宋錦祥

(中國石油集團測井有限公司大慶分公司,黑龍江大慶163000)

0 引 言

通過微電阻率掃描成像測井資料拾取和識別裂縫是碳酸鹽巖儲層評價中重要的工作之一。目前生產實際中,裂縫拾取和識別主要靠解釋人員憑借經驗手工完成,存在耗時、效率低下、工作量大和對經驗要求較高等問題?，F(xiàn)有的裂縫自動拾取和識別方法[1-3]主要是在圖像預處理的基礎上,進行Hough變換提取裂縫,針對圖像環(huán)境較為簡單,且不能識別裂縫類別。

本文借鑒和使用了人工智能技術,對解釋專家裂縫手工拾取和識別經驗以及裂縫區(qū)塊總體知識,進行定量化表征,在信息融合的基礎上,形成知識規(guī)則庫,送入知識推理機,同時電成像圖像經過圖像預處理后得到的二值化圖像以及進一步由圖像細化和Hough變換拾取的正弦曲線組,作為推理數(shù)據,也送入推理機;由逆向推理機制,得到裂縫拾取和識別結果。

圖1 裂縫自動拾取與識別方法處理流程圖

1 改進的圖像預處理

傳統(tǒng)裂縫自動拾取和識別方法圖像預處理步驟較為簡單,主要有全局圖像二值化和圖像細化2個步驟。但全局二值化對于低對比度圖像和局部明暗變化明顯的圖像,處理效果并不理想,其核心問題是全局閾值難以選擇。因此本文在電成像空白條帶充填的基礎上,通過直方圖匹配方法,提升圖像的對比度;采用基于積分圖像的自適應二值化步驟,計算自適應的二值化閾值;考慮照明的空間變化,增加局部明暗變化時的二值化處理的魯棒性。對于二值化圖像,本文預處理步驟采用基于曲率的區(qū)域分割和基于局部對比度的白色背景區(qū)域轉換方法,進一步提升圖像處理效果。圖1為本文提出的裂縫自動拾取和識別方法的處理流程圖。

1.1 電成像圖像空白條帶充填

由于電成像測井在大多數(shù)井眼條件下都存在空白條帶,達不到全井眼覆蓋,為保證裂縫拾取和識別的準確度,需要對電成像圖像的空白條帶進行充填。采用了基于形態(tài)分量分析算法(MCA)的空白條帶充填方法[4];MCA方法將圖像的結構分量和紋理分量進行迭代分解與重構,具體算法參見文獻[4]。

1.2 基于直方圖匹配的圖像增強

對比度低的圖像,其直方圖覆蓋較寬的灰度級范圍并且分布較為均勻。直方圖較均勻分布在0～255灰度范圍內,此時做圖像二值化,灰度閾值選擇困難,不得不進行手工試錯。而高對比度的圖像,其直方圖在低灰度范圍和高灰度范圍呈明顯的雙峰分布。直方圖波峰之間波谷處的灰度可作為理想的圖像二值化灰度閾值。因此,為增加圖像對比度,需要把灰度級的分布拉開,

使灰度級層次分明。 本文采

用了直方圖匹配方法,將原圖像的灰度直方圖規(guī)定化到預先設定的雙峰高斯函數(shù),進行圖像增強。

1.3 基于積分圖像的自適應二值化

常規(guī)圖像二值化采用固定的全局閾值,對于圖像局部的明暗變化處理效果不好。采用基于積分圖像的自適應閾值方法[5],對圖像進行二值化處理。

對于一幅灰度的圖像,積分圖像中的任意一點(x,y)的值是指從圖像的左上角到這個點的所構成的矩形區(qū)域內所有的點的灰度值之和,計算公式為

(1)

式中,IntegralImg(x,y)為像素點(x,y)的積分圖像值;Img(x,n)為點(x,n)處的灰度值。

對像素點(x,y)二值化時,比較該像素點的灰度值與大小為s×s的鄰域塊內的積分圖像平均值RegionValue

RegionValue=IntegralImg(x2,y2)-

IntegralImg(x2,y1-1)-IntegralImg(x1-

1,y2)+IntegralImg(x1-1,y1-1)

(2)

式中,x1,y1和x2,y2分別為大小為s×s的鄰域塊左上角和右上角坐標。

RegionValue作為自適應二值化的局部閾值,與像素點(x,y)的灰度值比較,如果(x,y)的灰度值小于平均值RegionValue,則將像素點(x,y)設置為黑色,否則被設置為白色。

