【论文阅读】利用SEM二维图像表征黏土矿物三维结构

导言

在油气储层研究中,黏土矿物对流体流动的影响需要在微观尺度上理解,但传统的二维SEM图像难以完整地表征三维孔隙结构。常规的三维成像技术如FIB-SEM(聚焦离子束扫描电子显微镜)虽然可以获取高精度的3D图像,但成本高昂且不适用于已有的2D图像。因此,本文开发了基于二维SEM图像的三维重构方法,即"深度分层技术",以便在现有的2D图像上获得3D信息。该研究通过深度学习和Lattice-Boltzmann模拟,量化了黏土矿物对油气储层流体流动的影响。采用扫描电子显微镜(SEM)图像识别黏土类型,并通过数值模拟评估其对储层孔隙度和渗透率的影响。

论文简介

论文题目:

Characterizing clay textures and their impact on the reservoir using

deep learning and Lattice-Boltzmann simulation applied to SEM

images

研究领域:

Computer Vision and Pattern Recognition; Artificial Intelligence; Clay minerals

论文作者:

Naser Golsanami等,作者单位:山东科技大学、中国海洋大学、中国石油大学等

论文链接:
https://doi.org/10.1016/j.energy.2021.122599

主要方法

深度分层技术

深度分层技术通过将二维图像的不同灰度值映射到不同深度,以生成伪三维的孔隙结构。其具体步骤包括:

1、灰度密度的提取

对SEM图像进行灰度值分析,提取图像中各像素的灰度密度。

通过灰度值的分布,确定图像中的不同深度。灰度值通常对应于黏土矿物的厚度和深度信息,因此可以用它们来标定物体的深浅层次。

2、像素聚类和分组

利用聚类算法将具有相似灰度值的像素聚类,以区分不同层次的矿物质和孔隙。

聚类完成后,基于灰度值将图像分成前、中、后等多个深度切片,从而在每一层上独立识别矿物分布。

3、各层的矿物和孔隙特征标注

对每一层的图像切片执行图像处理和分割,区分出矿物质(如黏土、石英)和孔隙空间。

标注矿物的分布位置,并分析矿物如何在三维空间中阻碍孔隙连接。

4、重构的三维模型

将每层分割出的矿物和孔隙区域组合,形成一个整体的三维孔隙模型。

通过叠加这些深度切片,生成具有三维结构的信息图,从而在2D SEM图像上获得3D孔隙信息。

5、三维模型的流体模拟

基于上述3D模型,本文进一步采用了Lattice-Boltzmann方法模拟流体在孔隙中的流动情况。分析黏土矿物对流体路径的阻碍作用,并计算不同深度上孔隙的渗透率和孔隙率变化。

针对的问题

1、黏土矿物的微观结构表征困难

储层中的黏土矿物结构复杂,分布不均,且在微观尺度上难以观察到其对孔隙结构的实际影响。传统实验技术难以在微观层面上准确地再现黏土矿物的行为及其与流体的相互作用。

2、三维结构和流体流动的定量分析缺乏

当前的研究多采用二维图像分析方法,难以从三维角度深入了解黏土矿物在不同深度对储层孔隙结构的影响,缺乏有效的三维重构手段。

3、缺少适用于不同储层的通用表征方法

由于不同储层的黏土矿物种类和分布差异较大,已有研究的结果往往只适用于特定的地质条件,缺乏系统性的量化表征方法,难以在其他储层推广应用。

论文创新点

1、深度学习应用:首次采用深度学习对储层中黏土矿物进行识别和定量。

2、深度分层技术:开发了基于图像灰度的深度分层方法,弥补3D成像设备不足的缺陷。

3、数值模拟:利用Lattice-Boltzmann方法量化黏土对流体流动的影响,展示了不同类型黏土对储层渗透性的不同程度的阻碍。

总结

该方法通过SEM图像的灰度分层实现3D重构,克服了传统2D图像在深度信息上的局限,为黏土矿物对储层孔隙结构和流体流动的影响研究提供了有力支持。未来可以结合更高分辨率的图像和更复杂的图像处理算法,进一步提升三维重构的精度和应用范围。

相关推荐
Uzuki3 小时前
AI可解释性 II | Saliency Maps-based 归因方法(Attribution)论文导读(持续更新)
深度学习·机器学习·可解释性
snowfoootball8 小时前
基于 Ollama DeepSeek、Dify RAG 和 Fay 框架的高考咨询 AI 交互系统项目方案
前端·人工智能·后端·python·深度学习·高考
odoo中国9 小时前
深度学习 Deep Learning 第15章 表示学习
人工智能·深度学习·学习·表示学习
橙色小博9 小时前
长短期记忆神经网络(LSTM)基础学习与实例:预测序列的未来
人工智能·python·深度学习·神经网络·lstm
船长@Quant9 小时前
PyTorch量化进阶教程:第六章 模型部署与生产化
pytorch·python·深度学习·transformer·量化交易·sklearn·ta-lib
zy_destiny11 小时前
【工业场景】用YOLOv12实现饮料类别识别
人工智能·python·深度学习·yolo·机器学习·计算机视觉·目标跟踪
进取星辰11 小时前
PyTorch 深度学习实战(32):多模态学习与CLIP模型
pytorch·深度学习·学习
xiangzhihong813 小时前
Amodal3R ,南洋理工推出的 3D 生成模型
人工智能·深度学习·计算机视觉
狂奔solar13 小时前
diffusion-vas 提升遮挡区域的分割精度
人工智能·深度学习