[go: up one dir, main page]

CN113158490B - 致密砂岩储层渗透率计算模型的建立方法 - Google Patents

致密砂岩储层渗透率计算模型的建立方法 Download PDF

Info

Publication number
CN113158490B
CN113158490B CN202110523448.1A CN202110523448A CN113158490B CN 113158490 B CN113158490 B CN 113158490B CN 202110523448 A CN202110523448 A CN 202110523448A CN 113158490 B CN113158490 B CN 113158490B
Authority
CN
China
Prior art keywords
pore
image
permeability
area
pores
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
Application number
CN202110523448.1A
Other languages
English (en)
Other versions
CN113158490A (zh
Inventor
刘景东
张存剑
蒋有录
刘华
李磊
何路露
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202110523448.1A priority Critical patent/CN113158490B/zh
Publication of CN113158490A publication Critical patent/CN113158490A/zh
Application granted granted Critical
Publication of CN113158490B publication Critical patent/CN113158490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/10064—Fluorescence 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明涉及一种致密砂岩储层渗透率计算模型的建立方法，基于激光扫描共聚焦显微镜和图像处理，利用激光扫描共聚焦显微镜提取孔隙，然后利用图像处理提取面孔率、孔隙形状因子、等效孔径、孔径分选指数、分形维数参数来表征孔隙结构，进而通过孔隙结构参数建立渗透率计算模型。本发明方法建立的渗透率计算模型对致密砂岩储层渗透率进行预测，能够准确预测渗透率大小，且可以完成样品任意位置的渗透率预测，解决了以往单纯依赖岩石柱状样品或测井数据对致密砂岩储层渗透率进行评价的不足，使储层渗透率评价更加体现储层的非均质性，评价结果更为全面，有效提高了勘探开发成功率。

