文摘

储层裂缝位置收集至关重要的石油和天然气。最近,成像测井技术已经成为一种主流方法获取地层信息。提出了一种结合最优路径搜索策略来有效地识别和提取裂缝测井图像的信息。具体来说,日志记录图像的阈值分割是用来获取二进制图像。此外,连接断裂的识别测井图像转化为最优路径搜索,和储层裂缝的识别和提取是通过构造实现骨折两端之间的最优路径。最后,一种改进的蚁群算法应用于过滤无关信息和提取裂缝自动记录所有蚂蚁的蚁群的探索轨迹。与以前的方法相比,该方法可以消除不相关的背景特征,只是储备像素对应于骨折。同时,相对传统的策略,消费的时间减少了98%以上。本研究的发现可以帮助更好的自动提取骨折,减少人工工作量。

1。介绍

骨折形成不连续资料广泛分布在不同的岩性,通过成岩作用和构造变形逐渐形成。天然裂缝性储层存储全世界已知的石油和天然气储量的50% (1]。因此,骨折已经吸引了很多研究人员的检测,因为它们是可容许的重要指标紧张的石油和天然气储层的形成(2),影响储层性质、浓缩和气藏开发(3- - - - - -6]。例如,裂隙的页岩被认为是重要的流体传输网络以及油气运移路径和关键因素在形成油气储层(7]。到目前为止,有许多技术发现石油储层潜在的骨折,如地下电磁技术(8],倾斜仪[9],井下微地震裂缝监测[10),和放射性示踪剂诊断(11]。与这些方法相比,成像测井分析技术(12]起源于1986已成为主流的石油和天然气储层的勘探方法,为其赢得了可观的工程师青睐直观和准确地显示井筒和地层结构。超声波成像测井(13,14),一个代表成像测井技术,可以描述裂缝的几何特征和区分各种地质特征更明显。图1是超声成像测井的原理图。图像中每个像素对应于一个反射的超声波信号的到达时间井壁。明亮的区域表明回波到达时间的测量在这个领域是短暂的。相反,一个黑暗的区域表示到达时间长或没有反射存在。因此,本文的任务是设计一个过滤器中提取像素对应于骨折如图2。

由于储层的复杂性,这是一个耗时的过程,准确地识别手动骨折。因此,自动识别裂缝的测井图像具有重要意义[15),这促使许多研究者探索适当的方法。最初,骨折的学者建立数学模型描述的特征。长春等人认为断裂为正弦曲线的形状,利用二维霍夫变换(2 d-ht)检测骨折固定模式的图像(16]。Taiebi等人用了一个多尺度技术基于方向滤波和霍夫变换(HT)提取骨折在测井图像进一步17]。定向筛选可以提高目标断裂之间的对比和成像测井背景,积极进行HT断裂分割。刘等人使用蚁群算法来确定裂缝的边缘。然后,正弦骨折发现了HT (18]。建平等人根据骨折的特点改进了HT成像测井。与固定的时期,对于这样一个正弦曲线的初始检测步骤分为两个步骤:投票机制被用来确定正弦曲线的基线位置;然后是2 d-ht确定正弦曲线的幅值和初始相位参数(19]。基于基线位置由投票机制,生产等人利用遗传算法进行非线性拟合的正弦的分散在相关区域实现像素点提取正弦等地区断裂,床上用品,及层成像测井图像的边界(20.]。由于挤压摩擦在实际钻井过程中会导致井壁损坏,裂缝形状不一定是在标准正弦形状。因此,基于数学模型的方法不是有效地拟合,确定非标准正弦骨折。

