其中，岩石模型是直方图或文本模型。
8.根据权利要求1所述的方法，其中，所述孔隙度被表示为所述岩石样本的总体积的分数。
9.根据权利要求1所述的方法，其中，所述岩石样本的图像是灰度的二维或三维阵列。
10.根据权利要求1所述的方法，其中，所述二进制图像是黑白图像，其中，所述黑白图像中的黑色表示所述岩石样本中的空白空间，并且其中，所述黑白图像中的白色表示所述岩石样本的固体基质。
11.根据权利要求1所述的方法，其中，高分辨率成像技术是共焦显微术、二次电子成像(SEM)或微计算断层摄影术(微CT)中的一种，并生成所述图像。
12.根据权利要求1所述的方法，其中，所述图像描绘所述岩石样本的薄断面或切片断面。
13.根据权利要求1所述的方法，其中，确定所述储层的生产率包括：介电模拟或声学模拟，所述介电模拟或所述声学模拟基于所述岩石样本的数字模型。
14.一种或多种非暂时性计算机可读存储介质，耦接到一个或多个处理器并且存储有指令，当所述指令由所述一个或多个处理器执行时，使所述一个或多个处理器执行包括以下项的操作：
接收描绘来自储层的岩石样本的图像；
将所述图像二值化成第一群体和第二群体两者，所述第一群体表示所述岩石样本中的空白空间，并且所述第二群体表示所述岩石样本中的固体基质；
基于所述第一群体和所述第二群体来计算所述岩石样本的孔隙度，所述孔隙度包括对所述岩石样本中的空白空间的测量值；
当所计算的孔隙度与测量值相比满足阈值时，基于所述第一群体和所述第二群体来生成所述岩石样本的二进制图像；
基于对所述二进制图像的粒子分析，确定所述岩石样本的空白空间和固体基质的几何特性；
基于所述岩石样本的空白空间和固体基质的几何特性，生成所述岩石样本的数字模型；以及
根据所述岩石样本的数字模型来确定所述储层的生产率。
15.根据权利要求14所述的非暂时性计算机可读存储介质，其中，所述二进制图像的所述粒子分析包括：对所述二进制图像执行分水岭分割，以将所述岩石样本中的固体基质中的颗粒与所述岩石样本中的空白空间分开。
16.根据权利要求14所述的非暂时性计算机可读存储介质，其中，对所述二进制图像的粒子分析包括：应用Hoshen-Kopelman多簇标记算法，以识别所述岩石样本中的固体基质中的颗粒和空白空间。
17.根据权利要求14所述的非暂时性计算机可读存储介质，其中，所述岩石样本的空白空间和固体基质的几何特性包括长宽比、定向和尺寸分布。
18.一种计算机实现的***，包括：
一个或多个处理器；以及
计算机可读存储设备，耦接到所述一个或多个处理器并存储有指令，当所述指令由所述一个或多个处理器执行时，使所述一个或多个处理器执行操作，包括：
接收描绘来自储层的岩石样本的图像；
将所述图像二值化成第一群体和第二群体两者，所述第一群体表示所述岩石样本中的空白空间，并且所述第二群体表示所述岩石样本中的固体基质；
基于所述第一群体和所述第二群体来计算所述岩石样本的孔隙度，所述孔隙度包括对所述岩石样本中的空白空间的测量值；
当所计算的孔隙度与测量值相比满足阈值时，基于所述第一群体和所述第二群体来生成所述岩石样本的二进制图像；
基于对所述二进制图像的粒子分析，确定所述岩石样本的空白空间和固体基质的几何特性；
基于所述岩石样本的空白空间和固体基质的几何特性，生成所述岩石样本的数字模型；以及
根据所述岩石样本的数字模型来确定所述储层的生产率。
19.根据权利要求18所述的计算机实现的***，其中，所述二进制图像是黑白图像，其中，所述黑白图像中的黑色表示所述岩石样本中的空白空间，并且其中，所述黑白图像中的白色表示所述岩石样本的固体基质。
20.根据权利要求18所述的计算机实现的***，其中，确定所述储层的生产率包括：介电模拟或声学模拟，所述介电模拟或所述声学模拟基于所述岩石样本的数字模型。
CN201980043818.2A 2018-06-29 2019-06-25 通过数字成像来识别岩石结构的几何特性 Pending CN112424829A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862691765P 2018-06-29 2018-06-29
US62/691,765 2018-06-29
US16/167,066 US10891462B2 (en) 2018-06-29 2018-10-22 Identifying geometrical properties of rock structure through digital imaging
US16/167,066 2018-10-22
PCT/US2019/038904 WO2020005885A1 (en) 2018-06-29 2019-06-25 Identifying geometrical properties of rock structure through digital imaging