Description

致密砂岩储层渗透率计算模型的建立方法
技术领域
本发明属于油气地质勘探技术领域，具体地说，涉及了一种致密砂岩储层渗透率计算模型的建立方法。
背景技术
致密砂岩储层是覆压基质渗透率≤0.1×10-3μm2(相当于空气渗透率≤1×10-3μm2)，孔隙度小于10％的储层(邹才能等，2013)。与常规储层不同，致密砂岩储层具有孔径小、孔隙度和渗透率差、孔隙结构复杂、非均质性强的特征(朱如凯等，2016)，其孔隙结构决定了储层的孔隙度和渗透率，并影响其储集性能和渗流能力(王国亭等，2013)。目前孔隙结构表征技术致力于提高表征维度与分辨率(吴松涛等，2018)。常用的致密砂岩储层表征方法可分为定量表征技术和定性表征技术两类。其中，定量表征技术有高压压汞(简称：HPMI)、恒速压汞(简称：RCP)、核磁共振(简称：NMR)等；定性表征技术有铸体薄片观察、扫描电镜(简称：SEM)、激光扫描共聚焦显微镜(简称：LSCM)等。但是高压压汞仅能表征连通孔隙孔径分布情况，受小孔隙屏蔽作用影响严重(Zhao et al.,2015；Li et al.,2015)；恒速压汞受最大进汞压力(约900psi)的制约无法反映喉道半径小于0.12μm的孔隙发育情况(Wanget al.,2018)；核磁共振无法表征不含流体的孔隙空间及孔隙结构的复杂程度(Lai,etal.,2018；Li,et al.,2018)。铸体薄片观察是最为直观的基础研究方法，但该方法存在分辨率低，人为操作误差大等缺点；扫描电镜分辨率高但分析视域小，这导致代表性差而不能反映致密砂岩储层整体孔喉结构特征(Liu,et al.,2017)。激光扫描共聚焦显微镜相较传统光学显微镜，其分辨率提高了30％-40％，且可以有效排除焦点以外的光信号干扰(柳少波等，2016)，准确提取储集空间，并形成准三维储集空间分布图像(关振良等，2009)。但目前利用LSCM研究致密储层多局限于定性表征孔隙结构(Liu et al.,2017；Xu et al.,2020；刘春等，2017)，缺少定量表征孔隙结构。
现有致密砂岩储层渗透率的评价方法中，一般通过柱状岩石样品进行实验测试获取。但是，实验测试需要完整规则的柱状样品，而且仅能宏观上解释整块样品的渗透率，无法体现岩石样品内部的渗透率非均质性差异，获得的渗透率准确性差，影响了致密砂岩储层中流体流动规律的认识。
发明内容
本发明针对现有技术存在的无法体现岩石样品内部的渗透率非均质性差异等上述问题，提供一种致密砂岩储层渗透率计算模型的建立方法，通过该方法建立的渗透率计算模型，能够准确计算样品任意位置的渗透率，解决以往单纯依赖岩石柱状样品或测井数据对致密砂岩储层渗透率进行评价的不足，使储层渗透率评价更加体现储层的非均质性。
为了达到上述目的，本发明提供了一种致密砂岩储层渗透率计算模型的建立方法，其具体步骤为：
S1、样品准备
将岩石样品制成0.03mm厚的激光扫描共聚焦岩石薄片并采用荧光剂染色；
S2、采集图像、提取孔隙参数
通过激光扫描共聚焦显微镜采集孔隙图像；对孔隙图像依次进行灰度、二值化、阈值分割处理，提取视域面积、所有孔隙的孔隙面积和孔隙周长；
S3、孔隙结构参数计算
根据视域面积、孔隙面积、孔隙周长计算面孔率φ、孔隙形状因子Fs、孔隙加权等效孔径de、孔径分选指数τp及分形维数Dw五个孔隙结构参数；
S4、渗透率预测模型建立
选取面孔率φ、孔隙形状因子Fs、孔隙加权等效孔径de、孔径分选指数τp及分形维数Dw五个孔隙结构参数，结合对应岩石样品的渗透率，利用最小二乘法拟合渗透率与孔隙结构参数的关系，建立渗透率预测模型表示为：K＝aφ+bFs+cde+dτp+eDw+f，其中，K为渗透率，a、b、c、d、e、f为拟合得到的权重系数。
优选的，步骤S2中，通过激光扫描共聚焦显微镜采集孔隙图像的方法为：
在低倍物镜下选取岩石薄片上孔隙发育的视域，获取一张整体图像；
移动岩石薄片，利用高倍物镜按照设定排列顺序依次扫描采集多张相邻的孔隙图像，在作图软件中进行拼接形成低倍物镜下的整体图像。
优选的，步骤S2中，对孔隙图像进行灰度处理获得灰度图像，对灰度图像进行图像增强处理之后，再对灰度图像进行二值化处理。
优选的，步骤S3中，面孔率φ为视域内提取的总孔隙面积与该视域面积的比值，表示为：
Figure BDA0003064892910000031
式中，Si为第i个孔隙的面积，S为视域面积，n为孔隙的个数；
孔隙形状因子Fs采用以下公式(2)和公式(3)计算：
Figure BDA0003064892910000032
Figure BDA0003064892910000041
式中，Fsi为第i个孔隙的形状因子，Ci为第i个孔隙的周长，αi为第i个孔隙面积占所有孔隙面积的百分比；
孔隙加权等效孔径de采用以下公式(4)和公式(5)计算：
Figure BDA0003064892910000042
Figure BDA0003064892910000043
