ОПРЕДЕЛЕНИЕ ТЕНДЕНЦИЙ ПРИ ПОМОЩИ ЦИФРОВОЙ ФИЗИКИ ПОРОД И ИХ ПРИМЕНЕНИЕ ДЛЯ МАСШТАБИРОВАНИЯ

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННЫЕ ЗАЯВКИ

Данная заявка заявляет приоритет по заявке на патент США № 61/972983, озаглавленной "Определение тенденций при помощи цифровой физики пород и их применение для масштабирования" и поданной 31 марта 2014 года изобретателями Radompon Sungkorn, Jonas Toelke, Yaoming Mu, Carl Sisk и Avrami Grader, которая полностью включена в данную заявку посредством ссылки.

ПРЕДПОСЫЛКИ ИЗОБРЕТЕНИЯ

Соотношения (также называемые "тенденциями") между петрофизическими свойствами, как-то пористость, проницаемость, фактор формации, упруго-пластические свойства, относительная проницаемость и капиллярное давление, широко применяются в геологии и технике (Nelson, 1994 г.) и считаются ключевыми для составления точной характеристики и оценки горных пород/пластов, дающих полное представление о предмете исследования. Однако под действием ряда факторов, таких как степень неоднородности, породная формация, геометрия пор, размер зерен, уплотнение и растворение/разложение, тенденции варьируются сложным образом (Ma и Morrow, 1996 г.).

Ученые и инженеры применяют различные экспериментальные подходы, чтобы устанавливать тенденции (см., например, Ma & Morrow, 1996 г., Ehrenberg & Nadeau, 2005 г., Weibel и соавторы, 2012 г., Vik и соавторы, 2013 г., Torabi и соавторы, 2013 г.). Для данных, которые дают эти подходы, в целом характерен большой разброс и отклонения, из-за которых трудно выявлять какие-либо четкие тенденции (Weibel и соавторы, 2012 г.). Помимо этого, при таких экспериментах для установления статистически значимой тенденции часто требуются недели и большое количество образцов и, следовательно, для таких экспериментов характерны ошибки и трудности.

Подобных проблем можно избежать за счет цифровой физики пород (DRP), в которой применяются передовые технологии формирования изображений, такие как микроскопия и спектроскопия, для получения цифрового представления горной породы или другого материала при выбранном уровне увеличения и разрешения. Цифровое представление включает, но не ограничивается, двух- или трехмерным изображением образца материала. Далее к полученному изображению могут быть применены компьютеризированные методы анализа для наглядного представления внутренней структуры материала и/или характеристики материала. В зависимости от вида анализа, ряд отличительных свойств подвергается измерению, количественному оцениваю и установлению взаимосвязей. Однако даже при отсутствии экспериментальных ошибок существующие методы анализы не позволяют должным образом учитывать неоднородности и другие осложняющие факторы, которые затрудняют выявление значимых тенденций.

Кроме того, хотя анализ образцов позволяет получить некоторые полезные характеристики и выводы, которые можно непосредственно увеличить и графически отобразить, масштаб пласта и составляющих его формаций слишком велик для непосредственного графического отображения и анализа. Также для получения информации о тенденциях нецелесообразно проводить достаточное количество экспериментов в достаточно большом масштабе. Тем не менее, важность такой крупномасштабной информации о тенденциях для точной оценки и прогнозирования пласта трудно переоценить. Главным осложняющим фактором при выявлении такой информации о тенденциях является высокая степень структурной неоднородности, которая наблюдается в большинстве пластов горных пород (Worthington, 2004 г.), т.е. таким горным породам свойственен более чем один типичный размер поры и более чем одна типичная структура поры.