Publications (1)

Publication Number Publication Date
CN112424829A true CN112424829A (zh) 2021-02-26

Family

ID=67441603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980043818.2A Pending CN112424829A (zh) 2018-06-29 2019-06-25 通过数字成像来识别岩石结构的几何特性

Country Status (6)

Country Link
US (1) US10891462B2 (zh)
EP (1) EP3815029A1 (zh)
JP (1) JP2021529949A (zh)
CN (1) CN112424829A (zh)
CA (1) CA3105035A1 (zh)
WO (1) WO2020005885A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177949A (zh) * 2021-04-16 2021-07-27 中南大学 一种大尺寸岩石颗粒特征识别方法及装置
CN113436152A (zh) * 2021-06-09 2021-09-24 长江大学 一种定量识别与分析岩矿颗粒发育特征的方法及装置
CN117557742A (zh) * 2024-01-12 2024-02-13 武汉大学 基于数字图像与机器学习的3d岩石储层建模方法

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016094272A1 (en) 2014-12-09 2016-06-16 3M Innovative Properties Company Dental restoration molding techniques
AU2016370731B2 (en) 2015-12-17 2019-05-09 Solventum Intellectual Properties Company One-piece dental restoration molds
US11547530B2 (en) 2016-07-26 2023-01-10 3M Innovative Properties Company Dental restoration molds
AU2019406627B2 (en) * 2018-12-18 2022-05-19 Shell Internationale Research Maatschappij B.V. Method for digitally characterizing the permeability of rock
US11454111B2 (en) * 2020-01-30 2022-09-27 Landmark Graphics Corporation Determination of representative elemental length based on subsurface formation data
CN111855537A (zh) * 2020-08-21 2020-10-30 太原理工大学 一种基于hrtem的煤中微小孔径的测定方法
CN112067527B (zh) * 2020-09-18 2021-07-27 重庆大学 含油污泥孔隙特征的测定方法及油污场地的修复方法
US11668847B2 (en) 2021-01-04 2023-06-06 Saudi Arabian Oil Company Generating synthetic geological formation images based on rock fragment images
CN113435457A (zh) * 2021-02-08 2021-09-24 中国石油化工股份有限公司 基于图像的碎屑岩成分鉴定方法、装置、终端及介质
US11867869B2 (en) * 2021-02-11 2024-01-09 Saudi Arabian Oil Company Multiple porosity micromodel
US20230175384A1 (en) * 2021-12-03 2023-06-08 Halliburton Energy Services, Inc. Classification of pore or grain types in formation samples from a subterranean formation
CN115618700B (zh) * 2022-09-26 2023-04-07 长安大学 基于矿物识别技术的含片理面岩石建模方法和***
CN115375198B (zh) * 2022-10-24 2022-12-30 水利部交通运输部国家能源局南京水利科学研究院 区域河湖水系连通联合调度和水质安全保障方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012118866A2 (en) * 2011-02-28 2012-09-07 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
WO2012118868A2 (en) * 2011-02-28 2012-09-07 Schlumberger Technology Corporation Petrographic image analysis for determining capillary pressure in porous media
CN104237103A (zh) * 2014-09-23 2014-12-24 中国石油天然气股份有限公司 一种孔隙连通性定量表征方法及装置
CA2911247A1 (en) * 2013-08-13 2015-02-19 Schlumberger Canada Limited Digital core sensitivity analysis
CA2943773A1 (en) * 2014-03-25 2015-10-01 Saudi Arabian Oil Company 360-degree core photo image integration and interpretation in a 3d petrophysical modeling environment
CN107709699A (zh) * 2015-04-30 2018-02-16 沙特***石油公司 生成多孔岩石样本的三维微型模型

