[论文解读] Pore Network and Medial Axis simultaneous extraction through Maximal Ball Algorithm

Mariane Barsi-Andreeta, Everton Lucas‐Oliveira+3 more|arXiv (Cornell University)|Dec 10, 2019

Enhanced Oil Recovery Techniques参考文献 18被引用 5

一句话总结

本文提出一种新颖方法，通过增强的最大球算法（MBA）从X射线微CT数据中同时提取孔喉网络与中轴骨架。通过将最大球建模为加权图，并应用戴克斯特拉算法（Dijkstra’s algorithm）寻找最短路径，该方法生成保持拓扑结构的中轴骨架网络，从而提升砂岩和碳酸盐岩的渗透率预测精度，其中基于哈根-泊肃叶（Hagen-Poiseuille）模型的加权方式在单相流模拟中表现最准确。

ABSTRACT

Network Extraction algorithms from X-ray microcomputed tomography have become a routine method to obtain pore connectivity and pore morphology information from porous media. The main approaches for this extraction are either based on Max Ball Algorithm or Medial Axis Extraction. The first is a robust method to separate the pore space into pore and throats, which provides the pore and throat sizes distributions directly. The second simplifies the medium by thinning the volume into a one voxel wide centerline that preserves the volume's topological information. Since each method has drastically different implementations, it is not usual to use both to characterize the porous structure. This work presents a method to extract a simplified centerline of porous materials by adding few more steps to the well-established Max Ball algorithm. Results for sandstones and carbonate rock samples show that this Medial-Axis network can be used for single phase flow simulations, as well as preserves the mediums morphology.

研究动机与目标

• 开发一种统一方法，从多孔介质的微CT数据中同时提取孔喉网络与中轴骨架。
• 解决传统中轴算法在复杂岩石结构中对表面粗糙度敏感的局限性。
• 通过改进孔喉长度估算，提升孔隙网络模型中单相流模拟的准确性。
• 通过与局部厚度测量结果对比，评估提取的中轴骨架网络的形态保真度。
• 研究基于图的路径查找过程中不同加权方案对渗透率预测精度的影响。

提出的方法

• 从X射线微CT数据中识别孔隙空间，并计算内接最大球的完整网络。
• 将局部最大球识别为孔隙中心，将连接孔隙的球体区域定义为喉部区域。
• 构建加权图，其中最大球作为节点，边表示连通性，权重基于球体表面积或哈根-泊肃叶流动模型。
• 应用戴克斯特拉算法计算孔隙中心之间的最短路径，形成单像素宽的中轴骨架网络。
• 利用原始MBA框架从相同的最大球结构中提取孔喉网络。
• 通过几何修正因子校正孔隙网络中的喉部长度，以提升渗透率估算精度。

实验结果

研究问题

• RQ1 能否通过扩展最大球算法，同时从多孔介质中提取中轴骨架与孔喉网络？
• RQ2 基于图的路径查找过程中不同加权方案对单相流模拟精度有何影响？
• RQ3 与直接厚度测量相比，中轴骨架网络在多大程度上保持了原始多孔介质的形态特征？
• RQ4 基于中轴骨架生成的校正后孔隙网络与原始MBA网络相比，在喉部长度和渗透率预测方面表现如何？
• RQ5 该方法在具有不同孔隙度和孔隙尺寸分布的真实岩样上的计算性能与内存占用如何？

主要发现

• 通过在最大球加权图上应用戴克斯特拉算法提取的中轴骨架网络，能够保持原始多孔介质的拓扑与形态特征。
• 基于哈根-泊肃叶模型的加权方案产生了最准确的渗透率预测，所有测试样品的渗透率估算值与报告值相差在10%以内。
• 经过校正的孔隙网络模型（PNC）通过基于中轴骨架调整喉部长度，相比未经校正的原始MBA网络，将渗透率低估程度降低了最多两倍。
• 对于Bentheimer样品，校正后的PNC网络预测的渗透率为2595 mD（kx），接近中轴骨架结果的2916 mD，表现出高度一致性。
• 处理时间根据样品复杂度和种子数量在4至60分钟之间，最复杂样品（Berea）的峰值内存使用量达到50 GB。
• 中轴骨架网络上的直径变化与局部厚度测量结果高度一致，证实了其形态保真度。