裂缝-孔隙识别准确性对数字岩心中流体渗流的影响

《Results in Engineering》：Impact of Fracture-Pore Identification Accuracy on Fluid Seepage in Digital Cores

　　

数字岩心在油气田开发决策的制定与优化中发挥着重要作用。然而，现有研究主要侧重于分析内部物理属性，而忽略了扫描分辨率对数字岩心重建的关键影响。本研究利用多尺度岩心扫描数据，评估了传统阈值分割和深度学习方法在识别与分割孔隙、裂缝及基质方面的性能。研究人员采用深度学习实现精确分割，随后基于等效半径理论构建了裂缝-孔隙网络模型。对比分析表明，不同分辨率重建的数字岩心展现出截然不同的流体流动路径。数字岩心的准确性取决于高分辨率扫描能否解析微裂缝和孤立孔隙，以及低分辨率扫描能否捕获完整的裂缝和孔隙。更高分辨率增强了对微观特征的识别，增加了主导流动通道的数量。通过创新性地将酸化模拟与数字岩心技术相结合，岩石渗透性的差异导致酸液在模拟流经岩心时产生完全不同的渗流路径。在酸液流动模拟中，由分辨率差异引起的渗透率变化导致酸液迁移模式截然不同。高分辨率模型具有相互连通的通道，实现了更高的酸液接触效率，溶解了大部分孔隙；而低分辨率模型则表现出孤立孔隙，这些孔隙未被酸化，导致根本不同的结果。这些发现强调了扫描分辨率在指导油田开发决策中的重要性。

**论文解读：裂缝-孔隙识别准确性对数字岩心中流体渗流的影响**

**研究背景与问题**
数字岩心物理（DRP）技术通过计算图像处理手段表征岩心微观结构，在油气田开发中具有关键作用。然而，现有研究多聚焦于内部物理属性分析，忽视了扫描分辨率对数字岩心重建的显著影响。传统阈值分割方法在处理非均质性较强的岩心时存在固有缺陷：CT图像灰度值分布连续且重叠，无法形成明显峰值，导致裂缝与孔隙难以精确区分，微裂缝常被误判为孔隙，严重扭曲后续孔隙网络模型及渗流模拟结果。此外，扫描分辨率的选择缺乏科学依据，低分辨率会遗漏小孔隙和微裂缝，高分辨率则增加计算负担且难以达到代表性体积单元（REV）阈值。这些问题制约了数字岩心技术在油田开发中的精确性与可靠性，亟需引入先进的分割方法和分辨率优化策略。

**研究内容与结论**
研究人员以一块含有复杂天然裂缝的非均质碳酸盐岩为对象，基于激光衍射粒度分析确定扫描分辨率（4 μm、15 μm、30 μm、60 μm），利用MicroXCT-400系统进行CT扫描，并通过滤波反投影（FBP）重建三维结构。采用非局部均值滤波进行降噪后，分别应用传统阈值分割和基于U-Net的深度学习方法进行裂缝-孔隙-基质分割，并基于等效半径理论构建裂缝-孔隙网络模型。结果表明：深度学习方法能高效区分裂缝、孔隙与基质，网络模型与真实岩心结构高度吻合；而传统阈值分割在强非均质性岩心中性能差，易导致过分割或欠分割。不同分辨率下，数字岩心的孔隙度、渗透率等物性参数差异显著：分辨率从4 μm降至60 μm，孔隙度下降43.9%，渗透率下降54.8%。高分辨率模型能识别更多微裂缝和孤立孔隙，形成连通性更好的渗流通道，而低分辨率模型则呈现孤立孔隙，渗流路径简化。在酸化模拟中，高分辨率模型由于连通通道多，H⁺消耗速度更快，出口浓度降至3.25 mol/L，而低分辨率模型出口浓度为3.61 mol/L，酸化效果差。这些发现表明扫描分辨率直接影响数字岩心模拟的准确性，进而影响酸化、压裂等增产措施的设计效果。论文发表在《Results in Engineering》。

