CN117557742B - 基于数字图像与机器学习的3d岩石储层建模方法 - Google Patents
基于数字图像与机器学习的3d岩石储层建模方法 Download PDFInfo
- Publication number
- CN117557742B CN117557742B CN202410048535.XA CN202410048535A CN117557742B CN 117557742 B CN117557742 B CN 117557742B CN 202410048535 A CN202410048535 A CN 202410048535A CN 117557742 B CN117557742 B CN 117557742B
- Authority
- CN
- China
- Prior art keywords
- rock
- digital
- xct
- model
- image
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 30
- 239000000463 material Substances 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 239000010453 quartz Substances 0.000 claims description 8
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 7
- 239000011148 porous material Substances 0.000 claims description 7
- 239000010433 feldspar Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000003325 tomography Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000227 grinding Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T17/05—Geographic models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数字图像与机器学习的3D岩石储层建模方法,包括:获取岩石XCT数字图像并进行预处理;根据预处理后的数字图像建立统计特征向量SCV;根据SCV对岩石XCT数字图像中的像素点进行微观结构相分类并建立不同微观结构相分类数据集,以形成基于SCV的数字编码分类器;建立岩石图像深度学习模型,并根据数字编码分类器调整其模型参数以获取最优化的深度学习模型;将待建模的岩石XCT数字图像输入到最优化的岩石图像深度学习模型中对岩石不同微观结构相进行预测和分类,获得数字标签图像;根据数字标签图像建立岩石储层地质力学模型。本发明提高了岩石内部不同微观结构相的识别划分精度,打破了岩石储层从微观模型到宏观模型的尺度限制。
Description
技术领域
本发明属于岩石力学的技术领域,具体涉及一种基于数字图像与机器学习的3D岩石储层建模方法。
背景技术
岩石内部微观结构组成和矿物成分对揭示岩石力学特性和破裂演化机理起着十分重要的作用,它对于深部储层能源开发具有十分重要的意义。不同工程扰动因素下岩石储层的应力-应变和破裂过程严重影响着深部能源储层工程(如石油、天然气生产井)的安全性和稳定性。
随着数字图像成像技术和处理技术的发展,新的获取岩石微观结构方法应运而生。传统的岩石取芯-薄片磨制方法获得岩石薄片在空间上并不连续,容易造成空间信息缺失,且磨制过程耗时耗力。与传统的岩石取芯-薄片磨制方法获取岩石微观结构特征相比,计算机拓扑(Computed Tomography, CT)层析成像技术(简称XCT)具有3D可视化成像和实时检测的优点,此技术可以对岩石内部各类结构(微观孔隙、裂隙和不同矿物成分)进行实时精细化成像,进而直观地研究不同荷载作用下岩石力学特性演化规律。
无论是传统的岩石取芯-薄片磨制方法还是XCT成像技术均需要对获取的图像进行分割,才能获取岩石内部的不同微观结构相。传统的分割方法主要有基于阈值的分割技术和基于边缘的分割技术。前者主要对比像素灰度值与分割阈值来完成不同微观结构相的识别,容易出现由于像素灰度接近导致的欠分割或者过度分割问题;后者主要通过划分不同区域的边缘来完成不同微观结构相的识别,但容易出现边缘不连续导致的分割精度较差等问题。
如此,依据传统分割方法建立的岩石储层模型本身带有一定的差距,且由于分割效果差,对于岩石内部不同结构相的识别、划分精度也较低。同时,由于岩石图像来自于岩石取芯分析,在尺度上受到了限制,无法拓展到大规模尺度的岩石储层上,从而导致建立的岩石储层模型差异巨大,计算分析结果也存在一定误差。
发明内容
本发明的目的在于针对现有技术的不足之处,提供一种基于数字图像与机器学习的3D岩石储层建模方法,该方法不但能够提高岩石内部不同微观结构相的识别划分精度,还可以打破岩石储层从微观模型到宏观模型的尺度限制,拓展到其他大规模尺度的岩石储层模型。
为解决上述技术问题,本发明采用如下技术方案:
一种基于数字图像与机器学习的3D岩石储层建模方法,包括如下步骤:
