获得地质构造的纹理表示的方法

本发明涉及一种可在一个载体上形成某种地质构造的特征性纹理的 方法，更具体地说，涉及一种可利用所述地质构造的某块局部区域的图 象获得能反映该地质构造纹理特点的拓扑图的方法。

利用比如说FMI(岩层缩微影象技术，Fullbore Formation Microimage)以及/或者FMS(岩层细光栅扫描仪，Formation Micro Scanner)等方法得到的矿井炮眼的电象(由Schlumberger公司显影) 包含着丰富的信息，对于石油行业很有价值。这种影象目前几乎只是被 结构学家们用来对钻井内的岩层和断层平面的几何特征进行精细的测 量。

FM1和FM5方法可利用有关钻井内部电传导性的测量值产生电 象。为此，它们需要有四个活动连接的臂，每个臂上各有一个爪垫和一 块垫板。每只爪垫上有比如说24个探头(电极)。在整个成像过程中， 利用一个机械系统将每只爪垫贴在钻井的炮眼上。

一个电象就是一个钻井炮眼的视图。当炮眼打开的时候，电象的水 平轴反映爪垫电极的方位分布。竖直轴表示钻井炮眼的深度(高度)。 这样，就形成了由(比如说)24栏(每一个电极产生一栏)、一共数千 行构成的钻井炮眼图象，每个象素大约占2.5平方毫米。可以用“平面不 均匀性”和“点不均匀性”概念对电象进行分析。平面不均匀性概念有 助于分析地质介质(或称“地质环境”)的底层和断层平面，这些平面 横切而呈现成层结构。电象的其余部分反映与岩石物理学参数(孔隙度) 或沉积学参数(bioturbations等)中的变化相关的变化。

人们对矿井炮眼电象的纹理特征进行了分析和自动分割。不过，为 此目的而进行的操作在鉴别的观点上出现了一些问题。首先是试图对炮 眼电象中可观察到的典型纹理结构进行识别，然后对其属性(特征)进 行扫描以便对所述结构进行描绘，最后，在属性空间中对超平面加以确 定以便对典型纹理结构进行鉴别。

J.F.Rivest建议采用一种数学结构和等级分类办法，见“地质图象 自动分析以及数学结构在绘图上的应用”，博士论文，Ecole Nationale Superieure des Mines de Paris，1992。

Harris等人则利用“同现矩阵”(cooccurrence matrices)概念， 并通过利用神经网络进行分类的方法进行鉴别，见“在地质映象中利用 神经网络进行岩相类型鉴别”，Eurocaipep 93，20-22/09/1993。Luthi 则利用Laws(Goal，Directed Texture Segmentation，Technical Note 334，Artificial Intelligence Center，SRI Inlernational，Meulo Park，29，P.)所 定义的“纹理能(texture energies)”概念，建议对构成这种能量的主 要成分进行分析，见“利用纹理能和纹理组将数学岩相纹理分割成若干 层理”，Mathematical Geology，Vol.26，No.2，pp.181-198。

Gagalowicz试图说明纹理结构是一种用以定量描述图象中某一区 域的信息含量的尺度，它与视觉的判断有关。他用“平移不变性”概念 对此进行解释。他说，对一个纹理的观察本身会留下同样的视觉印象， 而不论被观察到的纹理部分如何。他还定义了“纹理清晰度”的概念， 用以表示当通过观察窗对纹理参量进行观察而这些参量开始不再保持平 移不变性时观察窗的最小面积，(见“Vers un modele de textures”， 博士论文，Universite déParis VI，1983。

在1983年7月丹麦哥本哈根举行的第三届斯堪的那维亚图象分析 会议上提供的“在相关性和直方图控制下进行自然纹理合成”(′Natural texture synthesis with the control of correlation and histogram′)一文 中，Gagalowicz和Ma提出一种用一阶和二阶动差(即直方图和自动协 方差)定义的模型，并证明该模型可用于描述许多种类型的自然纹理。 事实上，直方图有助于保存纹理的对比度，而自协方差则可提供有关纹 理颗粒大小和方向方面的信息。

直方图(H)和自协方差(M2)分别由下面的方程(1)和方程 (2)给出： $H\left(l\right)=\frac{1}{N}\underset{i}{\overset{N}{\Sigma }}\delta (X_i-l)---\left(1\right)$ $M_2\left(\Delta \right)=\frac{1}{N}\underset{i}{\overset{N}{\Sigma }}\frac{(X_i-\eta )(X_{I+\Delta }-\eta )}{{\sigma }^2}---\left(2\right)$ 其中，

