CN118095021A - 一种大尺寸数字岩心渗透率的高效计算方法 - Google Patents
一种大尺寸数字岩心渗透率的高效计算方法 Download PDFInfo
- Publication number
- CN118095021A CN118095021A CN202410518282.8A CN202410518282A CN118095021A CN 118095021 A CN118095021 A CN 118095021A CN 202410518282 A CN202410518282 A CN 202410518282A CN 118095021 A CN118095021 A CN 118095021A
- Authority
- CN
- China
- Prior art keywords
- rev
- digital
- program
- size
- core
- 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.)
- Granted
Links
- 230000035699 permeability Effects 0.000 title claims abstract description 69
- 239000011435 rock Substances 0.000 title claims abstract description 66
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 239000011148 porous material Substances 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000009448 modified atmosphere packaging Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 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
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种大尺寸数字岩心渗透率的高效计算方法，涉及油气开发技术领域，具体包括如下步骤：利用马尔科夫链蒙特卡洛法MCMC重构数字岩心。利用python程序确定代表体积单元REV的尺寸。利用python程序获取REV数据集Ⅰ。对比待筛选数据与标准数据的误差，将平均配位数或平均孔径超过2%的REV剔除，最终得到REV筛选数据集，即REV数据集ⅠⅠ。使用程序Ⅳ调用数字岩心模拟的可执行文件，对REV筛选数据集中所有REV执行渗透率模拟，进行渗透率预测。本发明的技术方案克服现有技术中的大尺寸数字岩心渗透率预测方法不能同时兼顾准确性和高效性的问题。
Description
技术领域
本发明涉及油气开发技术领域，具体涉及一种大尺寸数字岩心渗透率的高效计算方法。
背景技术
数字岩心技术在石油开发领域中应用广泛，是在纳米-微米尺度上研究渗流机理的重要平台。数字岩心的构建方法有两类：物理实验法和数值重构法。其中物理实验法采用高精度扫描设备（微米CT、纳米CT等）扫描真实岩心，经过滤波、灰度校正最终得到数字岩心。但物理实验法受限于分辨率的限制，无法在大尺寸范围真实还原真实岩心的细微孔隙结构，且耗时长、操作复杂、成本高。数值重构法基于真实岩心的二维切片重建三维数字岩心，其中MCMC重构速度快，且重构岩心符合训练图像的统计信息；MPS能够还原训练图像的纹理特征；机器学习算法基于大量岩心数据集，具有重构符合样品特征的数字岩心的能力。因此，数值重构法相较于物理实验法节省资源和成本。
岩石的孔渗特征是影响储层流体储集和渗流能力的关键因素。基于数字岩心模拟获取岩石渗透率，对于预测油气藏的产能和储量具有重要意义，常用方法包括DN-S、LBM和基于PNM的模拟等。其中DN-S精度最高，在小尺寸数字岩心上使用DN-S模拟十分可靠，但随着尺寸增加，计算量急剧上升；LBM求解N-S方程时具有简洁性，且具有并行优势，但需要大量内存来储存分布函数；PNM提取自数字岩心，其简化孔隙空间为球棍模型，计算速度快但准确性不足。