В литературе представлены многочисленные методы масштабирования для прогнозирования крупномасштабных петрофизических свойств на основе полученной из образца информации о тенденциях. Большинство этих методов ограничены изучением однофазной проницаемости пористого материала. Например, Durlofsky (Durlofsky, 2005 г.) сравнил разные подходы к нанесению на координатную сетку и масштабированию цифровых геологических моделей для гидродинамического моделирования. Khalili и соавторы (Khalili и соавторы, 2012 г.) установили преобразования пористости между изображениями высокого разрешения (малый масштаб) и низкого разрешения (крупный масштаб) для градуирования карты пористости низкого разрешения, которую затем можно применять для насыщения изображений низкого разрешения проницаемостью. Схемы перенормировки для масштабирования были предложены Green & Paterson (Green & Paterson, 2007 г.) и Krabbenhoft & Karim (Krabbenhoft & Karim, 2010 г.). Выводы из всех упомянутых выше исследований одинаковы: результаты чувствительны к контрасту свойств, т.е., к диапазону между наименьшими и наибольшими значениями, который сильно зависит от степени неоднородности пористого материала. Что еще более важно, исследователи обнаружили, что при переходе от крупномасштабных к мелкомасштабным образцам и наоборот проницаемость сильно разнится от образца к образцу. По меньшей мере в некоторых случаях крупномасштабные образцы имеют тенденцию демонстрировать большую проницаемость, чем можно было бы предположить, исходя из изучения мелкомасштабного образца (Ehrenberg, 2007 г.). Очевидно, что существующие способы не позволяют выявлять петрофизические свойства настолько точно, чтобы их можно было подвергать масштабированию.

КРАТКОЕ ИЗЛОЖЕНИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ

Соответственно, данная заявка предусматривает способ статистического анализа, который применительно к цифровому представлению горной породы позволяет получить максимальное количество информации о тенденциях, в том числе идентифицировать неоднородные области образца и получить связанную с ними информацию о тенденциях. Как следствие, имея один образец, можно выявить несколько тенденций. Кроме того, такая дополнительная информация о тенденциях позволяет применять новый способ масштабирования, который лучше преобразует информацию о тенденциях малого масштаба в более крупные масштабы, учитывая неоднородность, выявленную для каждого масштаба. Данный способ масштабирования может быть выражен в рекурсивном виде, позволяющем проводить масштабирование в нескольких масштабах, с тем чтобы, например, информацию пластового масштаба можно было выводить из информации об образце, полученной в субмиллиметровых масштабах. Благодаря такой информации, пласты можно более точно оценивать и разрабатывать.

КРАТКОЕ ОПИСАНИЕ ГРАФИЧЕСКИХ МАТЕРИАЛОВ

На фиг. 1A-1B схематично показано, как двух- и трехмерные образцы относятся к нескольким частям образца.

На фиг. 2 показана иллюстративная (однокомпонентная) тенденция.

На фиг. 3A-3D показаны иллюстративные одно- и мультимодальные распределения одной и нескольких переменных.

На фиг. 4A показано мультимодальное распределение, которое представляет собой смесь нескольких одномодальных распределений.

На фиг. 4B показана схема распределения составляющих по пространственным объектам.

На фиг. 5 показана иллюстративная многокомпонентная тенденция.

Фиг. 6A-6B представляют собой блок-схемы иллюстративных способов определения тенденций.

На фиг. 7 показаны изображения образца в нескольких масштабах.

На фиг. 8A-8D показана иллюстративная процедура масштабирования.

Фиг. 9 передает изображения в двух разных масштабах.

На фиг. 10A-10D показана вторая иллюстративная процедура масштабирования.

Фиг. 11 представляет собой иллюстративную систему получения изображений.

На фиг. 12 представлена иллюстративная компьютерная система, которая может быть применена для осуществления раскрываемых способов.

ПОДРОБНОЕ ОПИСАНИЕ

На фиг. 1A показано двухмерное цифровое представление материала, а на фиг. 1B показано трехмерное цифровое представление. Здесь и далее эти представления будут называться изображениями. Можно применять необработанные изображения, но раскрываемые способы выигрывают при отнесении каждого пикселя к одной из нескольких фаз, например, пористому пространству, твердой фазе. Некоторые варианты осуществления могут включать дополнительные фазы, отмечающие промежуточные уровни пористости между открытым пористым пространством и полностью заполненным твердым пространством, например, пористую матрицу низкой плотности, пористую матрицу высокой плотности. В пределах каждого изображения выбирается ряд позиций частей образца. Выбор может осуществляться случайным или систематическим образом, а также с перекрытием или без перекрытия. Как правило, области частей образца представляют собой квадраты (для двухмерных изображений) или кубы (для трехмерных изображений).

Далее способ определяет интересующие свойства для каждой части образца. В нефтяной промышленности анализу тенденций обычно подвергают такие свойства, как пористость/проницаемость, пористость/ фактор формации, и проницаемость/фактор формации. Затем измерения свойств для всех частей образца собирают и анализируют, чтобы выявить информацию о тенденциях. На фиг. 2 показан график зависимости двух свойств, указывающий на наличие тенденции, и дополнительно показана параметризованная кривая, которая может соответствовать точкам, представляющим свойства для каждой части образца. По меньшей мере в некоторых вариантах осуществления выделенная информация о тенденциях представлена в математическом виде, выражающем соотношение между двумя свойствами.

