Авторизация

Логин:
Пароль:
Восстановить пароль
Регистрация
  • Форум
  • Блоги
  • Контакты
  • Новости
  • Продукты
  • Отрасли
  • Обучение
  • Поддержка
  • События
  • О компании
  • 3 (54) | 2010 Компьютерная обработка микрофотографий шлифов карбонатных пород с целью изучения микроструктур и коллекторских свойств продуктивных пластов

    Кадыров Р.И., студент геологического ф-та Казанского государственного университета, e-mail: Rail7777@gmail.com

    Чернова И.Ю. (e-mail: inna.chernova@ksu.ru), доцент кафедры геофизики КГУ, руководитель учебно-методического центра геоинформационных технологий «Казань-ГИС-Студия», http://www.ksu.ru/f3/gis_center/index.php

     

    Image analysis and microscopical investigation of carbonate rock’s slices for a study of microstructure and collecting properties of productivity beds.

     

    Введение

    В геологии одними из наиболее актуальных и широко распространённых задач являются задачи определения минерального состава горных пород, последовательности образования в них зёрен, генезиса минеральных агрегатов, изучение пористости и её природы, ряд других сходных вопросов. Для их решения существует проверенный временем подход: использование методов поляризационной микроскопии.

    Поляризационный микроскоп позволяет различать зёрна отдельных минералов в шлифах, определять их форму и размер, оценивать их взаимоотношения между собой, изучать их свойства и, ориентируясь на полученные результаты, делать выводы относительно видов минералов, последовательности и условий их образования [1].

    Альтернативой изучения шлифов горных пород под микроскопом является получение микрофотографий шлифов и их последующая обработка. Обработка изображений горных пород (шлифов или аншлифов) для решения различных задач геологии за рубежом является довольно распространенной методикой [2-6]. В России подобные работы пока единичны [7]. Между тем, компьютерная обработка изображений дает ряд преимуществ и открывает новые, недоступные при ручной обработке возможности в получении информации о состоянии минеральных агрегатов. Коллекции микроснимков помогают упростить рабочий процесс, особенно когда требуется проанализировать сотни однотипных шлифов с одной определённой целью. Например, для определения пористости шлифа, или наличия и процентного содержания в нём определённых минералов.

    В данной работе представлены методика и результаты компьютерной обработки серии микрофотографий шлифов с целью изучения конфигурации пористого пространства карбонатных коллекторов нефти. Задачи работы были сформулированы следующим образом:

      • разработка элементов методики определения параметров порового пространства по изображениям шлифов пород карбонатно-терригенного комплекса;
      • изучение конфигурации пористого пространства карбонатных коллекторов нефти на примере одного из месторождений Республики Татарстан (РТ);
      • анализ распределения пористости по глубине в исследуемых скважинах;
      • интерпретация полученного распределения и выявление закономерностей в размещение пор в зонах контакта с нефтью и водой.

    Объект исследования

    Объектом исследования являлась одна из нефтяных залежей нижнего карбона (С1t), расположенная на территории Онбийского лицензионного участка в 15км к северо-западу от границы Ромашкинского месторождения нефти РТ (рис. 1). Были изучены разрезы двух скважин, расположенных на расстоянии 155м друг от друга. Всего было обработано 37 образцов (74 изображения). Породы представлены преимущественно биокластово-фитогенными известняками с различным содержанием детритового материала водорослевой природы. Мощность отложений достигает 55м, в их составе присутствуют редкие и маломощные слои и линзы биокластово-зоогенных и биокластово-фитозоогенных известняков. Биокластово-фитогенные известняки – макроскопически серые/светло-серые плотные породы с черными тонкими нитевидными слойками углисто-терригенного материала.


    Рис. 1. Расположение Онбийского лицензионного участка (площадь красного цвета), Республика Татарстан.

     

    Известняки по всему интервалу содержат редкие сфероидальные агрегаты пирита размером 0,05-0,025 мм. Их скопления наблюдаются вблизи слойков углисто-терригенного материала. В шлифах биокластово-зоогенных известняков размер каверн обычно оценивается величиной до 0.1-0.2 мм и более. Часто каверны в распиленном керне видны даже невооруженным глазом. Морфологически они образуют пустоты неправильной формы, близкие к изометричным [8].