REV是大尺寸数字岩心的代表体积单元，其孔隙度、孔径分布和拓扑结构与大尺寸数字岩心相近，可以近似代替大尺寸数字岩心进行流动模拟。基于REV与大尺寸数字岩心的孔隙度匹配关系优选REV体素尺寸，进而获取REV数据集，通过孔径分布和配位数筛选符合条件的REV数据集，基于此数据集采用有限差分法求解N-S方程，计算REV渗透率，最终获取大尺寸数字岩心的渗透率。相较于传统的人工选择REV体素尺寸，减少了试错成本；相较于基于大尺寸数字岩心的直接模拟，大大减少了计算量。同时，由于大尺寸数字岩心经MCMC数值重构得到，因此适用于页岩等非均质储层的渗透率预测。
针对现有的大尺寸数字岩心渗透率预测方法在预测准确性和预测速度的能力做以下阐述：
（1）基于机器学习的渗透率预测。卷积神经网络是一种机器学习算法，其适用于数据预测，尤其适用于具有空间结构的数据。虽然机器学习方法预测渗透率具有一定的泛化能力，但需要依托大量的数据集才能开展，且预测时间较长。
（2）基于拼接数字岩心的渗透率预测。将许多小尺寸数字岩心拼接为大尺寸的拼接数字岩心，由小尺寸数字岩心的渗透率推导出拼接数字岩心渗透率。该方法所产生的拼接数字岩心的连通性难以保证，最终的预测渗透率会产生一定误差。
（3）基于REV的渗透率预测。确定REV的体素尺寸，基于REV开展流动模拟预测原始数字岩心的渗透率。但目前确定REV尺寸的方法均为随机取值，若取值不当则造成计算资源的浪费。且针对不符合原始数字岩心拓扑结构的REV，没有完备的筛选方法。
（4）基于PNM的渗透率预测。提取大尺寸数字岩心的PNM，基于PNM预测渗透率。首先PNM提取算法在数字岩心尺寸较大时耗时较长，且对初始设定参数敏感。其次PNM将数字岩心的孔隙空间简化为球棍模型，预测结果精度不足。
综上所述，现需要一种准确、高效地预测大尺寸、非均质数字岩心渗透率的方法。
发明内容
本发明的主要目的在于提供一种大尺寸数字岩心渗透率的高效计算方法，以解决现有技术中的大尺寸数字岩心渗透率预测方法不能同时兼顾准确性和高效性的问题。
为实现上述目的，本发明提供了一种大尺寸数字岩心渗透率的高效计算方法，具体包括如下步骤：
S1，利用马尔科夫链蒙特卡洛法MCMC重构数字岩心。
S2，利用python程序确定代表体积单元REV的尺寸。
S3，利用python程序获取REV数据集Ⅰ。
S4，对比待筛选数据与标准数据的误差，将平均配位数或平均孔径超过2%的REV剔除，最终得到REV筛选数据集，即REV数据集ⅠⅠ。
S5，导入REV数据集ⅠⅠ至python程序中，命名为程序Ⅳ，使用程序Ⅳ调用数字岩心模拟的可执行文件，即调用有限差分法N-S方程求解器，对REV筛选数据集中所有REV执行渗透率模拟，进行渗透率预测。
进一步地，步骤S1具体为：获取储层岩石的SEM-MAPs图像，截取具有典型孔隙特征的训练图像，二值化处理后经MCMC重构得到大尺寸数字岩心，命名为数字岩心Ⅰ，数字岩心Ⅰ包含了储层岩石的典型孔隙特征。
进一步地，步骤S2具体包括如下步骤：
S2.1，将数字岩心Ⅰ导入确定REV尺寸的python程序中，并命名为程序Ⅰ，程序Ⅰ利用skimage库的io函数读取数字岩心Ⅰ的三维tif文件，之后用numpy库的array函数将数字岩心Ⅰ转化为只包含0、1的三维数组，将三维数组命名为数据体，数据体中0表示孔隙，1表示页岩骨架。
S2.2，python程序首先计算出数字岩心I的孔隙度，然后计算各尺寸REV的孔隙度，设定REV尺寸边长，python程序在每个尺寸边长下从数字岩心Ⅰ中随机选取多个REV计算孔隙度，将孔隙度除以数字岩心Ⅰ的孔隙度得到相对误差，拟合得到孔隙度最大误差与REV尺寸的关系曲线，将2%带入关系曲线。
进一步地，步骤S3具体为：将数字岩心Ⅰ导入获取REV数据集的python程序中，并命名为程序ⅠⅠ，程序ⅠⅠ将从数字岩心Ⅰ中自动获取REV，程序ⅠⅠ从步骤S2的数据体中选取尺寸为n像素的REV，从初始位置开始，在三个方向上依次迭代选取所有REV，迭代步长为半个REV尺寸即n/2像素，最终获取M个REV，命名为REV数据集Ⅰ。
进一步地，步骤S4具体包括如下步骤：
S4.1，将REV数据集Ⅰ导入REV筛选的python程序中，并命名为程序ⅠⅠⅠ，程序ⅠⅠⅠ调用SNOW算法提取REV数据集Ⅰ中所有REV的PNM，统计PNM中所有孔隙连接的喉道数目，除以孔隙总数得到REV的平均配位数；统计PNM中所有孔隙和喉道的半径大小，除以孔喉总数得到REV平均孔喉半径；然后提取数字岩心Ⅰ的PNM，分析得到数字岩心Ⅰ的平均配位数和平均孔喉半径。
