基于达西尺度数字岩心的多尺度岩石特性升尺度与计算域缩减技术研究

本综述系统阐述了达西尺度数字岩心模型在岩石物理特性升尺度（Upscaling）与计算域缩减中的创新应用。通过整合多尺度显微CT（μCT）数据，结合卷积神经网络（CNN）与数字岩相分类技术，有效解决了低渗透储层多孔介质建模中分辨率与代表性尺度的矛盾，为复杂碳酸盐岩油藏的高效数值模拟提供了新范式。

　　

^Highlight

^{Mathematical problem statement}

本研究核心目标是开发映射函数F，将低分辨率3D显微CT图像转换为达西尺度多类别数字岩石模型。正式定义为：

1. 1.

   输入：低分辨率显微CT扫描获得的3D灰度图像I_LR ∈ R^X×Y×Z（例如16.5 μm/体素）；

2. 2.

   输出：3D多类别模型M_Darcy ∈ Z^{X′×Y′×Z′}，其中每个体素值代表离散数字岩石类型y ∈ {1,2,…,K}（见第4.1节）。每个岩石类型关联一组平均化属性。

^{Data description and analysis}

为验证基于数字岩相分类机制构建升尺度数字模型的概念，采用复杂碳酸盐岩储层岩心的多尺度μCT数据。μCT数据包含两个数据集：标准岩心样本（直径30 mm，长度75 mm）的低分辨率（16.5 μm）3D图像，以及从原样本钻取的迷你柱塞（直径15 mm，高度10 mm）的高分辨率（5 μm）3D图像。表2显示了μCT扫描参数。

^{Results of methodology validation}

本节通过将手动（无CNN）升尺度的岩石物理和输运特性与原始（基准）特性进行比较来验证方法。基准特性使用数字基准模型计算，该模型是根据高分辨率μCT数据构建的详细（二值化）模型（如第3节所述）。验证的核心思想是比较高分辨率（5 μm）模型的渗透率张量主分量和相对渗透率曲线（RPC）。

^{Results of CNN algorithm verification}

上一节通过将手动（无CNN）升尺度的达西尺度模型与基准模型进行比较来完成方法验证。本节重点分析CNN岩相预测性能，并通过比较CNN升尺度特性与基准特性来验证该方法。

^Conclusion

研究了基于多尺度μCT数据构建复杂储层数字模型的问题。开发并测试了基于数字岩相分类机制的达西尺度模型概念，该模型允许计算多尺度孔隙空间中的流动。通过以达西尺度中附加类别的形式考虑孔隙空间的多尺度结构，可以在保持模型较大物理尺寸的同时增强其细节水平。