Family Cites Families (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4208732A (en) 1972-05-11 1980-06-17 Mobil Oil Corporation Apparatus and method for enhancement of the signal-to-noise ratio in seismic data
US4542648A (en) 1983-12-29 1985-09-24 Shell Oil Company Method of correlating a core sample with its original position in a borehole
US5181171A (en) 1990-09-20 1993-01-19 Atlantic Richfield Company Adaptive network for automated first break picking of seismic refraction events and method of operating the same
US6574565B1 (en) 1998-09-15 2003-06-03 Ronald R. Bush System and method for enhanced hydrocarbon recovery
US6088656A (en) 1998-11-10 2000-07-11 Schlumberger Technology Corporation Method for interpreting carbonate reservoirs
US6418378B1 (en) 2000-06-26 2002-07-09 Westerngeco, L.L.C. Neural net prediction of seismic streamer shape
US6801197B2 (en) 2000-09-08 2004-10-05 Landmark Graphics Corporation System and method for attaching drilling information to three-dimensional visualizations of earth models
US6438493B1 (en) 2000-09-29 2002-08-20 Exxonmobil Upstream Research Co. Method for seismic facies interpretation using textural analysis and neural networks
US7020329B2 (en) 2001-08-31 2006-03-28 Massachusetts Institute Of Technology Color image segmentation in an object recognition system
EP1938281B1 (en) 2004-09-10 2015-01-21 ExxonMobil Upstream Research Company Geologic models of subsurface sedimentray volumes
US8234923B2 (en) 2004-09-20 2012-08-07 Innervision Medical Technologies Inc. Systems and methods for ultrasound imaging
CA2516872C (en) 2005-08-23 2008-10-21 H & H Consulting Inc. Digital core workflow method using digital core images
US8385604B2 (en) 2006-03-07 2013-02-26 Ground Modelling Technologies, Ltd. Rock core logging
US7363158B2 (en) 2006-04-07 2008-04-22 Chevron U.S.A. Inc. Method for creating a stratigraphic model using pseudocores created from borehole images
CN101689102B (zh) * 2007-02-16 2014-01-29 沙特***石油公司 测定储集岩中有机物质体积的方法
GB2468088B (en) * 2007-11-27 2012-08-15 Exxonmobil Upstream Res Co Method for determining the properties of hydrocarbon reservoirs from geophysical data
US8184502B2 (en) 2008-02-28 2012-05-22 Exxonmobil Upstream Research Company Rock physics model for simulating seismic response in layered fractured rocks
AU2009234101B2 (en) 2008-04-09 2014-01-09 Exxonmobil Upstream Research Company Method for generating anisotropic resistivity volumes from seismic and log data using a rock physics model
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
WO2009149126A2 (en) 2008-06-02 2009-12-10 New York University Method, system, and computer-accessible medium for classification of at least one ictal state
US9291050B2 (en) * 2008-09-30 2016-03-22 Schlumberger Technology Corporation Determining formation wettability from dielectric measurements
US8081796B2 (en) 2008-11-24 2011-12-20 Ingrain, Inc. Method for determining properties of fractured rock formations using computer tomograpic images thereof
US8170799B2 (en) 2008-11-24 2012-05-01 Ingrain, Inc. Method for determining in-situ relationships between physical properties of a porous medium from a sample thereof
US8380642B2 (en) 2008-12-03 2013-02-19 Schlumberger Technology Corporation Methods and systems for self-improving reasoning tools
US9134457B2 (en) 2009-04-08 2015-09-15 Schlumberger Technology Corporation Multiscale digital rock modeling for reservoir simulation
US8325560B2 (en) * 2009-05-08 2012-12-04 Schlumberger Technology Corporation Technique and system for deriving a time lapse low frequency model using both seismic data and a flow simulation model
US20100305927A1 (en) 2009-05-27 2010-12-02 Schlumberger Technology Corporation Updating a reservoir model using oriented core measurements
CN102804185B (zh) * 2009-06-30 2016-07-06 普拉德研究及开发股份有限公司 计算三维多孔固体的热量、质量、化学以及电输运的数值方法
EP2476103A4 (en) 2009-09-10 2017-04-26 Chevron U.S.A., Inc. Method for converting a digital image into a multi-dimensional geo-referenced data structure
CA2785569A1 (en) * 2010-02-02 2011-08-11 Hector Klie Multilevel percolation aggregation solver for petroleum reservoir simulations
WO2011112294A1 (en) 2010-03-11 2011-09-15 Exxonmobil Upstream Research Company Predicting anisotropic source rock properties from well data
US8583410B2 (en) 2010-05-28 2013-11-12 Ingrain, Inc. Method for obtaining consistent and integrated physical properties of porous media
US9542508B2 (en) * 2010-10-29 2017-01-10 Schlumberger Technology Corporation Model based inversion of seismic response for determining formation properties
RU2544884C1 (ru) * 2011-02-28 2015-03-20 Шлюмбергер Текнолоджи Б.В. Способ определения репрезентативных элементов площадей и объемов в пористой среде
EP2756337A2 (en) 2011-09-15 2014-07-23 Saudi Arabian Oil Company Core-plug to giga-cells lithological modeling
CA2860575C (en) 2012-01-13 2018-09-18 Ingrain, Inc. Method of determining reservoir properties and quality with multiple energy x-ray imaging
WO2013148632A1 (en) 2012-03-29 2013-10-03 Ingrain, Inc. A method and system for estimating properties of porous media such as fine pore or tight rocks
EP2831635B1 (en) 2012-03-29 2020-03-11 Geco Technology B.V. Seismic noise removal
US9684084B2 (en) 2012-05-01 2017-06-20 Saudi Arabian Oil Company Three-dimensional multi-modal core and geological modeling for optimal field development
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
MX349448B (es) 2012-08-10 2017-07-28 Ingrain Inc Metodo para mejorar la precision de valores de propiedad de roca derivados a partir de imagenes digitales.
EA029010B1 (ru) * 2012-08-28 2018-01-31 Сауди Арейбиен Ойл Компани Способ реконструирования общего содержания органического углерода из композиционного моделирующего анализа
US9262713B2 (en) 2012-09-05 2016-02-16 Carbo Ceramics Inc. Wellbore completion and hydraulic fracturing optimization methods and associated systems
WO2015023265A1 (en) * 2013-08-13 2015-02-19 Landmark Graphics Corporation A simulation-to-seismic workflow construed from core based rock typing and enhanced by rock replacement modeling
US9939548B2 (en) 2014-02-24 2018-04-10 Saudi Arabian Oil Company Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells
WO2016012826A1 (en) 2014-07-21 2016-01-28 Cgg Services Sa Systems and methods for attenuating noise using interferometric estimation
US20160109593A1 (en) * 2014-10-17 2016-04-21 Vimal SAXENA Methods and systems for generating percolated rock physics models for predicting permeability and petrophysical quantities
GB2532734B (en) * 2014-11-25 2017-02-08 Cognitive Geology Ltd Apparatus and method for making geological predictions by processing geological parameter measurements
US10198804B2 (en) 2015-04-15 2019-02-05 Halliburton Energy Services, Inc. Method for determining fabric and upscaled properties of geological sample
US20160341707A1 (en) * 2015-05-20 2016-11-24 Saudi Arabian Oil Company Pyrolysis to determine hydrocarbon expulsion efficiency of hydrocarbon source rock
WO2017011658A2 (en) 2015-07-14 2017-01-19 Conocophillips Company Enhanced oil recovery response prediction
WO2018128614A1 (en) * 2017-01-05 2018-07-12 Halliburton Energy Services, Inc. Modeling and inversion for dielectric logging
CN108463020B (zh) * 2018-05-11 2020-10-09 东北大学 一种工程岩体大功率微波孔内致裂装置
US11163080B2 (en) * 2018-05-18 2021-11-02 Repsol Exploración, S.A Computer implemented method for generating a subsurface rock and/or fluid model of a determined domain
US11530598B2 (en) * 2018-08-21 2022-12-20 Dassault Systemes Simulia Corp. Determination of oil removed by gas via miscible displacement in reservoir rock