S4.2，计算步骤S4.1中得到的REV平均配位数与数字岩心Ⅰ的平均配位数的误差，计算REV平均孔喉半径和数字岩心Ⅰ的平均孔喉半径的误差，筛选两个误差均不超过2%的REV，组成REV数据集ⅠⅠ。
进一步地，步骤S5具体为：导入REV数据集ⅠⅠ至python程序中，命名为程序Ⅳ，使用程序Ⅳ调用数字岩心模拟的可执行文件，对REV数据集ⅠⅠ中所有REV执行渗透率模拟，采用有限差分法求解N-S方程控制的单相流动模拟，统计模拟收敛耗时和内存使用情况，得到REV渗透率数值，对REV渗透率数值取均值得到数字岩心Ⅰ的渗透率。
本发明具有如下有益效果：
本发明提供了一种大尺寸数字岩心渗透率的高效计算方法。基于岩石的SEM-MAPs截取训练图像并重构数字岩心，通过渗透率匹配关系确定REV的尺寸大小并获取所有REV，之后筛选得到符合储层岩石孔隙特征的REV数据集，最终基于REV数据集进行流动模拟，获得所有REV的渗透率之后经拟合得到储层岩石的渗透率。本发明的优点在于：
（1）REV尺寸的选取不再需要手动输入，而是依据与储层岩石的孔隙度误差选取，减少了试错成本。
（2）通过平均配位数和平均孔喉直径对所有REV进行筛选，保证精度的同时减少了计算量。
（3）数字岩心经训练图像数值重构得到，当截取的训练图像具有非均质特征时，重构数字岩心也包含了非均质特征，因此适用于非均质储层。
（4）REV的选取、筛选和渗透率预测通过程序一体化实现，过程简单，耗时短。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了本发明的一种大尺寸数字岩心渗透率的高效计算方法的流程图。
图2示出了利用本发明方法步骤S1重构的数字岩心Ⅰ的包含非均质性典型孔隙特征的训练图像。
图3示出了各尺寸REV孔隙度与原始大尺寸数字岩心孔隙度的最大相对误差拟合曲线图。
图4示出了各尺寸REV孔隙度与原始大尺寸数字岩心孔隙度的相对误差小提琴图。
图5示出了利用本发明步骤S1重构的大尺寸数字岩心和利用本发明步骤S4获取的REV图。
图6示出了不同尺寸REV模拟收敛所需时间及内存使用情况图。
图7示出了不同REV尺寸的预测渗透率对比图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做出创造性劳动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。
如图1所示的一种大尺寸数字岩心渗透率的高效计算方法，具体包括如下步骤：
S1，获取储层岩石的SEM-MAPs图像，截取具有典型孔隙特征的训练图像，利用马尔科夫链蒙特卡洛法MCMC重构大尺寸数字岩心。
S2，确定代表体积单元REV的尺寸：利用python程序确定代表体积单元REV的尺寸。将数字岩心Ⅰ导入确定REV尺寸的python程序中，该程序命名为程序Ⅰ。程序Ⅰ将自动计算各尺寸REV孔隙度与数字岩心Ⅰ孔隙度的相对误差，以相对误差不高于2%为目标条件，确定REV的最佳尺寸。
S3，获取REV：利用python程序获取REV数据集Ⅰ。将数字岩心Ⅰ导入获取REV数据集的python程序中，该程序命名为程序ⅠⅠ。程序ⅠⅠ将从数字岩心Ⅰ中自动获取REV，REV尺寸由步骤S2确定。REV获取步长可以设定，默认为半个REV尺寸。最终获取REV初始集合，命名为REV数据集Ⅰ。
S4，筛选REV：对比待筛选数据与标准数据的误差，将平均配位数或平均孔径超过2%的REV剔除，最终得到REV筛选数据集。将REV数据集Ⅰ导入REV筛选的python程序中，该程序命名为程序ⅠⅠⅠ。程序ⅠⅠⅠ将针对REV数据集Ⅰ中的每个REV依次进行PNM提取、PNM分析，得到每个REV的平均配位数和平均孔径，命名为待筛选数据。同时提取数字岩心Ⅰ的PNM，获取其平均配位数和平均孔径，命名为标准数据。对比待筛选数据与标准数据的误差，将平均配位数或平均孔径超过2%的REV剔除，最终得到REV筛选数据集，命名为REV数据集ⅠⅠ。
S5，预测渗透率：导入REV数据集ⅠⅠ至python程序中，命名为程序Ⅳ，使用程序Ⅳ调用数字岩心模拟的可执行文件，即调用有限差分法N-S方程求解器，使用程序Ⅳ对REV筛选数据集中所有REV执行渗透率模拟，进行渗透率预测。使用程序Ⅳ调用数字岩心模拟的可执行文件，对REV数据集ⅠⅠ中所有REV执行渗透率模拟，得到一系列REV渗透率数值，取均值最终得到数字岩心Ⅰ的渗透率，进而实现对渗透率的预测。
