基于大数据处理模型的数字岩心重构方法研究

Digital cores provide a basic research platform for the pore-scale microscopic percolation mechanisms. Reconstruction of digital cores using multiple-point statistics can extract the structural features of rocks from real cores; then copy these features to acquire the reconstructed results with arbitrary dimensions. However, some complex rocks with obvious anisotropy or containing many pores with large scale changes are difficult to reconstruct. Owing to the strong ability of deep learning extracting deep-level intrinsic features of training data, deep learning and multiple-point statistics are combined together to improve the ability of extracting the structural features of rocks in digital cores for multiple-point statistics in this study, but this is challenged by the slow processing speed of both deep learning and multiple-point statistics when processing huge data. Therefore, deep learning and multiple-point statistics are used in the parallel frame of MapReduce to enhance reconstruction efficiency. The real data of cores are acquired by CT scanning. The reconstruction quality finally is evaluated by comparing the pore structures and permeability of reconstructed cores and the real ones. This research can promote the development of Chinese oil and gas reservoirs and research of percolation mechanisms, so it has great practical significance.

数字岩心是孔隙级微观渗流机理的基础研究平台。基于多点地质统计法的数字岩心重构技术提取真实岩心中的岩石结构特征，将特征进行复制后可以获得任意尺度的重构结果，但是难以重构较为复杂的岩石(例如各向异性明显或者孔隙尺度变化大的岩石)。借助深度学习可以提取训练数据深层次本质特征的能力，本项目将深度学习与多点地质统计法相结合，可提高多点地质统计法提取数字岩心中岩石结构特征的能力。但是在处理大数据量情况下，深度学习与多点地质统计法的处理速度都较慢，因此将两者置于MapReduce并行处理框架下，以提高重构效率。真实岩心数据由CT扫描获得，最后通过比较重构岩心与真实岩心的孔隙结构和渗透性进行重构质量评价。本项目对我国油气藏开发和渗流机理研究有推动作用，因此具有十分重大的实际意义。

多孔介质的特征表征是地质研究、石油工程和生物学等领域的重要研究课题之一，上述研究需要对多孔介质内部结构有准确的描述。数字岩心是描述孔隙结构的重要方法，主要分为两类：物理实验法和数值重建法。在物理实验法中，需要进行大量多孔介质薄片的制作和处理，十分耗费人力。除此之外，由于获取的序列样片的分辨率限制，一些小尺度的孔隙容易被忽视，使重构的三维多孔介质的连通性较差。数值重建法一般基于二维多孔介质薄片和数学方法来重构三维多孔介质。作为经典的数值重构方法，过程法、模拟退火法与多点地质统计法被广泛应用于多孔介质重构，但上述方法整体模拟速度较慢。近年来，深度学习已经广泛应用于与特征提取相关的研究领域，在深度生成模型方面，无监督学习模型取得了突破性进展。本项目利用岩心的真实二维数据构建三维岩心体数据，确定数字岩心的表征单元体尺寸。利用深度学习提取真实岩心体数据的结构特征，再复制这些特征完成重构。数据量较大情况下将深度学习提取特征和模拟的过程进行分解，形成并行处理框架下的子任务，由各个计算单元独立完成，解决大数据情况下重构岩心的效率问题。基于岩心的孔隙结构和渗透性建立一套数字岩心重构质量的评价标准。本项目建立一套大数据情况下数字岩心重构的技术体系，包括对于数字岩心的表征、重构、评价等。本项目对于多孔介质研究具有一定的实际意义。