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012118866A2 (en) * 2011-02-28 2012-09-07 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
WO2012118868A2 (en) * 2011-02-28 2012-09-07 Schlumberger Technology Corporation Petrographic image analysis for determining capillary pressure in porous media
US20120275658A1 (en) * 2011-02-28 2012-11-01 Hurley Neil F Petrographic image analysis for determining capillary pressure in porous media
CA2911247A1 (en) * 2013-08-13 2015-02-19 Schlumberger Canada Limited Digital core sensitivity analysis
CA2943773A1 (en) * 2014-03-25 2015-10-01 Saudi Arabian Oil Company 360-degree core photo image integration and interpretation in a 3d petrophysical modeling environment
CN104237103A (zh) * 2014-09-23 2014-12-24 中国石油天然气股份有限公司 一种孔隙连通性定量表征方法及装置
CN107709699A (zh) * 2015-04-30 2018-02-16 沙特***石油公司 生成多孔岩石样本的三维微型模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OTIEDE D.O;乔辉;: "储层流体属性分类的三维孔隙空间表征", 油气地球物理, no. 03, 26 July 2013 (2013-07-26) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177949A (zh) * 2021-04-16 2021-07-27 中南大学 一种大尺寸岩石颗粒特征识别方法及装置
CN113177949B (zh) * 2021-04-16 2023-09-01 中南大学 一种大尺寸岩石颗粒特征识别方法及装置
CN113436152A (zh) * 2021-06-09 2021-09-24 长江大学 一种定量识别与分析岩矿颗粒发育特征的方法及装置
CN117557742A (zh) * 2024-01-12 2024-02-13 武汉大学 基于数字图像与机器学习的3d岩石储层建模方法
CN117557742B (zh) * 2024-01-12 2024-03-22 武汉大学 基于数字图像与机器学习的3d岩石储层建模方法