步骤1、对岩石试件进行X-射线层析成像,获取岩石XCT数字图像,并对获取的岩石XCT数字图像进行预处理;
步骤2、根据预处理后的岩石XCT数字图像建立包含红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值的统计特征向量SCV;
步骤3、以步骤2得到的SCV作为分析依据,将当前像素点三通道像素灰度值与SCV中的灰度划分阈值、当前像素点两点相关系数值与SCV中的两点相关系数阈值进行比较,以对岩石XCT数字图像中的像素点进行微观结构相分类,并根据分类结果建立不同岩石微观结构相的分类数据集,基于分类数据集形成基于SCV的数字编码分类器;
步骤4、以深度残差网络模型作为基础框架建立岩石图像深度学习模型,根据步骤3中的数字编码分类器调整岩石图像深度学习模型的模型参数,以获取最优化的岩石图像深度学习模型;
步骤5、将预处理后的待建模的岩石XCT数字图像输入到最优化的岩石图像深度学习模型中对岩石不同微观结构相进行预测和分类,获得数字标签图像;
步骤6、根据获得的数字标签图像建立岩石储层地质力学模型。
进一步地,步骤1中对获取的初始岩石XCT数字图像进行中值过滤预处理。
进一步地,步骤2具体方法为:
对预处理后的岩石XCT数字图像进行处理分别得到红色、绿色、蓝色通道的岩石XCT数字图像;
对红色、绿色、蓝色通道的岩石XCT数字图像分别进行计算,对应得到红色通道岩石XCT数字图像的灰度划分阈值和两点相关系数阈值、绿色通道岩石XCT数字图像的像素灰度划分阈值和两点相关系数阈值以及蓝色通道岩石XCT数字图像的像素灰度划分阈值和两点相关系数阈值;
根据得到的红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值建立统计特征向量SCV。
进一步地,步骤2中灰度划分阈值和相关系数阈值的计算方法分别为:
式中:Gf为岩石XCT数字图像灰度直方图分布,f为像素灰度值,T为像素灰度划分阈值,i为第i类微观结构相,M为岩石XCT数字图像中划分微观结构相的阈值数目,ξ cc为两点相关系数阈值,f k ,、 f k+1分别对应为第k、k+1个相邻像素灰度值,d为两个相邻像素的欧式距离,dist(f k,f k+1)为计算两个像素的欧式距离函数。
进一步地,步骤2中SCV的表达式如下:
式中:SCV为特征向量,T,P分别对应为像素灰度划分阈值和两点相关系数阈值,2-point Correlation为两点相关性符号,m1、n1分别对应为红色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m2、n2分别对应为蓝色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m3、n3分别对应为绿色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数。
进一步地,步骤3具体方法为:
对SCV中红色、绿色、蓝色三通道像素灰度划分阈值以及两点相关系数阈值分别求平均值得到岩石XCT数字图像的灰度划分阈值、两点相关系数阈值;
根据岩石XCT数字图像的灰度划分阈值分割的灰度范围将岩石XCT数字图像中的像素点进行微观结构相初步分类,再结合像素点两点相关系数阈值进行精细分类,最后整理成分类数据集且统计各数据集中的像素点数量,从而形成基于SCV的数字编码分类器。
进一步地,,数字编码分类器中的每个元素包括若干个表征岩石不同微观结构相的英文字符矢量和对应序号数字标量,相应的表达式为:
式中:SCV code-classifer为数字编码分类器,Pore为孔隙相,Fracture为裂隙相,Quartz为石英相,Feldspar为长石相,N为不同岩石微观结构相的标签序号/个数。
进一步地,结合像素点两点相关系数阈值对像素点进行精细分类的方法为:
当根据灰度划分阈值确定某像素点被划分为某一岩石微观结构相i时,且当两点相关系数阈值0≤ξ cc<1,当某两相邻微观结构相即第i和i+1相的邻近像素点的两点相关系数值之差等于0或近似等于1/d时,则该像素点被划分为第i相;当其近似等于2/d~3/d时,该像素点被划分为介于第i相和i+1相之间的界面过渡相;当其大于3/d时,该像素点则被划分为第i+1相,其中,d为两个相邻像素的欧式距离。
进一步地,步骤4具体方法为:
将步骤3获得的基于初始岩石XCT数字图像数据集的数字编码器作为参照数据集,不断调整岩石图像深度学***均交并比MIoU、平均值Mean、中值Median、标准差SD和平均绝对偏差MAD。
进一步地,步骤6包括以下步骤:
S6.1、设定好岩石储层包括长、宽、高的几何参数和几何形状,建立岩石储层的几何模型;
S6.2、将构建的岩石储层的几何模型划分为多个等大的单元,再采用随机分布产生与模型单元尺寸相同的随机统计力学参数模型;
S6.3、提取步骤5中预测的数字标签图像的任一标签,根据此标签代表的材料相确定该材料相的力学属性值,将该材料相的力学属性值与随机分布函数相乘即获得此材料相对应单元的力学属性分布;
S6.4、调整随机分布函数的参数,根据步骤S6.3计算方法计算获得材料相的每个单元的力学属性值,再将每个单元的力学属性值与数字标签图像对应的材料相真实力学属性进行精细对比,并计算两者的误差,直至两者的误差小于设定值,则完成该结构相每个单元力学属性参数的匹配过程;按照上述方法逐步完成每个微观结构相的几何结构与力学参数分布模型的特征匹配;