最近,随着计算机视觉的迅速发展,研究人员试图利用图像分割为单独的像素对应于骨折超声测井图像的背景,然后实现骨折的提取。王利用黑暗山谷边缘算法来确定当地区域完成岩石断裂检测不确定一个阈值(21]。许等人结合分类成串级系统使用 - - - - - -最近的邻居(资讯)分类器,分类和提取岩石结构的预期功能的超声测井图像(22]。该方法将图像划分为superpixel块大小和温和的密实度均匀,提供后续的裂缝识别的基础。Sorncharean等人使用网格单元分析链和断裂单元验证消除虚假检测阴影边界的图像,从而实现检测骨折道路图像不均匀照明和强大的纹理23]。张clustering-minimum生成树方法用于提取裂纹区域的边缘提取和阈值分割,然后使用最小生成树的方法来检测裂缝在沥青路面24]。然而,在实际图像中,仅仅使用低级内容信息,如颜色、亮度,和纹理的像素并不足以产生一个良好的分割效果,而且很容易产生错误的分割结果。总之,所有提到的方法有以下问题:他们不能识别不规则骨折由于提取精度较低,识别和提取效率并不是有效的。识别结果经常保持一些noncrack信息。

为了解决以上问题,我们已经分析了裂缝的测井图像语义信息,利用断裂区域确定骨折区域的模式。不同于上面的方法,连接的断裂地区测井图像被认为是一个关键的标准在哪里像素对应储层裂缝连接两端的图像(25]。另一方面,启发式算法起到了越来越重要的作用在类似的优化问题。例如,邓et al。26]提出多种策略的全局优化问题。和邓小平et al。27]进一步使用一种改进的量子激发微分进化算法所避免过早收敛,提高全局搜索能力。因此,基于上述推理,提出了一种方法,结合最优路径搜索策略(警察)来识别和提取骨折超声测井图像,和本研究的主要贡献如下:(1)构造一个数学模型来描述这一任务。和裂缝识别转换为路径搜索(2)测井图像进行预处理,并建立一个路径搜索空间首先大津阈值分割算法(3)使用蚁群算法(ACA)来搜索潜在路径连接两端的骨折,骨折中提取整个地区(4)改进蚁群算法设计并行搜索策略大大加快路径搜索

本文由以下步骤:首先,该方法给出了详细的计算过程。然后,执行实验分析方法的性能与操作的准确性和速度有关。此外,根据实验结果,讨论了优点和潜在的缺点指出进一步研究的方向。最后,我们总结了整个研究。

2。方法

2.1。数学模型

层,不同结构的飞机显示某些差异的不同的形态和生理特征。在水库、骨折结构所产生的扩张区骨折就是大量的石油和天然气转移和积累。因此,本文设计的方法主要是针对这种骨折的识别和提取超声测井图像。这种类型的骨折是井筒周围的断裂带,形成沿井壁。的差异主要体现在颜色深度、形状差异,band-shaped正弦信号的宽度变化,和周围岩石现货和纹理特征的不规则曲线(28]。骨折提供了一个三维椭圆形状井筒墙上,如果圆柱墙是减少沿其轴,三维椭圆裂缝将正弦曲线在二维展开后的图像(29日- - - - - -32),如图3。

骨折的功能可以被描述为方程(1)[33]: 的公式,是基准正弦曲线裂纹的位置,曲线的振幅,是初始阶段,是角速度。

对储层裂缝分布沿圆周的墙,骨折的形状可以近似认为是正弦。然而,在实践中,由于机械振动在钻井过程中,地质活动的影响,测井的裂缝传播图像可能不会显示一个标准的正弦形状,有时,甚至远离一个正弦形式。因此,在图像处理的过程中,如果一个正弦形状被视为断裂形态的先决条件,将有一个高概率的算法生成的错误识别骨折或未能符合骨折的形状。

根据井壁周围的裂缝分布,显然是不同于其他干扰信息的一个特性是,骨折连接日志的左右图像。因此,我们假设超声测井图像 ,包含一个有序对 ,在哪里是一组顶点组成的所有像素和是一组无序点对组成的元素 ,指示为边集,其元素的边缘,和一双同样的观点可以出现多次 ,表示为 。因此,裂缝的识别和提取日志形象,问题转化为寻找一个子集图的顶点可以连接两边的区域图;这可以对应区域断裂的位置。