    Краткое описание изображений шлифов

    Шлифы были изготовлены для участков керна с различной нефтенасыщенностью. Микрофотографии получены с помощью стационарно установленной цифровой камеры высокого разрешения при параллельных и скрещенных николях (рис. 2). Объектом интереса на микрофотографиях являлись области открытых и нефтенасыщенных пор.

    Подготовительный этап не занял времени, поскольку использовался архивный материал, полученный ранее для иных целей.


    Рис. 2. Микрофотография шлифа при съемке: а) в параллельных николях, б) в скрещенных николях.

     

    Микрофотографии шлифов, несмотря на некоторые недостатки, позволяют передать большую часть информации об изучаемом объекте. Пористое пространство (без нефти) на изображениях шлифов (рис. 2) выглядит различно: при параллельном положении николей оно полностью прозрачно для света и представляет собой наиболее светлые (почти белые) области; при скрещенных николях поры представляют темные (почти черные) участки шлифа. Но в обоих случаях нефтенасыщенные поры – это участки изображений, окрашенные в черный цвет.

    Обработка изображений

    Какова бы ни была конечная цель, задача изучения пористого пространства на начальном этапе сводится к задаче распознавания пор на микрофотографиях.

    В настоящее время программ, предназначенных для обработки изображений, достаточно много, в том числе и свободно распространяемых через Internet: MultiSpec (http://dynamo.ecn.purdue.edu/~bieh/MultiSpec/), Image Tool (http://ddsdx.uthscsa.edu/) и др. Некоторые из них можно адаптировать и для распознавания пор на изображениях шлифов. Но, в действительности, для эффективного решения поставленной задачи требуется больший и более разнообразный набор инструментов, а также отсутствующие в них средства автоматизации и возможность обработки серии изображений.

    Для исследования нами использовался более совершенный программный продукт Definiens eCognition, предоставленный через ДАТА+ компанией Definiens AG (Германия) геологическому факультету КГУ на правах бесплатного тестирования с целью его внедрения и использования в научно-образовательных проектах. Среди пользователей программа зарекомендовала себя как весьма эффективный инструмент распознавания образов и обработки изображений.

    Пакет Definiens eCognition в значительной степени универсален. Он не специализируется на обработке шлифов, но, как будет показано ниже, способен обеспечить эффективный анализ изображений шлифов и распознавание микроструктуры образцов карбонатных пород.

    Основой платформы Definiens является технология системного распознавания изображений, имитирующая познавательные процессы человека, извлекающего информацию из снимков. Эта технология позволяет изучить каждый пиксель не в отдельности, а применительно к конкретной ситуации. Она строит картинку итеративно, распознавая группы пикселей как объекты. Как и человеческий мозг, эта технология использует цвет, форму, текстуру и размер объектов, а также их взаимоотношения и контекст, чтобы придти к таким же заключениям и выводам, что и опытный человек, работающий со снимками [9].

    В нашем случае, технология обработки снимков заключается в создании единого алгоритма анализа на основе снимка одного шлифа. Затем отработанный алгоритм применяется для всей коллекции однотипных изображений.

    Далее пошагово описывается процедура создания набора правил для классификации и распознавания фотографий шлифов, полученных при параллельных николях микроскопа.

    На первом шаге обработки и создания алгоритма производится попиксельная сегментация изображения (рис. 3). На этом этапе изображение делится на элементарные ячейки и проводится анализ свойств содержимого каждой ячейки.


    Рис. 3. Попиксельная сегментация изображения.

     

    Каждый пиксель (ячейка) имеет определённое значение цветового спектра. Пиксели, имеющие диапазон яркостей, близких к белому цвету, были объединены в класс пор. Вся остальная область была сгруппирована в класс подложки (рис. 4).


    Рис. 4. Классификация по цветовому спектру (параллельные николи).

     

    На втором шаге наиболее мелкие поры были переклассифицированы в класс подложки, так как они не удовлетворяли условиям минимальной размерности пор. В свою очередь, из крупных и средних по размеру пор были удалены мелкие побочные элементы из класса подложки. Таким образом, была произведена фильтрация и ошибочно классифицированным на первом этапе элементам были заданы их истинные значения.

    Следующим шагом стало выделение из класса подложки нового класса нефтенасыщенных пор. Была произведена попиксельная сегментация подложки, и пиксели, имеющие диапазон яркостей, близких к черному цвету, были объединены в класс нефтенасыщенных пор. Остальная часть отнесена к зернам карбонатов.

