陳浩1，滕奇志1，何小海1，張余強2

　?。?. 四川大學 電子信息學院 圖像信息研究所，四川 成都610064；2. 成都西圖科技有限公司，四川 成都610064)

       摘要： 在油田開發(fā)后期，剩余油形態(tài)分呈復雜趨勢。對于巖石孔隙結構中的剩余油形態(tài)分布情況的研究，是石油勘探開發(fā)領域中的一個重要課題。在實驗室中，微觀驅(qū)替實驗是石油地質(zhì)實驗中研究剩余油的重要模擬方法。要想了解剩余油形態(tài)的分布規(guī)律，統(tǒng)計和識別剩余油形態(tài)的類型是先決條件。人工識別統(tǒng)計剩余油形態(tài)類型是一項繁重耗時的工作，為了提高研究人員的工作效率，在深入研究剩余油形態(tài)幾何形狀特征的基礎上，利用圖像處理技術和分類識別算法對剩余油形態(tài)類型進行自動識別，具有重要的意義。

　　關鍵詞： 剩余油；形狀特征；分類識別

　　中圖分類號：TP391.4；TE327文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.01.006

　　引用格式：陳浩，滕奇志，何小海，等. 基于幾何形狀特征的剩余油形態(tài)識別［J］.微型機與應用，2017,36（1）：18-21,28.

0引言

　　石油作為經(jīng)濟增速的主要動力，已經(jīng)成為制約我國經(jīng)濟增長的因素。我國油田大部分采用注水開發(fā)方式，而注水開發(fā)油田經(jīng)過一次、二次采油［1］后，僅能采出地下總儲量的30%~40%，這就意味著殘留在地下的石油仍有大部分可以開采。對于這些殘留在地下的石油儲量仍有很大的開采價值，因此加強對剩余油［2］分布的研究可以為提高石油采收率提供有效的理論依據(jù)。

　　圖1微觀驅(qū)替實驗過程微觀物理驅(qū)替實驗［35］是石油地質(zhì)人員在實驗室模擬地層中水驅(qū)油情形的一項重要的仿真實驗,其實驗過程如圖1所示。通過仿真實驗對驅(qū)替階段某一時刻模型中剩余油形態(tài)分布的研究，來模擬剩余油在地層中的分布，由此進一步研究不同驅(qū)替劑對不同類型的剩余油的驅(qū)油效率和機理，可以為油田合理高效地開采殘留在地下的剩余石油提供理論支撐。

1微觀剩余油的分類

　　目前石油行業(yè)對于剩余油形態(tài)的分類還處在摸索階段，并沒有固定的標準，已有的分類方法將剩余油的形態(tài)主要分為簇狀、盲狀、孤島狀和膜狀［67］，將剩余油的類型分為簇狀、盲端狀、角隅狀［8］。雖然命名方式有所不同，但都是從剩余油的幾何形狀特征出發(fā)制定分類標準。本文從剩余油所占據(jù)的孔隙喉道的數(shù)量出發(fā)將剩余油形態(tài)分為：單孔型、油膜型、多孔型、連片型，如圖2所示。

　　單孔型剩余油一般呈孤立存在，所占的孔隙數(shù)目較少（一般為1~2個），孤立存在于孔隙或喉道中，其形狀大多數(shù)接近圓形；油膜型剩余油是由于巖石親油性而導致剩余油附著在巖石顆粒上，驅(qū)替液的流體力難以將此類剩余油從巖石顆粒的邊緣上沖刷下來；多孔型剩余油占據(jù)的孔隙數(shù)目較多（一般在3~5個左右），是因為連通孔隙的喉道太小導致驅(qū)替液的壓力不足以將殘存的油從孔隙中驅(qū)出；連片型剩余油是指剩余油呈網(wǎng)絡狀分布，有明顯的向四周延伸的趨勢，且占據(jù)的孔隙數(shù)目最多。

