本发明涉及油气开发，具体涉及一种大尺寸数字岩心渗透率的高效计算方法。
背景技术：
1、数字岩心技术在石油开发领域中应用广泛，是在纳米-微米尺度上研究渗流机理的重要平台。数字岩心的构建方法有两类：物理实验法和数值重构法。其中物理实验法采用高精度扫描设备（微米ct、纳米ct等）扫描真实岩心，经过滤波、灰度校正最终得到数字岩心。但物理实验法受限于分辨率的限制，无法在大尺寸范围真实还原真实岩心的细微孔隙结构，且耗时长、操作复杂、成本高。数值重构法基于真实岩心的二维切片重建三维数字岩心，其中mcmc重构速度快，且重构岩心符合训练图像的统计信息；mps能够还原训练图像的纹理特征；机器学习算法基于大量岩心数据集，具有重构符合样品特征的数字岩心的能力。因此，数值重构法相较于物理实验法节省资源和成本。
2、岩石的孔渗特征是影响储层流体储集和渗流能力的关键因素。基于数字岩心模拟获取岩石渗透率，对于预测油气藏的产能和储量具有重要意义，常用方法包括dn-s、lbm和基于pnm的模拟等。其中dn-s精度最高，在小尺寸数字岩心上使用dn-s模拟十分可靠，但随着尺寸增加，计算量急剧上升；lbm求解n-s方程时具有简洁性，且具有并行优势，但需要大量内存来储存分布函数；pnm提取自数字岩心，其简化孔隙空间为球棍模型，计算速度快但准确性不足。
3、rev是大尺寸数字岩心的代表体积单元，其孔隙度、孔径分布和拓扑结构与大尺寸数字岩心相近，可以近似代替大尺寸数字岩心进行流动模拟。基于rev与大尺寸数字岩心的孔隙度匹配关系优选rev体素尺寸，进而获取rev数据集，通过孔径分布和配位数筛选符合条件的rev数据集，基于此数据集采用有限差分法求解n-s方程，计算rev渗透率，最终获取大尺寸数字岩心的渗透率。相较于传统的人工选择rev体素尺寸，减少了试错成本；相较于基于大尺寸数字岩心的直接模拟，大大减少了计算量。同时，由于大尺寸数字岩心经mcmc数值重构得到，因此适用于页岩等非均质储层的渗透率预测。
4、针对现有的大尺寸数字岩心渗透率预测方法在预测准确性和预测速度的能力做以下阐述：
5、（1）基于机器学习的渗透率预测。卷积神经网络是一种机器学习算法，其适用于数据预测，尤其适用于具有空间结构的数据。虽然机器学习方法预测渗透率具有一定的泛化能力，但需要依托大量的数据集才能开展，且预测时间较长。
6、（2）基于拼接数字岩心的渗透率预测。将许多小尺寸数字岩心拼接为大尺寸的拼接数字岩心，由小尺寸数字岩心的渗透率推导出拼接数字岩心渗透率。该方法所产生的拼接数字岩心的连通性难以保证，最终的预测渗透率会产生一定误差。
7、（3）基于rev的渗透率预测。确定rev的体素尺寸，基于rev开展流动模拟预测原始数字岩心的渗透率。但目前确定rev尺寸的方法均为随机取值，若取值不当则造成计算资源的浪费。且针对不符合原始数字岩心拓扑结构的rev，没有完备的筛选方法。
8、（4）基于pnm的渗透率预测。提取大尺寸数字岩心的pnm，基于pnm预测渗透率。首先pnm提取算法在数字岩心尺寸较大时耗时较长，且对初始设定参数敏感。其次pnm将数字岩心的孔隙空间简化为球棍模型，预测结果精度不足。
9、综上所述，现需要一种准确、高效地预测大尺寸、非均质数字岩心渗透率的方法。
技术实现思路
1、本发明的主要目的在于提供一种大尺寸数字岩心渗透率的高效计算方法，以解决现有技术中的大尺寸数字岩心渗透率预测方法不能同时兼顾准确性和高效性的问题。
2、为实现上述目的，本发明提供了一种大尺寸数字岩心渗透率的高效计算方法，具体包括如下步骤：
3、s1，利用马尔科夫链蒙特卡洛法mcmc重构数字岩心。
4、s2，利用python程序确定代表体积单元rev的尺寸。
5、s3，利用python程序获取rev数据集ⅰ。
6、s4，对比待筛选数据与标准数据的误差，将平均配位数或平均孔径超过2%的rev剔除，最终得到rev筛选数据集，即rev数据集ⅰⅰ。
7、s5，导入rev数据集ⅰⅰ至python程序中，命名为程序ⅳ，使用程序ⅳ调用数字岩心模拟的可执行文件，即调用有限差分法n-s方程求解器，对rev筛选数据集中所有rev执行渗透率模拟，进行渗透率预测。
8、进一步地，步骤s1具体为：获取储层岩石的sem-maps图像，截取具有典型孔隙特征的训练图像，二值化处理后经mcmc重构得到大尺寸数字岩心，命名为数字岩心ⅰ，数字岩心ⅰ包含了储层岩石的典型孔隙特征。
9、进一步地，步骤s2具体包括如下步骤：
