CN113239955A - 一种碳酸盐岩储层岩石分类方法 - Google Patents
一种碳酸盐岩储层岩石分类方法 Download PDFInfo
- Publication number
- CN113239955A CN113239955A CN202110373691.XA CN202110373691A CN113239955A CN 113239955 A CN113239955 A CN 113239955A CN 202110373691 A CN202110373691 A CN 202110373691A CN 113239955 A CN113239955 A CN 113239955A
- Authority
- CN
- China
- Prior art keywords
- pore
- reservoir
- classified
- parameters
- rock
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明提供一种碳酸盐岩储层岩石分类方法,方法包括:从每一块待分类储层岩石的压汞毛管压力曲线中提取反映储层品质的孔喉半径参数;基于图像处理技术从每一块待分类储层岩石的铸体薄片中提取反映孔隙类型的孔隙特征参数;对孔隙特征参数进行主成分分析,提取第一个主成分参数;将所有的孔喉半径参数与所有的第一个主成分参数进行聚类分析,得到储层岩石的多个类别。本发明整合各种岩心尺度提取的参数,比如,孔喉半径参数和孔隙特征参数来进行岩石的分类,平衡了地质、岩石物理与微观薄片数据之间的关系,使得岩石储层分类过程兼顾宏观、微观尺度,既能揭示储层地质成因内涵以达到预测效果,又能明确储层储集和生产油气能力以指导油气藏开发。
Description
技术领域
本发明涉及地质勘探领域,更具体地,涉及一种碳酸盐岩岩石分类方法。
背景技术
碳酸盐岩储层岩石分类是在油藏描述阶段,储层具强非均质性背景下,将储层划分为若干相对均质的类别的过程,是以储层储渗能力研究及物性空间分布预测为目的,以服务油气藏开发,对储层岩石进行分类的过程,非简单的岩性分类。储层岩石分类的理想结果为“经历了相似沉积过程和成岩过程,具有相似的孔隙结构,在润湿性一致的条件下,具有统一的的孔渗关系、相似的毛管压力曲线分布和相对渗透率的一类岩石的集合,实际应用中,标准尚未统一。
现今的国内外众多分类方法多受单因素控制,可归属于地质、岩石物理、生产动态三大类:(1)以地质成因为依据的岩石分类:结合沉积环境和成岩过程,以碳酸盐岩成分、结构成因为依据。(2)以岩石物理特征为依据的岩石分类:依靠岩石物性参数资料,如孔隙度、渗透率、毛管压力曲线参数等作为分类依据。(3)以油气藏生产动态特征为依据的岩石分类:以油气生产开发动态参数作为分类依据。
目前以岩石物理特征为依据的储层分类方法主要有三种,① FZI/RQI分类法:Amaefule等通过大量的研究,基于渗透率和有效孔隙度的关系,提出了FZI(流动单元指数)和RQI(储层品质因子)这两个岩石物理分类的指标,用来评价储层的渗流能力。FZI/RQI分类的优势在于只需要岩心孔隙度和渗透率数据,无需借助压汞等测试手段,且同类样品一般具有较好的孔渗关系。Kharrat等、Burrowes等、Mirzaei-Paiaman等将FZI/RQI应用于中东等地区碳酸盐岩岩石分类中。②依据孔喉半径进行分类的方法:毛细管压力曲线可以直接反映岩石孔喉半径大小,基于这一原理,许多学者提出使用进汞量达到一定程度对应的孔喉半径进行岩石类型划分。Winland在研究砂岩储层时发现 R35(进汞饱和度35%所对应的喉道半径)与孔隙度和渗透率之间具有较好的相关性,Pittman将其应用到碳酸盐岩储层中扩大其适用范围。 Warren通过对碎屑岩样品的分析,认为中值半径R50与渗透率之间具有较好的相关性。颜其彬等在分析对比了碳酸盐岩毛管曲线上诸多特征点后,认为对于非均质性较强的碳酸盐岩,拐点处喉道半径与渗透率相关性最好。③Thomeer函数分类法:Thomeer函数是对毛管压力曲线提出的数学表达式,定义了表征孔隙结构的孔隙几何因子G与毛管压力曲线各参数之间的定量关系,以孔隙几何因子G、排驱压力Pd 两个参数作为区分岩石类型分类的依据。该方法由Clerke进行了改进并广泛应用于加瓦尔油田。Clerke的研究表明Thomeer函数在双峰孔喉***中的适用性较高,特别是在具有大量微孔隙的岩石中应用具有优势。
