基于光图像和深度学习的微观剩余油的分析

科学领域:

• 石油工程是石油工程中的一个.
• 地质科学是地球科学.
• 人工智能的人工智能

背景情况:

• 化石燃料仍然是主要能源,对石油行业来说,加强碳化合物回收至关重要.
• 在被开发的水库中,复杂的油水动态阻碍了有效的开采.
• 微观剩余油 (微剩余油) 分析是提高高水切割水库产量的关键.

研究的目的:

• 为了自动化和提高光图像分析微残留油的准确性.
• 评估深度学习网络在细分光图像中的有效性.
• 量化分析石油和和分布模式,以告知增强的石油回收战略.

主要方法:

• 光薄截面分析用于直接评估含油性质.
• 培训和应用四个深度学习网络 (U-Net,ResU-Net,ScSEU-Net,Unet++) 的图像细分.
• 使用细分图像对油和,微残留油图案和孔隙占用量的定量分析.

主要成果:

• 深度学习网络,特别是ResU-Net,在细分光图像方面取得了很高的准确性,显示出对噪声和细分错误的稳定性.
• 三级复合剂通过改变油水流动性和界面张力来减少集群,薄膜和吸附的油.
• 原油从较大的毛孔 (>60微米) 中被取代,但在较小的毛孔 (<50微米) 中仍然存在显著的微剩余油.

结论:

• 使用深度学习的自动化光图像分析显著提高了效率和准确性.
• 了解微剩余石油的分布对于优化高水切割水库的回收策略至关重要.
• 需要进一步的研究,以解决在较小的孔状结构中剩余的石油,以改善田地开发.