    Таким образом, были получены три класса объектов (рис. 5). Для каждого класса рассчитана пиксельная площадь (зная разрешение снимка, есть возможность подсчёта площади в метрической системе).


    Рис. 5. Результат классификации микроснимка шлифа, полученного при параллельных николях. Изображение включает 3 класса: 1) открытые поры, 2) нефтенасыщенные поры, 3) зерна карбонатов.

     

    По схожему принципу была проанализирована одна из микрофотографий, полученная при скрещенных николях. Но набор правил в этом случае оказался более сложным. Из-за проблем съёмки на левом и верхнем краях микроснимков образовалась теневая кайма, которая оказалась весьма существенной помехой. Поэтому процесс анализа был разбит на две процедуры: сначала распознавались поры в теневой области, затем – в освещённой. Процесс идентификации нефтенасыщенных и открытых пор также был сильно затруднён, так как оба объекта на микрофотографиях отображались различными оттенками чёрного цвета. В результате, было получено два класса объектов: поры и область, занятая зёрнами (рис. 6). Также, в автоматическом режиме были подсчитаны площади классов.


    Рис. 6. Результат классификации микроснимка шлифа, полученного при скрещенных николях. Изображение включает 2 класса: 1) поры, 2) зерна карбонатов.

     

    В итоге, были получены алгоритмы идентификации порового пространства для микроснимков, снятых в прямом и поляризованном свете. И с помощью программы-анализатора пакета Definiens eCognition были автоматически проанализированы все имеющиеся микрофотографии.

    Исследование структуры порового пространства

    Коэффициент общей пористости. Простейшей интегральной характеристикой порового пространства горных пород является коэффициент пористости. В данном случае, коэффициент пористости определялся как отношение площади изображения, занимаемого порами, к общей площади изображения.

    Значения пористости, полученные для одного образца по микрофотографиям в прямом и поляризованном свете, сравнивались между собой. Лишь в четырёх случаях (из 37-ми) расхождения пористости для образца превысили 1%, что объясняется дефектами снимка или плохими условиями съёмки. Кроме того, значения пористости, рассчитанные по результатам обработки изображений, сравнивались с данными лабораторных исследований коллекторских свойств пород. В целом, различия в значениях пористости не превышают 1,5%.

    Таким образом, определение пористости по результатам компьютерной обработки микрофотографий шлифов является вполне конкурентоспособным методом в сравнении с традиционными способами определения пористости.

    Зависимость изменения общей пористости карбонатных коллекторов от глубины (см. рис. 7) отчетливо демонстрирует различия в значениях и поведении пористости в зоне контакта пород с водой и в зоне контакта с нефтью. Как будет показано ниже, для этих двух зон также будут значимы различия и в характере распределения пор.


    Рис. 7. Изменение пористости с глубиной.

     

    Распределения пор. Помимо расчета общей пористости, возможно и более тонкое изучение порового пространства. Так, важным свойством структуры является расположение и формы распределений, создаваемые группами пор, которые могут подсказать причины таких расположений. В данном случае речь идет об изучении распределения пор методами пространственной статистики.

    Для эффективной работы с пространственными объектами целесообразно использовать технологию ГИС и предоставляемые ею геостатистические методы. Поэтому классы пор и классы зерен для всех изображений были экспортированы в полигональные объекты, и дальнейшая обработка данных проводилась в среде ArcGIS 9.3. Для обработки использовались известные аналитические алгоритмы Getis-Ord General G [10] и Average Nearest Neighbor Distance [11]. В системе ArcGIS они реализованы через инструменты пространственной статистики High/Low Clustering: Getis-Ord General G (Spatial Statistics) и Average Nearest Neighbor Distance (Spatial Statistics).

    В общем случае, различают случайное и сгруппированное (кластерное) распределение объектов. Подавляющее большинство статистических тестов основано на так называемой нулевой гипотезе, для нашего случая она гласит, что распределение – случайное. Не углубляясь в теорию статистических методов, примем как априорное знание, что существуют критические значения статического критерия, и при их превышении мы не можем принять нулевую гипотезу – она должна быть отвергнута. В качестве такого статистического критерия мы используем значение Z (Z-Score). Z-Score измеряется в величинах стандартного отклонения. Например, если инструмент High/Low Clustering:(Getis-Ord General G) возвращает Z-score = +2.8, то это интерпретируется как +2.8 стандартных отклонения от среднего. Также этот инструмент возвращает значение P-value – вероятность.