以上方法在进行岩石物理分类方面都存在不足,FZI/RQI分类法在某些碎屑岩或者成岩作用微弱的较均一碳酸盐岩中可以成立,但在一般的强非均质性碳酸盐中,FZI/RQI将不具有分类意义。对于依据孔喉半径进行分类的方法而言,毛管压力曲线上对应的所有喉道都对渗透率起作用,用任何一点毛管压力对应的孔喉大小区分岩石类型都带有一定的片面性。根据喉道半径划分岩石类型只适用于毛管压力曲线相似的的样品,对于碎屑岩和较均质的碳酸盐岩有一定实际意义,对于含有微孔隙、孔洞这些孔隙类型的多模式的非均质性强的碳酸盐岩来说,毛管压力曲线复杂多样,这些方法多不适用。Thomeer函数分类法局限在于,不能反映地质特征,且压汞毛管压力曲线须有很大的压力范围才能获取评价参数。
发明内容
基于背景技术中储层岩石分类的不足,本发明提供一种克服上述问题或者至少部分地解决上述问题的一种碳酸盐岩储层岩石分类方法,包括:从每一块待分类储层岩石的压汞毛管压力曲线中提取反映储层品质的孔喉半径参数;基于图像处理技术从每一块待分类储层岩石的铸体薄片中提取反映孔隙类型的孔隙特征参数;对每一块待分类储层岩石的所述孔隙特征参数进行主成分分析,提取第一个主成分参数;将所有待分类储层岩石的所述孔喉半径参数与所有待分类储层岩石的所述第一个主成分参数进行聚类分析,得到待分类储层岩石的多个类别。
在上述技术方案的基础上,本发明实施例还可以作出如下改进。
可选的,所述从每一块待分类储层岩石的压汞毛管压力曲线中提取反映储层品质的孔喉半径参数,包括:将任一块待分类储层岩石的压汞毛管压力曲线转换为孔喉分布曲线;若所述孔喉分布曲线中的孔喉分布为单峰,则提取单峰峰值对应的孔喉半径参数;若所述孔喉分布曲线中的孔喉分布为双峰或三峰,提取孔喉半径区间最大的峰值对应的孔喉半径参数。
可选的,所述基于图像处理技术从每一块待分类储层岩石的铸体薄片中提取反映孔隙类型的孔隙特征参数,包括:获取每一块待分类储层岩石的铸体薄片图像,对所述铸体薄片图像进行预处理;从预处理后的铸体薄片图像中提取出孔隙特征参数,所述孔隙特征参数包括每一个孔隙的长宽比、纵横比、迂曲度、离心度、实心度和形状因子。
可选的,所述获取铸体薄片图像,对所述铸体薄片图像进行预处理,包括:获取多块平行样的铸体薄片图像,对所述铸体薄片图像进行中值滤波、对比度图像增强以及二维OTSU阈值分割预处理,得到预处理后的铸体薄片图像。
可选的,所述从预处理后的铸体薄片图像中提取出孔隙特征参数,包括:从预处理后的所述铸体薄片图像中提取面孔率和每一个孔隙的面积、周长、有效长度、等效宽度、迂曲长度等效椭圆长轴和短轴以及凸面积;基于提取的面孔率和每一个孔隙的面积、周长、有效长度、等效宽度、迂曲长度等效椭圆长轴和短轴以及凸面积,计算出每一个孔隙的长宽比、纵横比、迂曲度、离心度、实心度以及形状因子;其中,每一个孔隙的长宽比、纵横比、迂曲度、离心度、实心度以及形状因子为孔隙特征参数。
可选的,所述对所述孔隙特征参数进行主成分分析,提取第一个主成分参数,包括:对每一个孔隙特征参数进行主成分分析,得到多个主成分参数,提取其中的第一个主成分参数,所述第一个主成分参数表征孔隙形状均匀规则的程度。
可选的,将所有待分类储层岩石的孔喉半径参数与所有待分类储层岩石的第一个主成分参数进行聚类分析,得到待分类储层岩石的多个类别,包括:基于K均值聚类算法,以距离作为相似性指标,将所有待分类储层岩石的所述孔喉半径参数与所有待分类储层岩石的所述第一个主成分参数进行聚类分析,得到储层岩石的多个类别。
本发明提供的一种碳酸盐岩储层岩石分类方法,能够整合各种岩心尺度提取的参数,比如,孔喉半径参数和孔隙特征参数来进行岩石的分类,平衡了地质、岩石物理与微观薄片数据之间的关系,使得岩石储层分类过程兼顾宏观、微观尺度,既能揭示储层地质成因内涵以达到预测效果,又能明确储层储集和生产油气能力以指导油气藏开发。