Δ＝(Δx，Δy)是平面的一次平移

N为象素的总数

Xi和Xi+Δ是在纹理的i点和i+Δ点的象素的发光强度

1是发光度L的一个可能值

δ为Kronecker标记。当x＝0时，δ(x)＝1；x≠0时，δ(x) ＝0。

由于M2(Δ)＝M2(-Δ)，为观察到纹理而需要的平移次数为：

M＝Nx×Ny/2-1    …(3)

其中，Nx和Ny是X/Y坐标系中参考(标准)纹理的大小(面积)， 它们可根据有关的构造和纹理进行调整。

于是，用直方图H和自协方差M2(Δ)定义的纹理模型的参数个 数为：

D2＝L+M

然而，该模型与其它的随机模型(比如同现矩阵)相比，其参数个 数比较少，这使得它在对电象上可见的纹理集进行描述时并非总是有 效。

本发明的一个目的是提出另外一种方法，它是一种严格意义上的完 全自动的随机方法，可用于对矿井炮眼的电象进行纹理分析和分割。

本发明涉及一种用于产生关于某种地质介质的纹理特征的拓扑图， 其特征在于：

·产生关于所述介质的沉积结构特点的若干图象；

·在各个图象的各个点以及该点周围的空间域内，对与所述图象性 质相对应的参数进行评估，以便为所述每一个点确定一个特征矢量(或 “纹理矢量”)，从而获得一个特征矢量集；

·从所述纹理矢量集中选出那些能够反映所述地质介质的特征性纹 理结构的特征矢量；

·利用一种由众多呈二维分布的细胞组成的神经网络，其中细胞的 个数等于特征性纹理结构的种数；以及让所述神经网络对选出的特征矢 量进行学习，以便最终获得一张关于所述地质介质的纹理特征的拓扑 图。

本发明特别适用于用前面所述的方法获得的电象的情况。

本发明还适用于在所述地质环境中抽样得到的岩芯轮廓照片图象的 情况。为此，申请人以AUTOCAR的名义开发了一种专门的照像工具(见 Reference FR-A-2571512)。

根据本发明的其他特点，使一块区域的各个点均位于同一垂直平面 上并根据其高度进行识别；对于每一高度，其在拓扑图中均有一个对应 的细胞，将该细胞的编号分配给所述的高度，所有这些高度和细胞之间 的对应关系表示为一个特征逻辑。利用特征逻辑可得到一个距离逻辑， 用来表示两个连续特征(或纹理)之间的距离。

这样，就产生了一种相应于地质岩层中的纹理所呈现的数的变化的 特征逻辑，它是岩层深度的函数。而且，这样一种特征逻辑在某些具体 的特定的条件下，可以用来对地质岩层的布置环境和可渗透性进行预 测。

本发明的上述特点和别的优点可从下述关于本发明方法的一个实例 及其附图中得到体现。其中：

图1表示一种地质介质的特征性纹理的拓扑图；

图2是利用本发明方法从图1所示的拓扑图中得到的一个纹理(特 征)逻辑。

在钻井中，利用一个前述类型的拥有四只爪垫的工具获得一个关于 钻井壁的(至少一块区域的)电象。这种方法为专家门所熟知，这里不 再赘述。每只爪垫产生一长条竖直的带状电象。图2左侧对钻井内一块 给定区域的四条电象I1-I4进行了大体的描绘。这是一些结构性的沉积 物图象，反映该地质介质的沉积结构特征。

本发明建议为钻井的每一种高度(深度)鉴别出一种特征性的纹理 结构，例如，象图2中在33.1-35.4高度之间所示的那样。在深度/高度 d处的特征纹理矢量B由比如说沿着岩石底层平面正弦被占15×15cm 的控制窗内计算出的纹理矢量的平均值来定义。与底层平面相对应的正 弦被反映的是井壁交叉点(intersection)的电象，所述底层平面通常并 不与井壁成直角，而是呈圆柱形。正弦波的相位和振幅分别对应井壁方 位和视倾角，知道了井壁的方位偏差之后，就可以用来确定其真实方位 和倾角。为使纹理特征矢量B达到最稳定状态，调节控制窗的方向，使 其与正弦波的倾角方向一致。