    Чтобы отвергнуть нулевую гипотезу, мы должны оценить степень риска в случае, если она как раз является истинной. Степень риска чаще всего оценивается в терминах «критическая величина» и/или «уровень доверия». Например, в случае 95% уровня доверия критическое значение Z-score равно -1.96 и +1.96 стандартных отклонений. Значение Р-value, ассоциированное с 95% уровнем доверия, равно 0.05. Если значение Z-score находится в диапазоне от -1.96 до +1.96, p-value будет намного больше 0.05, и мы не сможем отвергнуть нулевую гипотезу. А это значит, что распределение, скорее всего, случайное. А если значение Z-score выходит за пределы этого диапазона (например, Z= -2.3 или Z= +6.4), то распределение не может быть отнесено к случайному. Р-value будет иметь низкое значение. В этом случае нулевая гипотеза не может быть принята, и мы должны попытаться найти причины, вследствие которых формируются специфические пространственные распределения [10].

    Таким образом, сравнивая расчетное значение Z-score с критическим для выбранного уровня доверия, мы можем сделать вывод о типе пространственного распределения пор, присущего конкретному образцу. Если распределение равномерное, степень кластеризации (параметр Z) приближается к 0. Это указывает на слабое деструктивное влияние геологических факторов (карстообразование, суффозию, кавернозность и др.). Напротив, кластерное распределение пор в породе свидетельствует о наличии фактора, связанного с геологическими процессами и объясняющего закономерности в формировании структуры порового пространства (рис. 8). При этом, чем выше степень кластеризации распределения, тем выше абсолютное значение Z-score. Зная глубину отбора каждого образца, мы можем проследить характер изменчивости этого параметра с глубиной.


    Рис. 8. Кластерное распределение пор при высоком значении кластеризации; Z-score = 20.17.

     

    Обобщенная кривая изменчивости степени кластеризации (параметра Z) с глубиной отбора образца представлена на рисунке 9. Очевидно, что для подавляющего числа образцов характерно кластерное распределение, но степень кластеризации сильно варьирует от образца к образцу. Исходя из этого, для анализа более интересна изменчивость значений Z, а не их абсолютные величины.

    На рисунке 10 представлена кривая изменчивости с глубиной еще одного статистического параметра – евклидова расстояния EZ – для того же набора образцов. Величина EZ – результат работы инструмента ближайшего соседаAverage Nearest Neighbor Distance. Метод Getis-Ord General G исследует распределения пор на основе отдалённости их границ друг от друга, а метод ближайшего соседа (Average Nearest Neighbor Distance) для определения типа распределения использует среднее значение всех евклидовых расстояний между порами (точнее, между геометрическими центрами пор).

    Принятие решения о типе распределения в этом случае основывается на критических значениях среднего EZ. Сравнение рассчитанных значений EZ опять-таки показало, что почти для всех образцов распределение пор является кластерным, но степень кластеризации различна.

    Отдельный методический и практический интерес представляет сравнение зависимостей, приведенных на рисунках 9, 10, с кривой изменения общей пористости (рис. 7).

    Хотя, вследствие ограниченного количества входных данных и низкой представительности выборки, отсутствует возможность выявить определённую закономерность в распределении пор с глубиной, но основные тренды наметить можно.

    Так для зоны контакта пород с водой характерна относительно высокая пористость и сильные колебание среднего евклидова расстояния и распределений (от кластерного до равномерного). Скорее всего, это указывает на чередование зон, где преобладают процессы активного выщелачивания, с более спокойными областями.

    В отличие от зоны контакта с водой, зона нефтяного контакта пород характеризуется исключительно кластерным, а значит определённо закономерным распределением пор. Значения среднего евклидова расстояния здесь также колеблются в определённом интервале, но меньшем, чем в зоне водного контакта. Возможно, это означает, что группы пор в этой зоне образуют кластеры определенной конфигурации.


    Рис. 9. Зависимость степени кластеризации от глубины.


    Рис. 10. Зависимость среднего евклидова расстояния от глубины.

     

    В области нефтяного контакта пород можно выделить участок (рис. 7, 9, 10), имеющий сходные амплитудные значения пористости, кластерного распределения и среднего евклидова расстояния. В итоге, можно сделать предположение, что и остальные литологические и фильтрационные свойства этих пород будут однотипны.