附图说明
图1为本发明实施例提供的一种碳酸盐岩储层岩石分类方法流程图;
图2-a为单峰的压汞毛管压力曲线图;
图2-b为图2-a转换后的孔喉分布曲线;
图3-a为双峰的压汞毛管压力曲线图;
图3-b为图3-a转换后的孔喉分布曲线图;
图4-a为三峰的压汞毛管压力曲线图;
图4-b为图4-a转换后的孔喉分布曲线图;
图5为四种储层分类结果示意图;
图6为四种储层分类结果的孔隙度与渗透率关系示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明实施例提供的一种碳酸盐岩储层岩石分类方法流程图,如图1所示,所述方法包括:101、从每一块待分类储层岩石的压汞毛管压力曲线中提取反映储层品质的孔喉半径参数;102、基于图像处理技术从每一块待分类储层岩石的铸体薄片中提取反映孔隙类型的孔隙特征参数;103、对每一块待分类储层岩石的所述孔隙特征参数进行主成分分析,提取第一个主成分参数;104、将所有待分类储层岩石的所述孔喉半径参数与所有储层岩石的所述第一个主成分参数进行聚类分析,得到待分类储层岩石的多个类别。
可以理解的是,本发明实施例中涉及到两个重要的概念,毛管压力曲线为根据实测的水银注入压力与相应的岩样含水银体积,经计算求得水银饱和度和孔隙喉道半径后,就可绘制毛管压力、孔隙喉道半径与水银饱和度的关系曲线;铸体薄片是将有色液态胶在真空加压下注入岩石孔隙空间,待液态胶固化后磨制成的岩石薄片。
基于背景技术中使用的对储层岩石分类的不足之处,本发明实施例提供一种结合压汞与薄片的储层岩石分类的方法,首先从每一块待分类储层岩石的压汞毛管压力曲线中提出一种新的反映储层品质的孔喉半径参数,然后通过图像处理技术从每一块待分类储层岩石的铸体薄片中提取反映孔隙类型的孔隙特征参数,将每一块待分类储层岩石的薄片孔隙特征参数进行主成分分析,提取第一个主成分参数,得到每一块待分类储层岩石的第一个主成分参数,最后将所有待分类储层岩石的孔喉半径参数与所有待分类储层岩石的第一个主成分参数进行聚类分析,以达到储层岩石分类的目的。
本发明实施例整合各种岩心尺度提取的参数,包括孔喉半径参数和孔隙特征参数,采用各种不同的参数结合来进行岩石分类,此种分类的优势在于平衡了地质、岩石物理与微观薄片数据之间的关系,使得储层分类过程兼顾宏观、微观尺度,既能揭示储层地质成因内涵以达到预测效果,又能明确储层储集和生产油气能力以指导油气藏开发。
在一种可能的实施例方式中,从每一块待分类储层岩石的压汞毛管压力曲线中提取反映储层品质的孔喉半径参数,包括:将每一块待分类储层岩石的压汞毛管压力曲线转换为孔喉分布曲线;若所述孔喉分布曲线中的孔喉分布为单峰,则提取单峰峰值对应的孔喉半径参数;若所述孔喉分布曲线中的孔喉分布为双峰或三峰,提取孔喉半径区间最大的峰值对应的孔喉半径参数。
可以理解的是,碳酸盐岩储层孔隙结构复杂,孔隙形态多样,普遍发育溶蚀孔、铸模孔(连通或不连通)、化石内孔、粒间孔、粒内孔、基质微孔等。压汞毛管压力曲线可以表征储层岩石孔隙结构,不同孔隙结构的岩石在压汞毛管压力曲线形态上存在差异。对于复杂孔隙结构和孔隙类型的碳酸盐岩,压汞毛管压力曲线一般为三种典型的形态,对应的孔喉半径分布为单峰、双峰和三峰形态,将每一块待分类储层岩石的压汞毛管压力曲线转换为孔喉分布曲线,可参见图2、图3和图 4所示。其中,图2-a为单峰的压汞毛管压力曲线图,图2-b为图2-a 转换后的孔喉分布曲线,图3-a为双峰的压汞毛管压力曲线图,图3-b 为转换后的孔喉分布曲线图,图4-a为三峰的压汞毛管压力曲线图,图 4-b为转换后的孔喉分布曲线图。
对于孔喉半径分布为单峰、双峰或三峰形态的岩样,其中每一个峰都代表一类孔喉体系单元,每一孔喉体系单元对岩石渗透率的贡献存在差异。通过整理378块孔喉分布呈双峰形态和36块呈三峰形态的岩样压汞数据,分别计算了每个孔喉体系单元对整个岩石渗透率的贡献占比,并分析了每个孔喉体系单元对岩石渗透率的影响,无论是双峰还是三峰,对岩样渗透率起主要贡献的是孔喉半径区间最大的孔喉体系单元。