10、s2.1，将数字岩心ⅰ导入确定rev尺寸的python程序中，并命名为程序ⅰ，程序ⅰ利用skimage库的io函数读取数字岩心ⅰ的三维tif文件，之后用numpy库的array函数将数字岩心ⅰ转化为只包含0、1的三维数组，将三维数组命名为数据体，数据体中0表示孔隙，1表示页岩骨架。
11、s2.2，python程序首先计算出数字岩心i的孔隙度，然后计算各尺寸rev的孔隙度，设定rev尺寸边长，python程序在每个尺寸边长下从数字岩心ⅰ中随机选取多个rev计算孔隙度，将孔隙度除以数字岩心ⅰ的孔隙度得到相对误差，拟合得到孔隙度最大误差与rev尺寸的关系曲线，将2%带入关系曲线。
12、进一步地，步骤s3具体为：将数字岩心ⅰ导入获取rev数据集的python程序中，并命名为程序ⅰⅰ，程序ⅰⅰ将从数字岩心ⅰ中自动获取rev，程序ⅰⅰ从步骤s2的数据体中选取尺寸为n像素的rev，从初始位置开始，在三个方向上依次迭代选取所有rev，迭代步长为半个rev尺寸即n/2像素，最终获取m个rev，命名为rev数据集ⅰ。
13、进一步地，步骤s4具体包括如下步骤：
14、s4.1，将rev数据集ⅰ导入rev筛选的python程序中，并命名为程序ⅰⅰⅰ，程序ⅰⅰⅰ调用snow算法提取rev数据集ⅰ中所有rev的pnm，统计pnm中所有孔隙连接的喉道数目，除以孔隙总数得到rev的平均配位数；统计pnm中所有孔隙和喉道的半径大小，除以孔喉总数得到rev平均孔喉半径；然后提取数字岩心ⅰ的pnm，分析得到数字岩心ⅰ的平均配位数和平均孔喉半径。
15、s4.2，计算步骤s4.1中得到的rev平均配位数与数字岩心ⅰ的平均配位数的误差，计算rev平均孔喉半径和数字岩心ⅰ的平均孔喉半径的误差，筛选两个误差均不超过2%的rev，组成rev数据集ⅰⅰ。
16、进一步地，步骤s5具体为：导入rev数据集ⅰⅰ至python程序中，命名为程序ⅳ，使用程序ⅳ调用数字岩心模拟的可执行文件，对rev数据集ⅰⅰ中所有rev执行渗透率模拟，采用有限差分法求解n-s方程控制的单相流动模拟，统计模拟收敛耗时和内存使用情况，得到rev渗透率数值，对rev渗透率数值取均值得到数字岩心ⅰ的渗透率。
17、本发明具有如下有益效果：
18、本发明提供了一种大尺寸数字岩心渗透率的高效计算方法。基于岩石的sem-maps截取训练图像并重构数字岩心，通过渗透率匹配关系确定rev的尺寸大小并获取所有rev，之后筛选得到符合储层岩石孔隙特征的rev数据集，最终基于rev数据集进行流动模拟，获得所有rev的渗透率之后经拟合得到储层岩石的渗透率。本发明的优点在于：
19、（1）rev尺寸的选取不再需要手动输入，而是依据与储层岩石的孔隙度误差选取，减少了试错成本。
20、（2）通过平均配位数和平均孔喉直径对所有rev进行筛选，保证精度的同时减少了计算量。
21、（3）数字岩心经训练图像数值重构得到，当截取的训练图像具有非均质特征时，重构数字岩心也包含了非均质特征，因此适用于非均质储层。
22、（4）rev的选取、筛选和渗透率预测通过程序一体化实现，过程简单，耗时短。
1.一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤s1具体为：获取储层岩石的sem-maps图像，截取具有典型孔隙特征的训练图像，二值化处理后经mcmc重构得到大尺寸数字岩心，命名为数字岩心ⅰ，数字岩心ⅰ包含了储层岩石的典型孔隙特征。
3.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤s2具体包括如下步骤：
4.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤s3具体为：将数字岩心ⅰ导入获取rev数据集的python程序中，并命名为程序ⅰⅰ，程序ⅰⅰ将从数字岩心ⅰ中自动获取rev，程序ⅰⅰ从步骤s2的数据体中选取尺寸为n像素的rev，从初始位置开始，在三个方向上依次迭代选取所有rev，迭代步长为半个rev尺寸即n/2像素，最终获取m个rev，命名为rev数据集ⅰ。
5.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤s4具体包括如下步骤：
6.根据权利要求1所述的一种大尺寸数字岩心渗透率的高效计算方法，其特征在于，步骤s5具体为：导入rev数据集ⅰⅰ至python程序中，命名为程序ⅳ，使用程序ⅳ调用数字岩心模拟的可执行文件，对rev数据集ⅰⅰ中所有rev执行渗透率模拟，采用有限差分法求解n-s方程控制的单相流动模拟，统计模拟收敛耗时和内存使用情况，得到rev渗透率数值，对rev渗透率数值取均值得到数字岩心ⅰ的渗透率。