S6.5、重复S6.3-6.4,直到岩石储层力学参数分布模型和微观结构相几何模型的力学属性参数匹配度大于95%时,则停止几何模型与力学参数分布模型匹配过程,得到匹配好的初始岩石储层数字化模型;
S6.6、将初始岩石储层数字化模型按照不同微观结构相进行网格划分,完成岩石储层地质力学模型的数字化建模。
与现有技术相比,本发明的有益效果为:
(1)本发明根据灰度划分阈值和两点相关系数阈值将岩石XCT数字图像精细划分为多种结构相,提高岩石内部不同微观结构相的识别划分精度,特别是可以清晰识别划分不同微观结构相之间的界面材料相;
(2)本发明通过构建18层网络深度的学习模型对岩石XCT数字图像进行预测和分类,大大提高了岩石的微观结构识别和划分的自主学习功能和泛化能力,并且可以拓展到不同类型岩石的微观结构识别和划分;
(3)本发明打破了岩石储层从微观模型到宏观模型的尺度限制,可根据岩石图像深度学习模型的自主学习功能,拓展到其他大规模尺度的岩石储层模型。
附图说明
图1为本发明实施例基于数字图像与机器学习的3D岩石储层建模方法流程示意图;
图2为本发明实施例采用岩石图像深度学习模型预测分类岩石不同微观结构相的示意图,其中,(a)为原始岩石XCT数字图像,(b)为基于SCV的数字编码分类器示意图,(c)为预测分类后的岩石不同结构相表征图;
图3为本发明实施例中岩石储层地质力学模型构建图,(a)为岩石不同结构相几何网格局部放大图,(b)为岩石储层地质力学数字化模型示意图。
具体实施方式
下面将结合本发明实施例对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明,但不作为本发明的限定。
如图1所示,本发明实施例公开了一种基于数字图像与机器学习的3D岩石储层建模方法,包括如下步骤:
步骤1、对岩石试件进行X-射线层析成像,获取岩石XCT数字图像,并对获取的岩石XCT数字图像进行预处理;
采用X-射线层析成像(XCT)仪器对钻取的岩石标准试件进行XCT成像,在本是实施例中,试样的尺寸为:直径Φ50mm × 高度100mm,获取岩石XCT数字图像。再对获取的初始岩石XCT数字图像调用MATLAB软件中的中值过滤函数进行中值过滤预处理,以消除环状伪影等环境噪点。
步骤2、根据预处理后的岩石XCT数字图像建立包含红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值的统计特征向量SCV;
在该步骤中,首先对预处理后的岩石XCT数字图像进行处理分别得到红色、绿色、蓝色通道的岩石XCT数字图像;
再对红色、绿色、蓝色通道的岩石XCT数字图像分别进行计算,对应得到红色通道岩石XCT数字图像的灰度划分阈值和两点相关系数阈值、绿色通道岩石XCT数字图像的像素灰度划分阈值和两点相关系数阈值以及蓝色通道岩石XCT数字图像的像素灰度划分阈值和两点相关系数阈值,其中,灰度划分阈值和相关系数阈值的计算方法分别为:
(1)
(2)
式中:Gf为岩石XCT数字图像灰度直方图分布,f为像素灰度值,T为像素灰度划分阈值,i为第i类微观结构相,M为岩石XCT数字图像中划分微观结构相的阈值数目,ξ cc为两点相关系数阈值,f k ,、 f k+1分别对应为第k、k+1个相邻像素灰度值,d为两个相邻像素的欧式距离,dist(f k,f k+1)为计算两个像素的欧式距离函数;
根据得到的红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值建立统计特征向量SCV,SCV的每个元素包括若干个红色通道岩石XCT数字图像的像素灰度划分阈值和两点相关系数值、绿色通道岩石XCT数字图像的像素灰度划分阈值和相关系数值及蓝色通道岩石XCT数字图像的像素灰度划分阈值和相关系数值,SCV的表达式如下:
(3)
式中:SCV为特征向量,T,P分别对应为像素灰度划分阈值和两点相关系数阈值,2-point Correlation为两点相关性符号,m1、n1分别对应为红色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m2、n2分别对应为蓝色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m3、n3分别对应为绿色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数。
步骤3、以步骤2得到的SCV作为分析依据,将当前像素点三通道像素灰度值与SCV中的灰度划分阈值、当前像素点的两点相关系数值与SCV中的两点相关系数阈值进行比较,以对岩石XCT数字图像中的像素点进行微观结构相分类,并根据分类结果建立不同岩石微观结构相的分类数据集,基于分类数据集形成基于SCV的数字编码分类器;
在该步骤中,首先对SCV中红色、绿色、蓝色三通道像素灰度划分阈值以及两点相关系数阈值分别求平均值得到岩石XCT数字图像的灰度划分阈值、两点相关系数阈值,即对SCV中红色通道灰度划分阈值T1、绿色通道灰度划分阈值T1、蓝色通道灰度划分阈值T1求平均值得到岩石XCT数字图像的第一个灰度划分阈值,以此类推,对SCV中红色、绿色、蓝色三通道对应像素灰度划分阈值以两点相关系数阈值分别求平均,得到岩石XCT数字图像的多个灰度划分阈值和两点相关系数阈值;