2.2。图像预处理

根据超声测井图像的原理,骨折更暗的形象和深灰色的正弦形状出现。地层的自然腐蚀等因素,造成挤压变形压力,对井壁的破坏的钻头在钻井过程中会留下一个几何形状类似于骨折或类似的超声测井图像灰度值。因此,进行裂缝识别和提取之前,有必要进行图像分割过滤不必要的干扰信息,同时提高断裂特征。

所介绍,本文基于大津算法,对原始超声测井图像执行初步阈值分割来提取有效裂缝面积信息。大津算法,也被称为最大的类间方差的方法,是一种算法来确定阈值。这个阈值是用来执行固定阈值二值化图像的类之间的方差最大化。根据图像的灰色特征,它分为两个部分:背景和前景。类间方差最大的分割意味着最小的类错误分类的概率。假设单个超声测井图像的大小 ,灰度范围 , ,和灰度的概率是

定义断裂区域 ,背景区域 ,和灰度阈值 ;然后分配日志中的所有像素的图像和根据这个阈值的概率和是和 ,分别;骨折区域的平均灰度值和背景区域的平均值是 的方程, ,所以,在两类,方差

根据文献[34),本文采用一个容易计算组内的方差评价函数阈值分割的标准,定义如下: 其中, 和 。最后,找到最佳阈值转换为

如图4,超声测井图像转换成一个二进制图像阈值分割之后。与最大熵阈值分割算法(35],大津算法有更好的提取影响超声波成像测井裂缝识别和减少背景噪音的干扰。

2.3。最优路径搜索基于大津阈值分割算法和蚁群算法

正如上面提到的,骨折区域的搜索日志图片可以转化为寻求连接区域连接的左右图像 。因此,建立了搜索空间根据二进制图像分割阈值。在一个二进制图像,可能骨折区域的灰度值是0,这是一种通行的地区;背景区域的灰度值是1,这是一个障碍。在这篇文章中,序列号的方法(36)是用于建立网格组对应于二进制超声测井图像,效果如图5。

软渲染图像,建立搜索空间后,需要搜索区域连接左右确定断裂区域。使用网格方法路径搜索,搜索效率正相关的空间的大小,所以需要一个高效和稳定的搜索算法。与其他算法相比,ACA具有较强的鲁棒性和适应性,取得了良好的效果在解决路径规划(37]。因此,ACA是用来寻找断裂区域。

ACA是一种群体智能算法,模拟蚂蚁的觅食行为。通过释放信息素在觅食路径,路径上的蚁群会走高的信息素浓度和同时释放信息素。信息素可以吸引更多的蚂蚁和形成一个反馈回路。最终,整个蚁群会找到最合适的路径。基于ACA骨折区域的搜索步骤如下:(1)假设蚂蚁的蚁群的数量 ,像素的数量可能断裂区域 ,和像素之间的距离和在断裂区域 ,任何目标像素点之间的信息素浓度和在相同的断裂区域是 ,和初始信息素浓度 。像素点和是随机选择的左右骨折区域的开始和结束点的路径搜索(2)让是蚂蚁的概率在蚁群从像素点像素点 ;计算公式是 其中,是启发式函数, 是像素的集合被蚂蚁搜索 , 是信息素因子重要性,是启发式函数的重要因素。通过轮盘赌选择法,根据剩余像素的转移概率,蚂蚁要去下一个像素(3)当一只蚂蚁完成遍历,没有办法去,信息素浓度之间的路径遍历像素将被更新,如图所示 在哪里代表了蚂蚁的信息素释放像素之间的连接路径和 , 表示信息素挥发因子,代表的总和所有蚂蚁的信息素浓度累积像素之间的连接路径和 , 是一个常数,然后呢蚂蚁的路径的长度是通过(4)当达到最大迭代次数时,搜索路径的路径搜索结束,打印出来