式中，dei为第i个孔隙的等效孔径；
孔径分选指数τp采用以下公式(6)和公式(7)计算：
Figure BDA0003064892910000044
Figure BDA0003064892910000045
式中，τpi为第i个孔隙的孔径分选指数，di为第i个孔隙直径，dmax为视域下所有孔隙的最大孔径；
分形维数Dw通过求解以下公式(8)获取：
Figure BDA0003064892910000046
式中，C为孔隙周长，z为常数。
与现有技术相比，本发明的优点和积极效果在于：
本发明致密砂岩储层渗透率计算模型的建立方法，基于激光扫描共聚焦显微镜和图像处理，利用激光扫描共聚焦显微镜提取孔隙，然后利用图像处理提取面孔率、孔隙形状因子、等效孔径、孔径分选指数、分形维数参数来表征孔隙结构，进而通过孔隙结构参数建立渗透率计算模型。通过该方法建立的渗透率计算模型对致密砂岩储层渗透率进行预测，能够准确预测渗透率大小，且可以完成样品任意位置的渗透率预测，解决了以往单纯依赖岩石柱状样品或测井数据对致密砂岩储层渗透率进行评价的不足，使储层渗透率评价更加体现储层的非均质性，评价结果更为全面，有效提高了勘探开发成功率。
附图说明
图1为本发明实施例所述致密砂岩储层渗透率计算模型的建立方法的流程图；
图2为本发明实施例所述孔隙图像拼接示意图；
图3为本发明实施例激光荧光下所述四川盆地元坝地区须四段致密砂岩储层孔隙图像示意图；
图4为本发明实施例激光扫描共聚焦显微镜下所述四川盆地元坝地区须四段致密砂岩储层孔隙图像示意图。
具体实施方式
下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
以往对于致密砂岩储层孔隙结构和渗透率的评价过于依赖高压压汞、核磁共振及渗透率试验测试技术，对孔隙结构和渗透率的认识过于宏观，缺乏致密砂岩储层内部孔隙结构差异与渗透性等非均质性的表征，影响了致密砂岩储层中流体流动规律的认识。本发明提供了一种致密砂岩储层渗透率计算模型的建立方法，基于激光扫描共聚焦显微镜和图像处理，利用激光扫描共聚焦显微镜提取孔隙，然后利用图像处理提取面孔率、孔隙形状因子、等效孔径、孔径分选指数、分形维数参数来表征孔隙结构，进而通过孔隙结构参数建立渗透率计算模型。通过该方法建立的渗透率计算模型对致密砂岩储层渗透率进行预测，能够准确预测渗透率大小，且可以完成样品任意位置的渗透率预测，解决了以往单纯依赖岩石柱状样品或测井数据对致密砂岩储层渗透率进行评价的不足，使储层渗透率评价更加体现储层的非均质性，评价结果更为全面，有效提高了勘探开发成功率。
参见图1，本发明提供了一种致密砂岩储层渗透率计算模型的建立方法，其具体步骤为：
S1、样品准备
将岩石样品制成0.03mm厚的激光扫描共聚焦岩石薄片并采用荧光剂染色。
本实施例中，所述荧光剂采用玫瑰红色荧光剂。需要说明的是，荧光剂不限于采用玫瑰红色荧光剂，还可以采用橙色荧光剂、黄色荧光剂等其他颜色的荧光剂。具体根据实际情况而选择。
采用荧光剂对岩石薄片进行染色，以便于有效区分孔隙与杂基，提高观测精度，同时可以有效识别普通光学显微镜下无法分辨的微裂缝。
S2、采集图像、提取孔隙参数
通过激光扫描共聚焦显微镜采集孔隙图像；对孔隙图像依次进行灰度、二值化、阈值分割处理，提取视域面积、所有孔隙的孔隙面积和孔隙周长。
具体地，通过激光扫描共聚焦显微镜采集孔隙图像的方法为：
在低倍物镜下选取岩石薄片上孔隙发育的视域，获取一张整体图像；
移动岩石薄片，利用高倍物镜按照设定排列顺序依次扫描采集多张相邻的孔隙图像，在作图软件中进行拼接形成低倍物镜下的整体图像。例如，参见图2，共采集9张孔隙图像，编号为①-⑨，采用3*3排列方式通过CorelDRAW作图软件进行拼接，形成低倍物镜下的整体图像。
具体地，在获取激光扫描共聚焦显微镜(以下简称：LSCM)孔隙图像(即形成的低倍物镜下的整体图像)的基础上，对孔隙图像进行灰度处理、二值化处理、阈值分割处理，首先利用图像处理软件比例尺工具将所需处理的LSCM孔隙图像的像素比例设置为对应的长度比例；接着将LSCM孔隙图像转换为灰度图像(8-bit)；然后对LSCM孔隙图像进行二值化处理，得到灰度值只有0和1的黑白图像，此时，孔隙为白色，其他区域为黑色；最后对LSCM孔隙图像进行阈值分割，实现所有孔隙范围的有效选取，最后提取视域面积、所有孔隙的孔隙面积和孔隙周长。
在一具体实施方式中，为了提高图像识别效果，对孔隙图像进行灰度处理获得灰度图像，对灰度图像进行图像增强处理之后，再对灰度图像进行二值化处理。
S3、孔隙结构参数计算
根据视域面积、孔隙面积、孔隙周长计算面孔率φ、孔隙形状因子Fs、孔隙加权等效孔径de、孔径分选指数τp及分形维数Dw五个孔隙结构参数。
具体地，面孔率φ为视域内提取的总孔隙面积与该视域面积的比值，表示为：
Figure BDA0003064892910000071
式中，Si为第i个孔隙的面积，S为视域面积，n为孔隙的个数。