**主要关键技术方法**
（1）**激光衍射粒度分析**：使用Mastersizer 3000（0.01–2000 μm）测定岩心粒度分布，确定扫描分辨率。
（2）**X-ray CT扫描与FBP重建**：采用MicroXCT-400系统（最高分辨率1 μm），通过滤波反投影重构三维数字岩心。
（3）**非局部均值滤波降噪**：保留结构细节并增强裂缝与周围区域的对比度。
（4）**U-Net深度学习分割**：基于全卷积网络的U型架构，使用加权边界损失函数，经58轮训练（100张手动标注样本）实现裂缝、孔隙与基质的高精度分割。
（5）**裂缝-孔隙网络模型构建**：基于等效半径理论，将孔隙等效为球体、喉道等效为圆柱体，根据26邻域体素数量（阈值N_s=10）判别孔隙与喉道。

**研究结果**
**2. 基于深度学习的数字岩心构建**
- **2.1 扫描分辨率确定**：粒度分析显示岩心颗粒粒径主要集中于30 μm，因此设置4 μm、15 μm、30 μm、60 μm四种分辨率。
- **2.2 X-ray CT扫描**：通过FBP法重建三维结构，CT图像受噪声影响，需降噪处理。
- **2.3 噪声消除**：非局部均值滤波效果最佳，能有效抑制噪声同时增强裂缝与基质对比度。
- **2.4 传统阈值分割**：阈值分割在强非均质岩心中表现差，导致过分割（把基质误判为裂缝）或欠分割（连通裂缝被分裂为孤立孔隙），严重歪曲渗流通道。
- **2.5 基于深度学习的分割技术**：U-Net模型经训练后损失值稳定在0.04，能精确分割裂缝与孔隙，虽然边缘附近部分孔隙被分类为裂缝，但误差在可接受范围内。
- **2.6 裂缝-孔隙网络模型构建**：等效半径计算表明孔隙和喉道等效半径较小，反映岩心致密、低渗特征；裂缝网络连通性好，有利于流体渗流。

**3. 扫描分辨率对数字岩心重建的影响**
- 高分辨率（4 μm）能清晰刻画孔隙结构，低分辨率（60 μm）则模糊且遗漏微裂缝和孤立孔隙。
- 物性参数对比显示分辨率降低导致孔隙度和渗透率大幅下降（最大降幅43.9%和54.8%），且从15 μm降至4 μm时孔隙识别收益递减。
- 分辨率差异直接影响酸化模拟：高分辨率模型酸液覆盖率高、溶解均匀；低分辨率模型酸液无法进入孤立孔隙，酸化无效。

**4. 扫描分辨率对流体渗流的影响**
- 高分辨率数字岩心具有更多主导渗流通道，酸液速度分布更广，H⁺浓度消耗更快（出口浓度3.25 mol/L vs 3.61 mol/L）。
- 微裂缝通过连接孔隙形成优化流动网络，改善渗流环境；高分辨率模型可识别出比低分辨率模型多28%的相互连通的微裂缝，模拟渗透率增加40%。

**总结与结论**
扫描分辨率对数字岩心中流体流动的影响取决于高分辨率是否准确识别微裂缝和孤立孔隙，以及低分辨率是否有效捕获完整裂缝和孔隙。基于此，深度学习分割才能构建精确的裂缝-孔隙网络模型。主要结论如下：
（1）最佳扫描分辨率提升数字岩心质量和工作流效率，应基于岩心粒度分析确定（如筛析法、沉降法、激光衍射法）。分辨率差异导致不同的裂缝-孔隙分割结果，直接改变模拟流体流动模式。
（2）传统阈值分割在裂缝-孔隙区分中表现不佳，而深度学习方法（如U-Net）能高效分割复杂裂缝-孔隙-基质系统，并生成反映真实结构的网络模型。
（3）不同分辨率重建的数字岩心展示不同流动路径：高分辨率模型揭示连通微裂缝和孤立孔隙对酸液渗透的关键作用；低分辨率模型过度简化孔喉网络，误报54.8%的渗透率值。
（4）分辨率引起的渗透率差异根本改变酸化模拟结果：高分辨率模型通过连通孔隙实现广泛酸液传播，低分辨率模型因孤立孔隙导致酸化无效。此类分辨率依赖性要求油田开发策略（特别是水力压裂和EOR设计）做出针对性决策。

这些发现强调扫描分辨率不仅是技术参数，更是影响储层表征准确性和生产优化的战略变量。