根据岩石XCT数字图像的灰度划分阈值分割的灰度范围将岩石XCT数字图像中的像素点进行微观结构相初步分类,即若当前像素点的灰度值在0至第一个灰度划分阈值之间则分为第一类并赋予标签1,若当前像素点的灰度值在第一个灰度划分阈值至第二个灰度划分阈值之间则划分为第二类并赋予标签2,依次类推,得到所有的类别划分;再结合像素点两点相关系数阈值进行精细分类,具体地,当根据灰度划分阈值确定某像素点被划分为某一岩石微观结构相i时,且当两点相关系数阈值0≤ξ cc<1,在某两相邻微观结构相如第i和i+1相的邻近像素点的两点相关系数值之差等于0或近似等于1/d时,该像素点被划分为第i相;当其近似等于2/d~3/d时,该像素点被划分为介于第i相和i+1相之间的界面过渡相;当其大于3/d时,该像素点则被划分为第i+1相,其中,d为两个相邻像素的欧式距离;
最后将划分完成的像素点整理成分类数据集且统计各数据集中的像素点数量,从而形成基于SCV的数字编码分类器,数字编码分类器中的每个元素包括若干个表征岩石不同微观结构相的英文字符矢量和对应序号数字标量,相应的表达式为:
(4)
式中:SCV code-classifer为数字编码分类器,Pore为孔隙相,Fracture为裂隙相,Quartz为石英相,Feldspar为长石相,N为不同岩石微观结构相的标签序号/个数。
步骤4、以深度残差网络模型作为基础框架建立岩石图像深度学习模型,以步骤3中的数字编码分类器作为参照数据集调整岩石图像深度学习模型的模型参数,以获取最优化的岩石图像深度学习模型;
在该步骤中,以深度残差网络模型作为基础框架,建立18层网络深度的岩石图像深度学***均交并比(MIoU)、平均值(Mean)、中值(Median)、标准差(SD)和平均绝对偏差(MAD)。它们对应的表达式分别为:
(5)
式中:num+1为岩石XCT数字图像某一微观结构相类别个数,kk为岩石XCT数字图像某一微观结构相中邻近像素集的像素数目,P ii为真实值为i,被预测值也为i(即“真正”)的数目,Pij为“真负”的数目,Pji为“假正”的数目,Pjj为“假负”的数目。
不断调整岩石图像深度学习模型的损失参数和响应次数等超参数,筛选出误差参数小于5%的损失参数和响应次数等超参数,即确定为最优化的岩石图像深度学习模型。
步骤5、将预处理后的待建模的岩石XCT数字图像输入到最优化的岩石图像深度学习模型中,对岩石不同微观结构相进行预测和分类;在该步骤中,采用最优化的岩石图像深度学习模型在预处理后的待建模的岩石XCT数字图像中从上到下、从左到右依次按照1至N(不同岩石微观结构相的标签序号/个数)的序号进行数字化表征获得数字标签图像,以完成岩石XCT数字图像中的不同微观结构相的识别、预测和分类,见图2。
步骤6、根据预测和分类结果建立岩石储层地质力学模型;该步骤具体包括:
S6.1、设定好岩石储层的长、宽、高等几何参数,确定好岩石储层几何形状建立岩石储层的几何模型,如本实施例中选择岩石储层为长方体,依次设置长、宽、高几何参数为100m、80m、150m;
S6.2、根据岩石储层的几何模型,利用随机分布产生与之匹配的随机力学参数分布模型;在该步骤中,根据构建的岩石储层的几何模型,自定义确定模型单元尺寸,如100×80×50,模型单元尺寸可根据计算需求自定义修改,根据模型单元尺寸将几何模型划分为多个等大的单元;再采用随机分布(如Weibull分布)产生与模型单元尺寸相同的随机统计力学参数模型,如弹性模量、应变等,其中随机分布的公式为:
(6)
式中:为Weibull分布概率密度,m h为分布均匀程度(值越大,表示分布越均匀),a为反应单元力学参数整体效应的系数,c为修正常数系数;
S6.3、提取步骤5中预测的数字标签图像的标签,根据各标签代表的材料相结合步骤S6.2中的随机分布得到数字标签图像中所有标签对应的材料相单元的力学属性分布;
提取步骤5中预测的数字标签图像的任一标签,根据此标签代表的材料相确定该材料相的力学属性值,如石英的弹性模量为77.8GPa;再获取统计随机统计力学参数模型中该材料相的单元数量;
根据随机分布(公式(6))乘以该材料相的力学属性值得到该材料相的力学属性值(本实施例为石英,其弹性模量为77.8GPa),即可获得此材料相对应单元的力学属性分布;
S6.4、调整随机分布中的参数并进行误差参数分析以对储层岩石不同微观结构相与力学参数分布的模型进行匹配;
不断调整S6.2中随机分布函数的分布均匀程度参数m h与反应单元力学参数整体效应的系数a,根据步骤S6.3计算方法计算获得材料相的每个单元的力学属性值,再将每个单元的力学属性值与数字标签图像对应的材料相真实力学属性进行精细对比,并计算两者的误差,直至两者的误差小于设定值,则完成该结构相每个单元力学属性参数的匹配过程;按照上述方法逐步完成每个微观结构相的几何结构与力学参数分布模型的特征匹配;
S6.5、重复S6.3-6.4,直到岩石储层力学参数分布模型和微观结构相几何模型的力学属性参数匹配度大于95%时,则停止几何模型与力学参数分布模型匹配过程,得到匹配好的初始岩石储层数字化模型;
S6.6、将匹配好的初始岩石储层数字化模型按照不同微观结构相进行网格划分,完成岩石储层地质力学模型的数字化建模,见图3。注意,此步骤的网格划分与S6.1中的模型单元不同,此处为计算模型的网格划分(可为三角形网格,也可为与步骤1相同的正方形网格),S6.1中为模型几何单元(二维模型下为正方形,三维模型下为立方体形)。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (8)