孔隙形状因子Fs采用以下公式(2)和公式(3)计算：
Figure BDA0003064892910000072
Figure BDA0003064892910000073
式中，Fsi为第i个孔隙的形状因子，Ci为第i个孔隙的周长，αi为第i个孔隙面积占所有孔隙面积的百分比。
需要说明的是，孔隙形状因子反映了孔隙的圆度及粗糙度，孔隙为圆形时，Fs＝1.0，孔隙为正方形时，Fs＝0.785。
孔隙加权等效孔径de采用以下公式(4)和公式(5)计算：
Figure BDA0003064892910000081
Figure BDA0003064892910000082
式中，dei为第i个孔隙的等效孔径。
孔径分选指数τp采用以下公式(6)和公式(7)计算：
Figure BDA0003064892910000083
Figure BDA0003064892910000084
式中，τpi为第i个孔隙的孔径分选指数，di为第i个孔隙直径，dmax为视域下所有孔隙的最大孔径。
需要说明的是，孔径分选指数τpi的变化范围为0-1，其值越大表明孔隙分选越集中。
分形维数Dw通过求解以下公式(8)获取：
Figure BDA0003064892910000085
式中，C为孔隙周长，z为常数。
需要说明的是，分形维数Dw反应了储层发育的非均质性，分形维数Dw越大表明储层非均质性越强。在平面几何中，分形维数Dw的范围介于1.0-2.0(Dw不可取1.0或2.0)。当Dw为2.0时表明孔隙具有完全不规则形状或粗糙的表面，当Dw为1.0时表明孔隙表面完全光滑。
S4、渗透率预测模型建立
选取面孔率φ、孔隙形状因子Fs、孔隙加权等效孔径de、孔径分选指数τp及分形维数Dw五个孔隙结构参数，结合对应岩石样品的渗透率，利用最小二乘法拟合渗透率与孔隙结构参数的关系，建立渗透率预测模型表示为：K＝aφ+bFs+cde+dτp+eDw+f，其中，K为渗透率，a、b、c、d、e、f为拟合得到的权重系数。
以下结合具体实施例说明通过本发明实施例上述方法建立的渗透率预测模型的有效性。
以四川盆地元坝地区须四段致密砂岩储层的孔隙结构表征与渗透率模型建立为例，其具体含有以下步骤：
S1、样品准备
选取元坝地区须四段15个致密砂岩储层样品制成0.03mm厚的激光扫描共聚焦岩石薄片，并采用玫瑰红荧光剂(参见图3中浅色部分)染色。
S2、采集图像、提取孔隙参数
在单偏光、正交光和激光荧光下观察每张薄片的孔隙与裂缝发育情况，了解孔隙宏观特征。然后选择孔隙发育的位置，利用LSCM的低倍物镜进行扫描，获取低倍物镜下的孔隙图像；然后不断移动薄片，在LSCM高倍物镜下获取平面连续的9张LSCM孔隙图像，并在CorelDRAW作图软件中将获取的9张LSCM孔隙图像参照低倍物镜下的孔隙图像进行拼接，形成低倍物镜下的整体图像。根据处理后的LSCM孔隙图像(参见图3、图4)，可以判断研究区须四段致密砂岩储层主要储集空间类型为粒间溶孔和粒内溶孔，同时发育微裂缝和铸模孔。
在获取LSCM孔隙图像的基础上，首先利用图像处理软件比例尺工具将所需处理的LSCM孔隙图像的像素比例设置为对应的长度比例；接着将LSCM孔隙图像转换为灰度图像(8-bit)并进行图像增强处理以提高识别效果；然后对LSCM孔隙图像进行二值化处理，得到灰度值只有0和1的黑白图像，此时，孔隙为白色，其他区域为黑色；最后对LSCM孔隙图像进行阈值分割，选取所有孔隙，提取视域面积、所有孔隙的孔隙面积和孔隙周长。
S3、孔隙结构参数计算
通过研究区须四段致密砂岩储层的LSCM图像提取分析，采用前述的公式(1)-公式(8)进行面孔率φ、孔隙形状因子Fs、孔隙加权等效孔径de、孔径分选指数τp及分形维数Dw五个孔隙结构参数的计算，计算结果如表1。
表1
Figure BDA0003064892910000101
S4、渗透率预测模型建立
选取其中11个样品的面孔率φ、孔隙形状因子Fs、孔隙加权等效孔径de、孔径分选指数τp及分形维数Dw五个孔隙结构参数，利用最小二乘法拟合渗透率与孔隙结构参数的关系，建立渗透率预测模型表示为：K＝-0.0022φ-0.05681Fs+0.000157de-0.00965τp-0.02738Dw+0.0798。利用剩余4个样品的孔隙结构参数与渗透率数据，来检测上述渗透率预测模型的准确性。该公式相关系数R2可达0.93563，表明孔隙结构参数与渗透率具有较好的相关性。通过上述渗透率预测模型计算渗透率与实测渗透率误差范围为(0.002592-0.008716)×10-3μm2，误差率为3.89％-10.71％(参见表2)，整体偏低，因此，利用本发明方法建立的渗透率预测模型可以较准确地预测渗透率大小，证明了其有效性。
表2
Figure BDA0003064892910000111
上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (2)