通过最优路径搜索(OPS)算法基于大津算法和ACA,连接的两端连接区域形象可以遍历不同的蚂蚁的蚁群。当所有蚂蚁的脚印记录,超声测井的裂缝区域图像可以被识别和提取。同时,因为没有蚂蚁遍历nonfracture地区,这些地区可以过滤掉,只可以保留骨折区域的信息。

2.4。结合最优路径搜索策略

通过上述策略,超声测井裂缝区域图像可以正确识别和提取。然而,由于大分辨率的单个记录图像,该算法收敛慢,容易陷入局部最优解,如果直接执行最优路径搜索。因此,本文提出了警察骨折区域的形态特征和超声测井图像。

目前常见的ACA应用程序是专为最短路径搜索。信息素浓度计算的总长度根据蚂蚁的路径,这意味着更短的路径蚁群选择旅行,信息素浓度越高将会离开。然后,整个蚁群的最短路径。本文的目标是骨折区域的整体搜索;我们希望蚁群可以遍历整个日志的断裂区域图像尽可能多。为此,改变方程(11) 在哪里代表像素点之间的距离和通过的蚂蚁。这个公式使用本地信息路径的蚂蚁通过计算释放信息素浓度。因此,它可以增加蚂蚁的概率不同的像素在断裂区域和尽可能多的像素可以遍历。

它可以看到从方程(1)近似正弦曲线断裂的位置在测井图像可以由基线 。因此,一个特定的路径搜索范围可以由寻求基线位置,和路径搜索的规模可以降低。对于任何一个点正弦曲线,另一个点在曲线上可以确定,这符合 ,在哪里正弦曲线的周期,中点吗 之间的和必须落在基线 。通过搜索点对和使用投票积累机制等所有中点的纵坐标信息计算来确定基线的位置。执行基准定位的关键超声测井图像如图5,基线所在区域出现目标搜索区域 ,和图所示的结果6是获得。

为了进一步提高ACA的效率,加快收敛速度,提高ACA本文采用策略搜索单一区域路径平行。目标搜索的区域 ,骨折区域是通过左、右连接。因此,分为不同的条件 沿纵向方向,断裂区域内各亚区仍然是连接从左到右。改进的ACA在每个分区利用寻求的道路同时,然后所有subfracture区域搜索分区的拼接完成识别和提取裂缝的测井图像。计算过程如图7。使用搜索单一区域的战略路径平行,该地区,同时需要遍历的算法 原始的地区,可以加快搜索速度,使算法快速收敛。自搜索范围减少,每个区域由一个独立的蚁群搜索,它还可以有效改善蚁群的情况属于当地最优结果。

3所示。实验和结果

3.1。实验平台

验证的性能最优路径搜索策略提出了,我们测试了该算法在实际测井图像。图8描述了超声波图像测井仪器的总体结构。测井工具包括旋转超声换能器由电动机驱动,主控制板接收超声波信号进行信号处理,传感器驱动板驱动超声换能器,电缆与主机进行通信。250点是由传感器收集均匀旋转一圈,绘制图像和一个日志根据到达时间和最大振幅的回声。

测试对象是超声测井图像从4423米到4559米的井下湛江生产油井。油田技术研究所提供的图像是中海油田服务有限公司有限公司(中海油服)。日志记录图像被切成72的分辨率子图象 。图像处理算法运行在硬件计算平台基于19 - 9900 k的处理器和64 gb内存和MATLAB R2020a编程语言。图9显示了周向超声成像测井工具的操作在湛江生产。

3.2。测试结果

为了进一步验证该算法的识别精度为骨折的不同形式,不同的背景噪音干扰,五个典型断裂区域被选为测试的结果并与常用的阈值分割算法和人工标记断裂区域地面真理。结果如图所示10。如图10无论是正弦骨折,水平裂缝,或骨折明显的背景噪音,合并后的最优搜索策略算法可以消除残余背景噪音和更准确地保留骨折信息而与传统直接阈值算法。