Благодаря применению компьютерных технологий, подход цифровой физики пород (DRP) предоставляет возможность генерировать тенденции быстрым, надежным и воспроизводимым образом. И что самое важное, благодаря разделению образцов на части образца тенденции можно генерировать при наличии гораздо меньшего количества образцов, чем при большинстве экспериментальных способов, иногда при наличии всего одного образца. Однако существующие DRP-способы предполагают, что образцом является относительно однородный образец, т.е. свойства можно представить с применением унимодального распределения, такого как показано на фиг. 3A или 3C. Как следствие, эти способы дают только одну тенденцию для каждого образца (Ramstad и соавторы, 2010 г., Khalili и соавторы, 2012 г., Khalili и соавторы, 2013 г., De Prisco и соавторы, 2013 г.) и не способны обеспечить достаточную характеристику неоднородных образцов.

Поскольку большинство горных пород/пластов обладают высокой степенью неоднородности, это обстоятельство порождает трудности. Бимодальные распределения, такие как показано на фиг. 3B или 3D, тримодальные распределения или даже распределения с большей модальностью являются типичными. Желательно было бы иметь способ анализа тенденций, который должным образом учитывает неоднородность и сложное строение большинства образцов. Предлагаемый способ достигает этого за счет того, что рассматривает распределение измерения свойства как сочетание распределений составляющих и подвергает все распределение статистическому анализу, который выделяет распределения составляющих.

Например, на фиг. 4A показано тримодальное распределение, которое можно выразить в виде взвешенной суммы трех унимодальных распределений. Статистический анализ определяет количество составляющих, позицию каждой составляющей, размер (дисперсию) каждой составляющей и долю (вес) каждой составляющей. (Подходящие способы статистического анализа дополнительно обсуждаются далее.) Когда каждая составляющая идентифицирована, могут быть определены точки, связанные с этим распределением, что позволяет увязать отдельные распределения с соответствующими позициями частей образца, как показано на фиг. 4B. Следует обратить внимание, что части образца, связанные с данной составляющей, не обязательно должны быть смежными.

После идентификации составляющих и связанных с ними частей образца для каждой составляющей может быть выполнен отдельный анализ тенденций, как показано на фиг. 5. Параметризованная кривая может соответствовать точкам измерений каждой данной составляющей. Следует обратить внимание, что соответствие одной кривой всему набору точек измерения скрыло бы неоднородность образца.

Фиг. 6A представляет собой блок-схему иллюстративного способа определения тенденций. В блоке 602 способ получает двухмерное или трехмерное изображение образца. В блоке 604 изображение предварительно обрабатывается для устранения шумов и других помех процесса формирования изображения. В блоке 606 изображение разбивают на сегменты, то есть каждый пиксель изображения относят к одной из нескольких возможных категорий, включая по меньшей мере пористую (открытое пространство) и твердую (заполненное пространство) категории, и в зависимости от разрешения при выбранном увеличении, возможно дополнительно включая матричные фазы промежуточных уровней пористости между двумя указанными предельными категориями.

В блоке 608 способ определяет статистически большое количество частей образца и случайным или систематическим образом, а также с перекрытием или без перекрытия выбирает их местоположения. Учитывая предполагаемую неоднородность образца, желательно, чтобы плотность расположения частей образца относительно равномерно распределялась по образцу. Статистическая крупность может быть определена при помощи хорошо известных статистических принципов, таких как доверительные уровни и доверительные интервалы, или, если это целесообразно, способ может просто выбирать местоположения частей образца таким образом, чтобы достичь полного (и возможно с перекрытием) охвата образца. Размер частей образца может быть выбран произвольно или систематически (см., например, De Prisco и соавторы, 2013 г.) в зависимости от желаемого масштаба информации.

В блоке 610 способ вычисляет выбранные первичные свойства для каждой части образца. Примеры первичных свойств включают пористость, структуру пор, состав пористых матриц, и вычисление может предоставлять измерение одного или более таких свойств. В блоке 612 распределения вычисленных первичных свойств определяются и анализируются. Такие распределения, как правило, мультимодальны ввиду типичного для образцов уровня сложности и неоднородности, и, если измеряется несколько свойств, распределение является многомерным. (Фиг. 3A-3D представляют собой примеры унимодальных и мультимодальных, а также одномерных и многомерных распределений.)