1.一种基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,包括如下步骤:
步骤1、对岩石试件进行X-射线层析成像,获取岩石XCT数字图像,并对获取的岩石XCT数字图像进行预处理;
步骤2、根据预处理后的岩石XCT数字图像建立包含红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值的统计特征向量SCV;
步骤3、以步骤2得到的SCV作为分析依据,将当前像素点的三通道像素灰度值与SCV中的灰度划分阈值、当前像素点的两点相关系数与SCV中的两点相关系数阈值进行比较,以对岩石XCT数字图像中的像素点进行微观结构相分类,并根据分类结果建立不同岩石微观结构相的分类数据集,基于分类数据集形成基于SCV的数字编码分类器;
步骤4、以深度残差网络模型作为基础框架建立岩石图像深度学习模型,根据步骤3中的数字编码分类器调整岩石图像深度学习模型的模型参数,以获取最优化的岩石图像深度学习模型;
步骤5、将预处理后的待建模的岩石XCT数字图像输入到最优化的岩石图像深度学习模型中对岩石不同微观结构相进行预测和分类,获得数字标签图像;
步骤6、根据获得的数字标签图像建立岩石储层地质力学模型;
其中,步骤2具体方法为:
对预处理后的岩石XCT数字图像进行处理,分别得到红色、绿色、蓝色通道的岩石XCT数字图像;
对红色、绿色、蓝色通道的岩石XCT数字图像分别进行计算,对应得到红色通道岩石XCT数字图像的灰度划分阈值和两点相关系数阈值、绿色通道岩石XCT数字图像的像素灰度划分阈值和两点相关系数阈值,以及蓝色通道岩石XCT数字图像的像素灰度划分阈值和两点相关系数阈值;
根据得到的红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值建立统计特征向量SCV;SCV的表达式如下:
式中:SCV为特征向量,T,P分别对应为像素灰度划分阈值和两点相关系数阈值,2-point Correlation为两点相关性符号,m1、n1分别对应为红色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m2、n2分别对应为蓝色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m3、n3分别对应为绿色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数。
2.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤1中对获取的岩石XCT数字图像进行中值过滤预处理。
3.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤2中灰度划分阈值和相关系数阈值的计算方法分别为:
式中:Gf为岩石XCT数字图像灰度直方图分布,f为像素灰度值,T为像素灰度划分阈值,i为第i类微观结构相,M为岩石XCT数字图像中划分微观结构相的阈值数目,ξ cc为两点相关系数阈值,f k ,、 f k+1分别对应为第k、k+1个相邻像素灰度值,d为两个相邻像素的欧式距离,dist (f k, f k+1)为计算两个像素的欧式距离函数。
4.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤3具体方法为:
对SCV中红色、绿色、蓝色三通道像素灰度划分阈值以及两点相关系数阈值分别求平均值得到岩石XCT数字图像的灰度划分阈值、两点相关系数阈值;
根据岩石XCT数字图像的灰度划分阈值分割的灰度范围将岩石XCT数字图像中的像素点进行微观结构相初步分类,再结合像素点两点相关系数阈值进行精细分类,最后整理成分类数据集并统计各数据集中的像素点数量,从而形成基于SCV的数字编码分类器。
5.根据权利要求4所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,数字编码分类器中的每个元素包括若干个表征岩石不同微观结构相的英文字符矢量和对应序号数字标量,相应的表达式为:
式中:SCV code-classifer为数字编码分类器,Pore为孔隙相,Fracture为裂隙相,Quartz为石英相,Feldspar为长石相,N为不同岩石微观结构相的标签序号/个数。
6.根据权利要求4所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,结合像素点两点相关系数阈值对像素点进行精细分类的方法为:
当根据灰度划分阈值确定某像素点被划分为某一岩石微观结构相i时,且当两点相关系数阈值0≤ξ cc<1,当某两相邻微观结构相即第i和i+1相的邻近像素点的两点相关系数值之差等于0或近似等于1/d时,则该像素点被划分为第i相;当其近似等于2/d~3/d时,该像素点被划分为介于第i相和i+1相之间的界面过渡相;当其大于3/d时,该像素点则被划分为第i+1相,其中,d为两个相邻像素的欧式距离。