混淆矩阵,如图所示11,是一个指数来评估分类性能。根据像素的分类在地面真理和分割结果的两个算法,计算平均“真阳性”(TP),“假阳性”(FP),“真正的负面”(TN),和“假阴性”(FN)在上面的图片画的混淆矩阵。因此,精度和召回决定表演的分类可以计算

表1显示相应的F1得分,意味着十字路口在联盟(借据),精度和召回由两个提到的方法。显然,对裂缝测井图像分割,借据可以从20.72增加到43.21,和F1的分数可以增加了0.26。精度和召回通常矛盾当评估相同的分割结果,和更高的回忆从最大熵阈值分类更多的像素表示为骨折,但其精度降低。总之,所有的结果表明,该方法生成的断裂分割更接近断裂信息手动标记。

3.3。性能分析

与传统的ACA相比,本文提出的警察进行目标分解,然后单路径搜索每一个独立的地区。因此,它可以大大提高搜索效率。图12显示骨折的比较耗时的识别和提取上述五个典型测井图像使用常规ACA和本文算法进行路径搜索的计算平台。菌落大小都是20岁,和迭代的数量是100,信息素因子重要性是1,启发式函数的重要因素7,和信息素挥发因子是0.3。从图可以看出12,本文提出的算法有显著提高效率。

为探索影响因素进一步细分,我们进行了比较测试通过调整迭代的迭代确定蚁群可以遍历所有可能的路径。我们使用上面提到的参数与不同数量的迭代进行实验。的平均时间消耗和借据如表所示2。通过观察结果,而100年确定的迭代数,该方法可以获得平衡时间消耗和视觉效果。因此,我们使用我们的方法时执行100次迭代。

4所示。讨论

在本文中,我们提出一种有效的方法应对裂缝识别和提取。相对传统方法,即。,threshold segmentation and Hough Transform, not only can the method identify fracture regions accurately, but it can also extract pixels corresponding to fracture regions to show intact shape of fracture clearly.

与传统的蚁群算法相比,一个明显的优势是在路径搜索的速度加速并行搜索策略搜索空间减少了4次。通过分析我们的方法的原理,获得非凡的结果根据我们的方法的另一个原因是,蚁群搜索路径的信息素浓度高。这表明当一只蚂蚁的路径,其余的蚁群可能会跟随它,以避免无效的搜索,对过滤无关信息产生积极的影响。然而,由于同样的原因,蚂蚁搜索路径的信息素浓度高,所有骨折可能也无法完全提取多个断裂存在于测井图像。

另一方面,基于先验知识的骨折连接,该方法无法提取完整的裂缝区域如果实际裂缝测井图像不连续和断开连接的,在我们完成棘手的研究。因此,我们将专注于任务的识别和提取下一阶段多处骨折。

5。摘要和结论

摘要警察算法过滤背景干扰信息,并自动提取骨折超声测井图像。方法的关键是目标识别在断裂区域转化为最优路径搜索和搜索路径根据骨折的功能,连接两岸的形象。本研究的主要评论如下:(1)建立一个数学模型的骨折,通过投票决定的参考位置断裂积累机制,并适当减少裂缝的地方位于根据参考位置(2)获得的图像通过削减进一步削减沿垂直方向获得每个区部分断裂信息,和ACA用于搜索和提取每个子空间的骨折(3)从每个子空间提取的骨折拼接获得一个完整的骨折

进行实验和分析来说明我们的方法的优点和潜在的缺点。在下一阶段,我们将专注于改善多发性骨折在测井图像提取。

数据可用性

测井数据用于支持本研究的发现是由Ao邱在许可证,所以不能免费提供。请求访问这些数据应该(音译)((电子邮件保护))。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由美国国家科学基金会支持下中国的授予数量61201131和开发和工业应用的超高温度和高压电缆测井系统科技项目授予数量下的中海油CNOOC-KJ ZDHXJSGG YF 2019 - 02。我们给了我们真诚的感谢那些提供有价值的评论写这篇文章。特别是,我们要感谢油田技术研究所中国油田服务有限公司有限公司,提供日志记录图像。