1.一种致密砂岩储层渗透率计算模型的建立方法，其特征在于，其具体步骤为：
S1、样品准备
将岩石样品制成0.03mm厚的激光扫描共聚焦岩石薄片并采用荧光剂染色，区分孔隙与杂基；
S2、采集图像、提取孔隙参数
通过激光扫描共聚焦显微镜采集孔隙图像；在获取激光共聚焦显微镜LSCM孔隙图像即形成的低倍物镜下的整体图像的基础上，对孔隙图像依次进行灰度处理、二值化处理、阈值分割处理，利用图像处理软件比例尺工具将所需处理的LSCM孔隙图像的像素比例设置为对应的长度比例；将LSCM孔隙图像转换为灰度图像；对LSCM孔隙图像进行二值化处理，得到灰度值只有0和1的黑白图像，孔隙为白色，其他区域为黑色；对LSCM孔隙图像进行阈值分割，有效选取所有孔隙范围，提取视域面积、所有孔隙的孔隙面积和孔隙周长；
通过激光扫描共聚焦显微镜采集孔隙图像的方法为：在单偏光、正交光和激光荧光下观察每张岩石薄片的孔隙与裂缝发育情况，了解孔隙宏观特征，选择孔隙发育的位置，在低倍物镜下选取岩石薄片上孔隙发育的视域，获取一张整体图像；移动岩石薄片，利用高倍物镜按照设定排列顺序依次扫描采集多张相邻的孔隙图像，在作图软件中将多张孔隙图像参照低倍物镜下的孔隙图像进行拼接形成低倍物镜下的整体图像；
S3、孔隙结构参数计算
根据视域面积、孔隙面积、孔隙周长计算面孔率φ、孔隙形状因子Fs、孔隙加权等效孔径de、孔径分选指数τp及分形维数Dw五个孔隙结构参数；面孔率φ为视域内提取的总孔隙面积与该视域面积的比值，表示为：
Figure FDA0004112482420000021
式中，Si为第i个孔隙的面积，S为视域面积，n为孔隙的个数；
孔隙形状因子Fs采用以下公式(2)和公式(3)计算：
Figure FDA0004112482420000022
Figure FDA0004112482420000023
式中，Fsi为第i个孔隙的形状因子，Ci为第i个孔隙的周长，αi为第i个孔隙面积占所有孔隙面积的百分比；
孔隙加权等效孔径de采用以下公式(4)和公式(5)计算：
Figure FDA0004112482420000024
Figure FDA0004112482420000025
式中，dei为第i个孔隙的等效孔径；
孔径分选指数τp采用以下公式(6)和公式(7)计算：
Figure FDA0004112482420000026
Figure FDA0004112482420000027
式中，τpi为第i个孔隙的孔径分选指数，di为第i个孔隙直径，dmax为视域下所有孔隙的最大孔径；
分形维数Dw通过求解以下公式(8)获取：
Figure FDA0004112482420000028
式中，C为孔隙周长，z为常数；
S4、渗透率预测模型建立
选取面孔率φ、孔隙形状因子Fs、孔隙加权等效孔径de、孔径分选指数τp及分形维数Dw五个孔隙结构参数，结合对应岩石样品的渗透率，利用最小二乘法拟合渗透率与孔隙结构参数的关系，建立渗透率预测模型表示为：K＝aφ+bFs+cde+dτp+eDw+f，其中，K为渗透率，a＝-0.0022、b＝-0.05681、c＝0.000157、d＝-0.00965、e＝-0.02738、f＝0.0798为拟合得到的权重系数。
2.如权利要求1所述的致密砂岩储层渗透率计算模型的建立方法，其特征在于，步骤S2中，对孔隙图像进行灰度处理获得灰度图像，对灰度图像进行图像增强处理之后，再对灰度图像进行二值化处理。
CN202110523448.1A 2021-05-13 2021-05-13 致密砂岩储层渗透率计算模型的建立方法 Active CN113158490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110523448.1A CN113158490B (zh) 2021-05-13 2021-05-13 致密砂岩储层渗透率计算模型的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110523448.1A CN113158490B (zh) 2021-05-13 2021-05-13 致密砂岩储层渗透率计算模型的建立方法

