Разработка системы распознавания трещин для получения экспериментальных данных по снимкам петрографических шлифов керна

UDK: 553.98.061.43
DOI: 10.24887/0028-2448-2017-5-27-31
Ключевые слова: параметры трещиноватости, фотографии шлифов, снимки керна, распознавание образов
Авт.: М.В. Семухин, О.А. Ядрышникова, М.Ф. Серкин, К.Н. Чертина (ООО «ТННЦ»)

Рассмотрены методы распознавания трещин и алгоритмы автоматизации получения экспериментальных данных (раскрытость, интенсивность, протяженность и поверхностная плотность трещин) по снимкам петрографических шлифов и изображениям керна. Ранее такие данные, как длина, раскрытость и поверхностная плотность трещин, определяли по срезу керна вручную, что требовало больших временных затрат.

Некоторые важнейшие свойства керна можно оценить путем анализа цифровых снимков петрографических шлифов и изображений керна. В случае трещиновато-кавернозных коллекторов это является непростой задачей, поэтому актуально создание инструмента автоматизации подсчета параметров трещиноватости керна. Развитие компьютерных технологий позволило разработать цифровые методы получения и анализа оптических изображений образцов керна, обеспечивающих обработку информации в реальном масштабе с высокой степенью точности.

Методика нахождения показателей при компьютерной обработке заключается в выделении границ трещин на поверхности шлифов керна. Для этого используется один из эффективных алгоритмов детектора границ SUSAN (Smallest Univalue Segment Assimilating Nucleus). Для определения геометрической длины трещины применяется скелетизация ее изображения с помощью алгоритма Зонга – Суня (Zhang – Suen). Разработан оригинальный алгоритм измерения ширины и протяженности трещин с учетом задаваемой погрешности.

Алгоритм распознавания и оценки размеров трещин по фотографиям шлифов керна можно разделить на четыре этапа. На первом этапе определяется площадь изучаемого объекта на снимке. Объекты на снимках имеют неправильные геометрические размеры. Потому при изучении трещиноватости по снимкам необходимо предусмотреть инструмент для правильной и точной оценки площади изучаемого объекта на снимке. На втором этапе оцениваются длины всех трещин на снимке с учетом их извилистости, на третьем этапе – ширина трещин. Для расчета емкости трещин (трещиной пористости) необходимо определить раскрытость каждой трещины и вычислить среднее значение данного параметра. На четвертом этапе рассчитываются параметры трещиноватости. По полученным значениям находят параметры трещинной пористости и проницаемости пород.

Преимущество программной обработки экспериментальных данных заключается в быстроте расчета, точности определения геометрических характеристик, близкой к результатам ручного расчета, и возможности дальнейшего повышения функциональности программы. Прикладная значимость характеризуется возможностью автоматизации этапа предварительного анализа кернового материала и получения экспериментальных данных по снимкам петрографических шлифов и фотоснимкам керна, экспресс-оценкой геометрии трещин продуктивных пластов.

 

Список литературы

 

1. Багринцева К.И., Сауткин Р.С., Шершуков Г.И. Методика программной обработки экспериментальных данных после насыщения карбонатных пород люминофором // Доклады III Международной конференции молодых ученых и специалистов «Актуальные проблемы нефтегазовой геологии ХХI века». – Т. 4. – Санкт-Петербург: ВНИГРИ, 2013. – С. 4–7.

2. Клюев А.В., Аристов Г.В. Определение параметров микроструктуры металлов методами компьютерного зрения//Материалы XII Всероссийской школы-конференции молодых ученых «Управление большими системами». – Волгоград: ИПУ РАН, 2015. – С. 701–714.

3. Тайлаков О.В., Макеев М.П. Алгоритмическое обеспечение анализа оптических образов аншлиф-штуфов и его применение для оценки структурных изменений углей//Горный информационно-аналитический бюллетень (научно-технический журнал). – 2008. – Вып. 13. – С. 189–197.

4. Гмид Л.П. Методическое руководство по литолого-петрографическому и петрохимическому изучению осадочных пород-коллекторов. – СПб: ВНИГРИ, 2009. – С. 160.

5. Алгоритмические основы растровой графики/ Д.В. Иванов [и др.]. – http://www.intuit.ru/goto/course/rastrgraph/

6. Smith S.M., Brady J.M. SUSAN – a new approach to Low Level Image Processing// DRA Technical Report TR95SMMS1b. – 1995. – 57 p.

7. Молчанова В.С. Восьмисвязный асимметричный алгоритм скелетизации бинарных изображений// Вісник СумДУ. Серія “Технічні науки”. – 2013. – № 2. – C. 43–50.



Внимание!
Купить полный текст статьи (формат - PDF) могут только авторизованные посетители сайта.