具体地，步骤S1具体为：获取储层岩石的SEM-MAPs图像，截取具有典型孔隙特征的训练图像，二值化处理后经MCMC重构得到大尺寸数字岩心，命名为数字岩心Ⅰ，如图2所示，数字岩心Ⅰ包含了储层岩石的典型孔隙特征。
具体地，步骤S2具体包括如下步骤：
S2.1，将数字岩心Ⅰ导入确定REV尺寸的python程序中，该程序命名为程序Ⅰ，程序Ⅰ利用skimage库的io函数读取数字岩心Ⅰ的三维tif文件，之后用numpy库的array函数将数字岩心Ⅰ转化为只包含0、1的三维数组，将三维数组命名为数据体，数据体中0表示孔隙，1表示页岩骨架。
S2.2，python程序首先计算出数字岩心I的孔隙度，然后计算各尺寸REV的孔隙度，设定REV尺寸边长，python程序在每个尺寸边长下从数字岩心Ⅰ中随机选取多个REV计算孔隙度，将孔隙度除以数字岩心Ⅰ的孔隙度得到相对误差，拟合得到孔隙度最大误差与REV尺寸的关系曲线，将2%带入关系曲线，得到最佳REV尺寸n。
具体地，步骤S3具体为：将数字岩心Ⅰ导入获取REV数据集的python程序中，该程序命名为程序ⅠⅠ，程序ⅠⅠ将从数字岩心Ⅰ中自动获取REV，程序ⅠⅠ从步骤S2的数据体中选取尺寸为n像素的REV，从初始位置开始，在三个方向上依次迭代选取所有REV，迭代步长为半个REV尺寸即n/2像素，最终获取M个REV，命名为REV数据集Ⅰ。
具体地，步骤S4具体包括如下步骤：
S4.1，将REV数据集Ⅰ导入REV筛选的python程序中，该程序命名为程序ⅠⅠⅠ，程序ⅠⅠⅠ调用SNOW算法提取REV数据集Ⅰ中所有REV的PNM，统计PNM中所有孔隙连接的喉道数目，除以孔隙总数得到REV的平均配位数；统计PNM中所有孔隙和喉道的半径大小，除以孔喉总数得到REV平均孔喉半径；然后提取数字岩心Ⅰ的PNM，分析得到数字岩心Ⅰ的平均配位数和平均孔喉半径。
S4.2，计算步骤S4.1中得到的REV平均配位数与数字岩心Ⅰ的平均配位数的误差，计算REV平均孔喉半径和数字岩心Ⅰ的平均孔喉半径的误差，筛选两个误差均不超过2%的REV，组成REV数据集ⅠⅠ。
具体地，步骤S5具体为：导入REV数据集ⅠⅠ至python程序中，命名为程序Ⅳ。程序Ⅳ将调用数字岩心模拟的可执行文件，对REV数据集ⅠⅠ中所有REV执行渗透率模拟，可执行文件采用有限差分法求解N-S方程控制的单相流动模拟，统计模拟收敛耗时和内存使用情况，得到REV渗透率数值，对REV渗透率数值取均值得到数字岩心Ⅰ的渗透率。
实施例一
下面结合实例对一种大尺寸数字岩心渗透率的高效计算方法做进一步限定。
步骤1，获取页岩SEM-MAPs图像，其分辨率为40纳米，从中选取具有页岩典型孔隙特征的区域，截取800×800像素大小，经Otsu算法二值化处理后，利用MCMC重构生成500×500×500体素大小的数字岩心，格式为三维tif文件，命名为数字岩心Ⅰ。如图2和图4所示，数字岩心Ⅰ包含了页岩的典型孔隙特征，是具有非均质性的大尺寸数字岩心。
步骤2，数字岩心Ⅰ导入python程序。将数字岩心Ⅰ导入python程序中，程序利用skimage库（版本0.19.3）的io函数读取数字岩心Ⅰ的三维tif文件，之后用numpy库（版本1.23.4）的array函数将数字岩心Ⅰ转化为只包含0、1的三维数组，将该数组命名为数据体。数据体中0表示孔隙，1表示页岩骨架。
REV尺寸确定。程序首先计算出数字岩心I的孔隙度为0.16。然后计算各尺寸REV的孔隙度，REV尺寸边长设定为10、50、90、130、170，程序在每个尺寸下从数字岩心Ⅰ中随机选取多个REV计算孔隙度，将该孔隙度除以数字岩心Ⅰ的孔隙度即0.16得到相对误差，如图3所示，拟合得到孔隙度最大误差与REV尺寸的关系曲线，将2%带入曲线得到REV尺寸为150像素，如图4所示，大尺寸数字岩心的尺寸为500像素，孔隙度为0.16，选定REV尺寸为150像素。
步骤3，REV数据集获取。程序从步骤S2的数据体中选取尺寸为150像素的REV，如图5所示，从初始位置开始，在三个方向上（即X、Y、Z三个方向上）依次迭代选取所有REV，迭代步长为半个REV尺寸即75像素。最终获取125个REV，命名为REV数据集Ⅰ。图5中大立方体中为大尺寸数字岩心，小立方体中为其REV。
步骤4，数字岩心Ⅰ和REV特征分析。程序调用SNOW算法提取REV数据集Ⅰ中所有REV的PNM，统计PNM中所有孔隙连接的喉道数目，除以孔隙总数得到REV的平均配位数；统计PNM中所有孔隙和喉道的半径大小，除以孔喉总数得到REV的平均孔喉半径。然后提取数字岩心Ⅰ的PNM，分析得到数字岩心Ⅰ的平均配位数为10.6，平均孔喉半径为197纳米。