К подходящим видам статистического анализа относятся те, которые можно применять к уни- или мультимодальным и/или одно- или многомерным распределениям, чтобы определять количество распределений составляющих и связанные с каждым из них параметры. Анализ мультимодального распределения должен давать в результате не только одно среднее значение и значение стандартного отклонения, но набор средних значений, стандартных отклонений и значений относительного веса для каждого из нескольких распределений составляющих, представленных в образце. Количество распределений указывает на количество отдельных областей, характеризуемых выбранными первичными свойствами. Соответственно, области с разными характеристиками могут быть идентифицированы в пределах образца путем связывания каждой отдельной части образца с соответствующим распределением, и таким образом распределения увязываются с конкретными участками изображения (блок 614). У отдельных областей может быть общее распределение. Больше информации о возможностях анализа распределения свойств можно найти в работе Radompon Sungkorn и соавторов, "Representative Elementary Volume Determination Via Clustering-Based Statistics", номер дела патентного поверенного: INGRA-011B, Заявка согласно PCT под номером_______, поданная________, причем указанная заявка полностью включается в данную заявку посредством ссылки.

В блоке 616 способ по очереди обрабатывает части образца, связанные с каждым из распределений составляющих, чтобы определить желаемые вторичные свойства этих частей образца. Примеры вторичных свойств включают проницаемость, фактор формации, капиллярное давление и относительную проницаемость. Для вычисления этих свойств могут применяться различные численные методы, как-то метод конечных объемов (FVM), метод конечных элементов (FEM) и метод решеточных уравнений Больцмана (LBM).

Для каждого данного распределения составляющих, способ связывает вторичные измерения свойств с первичными измерениями свойств (блок 618) и применяет регрессионный анализ, чтобы определить соотношения (блок 620) между первичными и вторичными свойствами. Например, для выведения соотношения между пористостью и проницаемостью в одном широко применяемом виде анализа тенденций применяется линейная регрессия методом наименьших квадратов с функцией мощности (y=ax^b+c). На фиг. 5 показан пример системы с тремя отдельными структурами/схемами (т.е. тримодальное распределение, включающее три распределения составляющих). Соотношения между свойством I и свойством II анализируются отдельно для каждой из структур, что дает три тенденции для образца.

Ожидается, что тенденции, идентифицированные способом, представленным на фиг. 6A, будут варьироваться в зависимости от размера части образца. Если желательно получить тенденции, которые относительно нечувствительны к размеру части образца, способ может расширен, как показано на фиг. 6B, чтобы находить тенденции, связанные со стандартным элементом объема (REV). Блоки 602-620 такие же, как на фиг. 6A. Блоки 622-628 добавлены, чтобы обеспечить цикл, который находит тенденций для нескольких размеров частей образца. В блоке 622 параметры математического выражения (например, a, b, c функции регрессии y=ax^b+c) для каждой тенденции сравниваются с параметрами предыдущего повторения цикла. Если предыдущая итерация отсутствует или если параметры или количество тенденций не совпадают с предыдущий итерацией, в блоке 624 принимается решение повторить цикл. Способ увеличивает размер части образца в блоке 626, и блоки 610-624 повторяются с новым размером части образца. Когда выявляется совпадение (указывающее на то, что тенденции стабилизировались), способ выводит информацию о тенденциях и минимальный соответствующий размер части образца в блоке 628. В качестве альтернативы сравнению параметров выражения для проверки на сходимость, способ может сравнивать параметры распределений составляющих, идентифицированных посредством анализа в блоке 612, и резервировать операции блоков 614-620 для выполнения только после идентификации подходящего размера части образца.

Описанные выше способы определения тенденций позволяют применять новую схему для масштабирования петрофизических свойств, т.е. выведения крупномасштабных свойств из мелкомасштабных образцов, проанализированных с помощью формирования изображений средствами цифровой физики пород (DRP). На фиг. 7 показаны изображения образцов, полученные в трех разных масштабах: крупном масштабе (низкое разрешение), промежуточном масштабе (промежуточное разрешение) и мелком масштабе (высокое разрешение). Применение мелкомасштабных образцов для выведения петрофизических свойств крупномасштабных образцов резко повышает эффективность вычислений.