1.4 基于曲率的區(qū)域分割

自適應二值化后,在局部會出現(xiàn)距離非常近的黑色目標區(qū)域斷裂,為提升二值化圖像處理效果,使其更符合人眼的視覺圖像分割結果,采用基于曲率的白色背景區(qū)域分割方法,連接斷裂的黑色目標區(qū)域。具體算法:①使用并查集算法,提取各個白色背景區(qū)域,得到各區(qū)域的包含像素點及邊界像素點;②計算邊界像素點的曲率,提取曲率為負值的局部極大值點作為凹點;③根據凹點及曲率計算時用到的2個邊界點,計算法向向量方向;④在一定圖像距離內,搜索與上述凹點法向向量方向相對的另一凹點,如果存在,則將2個凹點標記為分割凹點對,據此,將凹點對用黑色前景像素連接。

在上述預處理步驟后,還采用了基于局部對比度的白色背景區(qū)域轉換,將區(qū)域面積小,且與包圍其區(qū)域的局部黑色前景區(qū)域對比度相差較小的白色背景區(qū)域轉換為黑色前景像素;在此基礎上,進行圖像的細化。在經過圖像預處理后,本文采用改進的Hough變換[1]進行裂縫自動拾取。

2 基于知識的裂縫識別方法

2.1 裂縫區(qū)塊的總體統(tǒng)計知識及定量表征

研究區(qū)塊屬于TH油田奧陶系油藏,成像測量井段主要為石炭系巴楚組和奧陶系一間房組地層。儲層總體特征是自然伽馬相對低值,電阻率相對低值,部分儲層段雙側向呈正幅度差,中子、聲波數(shù)值變化較小。溶蝕發(fā)育,或溶蝕及裂縫均較發(fā)育,多數(shù)高導縫為溶蝕孔洞溝通形成,部分連通性較差,靜態(tài)圖像暗黃色為主,儲層為溶蝕孔隙型儲層及裂縫孔隙型為主。誘導縫不發(fā)育,井眼崩落不明顯。主要巖性為泥晶灰?guī)r、泥質灰?guī)r和灰質泥巖;其中泥晶灰?guī)r段電成像靜態(tài)圖像黃色或暗黃色,高導縫較發(fā)育、溶蝕較發(fā)育,層理發(fā)育較少。泥質灰?guī)r和灰質泥巖段電成像靜態(tài)圖像暗色,層理發(fā)育。

因此,本文研究的重點集中在識別、區(qū)分高導縫和層理。從0°～90°,以2°為間隔,統(tǒng)計區(qū)塊高導縫傾角分布頻率,歸一化后形成高導縫傾角的先驗概率統(tǒng)計模型,作為定量化表征的區(qū)塊總體統(tǒng)計知識。

2.2 解釋專家裂縫人工識別知識及定量化表征

2.2.1碳酸鹽巖地層電成像裂縫人工拾取知識

在生產實際中,碳酸鹽巖電成像解釋主要拾取高阻縫、高導縫、誘導縫和層理這4種類型。

(1)正弦線顯示為高阻亮黃色、黃色形態(tài),可以直接拾取為高阻縫;形狀不連續(xù)的也可以拾取為高阻縫。

(2)呈雁列狀排列的,或者是180°對稱排列的可以拾取為誘導縫;誘導縫中充滿低阻鉆井液,在電成像圖中顯示為黑色。

(3)正弦線連續(xù)、完整且成組出現(xiàn),相互平行或接近平行,拾取為層理;一般為低電阻率泥巖夾層,表征為黑色。

(4)正弦線隨時中斷,由溶蝕現(xiàn)象溝通的,且組內正弦線既不平行,也不規(guī)則的,拾取為高導縫,是否為泥質充填或開啟縫先不予考慮;高導縫由于泥質充填或裂縫開啟,電阻率低,表征為黑色。

(5)低角度正弦線,有溶蝕溝通,且與層理方向不一致的,可以拾取為低角度高導縫,同樣為黑色顏色特征。

2.2.2知識的產生式規(guī)則化表述及定量表征

裂縫人工拾取知識可以用IF-THEN產生式規(guī)則表述,如IF Condition1∧Condition2 THEN Action1;其中Condition1:正弦線連續(xù)、完整;Condition2:正弦線成組出現(xiàn),相互平行或接近平行;Action1:拾取層理。但在實際推理過程中,需要將條件定量表征,以實現(xiàn)計算機自動計算。

總結3個主要條件:正弦線連續(xù)性;正弦線與其連通的黑色前景區(qū)域上下邊界的相似性(判斷是否為層理邊界或溶蝕孔洞);空間相似度(正弦線組內傾角、傾向相似度)。