REV筛选。计算REV平均配位数与10.6的误差和平均孔喉半径和197的误差，筛选两个误差均不超过2%的REV，组成REV数据集ⅠⅠ。
步骤5，渗透率预测。导入REV数据集ⅠⅠ至python程序中，命名为程序Ⅳ。程序Ⅳ将调用数字岩心模拟的可执行文件，对REV数据集ⅠⅠ中所有REV执行渗透率模拟。采用有限差分法求解N-S方程控制的单相流动模拟，统计模拟收敛耗时和内存最终使用情况如图6所示。图6示出了不同尺寸REV模拟收敛所需时间及内存使用情况图，其中计算时间使用对数坐标。随着REV尺寸增加，计算时间和内存使用均指数增长，因此本发明的REV确定方法减少了不必要的计算消耗。如图7所示，示出了不同REV尺寸的预测渗透率对比图，由图7可知，REV尺寸为150像素时模拟得到的渗透率基本不变。相较于直接基于大尺寸数字岩心进行模拟，本发明所提出的模拟方法节省了大量时间和计算内存，为非常规油气藏大尺寸数字岩心的渗透率模拟提供了技术支撑。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (6)
1.一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，具体包括如下步骤：
S1，利用马尔科夫链蒙特卡洛法MCMC重构数字岩心；
S2，利用python程序确定代表体积单元REV的尺寸；
S3，利用python程序获取REV数据集Ⅰ；
S4，对比待筛选数据与标准数据的误差，将平均配位数或平均孔径超过2%的REV剔除，最终得到REV筛选数据集，即REV数据集ⅠⅠ；
S5，导入REV数据集ⅠⅠ至python程序中，命名为程序Ⅳ，使用程序Ⅳ调用数字岩心模拟的可执行文件，对REV筛选数据集中所有REV执行渗透率模拟，进行渗透率预测。
2.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤S1具体为：获取储层岩石的SEM-MAPs图像，截取具有典型孔隙特征的训练图像，二值化处理后经MCMC重构得到大尺寸数字岩心，命名为数字岩心Ⅰ，数字岩心Ⅰ包含了储层岩石的典型孔隙特征。
3.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤S2具体包括如下步骤：
S2.1，将数字岩心Ⅰ导入确定REV尺寸的python程序中，并命名为程序Ⅰ，程序Ⅰ利用skimage库的io函数读取数字岩心Ⅰ的三维tif文件，之后用numpy库的array函数将数字岩心Ⅰ转化为只包含0、1的三维数组，将三维数组命名为数据体，数据体中0表示孔隙，1表示页岩骨架；
S2.2，python程序首先计算出数字岩心I的孔隙度，然后计算各尺寸REV的孔隙度，设定REV尺寸边长，python程序在每个尺寸边长下从数字岩心Ⅰ中随机选取多个REV计算孔隙度，将孔隙度除以数字岩心Ⅰ的孔隙度得到相对误差，拟合得到孔隙度最大误差与REV尺寸的关系曲线，将2%带入关系曲线。
4.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤S3具体为：将数字岩心Ⅰ导入获取REV数据集的python程序中，并命名为程序ⅠⅠ，程序ⅠⅠ将从数字岩心Ⅰ中自动获取REV，程序ⅠⅠ从步骤S2的数据体中选取尺寸为n像素的REV，从初始位置开始，在三个方向上依次迭代选取所有REV，迭代步长为半个REV尺寸即n/2像素，最终获取M个REV，命名为REV数据集Ⅰ。
5.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤S4具体包括如下步骤：
S4.1，将REV数据集Ⅰ导入REV筛选的python程序中，并命名为程序ⅠⅠⅠ，程序ⅠⅠⅠ调用SNOW算法提取REV数据集Ⅰ中所有REV的PNM，统计PNM中所有孔隙连接的喉道数目，除以孔隙总数得到REV的平均配位数；统计PNM中所有孔隙和喉道的半径大小，除以孔喉总数得到REV平均孔喉半径；然后提取数字岩心Ⅰ的PNM，分析得到数字岩心Ⅰ的平均配位数和平均孔喉半径；
S4.2，计算步骤S4.1中得到的REV平均配位数与数字岩心Ⅰ的平均配位数的误差，计算REV平均孔喉半径和数字岩心Ⅰ的平均孔喉半径的误差，筛选两个误差均不超过2%的REV，组成REV数据集ⅠⅠ。