2剩余油幾何形狀特征的選取

　　從圖2可以看出，剩余油形態(tài)特征主要體現(xiàn)在其幾何形狀特征上，在對剩余油圖像進行預處理之后，剩余油形態(tài)分類的結果準確與否關鍵就在于形狀特征的選取。常用的幾何形狀特征參數(shù)有周長、面積、長寬比、偏心率、矩形度、形狀因子、最小外接矩形等。通過對各種類型的剩余油的特點進行分析發(fā)現(xiàn)，單孔型剩余油具有較大的形狀因子，一般趨近于1；油膜型剩余油的形狀因子很小，可以看出其“厚度”較薄，長寬比較大，偏心率較大；多孔型剩余油形狀因子較小且聯(lián)通的孔隙數(shù)目大約為3~6個；連片型剩余油呈網(wǎng)絡狀分布，其形狀因子很小，延伸趨勢明顯聯(lián)通的孔隙數(shù)目在6個以上。因此選擇偏心率、形狀因子、長寬比這些特征參數(shù)進行區(qū)分。除此之外，引入剩余油聯(lián)通孔隙系數(shù)作為第四個特征量。

　?。?）偏心率

　　偏心率可以用來表示區(qū)域的緊湊性。其計算過程如下：在目標區(qū)域的邊界上選取一點p1(m1,n1)作為起點與邊界上后面的點做距離計算：

　　d(1,k)=(m1－mk)2+(n1－nk)2（1）

　　將計算得到的值與之前的距離做比較保存其中較大的，并記錄兩點的坐標值，然后再依次計算d(2,k)(k=3,4,…,N)，d(3,k)(k=4,5…,N),…,d(N－1,k)(k=N)，通過比較最后得到距離最大的兩點PN1(mN1,nN1)與PN2(mN2,nN2)，因此得到長軸的長度A。然后計算平均向量(x0,y0)和j+k階矩陣Mjk。

　　綜上可以得到偏心率E的計算公式：

　?。?）形狀因子

　　形狀因子用來度量目標區(qū)域與圓的近似程度，用C表示，其計算公式為：

　　式（5）中，P表示周長，A表示面積。當形狀因子的值越接近于1，說明與圓的近似程度越高；反之，說明目標區(qū)域與圓的近似程度越低，其形狀越復雜。

　?。?）長寬比

　　長寬比是指目標區(qū)域的最小外接矩形（MER）的長軸與短軸之比。最小外接矩形的計算方法是：在90°范圍內(nèi)以一定的角度旋轉目標區(qū)域，每旋轉一定的角度都可以得到物體在直角坐標平面中的外接矩形，當旋轉到某個角度時，外接矩形的面積最小，此時的外接矩形就是目標區(qū)域的最小外接矩形，該矩形的長度和寬度的比值就是目標區(qū)域的長寬比。

　?。?）剩余油聯(lián)通孔隙系數(shù)

　　將充滿著剩余油的相互聯(lián)通孔喉的數(shù)量定義為剩余油聯(lián)通孔隙系數(shù)Ln，該參數(shù)可以準確表征統(tǒng)計區(qū)內(nèi)剩余油占據(jù)的孔隙喉道的數(shù)量。

3剩余油形態(tài)分類識別及分析

　　在上一節(jié)中已經(jīng)討論了剩余油的幾何形狀特征參數(shù)，接下來將對各種類型的特征參數(shù)進行定量分析，以尋求適當?shù)姆诸愃惴?。?為各種類型剩余油樣本集的幾何形狀特征參數(shù)的取值范圍。

　　為便于分析，本文算法對形態(tài)類型進行編號，單孔型剩余油為1，油膜型剩余油為2，多孔型剩余油為3，連片型剩余油為4。由表1中的剩余油樣本數(shù)據(jù)可以看出，單孔型剩余油的形狀因子較大，而其他三種剩余油的形狀因子較小。因此，設形狀因子的閾值為TC，則有單孔型剩余油的判斷準則S1，如式(6)所示：