Каждое изображение образца обнаруживает наличие ряда различимых объектов, которые могут быть идентифицированы при помощи описанных выше способов, методов, основанных на обработке изображений (например Liang, 2012, Unser & Eden, 1989 г.), или статистического анализа (см., например, Christopher, 2003 г., Barker, 1998 г.). Каждый объект может быть отнесен к классу определенных или неопределенных, причем попадание в первую группу означает, что объект по существу пустой (пустое пространство) или по существу непроницаемый и твердый (заполненное пространство), а попадание во вторую группу означает, что объект представляет собой скопление пористых матриц (частично заполненное пространство). Поскольку релевантные свойства определенных объектов уже очевидны, последующий анализ посвящен неопределенным объектам.

Неопределенные объекты выбирают произвольным образом или идентифицируют на основе визуального осмотра или статистического анализа (в котором потенциально применяются описанные выше способы). В каждом объекте выбирают один или более образцов с более высоким разрешением. В примере на фиг. 7 это дает промежуточный масштаб изображения, который не является полностью определенным. Процесс повторяется до тех пор, пока, как показывает мелкомасштабное изображение справа на фиг. 7, не будет получен полностью определенный образец. На фиг. 7 увеличение применялось дважды, и поэтому излагаемый ниже процесс масштабирования повторяется дважды, чтобы получить желаемые петрофизические свойства для крупномасштабного изображения.

На фиг. 8A-8D показаны три фазы, связанные с первым процессом масштабирования. Первая фаза, представленная стрелкой от фиг. 8A к фиг. 8B, состоит в получении изображений с высоким разрешением для каждого из неопределенных объектов. В ходе второй фазы, представленной стрелками от фиг. 8B к фиг. 8C, изображения с высоким разрешением обрабатываются для измерения их свойств и выведения взаимных соотношений между ними при помощи изложенных выше способов идентификации тенденций.

Как было указано ранее, части образцов на изображении берут и сортируют, исходя из их структур/схем и местоположения. Для решения определяющих уравнений этих свойств могут применяться различные численные методы, как-то метод конечных объемов (FVM), метод конечных элементов (FEM) и метод решеточных уравнений Больцмана (LBM). Желательно решать многомасштабные определяющие уравнения, такие как уравнения Дарси, уравнения Бринкмана или уравнения Бринкмана-Форхаймера для проницаемости. Соотношения между свойствами выводят при помощи методов регрессионного анализа с выбранной математической функцией, см. фиг. 8C.

Для данной операции насыщения может применяться метод совмещения изображений, т.е. способ приведения нескольких изображений к одной системе отсчета, но это необязательно, если известно точное местонахождение объектов в крупном образце. Как показано на фиг. 8D, далее способ устанавливает взаимосвязи между значением свойства более крупномасштабного изображения со свойствами, измеренными в более мелком масштабе, необязательно в виде линейного перемещения. Например, пиксельная интенсивность более крупномасштабного изображения может быть связана с пористостью, измеренной в соответствующей части мелкомасштабного изображения. Такие линейные перемещения могут применяться для увязывания свойств, обнаруженных посредством мелкомасштабных тенденций на фиг. 8C, с соответствующими участками на изображении фиг. 8A, благодаря чему для каждого из ранее идентифицированных (неопределенных) объектов фиг. 8A предоставляются измерения петрофизических свойств.

В контексте увязывания тенденций, в ходе третьей фазы выполняется операция агрегирования. Как показано на фиг. 9, каждый пиксель более крупномасштабного изображения соответствует нескольким пикселям мелкомасштабного изображения. Поскольку свойства тенденции, связанные с разными мелкомасштабными пикселями, могут быть неодинаковыми (например, на границе между объектами), операция агрегирования сочетает разные свойства тенденции, чтобы обеспечить подходящее совокупное значение измерения свойства. Может применяться прямое усреднение площади/объема или же может применяться метод вейвлет-разложения. Информация о тенденциях вместе с процессами агрегирования и перемещения дает транзитивное соотношение для увязывания петрофизических свойств с более крупномасштабным изображением. Здесь и далее эта третья фаза может именоваться "насыщением" более крупномасштабного образца.

После выполнения процесса масштабирования для каждого из объектов, идентифицированных в каждом из образцов промежуточного масштаба, операция масштабирования выполняется снова с применением насыщенных образцов промежуточного масштаба в качестве выходных данных, как показано на фиг. 10A-10D. Далее полученный в результате насыщенный крупномасштабный образец может быть применен для определения крупномасштабных петрофизических свойств и/или тенденций. При необходимости способ может быть расширен на еще более крупные масштабы.