7.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤4具体方法为:
将步骤3获得的基于初始岩石XCT数字图像数据集的数字编码器作为参照数据集,不断调整岩石图像深度学***均交并比MIoU、平均值Mean、中值Median、标准差SD和平均绝对偏差MAD。
8.根据权利要求1所述的基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,步骤6包括以下步骤:
S6.1、设定好岩石储层包括长、宽、高的几何参数和几何形状,建立岩石储层的几何模型;
S6.2、将构建的岩石储层的几何模型划分为多个等大的单元,再采用随机分布产生与模型单元尺寸相同的随机统计力学参数模型;
S6.3、提取步骤5中预测的数字标签图像的任一标签,根据此标签代表的材料相确定该材料相的力学属性值,将该材料相的力学属性值与随机分布函数相乘即获得此材料相对应单元的力学属性分布;
S6.4、调整随机分布函数的参数,根据步骤S6.3计算方法计算获得材料相的每个单元的力学属性值,再将每个单元的力学属性值与数字标签图像对应的材料相真实力学属性进行精细对比,并计算两者的误差,直至两者的误差小于设定值,则完成该结构相每个单元力学属性参数的匹配过程;按照上述方法逐步完成每个微观结构相的几何结构与力学参数分布模型的特征匹配;
S6.5、重复S6.3-6.4,直到岩石储层力学参数分布模型和微观结构相几何模型的力学属性参数匹配度大于95%时,则停止几何模型与力学参数分布模型匹配过程,得到匹配好的初始岩石储层数字化模型;
S6.6、将初始岩石储层数字化模型按照不同微观结构相进行网格划分,完成岩石储层地质力学模型的数字化建模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410048535.XA CN117557742B (zh) | 2024-01-12 | 2024-01-12 | 基于数字图像与机器学习的3d岩石储层建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410048535.XA CN117557742B (zh) | 2024-01-12 | 2024-01-12 | 基于数字图像与机器学习的3d岩石储层建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557742A CN117557742A (zh) | 2024-02-13 |
CN117557742B true CN117557742B (zh) | 2024-03-22 |
Family
ID=89818948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410048535.XA Active CN117557742B (zh) | 2024-01-12 | 2024-01-12 | 基于数字图像与机器学习的3d岩石储层建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557742B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2656303C1 (ru) * | 2017-03-06 | 2018-06-04 | Открытое акционерное общество "Сургутнефтегаз" | Способ построения геолого-гидродинамических моделей неоднородных пластов с тонким линзовидным переслаиванием песчано-алевритовых и глинистых пород |
CN111316294A (zh) * | 2017-09-15 | 2020-06-19 | 沙特***石油公司 | 使用神经网络推断烃储层的岩石物理特性 |
CN112070774A (zh) * | 2020-09-16 | 2020-12-11 | 西南石油大学 | 一种用于页岩数字岩心图像分割的神经网络优化方法 |
CN112150430A (zh) * | 2020-09-21 | 2020-12-29 | 中国矿业大学(北京) | 一种利用岩石细观结构数字图像的数值分析方法 |
CN112163621A (zh) * | 2020-09-29 | 2021-01-01 | 成都理工大学 | 一种基于微ct技术的致密砂岩储层孔隙结构分类及表征方法 |
CN112424829A (zh) * | 2018-06-29 | 2021-02-26 | 沙特***石油公司 | 通过数字成像来识别岩石结构的几何特性 |
CN113177302A (zh) * | 2021-04-14 | 2021-07-27 | 北京科技大学 | 一种裂隙岩石颗粒流模型构建及新生裂纹产状分析方法 |
CN113188975A (zh) * | 2021-05-07 | 2021-07-30 | 中南大学 | 基于图像处理技术的岩体裂隙及飞石运动分析***及方法 |
CN113916916A (zh) * | 2021-09-29 | 2022-01-11 | 西南石油大学 | 一种用于页岩数字岩心三维渗流-颗粒流动耦合的模拟方法 |
