基于电成像测井的碳酸盐岩储层孔隙结构识别新方法

2022-02-05李曦宁李剑平沈金松魏娇吴嘉鹏郭凯

测井技术 2022年6期

李曦宁，李剑平，沈金松，魏娇，吴嘉鹏，郭凯

（1.中国石油集团测井有限公司国际公司，北京 100101；2.中国石油大学（北京）油气资源与探测国家重点实验室，北京 102249）

0 引言

裂缝与溶蚀孔洞是碳酸盐岩储层的主要储集空间和渗流通道，但其分布的非均质性和复杂性影响对该类储层的精细评价。电成像测井以其高分辨率和图像直观的特点，在定量评价碳酸盐岩储层方面得到广泛应用。目前，常用的电成像处理软件，如斯伦贝谢公司的GeoFrame、阿特拉斯公司的eXpress以及中国石油集团测井有限公司的LEAD等，大多是通过人机交互的方式拾取裂缝和溶蚀孔洞，其自动化程度不高，识别和处理的结果受人为因素影响。

许多学者在电成像的自动识别与提取方面做了大量研究。Delhomme[1]提出图像分割标记控制方法，划分地质特征并勾勒其轮廓。Hall等[2]提出霍夫变换方法，自动拾取裂缝和地层层理，并计算其产状。Chitale等[3]提出图像增强和高斯拉普拉斯滤波，去除横向地质特征和层边界，实现裂缝追踪。Cornet[4]基于Matlab平台自动识别储层中裂缝与溶蚀孔洞，用正弦曲线拟合裂缝，并计算裂缝参数。刘瑞林等[5]和Xie等[6]利用小波变换去除电成像图中的麻点状噪声，提取裂缝和孔洞子图像，并计算缝洞面孔率。Xavier等[7]提出基于形态学算法自动识别声成像图中裂缝的方法。Li等[8]提出基于路径形态学的缝洞自动分离方法。这些方法在相应的研究区都取得了不错的应用效果，但受复杂地质环境和测井条件的影响，现有的识别方法仍无法自适应地识别裂缝与溶蚀孔洞形态。选择合适的图像识别方法将裂缝和溶蚀孔洞从复杂地质图像背景中分割出来，已经成为储层定量评价的热点和难点。

该文提出了一种基于电成像测井的储层孔隙结构识别新方法。该方法融合了自适应形态滤波与主成分标记连通域算法，实现了从一维电扣数据的噪声压制和地层层理识别、到二维电成像图的缝洞识别的电成像自动处理全过程。

1 一维电扣数据的自适应形态滤波

电成像测井仪的纽扣电极所记录的一维电扣数据包含了3个分量：①高频分量，反映井壁附近的裂缝与溶蚀孔洞发育情况；②低频分量，反映地层电阻率的变化，其探测深度与浅侧向测井一致，保留地层的沉积层理等信息；③直流分量，反映极板与井壁摩擦所引起的随机噪声等。该研究以斯伦贝谢公司的电成像测井仪FMI的测量数据为例[9]，采用自适应形态滤波压制192条一维电扣数据的随机噪声，并识别低频的地层层理信息，从而增强裂缝和溶蚀孔洞的高频信息。

1.1 自适应形态滤波的去噪分析

电成像测井仪器在井下工作时，往往受到井壁的磕碰、仪器电子元器件和线路等影响，造成电成像图中存在不同程度的麻点状噪声。这些噪声增加了裂缝与溶蚀孔洞的识别难度。因此，有必要采用有效的去噪方法滤除这些麻点状噪声。

该文采用形态学的开-闭或闭-开的迭代运算作为算子[10]，自动搜索一维电扣数据的局部峰值，自适应地确定用于压制随机噪声的形态滤波器[11]。该研究将压制噪声后的一维电扣数据预处理后成图，并对电成像图中的空白条带进行填充处理[12]。文中分别对比了原始电成像图、自适应形态滤波去噪后的电成像图以及Otsu图像分割后的电成像图[13]（见图1）。如图 1 （d）、（e）和（f）所示，自适应形态滤波去噪后的分割效果较Otsu方法更好。Otsu方法在进行图像分割时往往会丢失部分极板的裂缝信息[见图 1 （f）中蓝色箭头所指处]；然而自适应形态滤波方法进行去噪后，很好地保留了原始的极板信息[见图 1 （e） ]。分割后裂缝的完整性得到增强，这有助于下文对裂缝和溶蚀孔洞的准确识别。

图1 自适应形态滤波的噪声压制对比图

1.2 自适应形态滤波的地层层理自动识别

为了更准确地提取高频的裂缝与溶蚀孔洞信息，在去除随机噪声后，还需将电成像数据中反映地层层理的低频信息分离出来。同理，采用自适应形态滤波方法识别一维电扣数据的地层层理信息，实现层理与缝洞的自动分割。