6.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤S5具体为：导入REV数据集ⅠⅠ至python程序中，命名为程序Ⅳ，使用程序Ⅳ调用数字岩心模拟的可执行文件，对REV数据集ⅠⅠ中所有REV执行渗透率模拟，采用有限差分法求解N-S方程控制的单相流动模拟，统计模拟收敛耗时和内存使用情况，得到REV渗透率数值，对REV渗透率数值取均值得到数字岩心Ⅰ的渗透率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410518282.8A CN118095021B (zh) | 2024-04-28 | 2024-04-28 | 一种大尺寸数字岩心渗透率的计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410518282.8A CN118095021B (zh) | 2024-04-28 | 2024-04-28 | 一种大尺寸数字岩心渗透率的计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118095021A true CN118095021A (zh) | 2024-05-28 |
| CN118095021B CN118095021B (zh) | 2024-07-26 |
Family
ID=91157845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410518282.8A Active CN118095021B (zh) | 2024-04-28 | 2024-04-28 | 一种大尺寸数字岩心渗透率的计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095021B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120221306A1 (en) * | 2009-04-08 | 2012-08-30 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
| CN104641259A (zh) * | 2012-06-15 | 2015-05-20 | 英格染股份有限公司 | 利用多相流表征单元体积确定的数字岩石分析***与方法 |
| CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
| CN105510204A (zh) * | 2015-12-03 | 2016-04-20 | 大连理工大学 | 一种基于ct图像的渗透率预测方法 |
| 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 |
| CN109632604A (zh) * | 2019-01-04 | 2019-04-16 | 中国海洋石油集团有限公司 | 一种孔隙尺度到岩心尺度聚合物驱相对渗透率粗化方法 |
| CN110135311A (zh) * | 2019-05-06 | 2019-08-16 | 重庆科技学院 | 一种基于三维岩心扫描图像的孔隙与孔喉识别***及方法 |
| CN111563927A (zh) * | 2020-05-14 | 2020-08-21 | 西南石油大学 | 一种基于岩石微ct图像的孔隙迂曲度计算方法 |
| CN113850030A (zh) * | 2021-09-24 | 2021-12-28 | 中国石油大学(华东) | 一种页岩油储层相对渗透率的确定方法和装置 |
| CN116168073A (zh) * | 2021-11-24 | 2023-05-26 | 中国石油天然气股份有限公司 | 一种数字岩心渗流特性分析的rev确定方法和装置 |
| CN116342815A (zh) * | 2023-05-12 | 2023-06-27 | 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 |
| US11954417B1 (en) * | 2022-11-09 | 2024-04-09 | China University Of Petroleum (East China) | Method for predicting permeability of multi-mineral phase digital core based on deep learning |