　　其中，C為不同類型剩余油的形狀因子，閾值TC的計算公式如式(7)：

　　式(7)中，min（C［m,n］)表示m，n類樣本集中樣本形狀因子的最小值，max（C［m,n］）表示m，n類樣本集中樣本形狀因子的最大值。

　　通過準則可以確定剩余油是否為單孔型，如果不是則需要繼續(xù)判斷剩余油的類型。從表1中可以看出，油膜型剩余油的偏心率和長寬比大于多孔型和連片型剩余油，因此根據(jù)這兩個特征參數(shù)可以得到油膜型剩余油的分類準則S2，如式(8)所示。設偏心率和長寬比的閾值分別為TE、TAR，則有：

　　式（9）中,min(E［m,n］)、max(E［m,n］)分別表示m、n類樣本集中樣本偏心率的最小值和最大值；式（10）中，min(AR［m,n］)、max(AR［m,n］)分別表示m、n類樣本集中樣本長寬比的最小值和最大值。

　　通過準則S1和S2可以判斷出剩余油是否為單孔型或油膜型，若剩余油不屬于這兩種類型，則仍需要對其進行判定分類，從而確定其類型是多孔型還是連片型。從表1中可知連片型剩余油的聯(lián)通孔隙系數(shù)明顯大于多孔型剩余油，這也正是兩者的區(qū)別。為此，設分類閾值為TL，則有準則S3，如式（11）所示。

　　式（12）中，L表示不同類型剩余油的聯(lián)通孔隙系數(shù)，min(L［m］)、max(L［m］)分別表示m類樣本集中樣本聯(lián)通孔隙系數(shù)的最小值和最大值。綜上可知，從決策樹分類識別算法［910］的角度出發(fā)可以將上述分類算法表示為一棵多叉判決樹的形式，如圖3所示。

　　圖3剩余油形態(tài)識別的多叉判決樹本文的剩余油分類識別算法是根據(jù)能明顯區(qū)分出不同剩余油類型的幾何特征參數(shù)，如形狀因子、長寬比、偏心率以及剩余油聯(lián)通孔隙系數(shù)來對剩余油進行分類處理，是一種多類型多分類準則［11］的識別算法。

4實驗結果

　　4.1剩余油形態(tài)靜態(tài)分類結果分析

　　由作者和石油地質(zhì)研究人員共同選出140個剩余油樣本，其中包含所有類型的剩余油，且基本平均分布。每類選取10個，總共40個樣本作為訓練集，用于分類準則閾值參數(shù)的調(diào)整，最后將剩余的100個樣本作為測試集，進行分類識別，并驗證識別準確度。首先對訓練集中的目標進行特征參數(shù)計算，再利用上述的剩余油形態(tài)分類識別算法以及計算得到的特征參數(shù)進行分類，最后利用得到的分類準則對100個剩余油樣本進行分類識別，其識別結果如表2所示。

　　實驗中樣本的識別效果圖和原圖分別如圖4、圖5所示，圖中不同的顏色代表的形狀說明如圖6所示。

　　實驗表明本文的識別算法能夠正確識別大多數(shù)的剩余油形態(tài)，具有較好的準確率。但從表2可以看出，仍然有部分剩余油的識別率會出現(xiàn)誤判，如膜狀剩余油以及對一些處在多孔型和連片型二者之間的剩余油的分類識別也可能會出錯。

　　4.2剩余油形態(tài)類別動態(tài)變化分析

　　實驗數(shù)據(jù)以序列圖像的形式記錄了整個實驗過程中仿真模型內(nèi)原油和驅(qū)替液的變化過程。為了知道不同的驅(qū)替劑對各種形態(tài)剩余油的作用效果，就需要從剩余油形態(tài)動態(tài)變化的角度去分析。在驅(qū)替實驗后期殘存的剩余油即使發(fā)生變化，相鄰兩幅圖之間其變化也不大，若時間間隔太小可能觀察不出剩余油形態(tài)的動態(tài)變化。如圖7、圖8所示是T時刻與T+1時刻的剩余油形態(tài)分類結果圖，其時間間隔為67 min,從圖中可以看出兩幅圖之間的剩余油形態(tài)有明顯的變化。