正弦線連續(xù)性用正弦線在二值圖像中黑色前景區(qū)域內的點數(shù)與正弦線總點數(shù)之比計算,其數(shù)學表征為

(3)

式中,NumP(SinCurveinBlack)為正弦線在二值圖像中黑色前景區(qū)域內的像素點數(shù);NumP(SinCurve)為正弦線的總像素點數(shù)。

上下邊界相似性的數(shù)學表征為

BoundSimilarity=

upperBlackBound,scale)+

lowerBlackBound,scale)

(4)

式中,SinCurveinBlack為正弦線在黑色前景區(qū)域內的曲線段;upperBlackBound為SinCurveinBlack曲線段所占黑色前景區(qū)域的垂直方向上對應的上部邊界曲線;lowerBlackBound,scale為SinCurveinBlack曲線段所占黑色前景區(qū)域的垂直方向上對應的下部邊界曲線;Similarity函數(shù)為曲線在每個尺度scale上的相似性度量;Normalize為歸一化函數(shù)。本文采用多尺度曲線相似度度量方法,在正弦線貫穿的黑色前景區(qū)域內,在多個尺度上,通過比較正弦線與上下邊界的導數(shù)大小,計算曲線相似度。

空間相似度度量的數(shù)學表征為

SpatialSimilarity=

(5)

式中,SinCurvei為要度量的第i條正弦線;DASimSinCurvej為不為i的,且與SinCurvej具有相似傾角、傾向的第j條正弦線;n為拾取的正弦線總數(shù)。本文通過Distance函數(shù),計算SinCurvej與DASimSinCurvej基線之間的距離,并應用距離越近,空間相似度越大的概念,將距離的倒數(shù)之和作為空間相似度度量。

圖2 知識規(guī)則庫框架

2.3 信息融合

裂縫區(qū)塊的先驗概率統(tǒng)計模型與上述3個主要條件都可以作為單獨的分類器,對拾取的裂縫進行識別和分類。采用多特征信息融合技術[6],在度量層將4個分類器的不同置信度量綜合成1個帶有更多信息量的置信度量,來做出更加精確的決策。表示為

(6)

式中,g為融合輸出;wk為賦予第k個分類器的權值;fk分別為區(qū)塊先驗概率、正弦線連續(xù)性度量值、上下邊界相似性度量值和空間相似性度量值。

由于區(qū)塊的裂縫先驗概率統(tǒng)計模型表征了區(qū)塊的地質構造特征,其高導縫分布符合一定的地質規(guī)律,故信息融合中,區(qū)塊先驗概率的融合權重應占主要部分。而由解釋專家經驗知識可知,正弦線連續(xù)性度量、上下邊界相似性度量和空間相似性度量具有同等的重要性,故其融合權重應為同等比重。因此,在上述原則下,設定區(qū)塊先驗概率權重w1=0.4,其他3個分類器權重均為0.2;融合權重設定值的準確性在第3節(jié)的實驗中得到驗證。

2.4 規(guī)則庫構建及逆向推理

產生式規(guī)則描述邏輯推理過程是很有效的,但對于大量的實際應用,特別是在測井解釋過程中,邏輯推理和數(shù)值計算交叉混雜,純產生式規(guī)則不能很好地描述某些領域的專家知識。需要對純產生式規(guī)則作必要的改進,采用關聯(lián)函數(shù)F把規(guī)則的前提和結論等2個部分有機地關聯(lián)起來。例如,產生式規(guī)則a,b,c,…?r可擴充為AND(a,b,c,…)?r;每條擴充的產生式規(guī)則中都含有節(jié)點(變量)、關聯(lián)函數(shù)和變元,故將這種擴充的產生式規(guī)則簡稱為NFA語言[7-8],即F(a,b,c)?r又可以寫成r=F(a,b,c)。

關聯(lián)函數(shù)F可以是算術運算函數(shù),或者是邏輯推理函數(shù),也可以是經驗公式,甚至是1個內部進行復雜運算的子程序。把表達某個領域知識的全部擴充的產生式規(guī)則連接起來,便構成完整的推理網絡,形成所要建立的知識規(guī)則庫(見圖2)。

圖2中HRFrac,InduceFrac,HCFrac和Layer分別為高阻縫、誘導縫、高導縫和層理的布爾值表示,w1～w4為多特征信息融合計算使用的權重,作為解釋參數(shù);DIP為計算的裂縫傾角,BWImg為圖像預處理得到的二值圖像,FracGroup為圖像上拾取的正弦曲線組,這些是在推理之前計算得到的,作為交換信息,放入公共數(shù)據黑板[9],供推理過程使用。CalcCon,CalcBsim,CalcSSim分別為正弦線連續(xù)性,上下邊界相似性和空間相似性計算子例程。PriorProbModel表示在區(qū)塊先驗概率模型中尋找DIP值對應概率的函數(shù)。