-
2024
- 2024-04-28 CN CN202410518282.8A patent/CN118095021B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120221306A1 (en) * | 2009-04-08 | 2012-08-30 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
| CN104641259A (zh) * | 2012-06-15 | 2015-05-20 | 英格染股份有限公司 | 利用多相流表征单元体积确定的数字岩石分析***与方法 |
| CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
| CN105510204A (zh) * | 2015-12-03 | 2016-04-20 | 大连理工大学 | 一种基于ct图像的渗透率预测方法 |
| 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 |
| CN109632604A (zh) * | 2019-01-04 | 2019-04-16 | 中国海洋石油集团有限公司 | 一种孔隙尺度到岩心尺度聚合物驱相对渗透率粗化方法 |
| CN110135311A (zh) * | 2019-05-06 | 2019-08-16 | 重庆科技学院 | 一种基于三维岩心扫描图像的孔隙与孔喉识别***及方法 |
| CN111563927A (zh) * | 2020-05-14 | 2020-08-21 | 西南石油大学 | 一种基于岩石微ct图像的孔隙迂曲度计算方法 |
| CN113850030A (zh) * | 2021-09-24 | 2021-12-28 | 中国石油大学(华东) | 一种页岩油储层相对渗透率的确定方法和装置 |
| CN116168073A (zh) * | 2021-11-24 | 2023-05-26 | 中国石油天然气股份有限公司 | 一种数字岩心渗流特性分析的rev确定方法和装置 |
| US11954417B1 (en) * | 2022-11-09 | 2024-04-09 | China University Of Petroleum (East China) | Method for predicting permeability of multi-mineral phase digital core based on deep learning |
| CN116342815A (zh) * | 2023-05-12 | 2023-06-27 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| 夏惠芬;孙羽佳;许宁;来旭;乔宏宇;徐淼;: "基于自适应性的三维数字岩心构建方法", 数学的实践与认识, no. 18, 23 September 2015 (2015-09-23) * |
| 景文龙等: "基于TensorFlow的均质数字岩心渗透率预测方法及应用", 《中国石油大学学报(自然科学版)》, 31 August 2021 (2021-08-31) * |
| 李亚军;姚军;黄朝琴;张凯;: "裂缝性油藏等效渗透率张量计算及表征单元体积研究", 水动力学研究与进展A辑, no. 01, 15 January 2010 (2010-01-15) * |
| 许林;张巍;梁小龙;肖瑞;曹剑秋;: "岩土介质孔隙结构参数灰色关联度分析", 南京大学学报(自然科学), no. 06, 30 November 2018 (2018-11-30) * |
| 赵明;郁伯铭;: "数字岩心孔隙结构的分形表征及渗透率预测", 重庆大学学报, no. 04, 15 April 2011 (2011-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118095021B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gostick | Versatile and efficient pore network extraction method using marker-based watershed segmentation | |
