基于三维图像的多孔介质孔隙结构表征与智能分类新方法

本文推荐：作者团队开发了一种基于三维图像（3D-CT/FIB-SEM）的多孔介质孔隙结构智能分析流程，通过形态学算法（如孔隙-喉道系统提取、汞注入毛细管压力模拟）获取几何/拓扑参数，结合主成分分析（PCA）和K-means++聚类实现快速分类。该工作流兼具独立分类功能与机器学习数据集生成能力，在20种常规多孔介质和59个页岩干酪根样本中验证了其可靠性，为储层评价和渗流预测提供了新工具。

　　

Highlight

本研究亮点在于开发了仅需三维图像即可实现多孔介质孔隙结构全面表征与智能分类的创新流程，突破了传统实验方法成本高、耗时长等局限。

Workflow

工作流分三步走：① 通过三维中值滤波（3×3×3）和Otsu算法对CT/FIB-SEM图像二值化处理；② 采用全形态学算法（无假设简化）同步执行汞注入模拟和孔隙-喉道系统提取，获取15项几何/拓扑参数；③ 通过方差最大化正交旋转主成分分析（PCA）降维后，用K-means++聚类实现智能分类。该流程兼具独立分析能力与机器学习辅助功能。

Results

在20个常规多孔介质（砂岩/碳酸盐岩）和59个页岩干酪根样本中验证显示：① 提取的3个主成分（累计方差>85%）分别对应孔隙连通性、喉道控制性和形态异质性；② 聚类结果与毛细管压力曲线（P_c-S_w）、孔隙半径分布高度吻合；③ 新引入的平均纵横比参数可量化孔隙非均质性，页岩干酪根表观渗透率曲线呈现显著类型差异。

Discussion

毛细管压力曲线在驱替阶段（饱和度0.3-0.7）呈现明显分层特征，三类样品的平均毛细管压力差异达2个数量级。页岩干酪根的渗透率分级潜力突出，工作流可作为非常规储层评价的"数字显微镜"。

Conclusions

该工作流为多孔介质孔隙结构分析提供了快速、可靠、低成本的解决方案，在石油工程（如储层分级）、地质封存（CO₂封存评估）等领域具有广阔应用前景。