Описанные выше способы можно компьютеризовать. Для контекста, на фиг. 11-12 показан иллюстративный контекст применения этих способов. На фиг. 11 показан иллюстративный растровый электронный микроскоп 120 с фокусированным ионным пучком высокого разрешения, содержащий камеру 122 наблюдения, в которую помещают образец материала. Компьютер 124 сообщается с инструментальными средствами камеры наблюдения, чтобы управлять процессом измерения. Программное обеспечение на компьютере 124 взаимодействует с пользователем посредством пользовательского интерфейса, включающего одно или более устройств 126 ввода (таких как клавиатура, мышь, джойстик, световое перо, сенсорная панель или сенсорный экран) и одно или более устройств 128 вывода (таких как экран или принтер).

Для получения изображений с высоким разрешением, из камеры наблюдения 122, как правило, выводят воздух и другие газы. Пучок электронов или ионов может быть проведен по поверхности образца для получения изображения с высоким разрешением. Более того, энергию ионного пучка можно увеличивать, чтобы снимать тонкие слои образца, получая изображения образца на разной глубине. При совмещении эти изображения дают трехмерное изображение образца. В качестве иллюстративного примера этих возможностей, некоторые системы позволяют получать такие изображения величиной 40x40x40 кубических микрометров при разрешении 10 нанометров.

Однако описанная выше система является всего лишь одним примером технологий, доступных для получения изображений образца. Просвечивающие электронные микроскопы (TEM) и трехмерные томографические рентгеновские просвечивающие микроскопы – две другие технологии, которые могут применяться для получения цифровой модели образца. Независимо от способа получения изображений, описанное выше изобретение применимо при условии, что разрешение является достаточным для выявления пористой структуры образца.

На источник образца, как-то в случае образца породной формации, не налагается никаких особенных ограничений. Например, в случае образцов породной формации, образцом могут быть керны, отобранные боковым грунтоносом, полноразмерные керны, обломки выбуренной породы, пробы пород из обнажений или другие источники образцов, способные предоставить подходящие образцы для анализа с применением способов согласно данному изобретению.

Фиг. 12 представляет собой пример более крупной системы 200, в пределах которой может применяться растровый микроскоп 120. В крупной системе 200 персональная рабочая станция 202 сообщается с растровым микроскопом 120 посредством локальной вычислительной сети (LAN) 204. Кроме того, LAN 204 обеспечивает взаимодействие между растровым микроскопом 120, персональной рабочей станцией 202, одной или более платформами 206 высокопроизводительных вычислений и одним или более общими устройствами 208 хранения (такими как RAID, NAS, SAN или тому подобное). Платформа 206 высокопроизводительных вычислений в целом применяет несколько процессоров 212, каждый из которых сообщается с локальным запоминающим устройством 214. Внутренняя шина 216 обеспечивает связь высокой пропускной способности между несколькими процессорами (посредством локальных запоминающих устройств) и сетевым интерфейсом 220. Резидентное программное обеспечение параллельной обработки данных в запоминающих устройствах 214 позволяет нескольким процессорам совместно разбивать и выполнять подлежащие выполнению задачи ускоренным образом, обращаясь к общему устройству 208 хранения, когда нужно вывести результаты и/или получить входные данные и промежуточные результаты.

Как правило, пользователь применяет персональную рабочую станцию 202 (такую как стационарный компьютер или ноутбук ), чтобы взаимодействовать с более крупной системой 200. Программное обеспечение в запоминающем устройстве персональной рабочей станции 202 предписывает одному или более своим процессорам взаимодействовать с пользователем посредством пользовательского интерфейса, позволяя пользователю, например, создавать и запускать на исполнение программное обеспечение для обработки изображений, полученных растровым микроскопом. Для задач с малой вычислительной нагрузкой программное обеспечение может выполняться на персональной рабочей станции 202, тогда как задачи с большой вычислительной нагрузкой могут предпочтительно решаться на платформе 206 высокопроизводительных вычислений.

При адаптации к применению в иллюстративных системах способы можно модифицировать, чтобы одна или более операций могли выполняться параллельно, чтобы воспользоваться доступностью ресурсов параллельной обработки. Более того, последовательность шагов может варьироваться, так чтобы некоторые шаги выполнялись потенциально спекулятивным образом. Такие вариации находятся в пределах объема формулы.