CN114609163A (zh) * | 2022-01-11 | 2022-06-10 | 武汉大学 | 基于色差识别的岩石微观结构射线成像探测法 |
CN114972799A (zh) * | 2022-05-05 | 2022-08-30 | 中国海洋石油集团有限公司 | 一种基于多偏光岩石薄片的长石矿物智能识别方法 |
CN115797767A (zh) * | 2022-11-29 | 2023-03-14 | 吉林大学 | 一种基于深度残差网络的花岗岩矿物识别方法 |
CN116338136A (zh) * | 2022-10-24 | 2023-06-27 | 武汉大学深圳研究院 | 基于精确矿物晶体仿真模型的钻井岩屑力学参数测量方法 |
CN117274533A (zh) * | 2023-10-11 | 2023-12-22 | 长沙理工大学 | 一种多孔岩石的三维几何模型构建方法及性能预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US11062439B2 (en) * | 2019-09-24 | 2021-07-13 | Halliburton Energy Services, Inc. | Automating microfacies analysis of petrographic images |
US20230184087A1 (en) * | 2021-12-13 | 2023-06-15 | Saudi Arabian Oil Company | Multi-modal and Multi-dimensional Geological Core Property Prediction using Unified Machine Learning Modeling |
-
2024
- 2024-01-12 CN CN202410048535.XA patent/CN117557742B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2656303C1 (ru) * | 2017-03-06 | 2018-06-04 | Открытое акционерное общество "Сургутнефтегаз" | Способ построения геолого-гидродинамических моделей неоднородных пластов с тонким линзовидным переслаиванием песчано-алевритовых и глинистых пород |
CN111316294A (zh) * | 2017-09-15 | 2020-06-19 | 沙特***石油公司 | 使用神经网络推断烃储层的岩石物理特性 |
CN112424829A (zh) * | 2018-06-29 | 2021-02-26 | 沙特***石油公司 | 通过数字成像来识别岩石结构的几何特性 |
CN112070774A (zh) * | 2020-09-16 | 2020-12-11 | 西南石油大学 | 一种用于页岩数字岩心图像分割的神经网络优化方法 |
CN112150430A (zh) * | 2020-09-21 | 2020-12-29 | 中国矿业大学(北京) | 一种利用岩石细观结构数字图像的数值分析方法 |
CN112163621A (zh) * | 2020-09-29 | 2021-01-01 | 成都理工大学 | 一种基于微ct技术的致密砂岩储层孔隙结构分类及表征方法 |
CN113177302A (zh) * | 2021-04-14 | 2021-07-27 | 北京科技大学 | 一种裂隙岩石颗粒流模型构建及新生裂纹产状分析方法 |
CN113188975A (zh) * | 2021-05-07 | 2021-07-30 | 中南大学 | 基于图像处理技术的岩体裂隙及飞石运动分析***及方法 |
CN113916916A (zh) * | 2021-09-29 | 2022-01-11 | 西南石油大学 | 一种用于页岩数字岩心三维渗流-颗粒流动耦合的模拟方法 |
CN114609163A (zh) * | 2022-01-11 | 2022-06-10 | 武汉大学 | 基于色差识别的岩石微观结构射线成像探测法 |
CN114972799A (zh) * | 2022-05-05 | 2022-08-30 | 中国海洋石油集团有限公司 | 一种基于多偏光岩石薄片的长石矿物智能识别方法 |
CN116338136A (zh) * | 2022-10-24 | 2023-06-27 | 武汉大学深圳研究院 | 基于精确矿物晶体仿真模型的钻井岩屑力学参数测量方法 |
CN115797767A (zh) * | 2022-11-29 | 2023-03-14 | 吉林大学 | 一种基于深度残差网络的花岗岩矿物识别方法 |
CN117274533A (zh) * | 2023-10-11 | 2023-12-22 | 长沙理工大学 | 一种多孔岩石的三维几何模型构建方法及性能预测方法 |
Non-Patent Citations (5)
Title |
---|