由于储层品质取决于孔喉半径区间最大的孔喉体系单元,对应图 2-b、图3-b和图4-b中的①号峰,因此,本发明实施例中提取①号峰中的谱峰对应的孔喉半径(Mode)来表征岩石储层品质参数,通过上述方法可提取每一块待分类储层岩石的孔喉半径参数。
在一种可能的实施例方式中,基于图像处理技术从每一块待分类储层岩石的铸体薄片中提取反映孔隙类型的孔隙特征参数,包括:获取每一块待分类储层岩石的铸体薄片图像,对所述铸体薄片图像进行预处理;从预处理后的铸体薄片图像中提取出孔隙特征参数,所述孔隙特征参数包括每一个孔隙的长宽比、纵横比、迂曲度、离心度、实心度和形状因子。
其中,对铸体薄片图像进行预处理,包括:获取多块平行样的铸体薄片图像,对所述铸体薄片图像进行中值滤波、对比度图像增强以及二维OTSU阈值分割预处理,得到预处理后的铸体薄片图像。
可以理解的是,铸体薄片可以用来研究储层岩石的孔隙结构,对于获取的每一块待分类储层岩石对应的铸体薄片图像,通过图像处理技术,可以从铸体薄片图像中自动拾取孔隙特征参数。在提取铸体薄片的孔隙特征参数之前,对获取的铸体薄片图像进行预处理。
对铸体薄片图像进行预处理主要包括图像中值滤波、图像增强处理以及阈值分割,其中,中值滤波是一种典型的非线性滤波技术,基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值,从而消除孤立的噪声点,对于斑点噪声和椒盐噪声来说尤其有用,比较适合于铸体薄片图像滤波处理。图像增强主要解决由于图像的灰度级范围较小造成的对比度较低的问题,目的就是将输出图像的灰度级放大到指定的程度,使得图像中的细节看起来增加清晰,本发明实施例采用对比度增强方法,通过在输入值和映射的输出值之间使用非线性变换,用伽马校正来校正图像的亮度。
对铸体薄片图像进行了中值滤波和图像增强处理后,对图像进行阈值分割,阈值分割算法有自适应阈值分割、基于粒子群算法的二维熵阈值分割以及OTSU阈值分割等算法。其中自适应阈值分割算法是根据图像不同区域亮度分布,计算其局部阈值,不是计算全局图像的阈值,适合于某些光照不均的图像。基于粒子群算法的二维熵阈值分割是利用点灰度和区域灰度均值的二维直方图,根据熵最大原则寻找最佳阈值。该算法容易陷入局部局部自优,不适合大量的数据操作。 OTSU阈值分割是一种对图像进行二值化的高效算法,又称大津阈值分割法,是最小二乘法意义下的最优分割。本发明实施例选用OTSU阈值分割算法对铸体薄片图像进行阈值分割。
在一种可能的实施例方式中,从预处理后的铸体薄片图像中提取出孔隙特征参数,包括:从预处理后的所述铸体薄片图像中提取面孔率和每一个孔隙的面积、周长、有效长度、等效宽度、迂曲长度等效椭圆长轴和短轴以及凸面积;基于提取的面孔率和每一个孔隙的面积、周长、有效长度、等效宽度、迂曲长度等效椭圆长轴和短轴以及凸面积,计算出每一个孔隙的长宽比、纵横比、迂曲度、离心度、实心度以及形状因子;其中,每一个孔隙的长宽比、纵横比、迂曲度、离心度、实心度以及形状因子为孔隙特征参数。
可以理解的是,对铸体薄片图像进行了预处理后,从预处理后的铸体薄片图像中提取出孔隙特征参数,首先,将图像中的细小孔隙擦掉,然后自动提取薄片图像中面孔率、每个孔隙的面积、周长、有效长度、等效宽度、迂曲长度、等效椭圆长轴和短轴和凸面积,然后根据提取的参数计算出每个孔隙的长宽比、纵横比、迂曲度、离心度、实心度及形状因子,可提取每一块待分类储层岩石的孔隙特征参数,提取的孔隙特征参数如表1所示。
表1单块铸体薄片提取的孔隙特征参数
孔隙特征参数中,长宽比和纵横比为评价孔隙空间条状形态的发育程度的重要参数,其中长宽比等于迂曲长度与等效宽度的比值;纵横比等于有效长度与等效宽度的比值。迂曲度主要评价孔隙空间的中轴骨架的弯折程度,其中迂曲度等于迂曲长度与有效长度的比值。离心度是评价孔隙空间形状特征的重要参数,其值等于椭圆面积与孔隙面积的比值。形状因子主要用于描述孔隙边缘的平滑和规则性,其数值大小用来表征孔隙形状均匀规则的程度,形状因子等于4πS/C2,S 为孔隙面积,C为孔隙周长。实心度能够反应形状规则程度、内部孔洞发育情况,为后续的裂缝、孔洞识别提供重要参数,其值等于孔隙面积与凸面积的比值。