Потенциальные преимущества раскрываемых систем и способов включают применение DRP, чтобы преодолеть недостатки, присущие традиционным экспериментальным подходам, и обеспечить точное, надежное, воспроизводимое определение петрофизических свойств, при котором учитываются типичные сложности и неоднородность/анизотропность горных пород/пластов. За счет этого обеспечивается универсальная схема установления тенденций между петрофизическими свойствами, например, пористостью, проницаемостью, фактором формации, упругостью, относительной проницаемостью.

Следующие документы полностью включены в данную заявку посредством ссылки:

Barker, S.A., "Image segmentation using Markov random field models", диссертация, Кембриджский университет, 1998 г.

Christopher, L., Bayesian "Segmentation of three dimensional images using the EM/MPM algorithm", диссертация, Университет Пердью, 2003 г.

De Prisco и соавторы, "Digital rock analysis systems and methods that reliably predict a porosity-permeability trend", предварительная заявка на патент США № 61/692541.

Durlofsky, L.J., "Upscaling and gridding of fine scale geological models for flow simulation", 8-й Международный форум по вопросам пластового моделирования, 2005 г.

Ehrenberg, S.N., Nadeau, P.H., "Sandstone vs. carbonate petroleum reservoirs: A global perspective on porosity-depth and porosity-permeability relationships", AAPG Bulletin, том 89, № 4, 2005 г.

Ehrenberg, S.N., "Whole core versus plugs: Scale dependence of porosity and permeability measurements in platform carbonates", AAPG Bulletin, 91(6), 2007 г.

Green, C.P., и Paterson, L., "Analytical three-dimensional renormalization for calculating effective permeabilities", журнал "Transport in Porous Media", 68(2), 2007 г.

Khalili, A.D., Arns, J.-Y., Hussain, F., Cinar, Y., Pinczewski, W.V., Latham, D., Funk, J., "Permeability upscaling for carbonates from the pore-scale using multi-scale Xray-CT images", SPE 152640, 2012 г.

Khalili, A.D., Yanici, S., Cinar, Y., Arns, C.H., "Formation factor for heterogeneous carbonate rocks using multi-scale Xray-CT images", журнал "Journal of Engg. Research", 1-й год, № 2, 2013 г.

Krabbenhoft, K., Karim, M.R., "New renormalization schemes for conductivity upscaling in heterogeneous media", журнал "Transport in Porous Media", 85(3), 2010 г.

Liang, M., "3D co-occurrence matrix based texture analysis applied to cervical cancer screening", диссертация, Уппсальский университет, 2012 г.

Ma, S., Morrow, N.R., "Relationships between porosity and permeability for porous rocks", Конференция SCA 1996, доклад № 9610.

Nelson, P.H., "Permeability-porosity relationships in sedimentary rocks", 1994 г., журнал "The Log Analyst" (май-июнь), 38-62.

Ramstad, T., Oren, P.-E., Bakke, S., "Simulation of two-phase flow in reservoir rocks using a lattice Boltzmann method", журнал "SPE Journal", SPE 124617, 2010 г.

Sungkorn и соавторы, "Method for Establishing Petrophysical Trends Using Digital Rock Physics Imaging", 2014a.

Sungkorn и соавторы, "A Method for Determination of Representative Elementary Volume using Advanced Statistical Analysis", 2014b.

Torabi, A., Fossen, H., Braathen, A., "Insight into petrophysical properties of deformed sandstone reservoirs", AAPG Bulletin, том 97, № 4, 2013 г.

Unser, M., Eden, M., "Multiresolution feature extraction and selection for texture segmentation", журнал "IEEE transactions on pattern analysis and machine intelligence", 11(7), 1989 г.

Vik, B., Bastesen, E., Skauge, A., "Evaluation of representative elementary volume for vuggy carbonate rock – Part: Porosity, permeability, and dispersivity", журнал "Journal of Petroleum Science and Engineering", 112, 2013 г.

Weibel, R., Kristensen, L., Olivarius, M., Hjuler, M.L., Mathiesen, A., Nielsen, L.H., "Investigating deviations from overall porosity-permeability trends", Материалы 36-й конференции по вопросам разработки месторождений термальных вод, 2012 г.

Worthington, P.F., "The effect of scale on the petrophysical estimation of intergranular permeability", журнал "Petrophysics" 45(1), 2004 г.