一种基于图神经网络的储层渗透率计算方法

文献发布时间：2024-04-18 19:53:47

技术领域

本发明涉及渗透率的计算方法，尤其是一种基于图神经网络的储层渗透率计算方法。

背景技术

近年来，深度学习由于其能够自动提取数据集中丰富的特征关系，在地质和岩石领域也有了广泛的应用。渗透率是反映岩石储流能力的重要数字表征，渗透率高精度的自动计算对于石油，煤层气，页岩气的运移以及勘探开发有重要作用，深度学习计算渗透率的方式是根据储层孔隙度，孔隙结构和孔隙连通性等参数学习一种映射关系，利用学习的映射函数高效计算结果。

目前自动计算渗透率的主要方式有两种，一类是基于规则编程的常规算法，这类算法需要将孔隙和裂缝节点化，构建链接节点的喉道，搭建出能反映孔隙-裂缝介质真实结构的数字岩心模型，之后利用泊肃叶定律，达西定律等规则计算渗透率，这类算法局限性在于定律需要遵循一定假设条件，且单一规则不具备很好的扩展性，只适用于特定样本；另一类算法是基于深度学习的自动预测算法，利用实验获得的岩心分析数据以及测井数据构建多维特征向量，使用支持向量机，随机森林等机器学习算法建立数学模型来预测渗透率，这类算法的缺点在于数据的获取难度较大，算法不能很好的结合数字岩心中孔隙结构信息。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于图神经网络的储层渗透率计算方法解决了现有技术未考虑孔隙度对渗透率影响较大的问题。

为了达到上述发明目的，本发明采用的技术方案为一种基于图神经网络的储层渗透率计算方法，包括以下步骤：

S1、对岩石样本进行

S2、对岩石序列图像样本进行预处理，并进行孔缝自动阈值分割，得到孔缝序列图像切片；

S3、将孔缝序列图像切片叠加并进行三维连通域分析，得到连通域分析后的轮廓编号，并按照物理特性区分连通域中的孔隙和裂缝；

S4、根据区分后的孔隙和裂缝以及连通域分析后的轮廓编号，构建孔隙网络模型和裂缝网络模型，并将孔隙网络模型和裂缝网络模型融合构建孔隙-裂缝双重网络模型；

S5、计算孔缝序列图像切片的孔隙度以及孔隙-裂缝双重网络模型中每个节点的迂曲度和粗糙度；

S6、提取多个岩石序列图像样本的孔隙-裂缝双重网络模型，并利用孔缝序列图像切片的孔隙度以及孔隙-裂缝双重网络模型中每个节点的迂曲度和粗糙度训练回归模型，得到训练好的模型，使用训练好的模型实现渗透率的自动计算。

进一步地：所述步骤S2包括以下分步骤：

S21、对岩石序列图像样本进行高斯滤波去噪，得到图像灰度直方图分布

其中，高斯滤波的卷积核大小为5*5；

S22、对图像灰度直方图分布

S23、对函数

进一步地：所述步骤S3包括以下分步骤：

S31、将孔缝序列图像切片叠加得到三维数据体

其中，

S32、设置编号

S33、遍历修改后的三维数据体

当当前节点为非零像素点时，以当前节点的像素值为查找键，查询并查集字典

若查找键和对应的值不相等，则将查找到的对应的值作为查找键继续迭代查询，直至键和值相等，并将相等的值赋值给当前节点，继续遍历下一个节点，完成遍历则完成三维连通域分析，得到连通域分析的结果；

其中，每个轮廓对应一个轮廓编号，轮廓内像素点的像素值为轮廓编号；

S34、根据连通域分析的结果，获取连通域坐标（

ratio

其中，若

若当

进一步地：所述步骤S32中，得到修改后的三维数据体

当当前节点为孔隙像素点时，查找孔隙像素点空间上的十三邻域孔隙像素集合

若

其中，该键值对的键和值均为当前节点的值，

进一步地：所述步骤S4包括以下分步骤：

S41、对连通域分析后的三维数据体

所述链表的节点表示为（轮廓编号，

S42、对链表进行简化，简化方式为：若链表中一个节点的内切球是另一个节点内切球的子集，则从链表中删除该节点，得到简化后的链表；

S43、对每个简化后的链表采用成簇算法将节点分为不同的簇，不同簇间的相连节点为喉道节点，内切球为主球节点，保留喉道节点和主球节点，将其余节点从链表删除，根据喉道节点与主球节点的链路构建孔隙网络模型；

S44、使用基于距离变化的细化算法，计算裂缝像素点到岩石基质的最短距离并将其作为像素值，查找裂缝像素点二十六邻域内对立方向像素值比中心点值小的数量对

S45、对中心线上的像素点使用最大球填充法找到最大内切球计算半径，并采用链表的方式存储，基于链表中节点间的链路构建裂缝网络模型；

S46、从连通域分析后的三维数据体

进一步地：所述步骤S5包括以下分步骤：

S51、统计孔缝序列图像切片中的孔缝像素数和背景像素数，并计算孔缝序列图像切片的孔隙度，孔缝序列图像切片的孔隙度

其中，

S52、对连通域分析后的三维数据体

其中，

S53、获取连通域分析后的三维数据体

进一步地：所述步骤S53包括以下分步骤：

S53-1、获取连通域分析后的三维数据体

其中，

S53-2、遍历孔隙区域和裂缝区域中所有孔缝像素点，统计每个像素点周围二十六个邻域的数据；

当邻域内不全是孔隙像素，则判定该孔隙像素点为轮廓面像素点；

S53-3、计算轮廓面像素点到平均面的距离之和，得到孔隙-裂缝双重网络模型中链表节点中的轮廓编号与指定点裂缝的外接长方体的轮廓编号相同的链表节点的粗糙度

其中，

进一步地：所述步骤S6包括以下分步骤：

S61、提取孔隙-裂缝双重网络模型中贯穿整个网络模型的图结构，并用邻接矩阵存储图信息，试验渗透率作为图结构的标签信息；

其中，图结构中主球节点的特征向量表示为(最大球半径，粗糙度

S62、将从多个岩石样本提取到的图结构打包成小批量，生成一张含

S63、使用图神经网络架构选取图卷积网络GCN对图结构进行特征更新，获得每个小图中的各个节点；

S64、对更新后的每个小图中的各个节点的特征向量的集合依次进行平均池化、最大池化和最小池化的处理，并将处理后的节点向量拼接成3*

其中

S65、将节点更新后的每个小图使用社区检测的图分解算法，将每个小图分解为四个子图和八个子图，分别对每个子图进行平均池化、最大池化和最小池化的处理得到12*

S66、计算大特征矩阵中39个信息向量的注意力分布，并计算其加权平均后与小图对应的孔隙度特征

其中，

S67、将

本发明的有益效果为：

1.本发明设计的岩石储层渗透率自动计算流程，相较于常规算法不仅考虑到了岩石孔隙结构信息，还综合了孔隙度对渗透率影响较大的特征进行分析，能处理多种地质样本，扩展性更强；

2.利用空间金字塔池化的思想，用平均池化、最大池化和最小池化的处理方式取代单一的全局平均池化方式，减少信息的损失，加入注意力机制对不同信息向量加权，能够提升模型效果；

3用神经网络学习到了孔缝网络结构和渗透率，孔隙度和渗透率的映射关系，可提高渗透率的计算精度，计算的效率也得到了极大的提升。

附图说明

图1为本发明所述的基于图神经网络的储层渗透率计算方法的流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，在本发明的一个实施例中，提供了一种基于图神经网络的储层渗透率计算方法，包括以下步骤：