在一种可能的实施例方式中,对孔隙特征参数进行主成分分析,提取第一个主成分参数,包括:对每一个孔隙特征参数进行主成分分析,得到多个主成分参数,提取其中的第一个主成分参数,所述第一个主成分参数表征孔隙形状均匀规则的程度。
可以理解的是,对于每一块待分类储层岩石,从铸体薄片图像中提取出孔隙特征参数后,对孔隙特征参数进行主成分分析,主成分分析是高维数据降维的常用方法,将该方法用于孔隙特征参数的降维,解决参数之间的共性线问题。
本发明实施例中,首先从161块铸体薄片图像中提取离心度、孔隙形状因子、长宽比、纵横比、迂曲度、实心度及面孔率等孔隙特征参数,然后进行主成分分析,对于每一个孔隙特征参数,经过主成分分析后,形成7个主成分。表2为主成分分析结果,表3为主成分系数矩阵。根据表2和表3的结果,可以依次计算出7种主成分,例如:主成分1的计算公式为:
表2主成分分析结果
表3主成分系数矩阵
其中,主成分分析主要用于数据压缩,消除数据间的共线性,基于参数矩阵的因子分析可以对提取出的因子做因子旋转分析,使得因子与组分之间的关系得到重新分布,从而使薄片孔隙特征更易于解释。表4为因子分析旋转成分矩阵:
表4因子分析旋转成分矩阵
从表4种可以看出:孔隙形状因子和实心度的主成分1的因子得分分别为0.803和0.946,说明主成分1主要表征孔隙形状均匀规则的程度,它是后续判断裂缝、孔洞类型的重要参数。孔隙形状因子和实心度值介于0-1之间,当这两个参数越小,孔隙形态越接近裂缝,当这两个参数越大,孔隙形态越接近孔洞。
因此,本发明实施例对孔隙特征参数进行主成分分析,提取孔隙特征参数的第一个主成分参数,能够表征孔隙形状均匀规则的程度。对于每一块待分类储层岩石获取的孔隙特征参数,提取孔隙特征参数的第一个主成分参数,即可得到每一块待分类储层岩石的第一个主成分参数。
在一种可能的实施例方式中,将所有待分类储层岩石的孔喉半径参数与所有待分类储层岩石的第一个主成分参数进行聚类分析,得到待分类储层岩石的多个类别,包括:基于K均值聚类算法,以距离作为相似性指标,将所有待分类储层岩石的孔喉半径参数与所有待分类储层岩石的第一个主成分参数进行聚类分析,得到待分类储层岩石的多个类别。
可以理解的是,上述实施例从压汞毛管压力曲线中提取出所有待分类的储层岩石的孔喉半径参数以及基于图像处理技术获取的所有待分类的储层岩石的孔隙特征参数,并对孔隙特征参数进行主成分分析,提取每一个孔隙特征参数的第一个主成分参数。随后引入K均值聚类,该算法是一种简单的迭代型聚类算法,采用距离作为相似性指标,从而找出给定数据集中的K个类,且每个类的中心是根据类中所有数值的均值得到的,每个类的中心用聚类中心来描述。依据K均值聚类结果,将所有待分类储层岩石的类型可以分为4类。
下面以一个具体的例子来对本发明实施例提供的碳酸盐岩储层岩石分类方法进行说明,主要包括以下步骤:
第一步:将161块压汞毛管压力曲线转换为孔喉分布曲线,如果孔喉分布是单峰,提取峰值对应的孔喉半径,如果是双峰或者三峰,提取孔喉半径区间最大的峰值对应的孔喉半径。
第二步:选取161块平行样的铸体薄片图像,进行中值滤波、对比度图像增强及二维OTSU阈值分割,从161块薄片图像中自动提取面孔率、每个孔隙的面积、周长、有效长度、等效宽度、迂曲长度、等效椭圆长轴和短轴和凸面积,然后根据提取的参数计算出每个孔隙的长宽比、纵横比、迂曲度、离心度、实心度及形状因子。
第三步:对提取的161块薄片孔隙特征参数(长宽比、纵横比、迂曲度、离心度、实心度及形状因子)进行主成分和因子分析,计算出第一个主成分,然后与提取的孔喉半径进行K均值聚类,依据聚类结果,最终将储层分为4类,其中,得到的四种储存分类结果示意图可参见图5所示。
