Аннотация. 

Цифровое исследование кернов, суть которого составляет потенциально возможное нахождение углеводородов в малоразмерных (микронных) порах и трещинах, занимает значимое место при поиске залежей и составлении планов разбуривания скважин. Применение томографов с высоким пространственным и временным разрешением позволяет не только получать качественно-количественные показатели проницаемости сегментов породы, но и переносить моделирование процессов, происходящих в керне, на пласт целиком. Однако проведение исследований такого рода сопряжено с рядом трудностей. В данной работе рассматриваются в деталях две задачи, с которыми сталкиваются исследователи. Первая – моделирование протекания жидкости через систему капилляров, которой аппроксимируется пористая структура, и вторая – бинаризация серых томографических изображений для использования цифрового бинарного изображения структуры в модельных экспериментах. В рамках первой задачи проанализировано влияние структуры и размера расчетной сетки на скорость и качество моделирования течений. Для проведения моделирования структура, через которую она протекает, должна быть задана как бинарная, а результат компьютерной томографии – это цифровое 3D изображение, представленное в градациях серого и содержащее искажения. Источниками искажений является не только шум, обусловленный аппаратной частью томографического комплекса, но и артефакты реконструкции (влияние программной части комплекса). Обсуждаются результаты сравнительного анализа трех методов бинаризации с использованием модельных томографических цифровых изображений.

Ключевые слова:

моделирование, подъем несжимаемой жидкости, структура и размер расчетной сетки, томографические изображения пористых структур, метод Оцу.

Стр. 85-91.

DOI: 10.14357/20790279210110

Полная версия статьи в формате pdf. 

 

Литература

1. Анализ пористой структуры на основе адсорбционных данных / Н. Н. Гаврилова, В. В. Назаров. М.: РХТУ им. Д. И. Менделеева. 2015. 132 с.

2. Казанский Н.Л., Мурзин С.П., Трегуб В.И., Меженин А.В. Применение фокусаторов излучения при формировании нанопористых структур твердокристаллических материалов // Компьютерная оптика. 2007, Т. 2, № 31, С. 48-51.

3. Динамика многофазных сред. Нигматулин Р.И. Часть 2 - М.: Наука. Гл. ред. физ.-мат. лит. 1987. 360 с.

4. Хейфец А.Л. 3D модели и алгоритмы компьютерной параметризации при решении задач конструктивной геометрии (на некоторых исторических примерах) // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2016. Т. 16. № 2. С. 24-42.

5. Маскет М. Течение однородных жидкостей в пористой среде. - М.-Ижевск: Ин-т комп. иссл-ний. 2004. 628 с.

6. Чукалина М.В., Бузмаков А.В., Ингачева А.С., Поволоцкий М.А., Шабельникова Я.Л., Асадчиков В.Е., Букреева И., Николаев Д.П. Анализ результатов томографической реконструкции с сильнопоглощающими включениями по проекциям, собранным в полихроматических условиях // Информационные технологии и вычислительные системы. 2020. №3. С.49-61.

7. Поволоцкий М.А., Кузнецова Е.Г., Уткин Н.В., Николаев Д.П. Сегментация регистрационных номеров автомобилей с применением алгоритма динамической трансформации временной оси. // Сенсорные системы. 2018. Т. 32. № 1. С. 50-59.

8. Grigoriev Maxim, Buzmakov Alexey, Uvarov Valerii, Ingacheva Anastasiya, Shvets Eugenii. Segmentation criteria in the problem of porosity determination based on CT scans // Proceedings Volume 11433, Twelfth International Conference on Machine Vision (ICMV 2019); 114331E (2020).

9. Fries N., Dreyer M. Dimensionless scaling methods for capillary rise /Journal of Colloid and Interface Science. 2009. V. 338. P. 514–518.

10. Official home of The Open Source Computational Fluid Dynamics Toolbox Openfoam https://www.openfoam.com/ Просмотрено: 04.11.2020.

11. Official home of the open source 3D finite element mesh generator Gmsh https://gmsh.info/ Просмотрено: 04.11.2020.

12. Grigoriev M., Khafizov A.V. et al. Robust Technique for Representative Volume Element Identification in Noisy Microtomography Images of Porous Materials Based on Pores Morphology and Their Spatial Distribution // The 13-th International Conference on Machine Vision (ICMV 2020), International Society for Optics and Photonics. http://arxiv.org/abs/2007.03035.

13. Gostick J., Khan Z.A., Tranter T.G. et al. PoreSpy: A Python Toolkit for Quantitative Analysis of Porous Media Images // Journal of Open Source Software. 2019. V. 4(37). P. 1296.

14. Gonzalez R., Woods R. Digital Image Processing / Upper Saddle River – N.J.: Prentice Hall. 2002. 1192 p.

15. De Myttenaere A., Golden B., Le Grand B., Rossi F. Mean absolute percentage error for regression models. Neurocomputing. 2016. Jun 5;192:38-48.