| 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 | |
| CN106600553B (zh) | 一种基于卷积神经网络的dem超分辨率方法 | |
| CN109087396B (zh) | 一种基于混凝土ct图像像素特征的细观结构重构方法 | |
| Zhao et al. | An integrated method for 3D reconstruction model of porous geomaterials through 2D CT images | |
| US10223782B2 (en) | Digital rock physics-based trend determination and usage for upscaling | |
| EA032063B1 (ru) | Системы и способы усовершенствования прямого численного моделирования свойств материала из образцов горной породы и выявления неопределенности в свойствах материала | |
| CN113344956B (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
| CN108921945B (zh) | 结合居中轴线与实体模型的孔隙网络模型构建方法 | |
| CN114565658B (zh) | 基于ct技术的孔隙尺寸计算方法及装置 | |
| CN114283254B (zh) | 基于核磁共振数据的岩心数字化孔隙网络模型构建方法 | |
| CN114078183B (zh) | 多孔介质三维结构的重建方法、装置、设备及介质 | |
| CN108733952B (zh) | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 | |
| CN115552461A (zh) | 源自二维图像的材料性质 | |
| CN117892654A (zh) | 基于ct扫描和多相物理场耦合的砂岩数字岩心多孔介质渗流特征的模拟方法 | |
| CN110222368B (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 | |
| CN115345069A (zh) | 一种基于最大水深记录和机器学习的湖泊水量估算方法 | |
| CN111426616A (zh) | 碳酸盐岩弹性性质与孔隙结构获取方法、装置及存储介质 | |
| CN117152373B (zh) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 | |
| CN118095021B (zh) | 一种大尺寸数字岩心渗透率的计算方法 | |
| CN110967738A (zh) | 基于深度学习的地震数据插值处理方法及*** | |
| CN109934906B (zh) | 原油饱和度的获取方法和装置、计算机设备、存储介质 | |
| Kemgue et al. | From spheres to ellipsoids: Speeding up considerably the morphological modeling of pore space and water retention in soils | |
| Jing et al. | Coupling of pipe network modelling and domain decomposition for flow in mineralised coal cores | |
| Guo et al. | A new method of central axis extracting for pore network modeling in rock engineering |
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 |