按照聚类分析结果,在岩心对应的孔渗关系图(图6)中可以直观的反映四种不同类别对应的孔渗关系。I类储层孔隙度与渗透率都较大,孔隙形态规则,孔喉半径大,孔洞发育。II类储层渗透率集中分布在10-100Md,大部分孔隙度为20%以上,II类的孔隙结构孔喉半径大,孔洞一般发育;III类储层渗透率分布在1-10mD、孔隙度大都在 15%-30%,孔隙特征主要表现为孔喉半径小,储层裂缝发育,孔隙形态不规则;IV的孔隙度与渗透率较低,孔隙低于20%,渗透率主要分布在0.1-1Md,属于低孔低渗类储层,孔隙、裂缝都不发育。
本发明实施例提供的一种碳酸盐岩储层岩石分类方法,能够整合各种岩心尺度提取的参数,比如,孔喉半径参数和孔隙特征参数来进行岩石的分类,平衡了地质、岩石物理与微观薄片数据之间的关系,使得岩石储层分类过程兼顾宏观、微观尺度,既能揭示储层地质成因内涵以达到预测效果,又能明确储层储集和生产油气能力以指导油气藏开发。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (7)
1.一种碳酸盐岩储层岩石分类方法,其特征在于,包括:
从每一块待分类储层岩石的压汞毛管压力曲线中提取反映储层品质的孔喉半径参数;
基于图像处理技术从每一块待分类储层岩石的铸体薄片中提取反映孔隙类型的孔隙特征参数;
对每一块待分类储层岩石的所述孔隙特征参数进行主成分分析,提取第一个主成分参数;
将所有待分类储层岩石的所述孔喉半径参数与所有待分类储层岩石的所述第一个主成分参数进行聚类分析,得到待分类储层岩石的多个类别。
2.根据权利要求1所述的岩石分类方法,其特征在于,所述从每一块待分类储层岩石的压汞毛管压力曲线中提取反映储层品质的孔喉半径参数,包括:
将任一块待分类储层岩石的压汞毛管压力曲线转换为孔喉分布曲线;
若所述孔喉分布曲线中的孔喉分布为单峰,则提取单峰峰值对应的孔喉半径参数;
若所述孔喉分布曲线中的孔喉分布为双峰或三峰,提取孔喉半径区间最大的峰值对应的孔喉半径参数。
3.根据权利要求1所述的岩石分类方法,其特征在于,所述基于图像处理技术从每一块待分类储层岩石的铸体薄片中提取反映孔隙类型的孔隙特征参数,包括:
获取每一块待分类储层岩石的铸体薄片图像,对所述铸体薄片图像进行预处理;
从预处理后的铸体薄片图像中提取出孔隙特征参数,所述孔隙特征参数包括每一个孔隙的长宽比、纵横比、迂曲度、离心度、实心度和形状因子。
4.根据权利要求3所述的岩石分类方法,其特征在于,所述获取铸体薄片图像,对所述铸体薄片图像进行预处理,包括:
获取多块平行样的铸体薄片图像,对所述铸体薄片图像进行中值滤波、对比度图像增强以及二维OTSU阈值分割预处理,得到预处理后的铸体薄片图像。
5.根据权利要求3或4所述的岩石分类方法,其特征在于,所述从预处理后的铸体薄片图像中提取出孔隙特征参数,包括:
从预处理后的所述铸体薄片图像中提取面孔率和每一个孔隙的面积、周长、有效长度、等效宽度、迂曲长度等效椭圆长轴和短轴以及凸面积;
基于提取的面孔率和每一个孔隙的面积、周长、有效长度、等效宽度、迂曲长度等效椭圆长轴和短轴以及凸面积,计算出每一个孔隙的长宽比、纵横比、迂曲度、离心度、实心度以及形状因子;
其中,每一个孔隙的长宽比、纵横比、迂曲度、离心度、实心度以及形状因子为孔隙特征参数。
6.根据权利要求5所述的岩石分类方法,其特征在于,所述对所述孔隙特征参数进行主成分分析,提取第一个主成分参数,包括:
对每一个孔隙特征参数进行主成分分析,得到多个主成分参数,提取其中的第一个主成分参数,所述第一个主成分参数表征孔隙形状均匀规则的程度。
7.根据权利要求6所述的岩石分类方法,其特征在于,将所有待分类储层岩石的孔喉半径参数与所有待分类储层岩石的第一个主成分参数进行聚类分析,得到待分类储层岩石的多个类别,包括:
基于K均值聚类算法,以距离作为相似性指标,将所有待分类储层岩石的所述孔喉半径参数与所有待分类储层岩石的所述第一个主成分参数进行聚类分析,得到所有待分类储层岩石的多个类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373691.XA CN113239955A (zh) | 2021-04-07 | 2021-04-07 | 一种碳酸盐岩储层岩石分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373691.XA CN113239955A (zh) | 2021-04-07 | 2021-04-07 | 一种碳酸盐岩储层岩石分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239955A true CN113239955A (zh) | 2021-08-10 |