XP Zhou,et al..Analysis of fracture properties of three-dimensional reconstructed rock model using hierarchical-fractal annealing algorithm.Engineering Geology.2019,第256卷第39-56页. * |
Zhi Zhao,et al..Digital assessment of phase changes and heat transfer for hydrates in microstructures using X-ray CT imaging.Geoenergy Science and Engineering.2023,第229卷第1-17页. * |
基于数字图像处理的非均质岩石材料破坏过程模拟;朱泽奇;肖培伟;盛谦;刘继国;冷先伦;;岩土力学;20111210(第12期);全文 * |
微焦X射线扫描成像技术在岩石物性特征研究的现状;卢树参;许红;陈勇;张海洋;王修齐;张威威;;海洋地质前沿;20160328(第03期);全文 * |
酸性腐蚀花岗岩冲击荷载能量演化试验研究;周小平等;土木与环境工程学报;20230530;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117557742A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | An end-to-end three-dimensional reconstruction framework of porous media from a single two-dimensional image based on deep learning | |
Tahmasebi et al. | Multiscale study for stochastic characterization of shale samples | |
WO2023029461A1 (zh) | 海量高维ais轨迹数据聚类方法 | |
Ebrahimi et al. | Genetic algorithm-based pore network extraction from micro-computed tomography images | |
CN110322495A (zh) | 一种基于弱监督深度学习的场景文本分割方法 | |
CN116167668B (zh) | 基于bim的绿色节能建筑施工质量评价方法及*** | |
CN111028335B (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
CN108595558B (zh) | 一种数据均衡策略和多特征融合的图像标注方法 | |
CN101853485A (zh) | 一种基于近邻传播聚类的非均匀点云简化处理方法 | |
CN106815447B (zh) | 基于历史数据的复杂结构件加工特征智能定义与分类方法 | |
CN101853526A (zh) | 一种自适应密度的非均匀点云简化处理方法 | |
Li et al. | Dictionary optimization and constraint neighbor embedding-based dictionary mapping for superdimension reconstruction of porous media | |
CN113989291A (zh) | 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法 | |
CN115496982A (zh) | 一种基于深度神经网络的煤矿井壁裂缝识别方法 | |
CN108561127A (zh) | 一种基于随机模拟的地层压力预测方法 | |
CN113744389B (zh) | 一种面向复杂零件曲面特征保留的点云精简方法 | |
CN110222368A (zh) | 一种利用二维切片计算岩心三维孔隙度和渗透率的方法 | |
CN112800590B (zh) | 一种机器学习辅助的两相流油藏随机建模的网格粗化方法 | |
CN116186864B (zh) | 一种基于bim技术的深基坑模型快速建模方法及*** | |
CN117557742B (zh) | 基于数字图像与机器学习的3d岩石储层建模方法 | |
CN113920254B (zh) | 一种基于单目rgb的室内三维重建方法及其*** | |
CN115620287A (zh) | 一种基于面片上下文特征的室内点云场景语义分割方法 | |
CN111402256B (zh) | 一种基于模板的三维点云目标检测和姿态估计方法 | |
Liu et al. | Statistical estimation of blast fragmentation by applying 3D laser scanning to muck pile | |
CN107330869A (zh) | 重叠细胞分割后的异常像素点重构 |
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 |