根据本发明，首先在电象的每一点及其周围的空间域内对与所述电 象的性质相对应的参数进行评估。为了获得一个与该点有关的特征矢 量，这些参数必须恰好与岩层的纹理有关。

要对井壁的四个电象I1-I4上可见到的纹理集进行描述，可以将其 中灰色的电平值分成八段，并利用一个15×15cm的控制窗，从而可给 出：

为了使上述模型有效，可利用特征矢量B合成一种有起来与原始图 象纹理结构相类似的纹理结构。这种合成方法与Ma在其博士论文 (′Modelisation et synthese de textwes，Application a I′infographie′， Universite de Paris V1，1983)中提出的方法相似。Ma的方法的创造性 在于利用最小均方差产生一个其特征矢量为BTM的图象，即

ERR＝||B-BTX||2

该方法分两个步骤进行，下面对此进行简要说明。

在第一步骤，产生一个白噪声图象，其直方图与原始纹理的直方图 相等。为此，需要在1和N(总的象素个数)之间产生一个呈均匀分布 的随机数Am。利用递增的直方图函数在点m(Xm)处找到一个值X。由 于白噪声图象的各个点都是相互独立的，自协方差M2TX(Δ)一律为零。

在第二步骤，利用最小均方差(ERR)对生成的纹理逐点进行修 正，并用发光度lopt代表i点的发光度li，即 ${\mathrm{ERR}}_{\mathrm{opt}}=\underset{k\in L}{\mathrm{Min}}\left|\right|B-{B_K}^{\mathrm{TX}}{\left|\right|}^2$

如果用lk(lk L)代替i点的光度li，则对纹理的统计参数TX相应进 行如下修正：

                                            HTX(li)→HTX(li)-1/N

                                            HTX(lk)→HTX(lk)-1/N $\forall \Delta ,\Delta \in T_{\Delta },{M_2}^{\mathrm{TX}}\left(\Delta \right)\to {M_2}^{\mathrm{TX}}\left(\Delta \right)+\frac{(l_j+l_{j^{\prime }}-2\eta )(l_k-l_i)}{N{\sigma }^2}$ 其中，lj和lj′分别的(i+Δ)点和(i-Δ)点的发光度，于是 $\mathrm{ERR}=\left|\right|{B-B}^{\mathrm{TX}}{\left|\right|}^2=W\underset{l\in L}{\Sigma }{(H\left(l\right)-H^{\mathrm{TX}}\left(l\right))}^2+\underset{\Delta \in \mathrm{T\Delta }}{\Sigma }{(M_2\left(\Delta \right)-{M_2}^{\mathrm{TX}}\left(\Delta \right))}^2$

其中，系数W是由实验测定的一个常数(W＝2000)，它使得不 同类型的参数(直方图和自协方差)一致收敛。为使误差分布尽可能均 匀，图象点的选取可以在任意一条扫描线上进行。

请注意，上述算法使得均方差ERR为一单调减函数，这保证了ERR 收敛于轨迹的最低点。结果发现，对于电像的所有纹理，其ERR的收敛 值只有其初始值的百分之几，而且只需要进行2-5次迭代。所谓迭代 是指对图象进行一次全扫描。为使观察到的合成纹理尽可能和原始纹理 相似，往往需要进行多次迭代。

利用上述合成法对所有的特征矢量进行“有效处理”之后，可得到 一组矢量，其中每一个矢量均与其余矢量明显不同。

从上述有效特征矢量组(集)中选出那些能反映地质环境特征的矢 量。

根据本发明，利用一张拓扑图对特征矢量进行正确的分类和排序， 这样就可以在拓扑图的相邻类型特征矢量中发现那些可见的相似的纹理 结构。

为了实现对特征矢量进行分类和排序的目的，根据本发明建立了一 种无人监视的神经网络(特别是Kohonen神经网络)，该网络具有两个 维度，其细胞个数等于特征性纹理结构的总数。

在另一个步骤中，该神经网络经历一个学习过程，对选出的特征矢 量进行学习。这样，在学习过程的最后，每一个细胞就可以对应一个待 识别的特征矢量。

为此，需要进行如下的迭代：

设E为待分类的特征矢量集，C为拓扑图的细胞集，

第0次迭代：对拓扑图中细胞的权重进行任意的初始化

第1次迭代(1＜t≤最大迭代次数)：分两步对拓扑图的权重进 行更新：

(1)对应于E中的每一个特征矢量Ei，在拓扑图中找到与Ei最 相近(关)的细胞Ci，

(2)给位于细胞Ci附近的所有细胞Cj重新赋权值：

其中，d为细胞Ci和Cj之间的距离，

      δ(t)为邻近参数，

      ε(t)为增益系数

根据本发明的一个特点，使ε(t)的值小于1，在第一次迭代时最 好取值为0.7，并且，每对特征矢量(或迭代矢量)进行一次扫描，ε(t) 和δ(t)的值就递减。当实现了所要的收敛目的时，即当对选中的特征 矢量进行的再扫描并不改变(或者只是略微改变)细胞的排序时，就可 以认为迭代已经结束。