Also Published As

Publication number Publication date
JP2021529949A (ja) 2021-11-04
US10891462B2 (en) 2021-01-12
US20200005013A1 (en) 2020-01-02
EP3815029A1 (en) 2021-05-05
WO2020005885A1 (en) 2020-01-02
CA3105035A1 (en) 2020-01-02

Similar Documents

Publication Publication Date Title
US10891462B2 (en) Identifying geometrical properties of rock structure through digital imaging
AU2014357611B2 (en) Digital core model construction
AU2011345344B2 (en) System and method for multi-phase segmentation of density images representing porous media
Houston et al. Adaptive-window indicator kriging: A thresholding method for computed tomography images of porous media
Karimpouli et al. Conditional reconstruction: An alternative strategy in digital rock physics
Hapca et al. New local thresholding method for soil images by minimizing grayscale intra-class variance
CA3076181A1 (en) Inferring petrophysical properties of hydrocarbon reservoirs using a neural network
US20150331145A1 (en) Method for producing a three-dimensional characteristic model of a porous material sample for analysis of permeability characteristics
Tuller et al. Segmentation of X‐ray CT data of porous materials: A review of global and locally adaptive algorithms
US11530997B2 (en) Material properties from two-dimensional image
Krutko et al. A new approach to clastic rocks pore-scale topology reconstruction based on automatic thin-section images and CT scans analysis
Shaik et al. Rock classification based on Micro-CT images using machine learning techniques
WO2019151889A1 (en) A method for determining a three-dimensional spatial distribution of porosity in a sample of a heterogeneous porous medium
Reshetova et al. Multiscale digital rock modelling for reservoir simulation
Wang et al. Fracture Quantification Method with 3D X-Ray Image-Entropy-Assisted Indicator Kriging Method
Rahimov et al. Use of local binary pattern in texture classification of carbonate rock micro-CT images
Avdonin et al. Application of high-contrast µct and fib-sem for the improvement in the permeability prediction of tight rock samples
Ushizima et al. Material science image analysis using Quant-CT in ImageJ
Rizk et al. Residual oil saturation estimation from carbonate rock images based on direct simulation and machine learning
Purswani Relative Permeability Equation-of-State: The Role of Phase Connectivity, Wettability, and Capillary Number
Marques et al. DC-GAN for Fracture Data Generation Based on Segmented Outcrop Images Acquired from UAV
Alqahtani et al. Segmentation of X-Ray Images of Rocks Using Supervoxels Over-Segmentation
Japperi et al. A New Method for Quantitative Diagenesis via Digital Rock Tools
JP2023505508A (ja) 発泡体サンプルから材料特性を決定する方法
Chacko et al. Textural Analysis of MCT Images: Measurements Beyond Rock Properties

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