首先，对去噪后的一维电导率信号进行多形状结构元素的实验分析，确定用于识别地层层理的结构元素形状。然后，自动搜索一维电扣数据的下包络，自适应地确定形态滤波器。最后，对192条一维电扣数据进行形态滤波，计算出包含层理信息的基质电导率曲线，其每条曲线的形态学滤波残差都反应了高频的裂缝与溶蚀孔洞信息[见图 2 （a）～图 2 （c） ]。分别将提取的一维电扣低频曲线和高频曲线成图，即可获得分离后的层理与缝洞子图像[见图 2 （d）～图 2 （g） ]。提取的层理子图像，可用于计算其产状等参数，这为沉积分析提供依据。分割层理后的电成像图更有效地突出了裂缝与溶蚀孔洞的信息（见图2右侧蓝色箭头所指处）。

图2 自适应形态滤波的地层层理识别

2 利用主成分标记连通域算法的二维图像缝洞识别

将自适应形态滤波后的一维电扣数据成图，利用二值变换将电成像图转换为二值黑白图，采用主成分标记连通域算法，实现碳酸盐岩储层裂缝与溶蚀孔洞的子图像自动识别。

该研究计算二值图像中八连通的所有连通区域[14-15]。不同连通区域的像素被分配给一个整数，该整数的范围是从 1到连通区域的总数，背景像素标记为0。不同形态的裂缝和溶蚀孔洞被划分成不同的连通区域，因此，它们也被标记成不同数值。计算连通区域的各种形态学属性参数，包括连通域最小圆的半径、直径或面积、连通域最大搜索直径等。利用主成分分析方法降维，在保证原有形态学属性信息的基础上，获得一条能够分离裂缝与孔洞的识别指数（综合裂缝指数）曲线。通过选取适合的分割阈值，标记形态学连通域，达到自动分离裂缝与溶蚀孔洞子图像的目的。

为了验证主成分标记连通域算法在电成像测井的图像分割优势，选用一段实际测井数据进行测试。图 3是用主成分标记连通域算法计算的缝洞分离结果。图 3 （h）中高值处代表裂缝，取合适阈值后，可将裂缝和溶蚀孔洞自动分开。将主成分标记连通域的缝洞提取结果与LEAD3.0的提取结果作对比[见图 3 （c） ]，可见现有软件从电成像图中分离裂缝与溶蚀孔洞的效果并不理想；而主成分标记连通域算法很好地将高导缝和溶蚀孔洞分离开来，并保持了各条裂缝和溶蚀孔洞的完整[见图 3 （e） ]。同时，用多项式插值函数对裂缝进行拟合[见图 3 （f） ]，并计算得到裂缝产状参数[见图 3 （g） ]。

图3 利用主成分标记连通域算法的缝洞识别

3 实测数据的应用效果分析

为了验证该储层孔隙结构识别新方法的有效性，将该方法应用于滨里海盆地东南缘碳酸盐岩储层和阿姆河盆地东北部碳酸盐岩储层的缝洞自动识别，以解决难以准确定量表征复杂碳酸盐岩储层的问题。

滨里海盆地东南缘碳酸盐岩地层主要目的层系为KT-II的滩相储层，其储集空间展布复杂，具有强均质性。以滨里海盆地东南缘典型井为例，进行综合分析与解释（见图4）。图 4 （b）的全井眼电成像图显示出复杂的储集空间，储层发育裂缝和溶蚀孔洞。分析该井2 963 ～2 967 m层段储层[见图 4 （a）红框和图 4 （b） ]。结合常规测井和电成像测井，分析认为该段储层属于裂缝孔隙型储层。新识别方法分别自动获取了裂缝与溶蚀孔洞子图像[见图 4 （b）第4道和第5道]，并保持了孔隙结构原始形态。

图4 滨里海盆地东南缘典型井的综合测井分析成果图

同时，自动计算的裂缝产状[见图 4 （b）第6道]、缝洞孔隙结构谱[见图 4 （b）第7道]和裂缝、孔洞孔隙度[见图 4 （b）第8道]，准确地表征了该段储层的孔隙结构。缝洞孔隙结构谱给出了孔隙纵横比由小到大的变化，裂缝的谱峰靠前，溶蚀孔洞的谱峰靠后。该方法的自动识别结果与油田的储层解释结论一致[见图 4 （a）]。

阿姆河盆地右岸东部卡洛夫-牛津阶碳酸盐储层，主要发育裂缝孔隙型储层。其储层成因复杂、类型多样，利用现有的电成像识别方法，难以准确计算储层孔隙结构参数。以阿姆河盆地典型井为例，利用新识别方法定量表征该类裂缝孔隙型储层（见图5）。

该研究分析了阿姆河盆地典型井A井的3 049.0 ～3 054.5 m层段储层情况[见图 5 （a）红框和图 5 （b） ]。新识别方法分别自动获取了裂缝与溶蚀孔洞子图像[见图 5 （b）第4道和第5道]，其提取的裂缝骨架图像[见图 5 （b）第6道]和溶蚀孔洞边缘图像[见图 5 （b）第7道]形态更为自然。