采用目標制導下的逆向推理機制,其實質是以深度優(yōu)先為基調的搜索過程。以當前規(guī)則結點變量的計算為目標,先假定結論,再依次計算產生式規(guī)則的條件是否滿足,再修改和確認結論。針對每條正弦線,推理都始于頂結點Frac,依次計算高阻縫、誘導縫、高導縫和層理的布爾值,如果高阻縫和誘導縫不滿足條件,則計算是否為高導縫。由推理網絡,高導縫的計算向下展開。推理機制模擬人工識別過程,對拾取裂縫進行識別和分類。

3 裂縫拾取和識別結果對比分析

3.1 裂縫區(qū)塊的先驗概率模型

統(tǒng)計了區(qū)塊內7口井電成像測井段高導縫手工拾取結果,由傾角頻數(shù)的對應關系,歸一化后得到傾角的概率分布圖,作為先驗概率模型。從模型可知,區(qū)塊內高導縫的傾角主要集中在70°～80°之間。

3.2 圖像預處理結果對比

在測試井中選取5 529.6～5 532.2 m井段的動態(tài)電成像圖像進行處理[見圖3(a)];圖3(b)顯示空白條帶充填后圖像;圖3(d)為圖像增強處理結果;經過本文的圖像預處理方法,得到二值化圖像,見圖3(e);圖3(f)為對灰度圖像取全局閾值(閾值為108),得到的二值化圖像?？梢钥吹?本文方法處理后的二值化圖像更加符合人眼視覺的圖像分割結果。

3.3 裂縫的自動拾取和識別結果對比

對二值化圖像[見圖3(e)]細化后,采用文獻[1]所述的改進Hough變換方法,首先由細化圖像中所有水平距離為T/2的白色像素點配成點對,以圖像縱坐標建立一個一維參數(shù)空間,并將點對的中點縱坐標在該參數(shù)空間投票,檢測參數(shù)空間的峰值位置,確定正弦線的基線。接著建立正弦線幅度和初始相位的二維Hough變換參數(shù)空間,將每個白色像素點的坐標(x,y)映射到該二維空間,同樣檢測峰值位置,就可得到拾取正弦線的基線、幅度和初始相位。拾取的正弦曲線見圖4(b),紅色、藍色和綠色分別表示高角度、中角度和低角度正弦線;規(guī)則庫推理過程中,多特征信息融合計算結果見表1。

圖3 圖像預處理效果對比圖

由表1的融合計算結果,及規(guī)則庫推理,可得到正弦線的識別結果[見圖4(c)],紅色為高導縫,綠色為層理。其中,采用圖像后處理方法,對層理的上下邊界進行正弦曲線擬合,基線距離大的上下邊界擬合為新的層理,同時刪除原層理。裂縫自動拾取與識別結果,與圖3(d)所示的手工拾取結果比較,基本相符。但手工拾取結果中在5 531 m處未出現(xiàn)層理,對比常規(guī)測井數(shù)據(見圖5),可以看到在5 531 m處,自然伽馬相對高值,電阻率值明顯下降,結合電成像數(shù)據,說明此處應為泥質條帶,識別出層理是正確的。

圖4 裂縫自動拾取與識別結果對比

表1 多特征信息融合計算結果

正弦線①正弦線②正弦線③正弦線④正弦線⑤正弦線⑥正弦線⑦正弦線⑧傾角/(°)85.95567.96064.84513.34821.5774.52213.34817.556先驗概率0.20790.39080.35920.0021750.0173800.0021750.05653連續(xù)性0.7180.7720.8861.00.6981.00.8710.985邊界相似度0.0690.3870.250.8540.4290.8780.60.9空間相似度0000.2330.30.2880.3820.354融合結果0.5200.5240.5160.1830.3220.1670.2300.175

圖5 測試井常規(guī)曲線圖*非法定計量單位,1 ft=12 in=0.304 8 m

4 結 論

(1)初步探討了裂縫自動識別方法,在綜合裂縫區(qū)塊總體知識和人工裂縫識別知識,并對其進定量化表征的基礎上, 采用多特征信息融合,并構建知識規(guī)則庫,通過逆向推理,進行裂縫的自動識別,針對較復雜情況的電成像圖像,取得了與手工拾取基本相同的識別結果。

(2)本文方法重點針對高導縫和層理的識別,今后通過知識庫的擴充,可研究更復雜的地層情況。