Publications (2)

Publication Number Publication Date
CN113158490A CN113158490A (zh) 2021-07-23
CN113158490B true CN113158490B (zh) 2023-04-14

Family

ID=76875080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110523448.1A Active CN113158490B (zh) 2021-05-13 2021-05-13 致密砂岩储层渗透率计算模型的建立方法

Country Status (1)

Country Link
CN (1) CN113158490B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504172A (zh) * 2021-09-10 2021-10-15 北京润泽创新科技有限公司 一种基于数字岩心的渗透性能评价方法及装置
CN113706603B (zh) 2021-10-28 2022-02-22 中国科学院地质与地球物理研究所 页岩有机质孔隙连通性分类表征的方法
CN115114787B (zh) * 2022-06-30 2023-12-01 河南理工大学 一种储层分形孔隙结构复杂组构模式表征方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107917865A (zh) * 2016-10-11 2018-04-17 中国石油化工股份有限公司 一种致密砂岩储层多参数渗透率预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109887083A (zh) * 2019-01-29 2019-06-14 中国石油集团测井有限公司西南分公司 一种裂缝-孔隙双重介质耦合渗透率模型的建立方法
CN110865011B (zh) * 2019-11-14 2021-03-09 西南石油大学 一种基于数字成像技术计算致密岩心相对渗透率的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107917865A (zh) * 2016-10-11 2018-04-17 中国石油化工股份有限公司 一种致密砂岩储层多参数渗透率预测方法

Also Published As

Publication number Publication date
CN113158490A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113158490B (zh) 致密砂岩储层渗透率计算模型的建立方法
CN104990977B (zh) 三维漏磁检测缺陷神经网络迭代反演成像方法
US7796815B2 (en) Image analysis of biological objects
KR102179848B1 (ko) 종양 조직 중 면역 세포를 정량화하는 방법 및 이의 사용
CN104899868B (zh) 三维漏磁检测缺陷复合反演成像方法
CN109815888B (zh) 一种基于新型巴氏染色方法的异常宫颈细胞自动识别方法
CN109934811A (zh) 一种基于深度学习的光学元件表面缺陷检测方法
CN106153635B (zh) 一种镁及镁合金中缺陷的定量检测方法
CN111624146A (zh) 一种定量表征致密储层全尺度孔径分布特征的方法
CN106446835A (zh) 一种铝及铝合金中缺陷的定量检测方法
Matsui et al. Nonlinear optics with near-infrared excitation enable real-time quantitative diagnosis of human cervical cancers
Li et al. Label-free multiphoton imaging to assess neoadjuvant therapy responses in breast carcinoma
CN106841241A (zh) 一种基于x射线检测3d硬金饰品内部缺陷的方法
CN110108800A (zh) 基于超声相控阵图像碳纤维复合材料缺陷分类方法和装置
CN114897767A (zh) 一种致密混积岩储层储集空间多尺度表征与储层分类方法
CN109214433A (zh) 一种卷积神经网络区分肝癌分化等级的方法
CN107167400B (zh) 一种石油包裹体中原油密度的检测方法
CN112508862B (zh) 一种通过改进gan增强裂纹磁光图像的方法
CN112862763B (zh) 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法
US20200165653A1 (en) Method of measuring fluid secretion function of epithelial cells
CN114689584A (zh) 适用于硅钢铁素体完全再结晶组织晶粒尺寸计算的方法
US11566992B2 (en) Method and device for characterizing microbial carbonate pores, and server
Wentzensen et al. Combined serial section‐based 3D reconstruction of cervical carcinoma invasion using H&E/p16INK4a/CD3 alternate staining
CN115096905A (zh) 一种均压电极结垢程度原位光学检测装置及方法
CN118067487B (zh) 一种基于酪胺信号放大技术的足细胞免疫荧光染色方法及其应用

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