Family
ID=77131154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110373691.XA Pending CN113239955A (zh) | 2021-04-07 | 2021-04-07 | 一种碳酸盐岩储层岩石分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239955A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879129A (zh) * | 2023-07-11 | 2023-10-13 | 中国矿业大学 | 基于三维微观图像的岩土材料有效渗流路径表征方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102704924A (zh) * | 2012-06-05 | 2012-10-03 | 中国石油天然气股份有限公司 | 有效干层的确定方法及装置 |
CN106156452A (zh) * | 2015-03-24 | 2016-11-23 | 中国石油化工股份有限公司 | 一种储层分析方法 |
CN107133630A (zh) * | 2016-02-29 | 2017-09-05 | 中国石油化工股份有限公司 | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 |
CN109711429A (zh) * | 2018-11-22 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种储层评价分类方法及装置 |
CN110222981A (zh) * | 2019-06-05 | 2019-09-10 | 中国石油大港油田勘探开发研究院 | 一种基于参数二次选取的储层分类评价方法 |
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 |
CN112362553A (zh) * | 2020-11-06 | 2021-02-12 | 西南石油大学 | 一种致密砂岩微观孔隙结构表征方法 |
-
2021
- 2021-04-07 CN CN202110373691.XA patent/CN113239955A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102704924A (zh) * | 2012-06-05 | 2012-10-03 | 中国石油天然气股份有限公司 | 有效干层的确定方法及装置 |
CN106156452A (zh) * | 2015-03-24 | 2016-11-23 | 中国石油化工股份有限公司 | 一种储层分析方法 |
CN107133630A (zh) * | 2016-02-29 | 2017-09-05 | 中国石油化工股份有限公司 | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 |
CN109711429A (zh) * | 2018-11-22 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种储层评价分类方法及装置 |
CN110222981A (zh) * | 2019-06-05 | 2019-09-10 | 中国石油大港油田勘探开发研究院 | 一种基于参数二次选取的储层分类评价方法 |