　　圖8T+1時刻的剩余油形態(tài)分類結果圖為了能對比出剩余油的形態(tài)變化，得到T時刻剩余油的邊緣并將邊緣畫在T+1時刻的圖上，如圖9所示。圖9中白色實線的邊緣代表連片型，黑色實線的邊緣代表單孔型，黑色虛線的邊緣代表油膜型，白色虛線的邊緣代表多孔型。最后將T+1時刻的分類結果疊加在含邊緣的T時刻的圖上，如圖10所示。

　　因為T+1時刻的圖像上的邊緣圖即為T時刻的剩余油分類結果，通過將T+1時刻的分類結果在圖像上疊加切換可以對剩余油形態(tài)的變化進行對比分析。從圖中可知隨著驅(qū)替實驗的進行，分散的單孔型剩余油有細微的位置變化；油膜型附著在邊壁上，幾乎沒有變化；多孔型和連片型剩余油相對來說發(fā)生了比較大的變化，連片型剩余油可能分裂成多孔型或者分裂成兩個較小的連片型；而一部分多孔型可能由于受到連片型的分裂影響，重新聚集成形狀不同的多孔型剩余油；另一部分的多孔型沒有發(fā)生太大的變化。

5結論

　　相同類型的剩余油形態(tài)并不唯一，本文通過對不同剩余油形態(tài)進行分析，選取了幾種比較能反映剩余油形態(tài)的幾何形狀特征參數(shù)，如形狀因子、長寬比、偏心率等參數(shù)，利用這些特征參數(shù)和多叉判決樹的識別算法，實現(xiàn)了剩余油形態(tài)的自動識別，同時本文還對剩余油形態(tài)類型的動態(tài)

　　變化進行了分析。根據(jù)實驗結果可以看出，該剩余油形態(tài)分類識別系統(tǒng)具有較高的準確度。對剩余油形態(tài)動態(tài)變化趨勢的分析為提高采收率提供了理論依據(jù)，具有較高的應用價值。

　　參考文獻

　?。?］ 陳淦.發(fā)展三次采油的戰(zhàn)略意義及政策要求［J］.油氣采收率技術，1997，4（4）：1 6.

　?。?］ 俞啟泰.關于剩余油研究的探討［J］.石油勘探與開發(fā),1997,24(2):4650.

　?。?］ Pei Haihua,Zhang Guicai,Ge Jijiang,et al.Comparative effectiveness of alkaline flooding and alkalinesurfactant flooding for improved heavyoil recovery ［J］.Energy Fuels,2012,26 (5):2911 2919.

　?。?］ Lu Teng,Li Zhaomin,Li Songyan,et al.Performances of different recovery methods for orinoco belt heavy oil after solution gas drive［J］.Energy Fuels,2013,27(6):34993507.

　?。?］ 張東,李愛芬,姚軍,等.洞縫洞介質(zhì)中水驅(qū)油注采規(guī)律研究［J］.石油鉆探技術,2012,40(4):8691.

　　［6］ 張偉.聚驅(qū)后剩余油分布及影響因素分析［D］.大慶:大慶石油學院,2010.

　?。?］ 李陽.儲層流動單元模式及剩余油分布規(guī)律［J］.石油學報，2003，5（3）：52 55.

　　［8］ 宋考平，楊釗，舒志華,等.聚合物驅(qū)剩余油微觀分布的影響因素［J］.大慶石油學院學報，2004，28（2）:2527.

　?。?］ 馮少榮.決策樹算法的研究與改進［J］.廈門大學學報（自然科學版），2007，64（4）：496500.

　　［10］ Chen Huanhuan, Wang Qiang, Shen Yi.Decision tree support vector machine based on genetic algorithm for multiclass classificationdecision tree support vector machine based on genetic algorithm formulticlass classification ［J］.Journal of Systems Engineering and Electronics, 2011, 22(2):322 326.

　?。?1］ 翟嘉，胡毅慶，成小偉.基于三分類支持向量機的多分類算法的研究［J］.中北大學學報(自然科學版)，2015，36（5）:520 525.