图1表示利用本发明方法得到的纹理图，图中有100个细胞，每个 细胞对应钻井地质区中一个特征性的纹理结构。这样，细胞的个数就等 于待分类和排序的特征性纹理结构的种类数目。

在图1的特征性纹理结构图中，从右上角的细胞开始按递增顺序沿 Z字形对每一个细胞进行编号，这样，赋予每个细胞的编号是连续不间 断的。

根据本发明的另一个特点，可以提供一种“虚构的”(纹理)特征 逻辑，它可以采用声音或电的形式，作为岩层中纹理的深度的函数对应 于其中的数的变化。这种逻辑图如图2的中央部分所示。

为了产生根据本发明的特征逻辑，必须将电象的所有特征矢量反映 到拓扑图上，每个特征矢量均与矿井的某种高度相联系。

为反映到拓扑图上的每一个特征矢量赋一个值，使它等于与该矢量 相对应的细胞的号码。所谓“与矢量相对应的细胞”是指具有与该特征 矢量所定义的纹理结构为相象的纹理结构的那个细胞。

高度和细胞之间对应关系形成特征逻辑。

于是，根据本发明，利用图1中的拓扑图和/或由此衍生出来的特征 逻辑可以直接识别出具有不同对比度和颗粒大小分布的平面型纹理结构 和点状纹理结构。事实上，每个纹理结构的图象均由若干区域构成，这 些区域的大小和形状可用于将平面型纹理结构同点状纹理结构区分开 来：平面型纹理面积较大，呈长条形；点状纹理呈圆形，面积中等偏小。

利用特征逻辑可以定义距离逻辑(见图2的右手部分)。距离逻辑 表达两个连续特征纹理之间的距离，亦即它们对应的特征矢量之间的距 离。对于一个给定的高度而言，每一个特征矢量均由其参数(用直方圆 和自协方差定义)来确定。

本发明根本不局限于利用具有如前所述特点的工具而获得的电象， 也不局限于岩芯图象或是矿井纹理图的情形。

实际上，这里所述的图象完全可以从别的渠道获得。本发明关键的 要素是能够从所述图象中建立起特征矢量，并根据本发明方法对它们进 行分类和排序。

这样，才有可能进行后面的神经网络(特别是一张二维Kohonen拓 扑图)的学习过程。该过程需要利用从同一块油田中的若干个不同钻井 内或者甚至是从一块包括该油田在内的更大范围的地质盆地中获得的特 征矢量。根据不同的要求，拓扑图的细胞(或种类)数目可以达到比如 几百个甚至更多，从而可以代表所述的油田或盆地。为此，需要从同一 块油田的若干个不同的钻井内分别采集一些纹理特征矢量，并让二维神 经网络对这些矢量进行学习。当从所述神经网络中抽取出的拓扑图达到 收敛性时，既可以用每个钻井的全部井壁纹理特征矢量分别为每个钻井 产生一个特征逻辑；也可以用所有钻井的特征矢量来产生一个综合的特 征逻辑，该逻辑代表所有这些钻井的全部纹理结构。显然，这些逻辑将 代表包含这些钻井在内的整块油田。

在地质盆地规模，可以将上述油田钻井的特征矢量同利用别的方法 -特别是从所述盆地的众多地方采样的岩芯的沉积结构中-产生的特征 矢量结合起来考虑。勿庸置疑，对特征逻辑的分析和解释是沉积学家们 的工作，他们将不得不对沉积物以及别的、与该拓扑图和/或根据本发明 获得的特征逻辑有关的岩石的性质进行研究。显然，这样一种一般性的 方法可以扩展到比盆地更大的区域范围。沉积学家们同意这样一种观 点：岩石纹理结构种类是有限的，通过利用代表各种可能存在的纹理结 构的特征矢量进行拓扑图学习，可以最终获得一张按适当维数分布的拓 扑图，它实际上对于反映在该拓扑图中的任何一种类型的纹理结构都是 有用的。