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 |
CN112362553A (zh) * | 2020-11-06 | 2021-02-12 | 西南石油大学 | 一种致密砂岩微观孔隙结构表征方法 |
Non-Patent Citations (1)
Title |
---|
徐永强: "鄂尔多斯盆地陇东地区长7致密砂岩储层微观孔喉特征及分类评价研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879129A (zh) * | 2023-07-11 | 2023-10-13 | 中国矿业大学 | 基于三维微观图像的岩土材料有效渗流路径表征方法 |
CN116879129B (zh) * | 2023-07-11 | 2024-03-22 | 中国矿业大学 | 基于三维微观图像的岩土材料有效渗流路径表征方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107817199B (zh) | 一种致密砂岩多尺度孔隙模型的构建方法和应用 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN106053315B (zh) | 一种生物碎屑灰岩储层孔隙结构分类方法 | |
CN103065149A (zh) | 网纹甜瓜果实表型提取与量化方法 | |
CN104182763A (zh) | 一种基于花朵特征的植物种类识别*** | |
CN111738332B (zh) | 基于特征级融合的水下多源声学图像底质分类方法及*** | |
CN111062425A (zh) | 基于c-k-smote算法的不平衡数据集处理方法 | |
CN110047079A (zh) | 一种基于对象相似性的最优分割尺度选择方法 | |
CN113239955A (zh) | 一种碳酸盐岩储层岩石分类方法 | |
CN108061697B (zh) | 土体三维孔隙率计算方法 | |
CN111738278B (zh) | 一种水下多源声学图像特征提取方法及*** | |
CN112991370A (zh) | 一种岩心ct裂纹识别与分割方法 | |
CN113379256A (zh) | 一种Kmeans-随机森林的储层评价预测方法 | |
CN106447686A (zh) | 一种基于快速有限剪切波变换的图像边缘检测方法 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN113034471B (zh) | 一种基于finch聚类的sar图像变化检测方法 | |
CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN107818341A (zh) | 一种基于改进K‑means算法的颜色提取方法 | |
CN109670408A (zh) | 一种基于对象的遥感图像水体提取方法 | |
CN116341932B (zh) | 一种基于双遥感时序指数的潮滩变化监测方法及*** | |
CN107977968A (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
CN115393733B (zh) | 一种基于深度学习的水体自动识别方法及*** | |
CN113640244B (zh) | 一种基于可见近红外光谱的果树品种鉴别方法 | |
CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
Li et al. | Crack Detection and Recognition Model of Parts Based on Machine Vision. |
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 |