    Заключение

    Таким образом, первый опыт обработки изображений дал обнадеживающий результат. Если не учитывать время, затраченное на разработку алгоритма, обработку 74 изображений (а, значит, и определение пористости) удалось провести в сотни раз быстрее, чем при традиционной ручной обработке. Кроме того, компьютерная обработка предоставляет дополнительные, недоступные ранее преимущества:

    • Устранение субъективного фактора при классификации минеральных агрегатов.
    • Возможность адаптации алгоритма для классификации изображений других типов пород.
    • Возможность развитого анализа результатов классификации с использованием различных методов статистической обработки пространственных данных и получения новых данных об изучаемом объекте. Кроме пространственного распределения можно также изучать размеры, форму и ориентацию пор и зерен.
    • Массовая обработка архивных данных позволит накопить статистически значимый материал, а также взглянуть на уже хорошо известный материал с новой точки зрения. Это, несомненно, будет стимулировать расширение наших представлений об изучаемых объектах, способствовать генерации новых идей и гипотез.

    Литература

    • Данилова Т.Е., Козина Е.А., Морозов В.П., Королев Э.А., Пикалев С.А. Краткая характеристика литологического строения и коллекторских свойств основных нефтеносных горизонтов палеозойских отложений Республики Татарстан. – Казань: Изд-во «Плутон». – 2007 – 151 с.
    • Last W.M. and Smol J.P. (Eds.). Tracking environmental change using lake sediments. Vol.2. Physical and Geochemical Methods. Kluwer Academic Publishers, 2001, с. 142-143, 457.
    • Petterson G., B.V. Odgaard & I. Renberg, 1999. Image analysis as a method to quantify sediment components. J.Paleolim. 22: 94-101.
    • Ripepe M., L.T. Roberts & A.G. Fischer, 1991. ENCO and sunspot cycles in varved Eocene oil shales from image analysis. J. Sed. Petrol .61: 1155-1163.
    • Tretford R.D., R.D. D’Arrigo & G.C.Jacoby, 1991. An image-analysis system for determinig densiometric and ring-width time-series. Can.J.For.Res.21:1544-1549.
    • Zolitschka B., 1996. Image analysis and microscopical investigation of annually laminated lake sediments from Fayetteville Green Lake (NY,USA), Lake C2 (NWT, Canada) and Holzmaar (Germany): a comparison. In Kemp, A.E.S.(ed.) Paleoclimatology and Paleooceanography from Laminated Sediments. Geological Society Special Publication No. 116: 49-55.
    • Чернова И.Ю., Каширина Т.С., Бильданов Р.Р., Косарев В.Е., Sorrel Philippe. Тонкая слоистость и абсолютный возраст осадков Аральского моря. Палеомагнетизм и магнетизм горных пород: теория, практика и эксперимент/ Материалы международного семинара.- Казань: Изд-во Казанск. ун-та, 2004.-c. 361-367.
    • Морозов В.П., Корзина Е.А. Карбонатные породы турнейского яруса нижнего карбона. Казань: ПФ Гарт. 2007. – c. 33-34.
    • www.definiens.com; www.dataplus.ru/Soft/Definiens
    • Getis Arthur, J.K. Ord. "The Analysis of Spatial Association by Use of Distance Statistics." Geographical Analysis 24, № 3. 1992.
    • Mitchell Andy. The ESRI Guide to GIS Analysis, Volume 2. ESRI Press, 2005.

     

    От редакции ArcReview

    Эта работа была представлена на Всероссийском смотре-конкурсе научно-технического творчества студентов «ЭВРИКА-2009»!

    На нем в номинации «Геология, рациональное природопользование и проблемы экологии» было представлено около 200 научных работ из нескольких десятков вузов Российской Федерации, каждая прошла независимую экспертизу трех ведущих ученых.

    По итогам конкурса работа Раиля Илгизаровича Кадырова (научный руководитель Инна Юрьевна Чернова) завоевала 1-е место с вручением медали и диплома лауреата.

    А на ежегодной конференции пользователей ESRI в Голицыно в 2009 г. новаторские исследования, представленные Инной Черновой и студентами Казанского государственного университета, удостоились награды за «ЛУЧШИЕ ДОКЛАДЫ».

    Поздравляем, так держать !!!




    Версия для печати