Characterization of heterogeneous reservoir rocks using multi-scale image reconstruction and octree structures

Abstract

Researchers commonly use multi-scale modeling to characterize heterogeneous rock samples. Despite their utility, these models face significant challenges. One major issue is the tradeoff between resolution and field of view (FoV) during imaging. Although various novel approaches attempt to address this issue, they often produce unrealistic results or incur high computational costs. In this study, we present methods for the multi-scale reconstruction of pore networks and images for three heterogeneous rocks using octree structures. We performed multi-scale image reconstruction on Berea Sandstone (BS) and Edward Brown Carbonate (EBC) rocks, and multi-scale reconstruction of pore networks on Indiana Limestone (ILS) rock. We scanned all samples at low (LR) and high (HR) resolutions using X-ray microtomography. In our novel multi-scale direct numerical simulation (DNS) reconstruction approach, we reconstructed multi-scale images using the Octree structure to reduce computational cost. In addition, we also presented a novel method for multi-scale pore network modeling (PNM) reconstruction using an artificial neural network to connect the PNMs at different scales in octree structure. The results showed good agreement with the HR images and experimental properties. We concluded that using the Octree structure decreased runtime up to three times for the multi-scale DNS reconstruction. For multi-scale PNM reconstruction, the runtime was nearly equal to the normal method. Additionally, the memory used for the multi-scale DNS reconstruction was reduced by 20 to 130 times, and for multi-scale PNM reconstruction, by up to three times. To further reduce computational costs, we also introduced new multi-scale upscaling methods. The first method, which utilized the Octree structure and unresolved clusters, was applied to the BS rock images for multi-scale DNS upscaling. The second method was applied to the ILS rock images for multi-scale PNM upscaling. We concluded that the multi-scale DNS upscaling method, while maintaining accuracy, reduced runtime up to eight times and memory consumption up to two times. Similarly, the multi-scale PNM upscaling method reduced runtime up to two times and memory consumption about three times, without reducing accuracy.

Zur Charakterisierung heterogener Gesteinsproben verwenden Forscher häufig mehrskalige Modelle. Trotz ihres Nutzens stehen diese Modelle vor erheblichen Herausforderungen. Ein Hauptproblem ist der Kompromiss zwischen Auflösung und Sichtfeld (FoV) bei der Bildgebung. Obwohl verschiedene neue Ansätze versuchen, dieses Problem zu lösen, führen sie oft zu unrealistischen Ergebnissen oder verursachen hohe Rechenkosten. In dieser Studie stellen wir Methoden für die mehrskalige Rekonstruktion von Porennetzwerken und Bildern für drei heterogene Gesteine unter Verwendung von Octree-Strukturen vor. Wir haben eine mehrskalige Bildrekonstruktion für Berea Sandstone (BS) und Edward Brown Carbonate (EBC) sowie eine mehrskalige Rekonstruktion von Porennetzen für Indiana Limestone (ILS) durchgeführt. Wir haben alle Proben mit niedriger (LR) und hoher (HR) Auflösung mittels Röntgenmikrotomographie gescannt. In unserem neuartigen Multiskalen-Rekonstruktionsansatz der direkten numerischen Simulation (DNS) rekonstruierten wir Multiskalenbilder unter Verwendung der Octree-Struktur, um die Rechenkosten zu senken. Darüber hinaus haben wir eine neuartige Methode für die mehrskalige Rekonstruktion von Porennetzwerken (PNM) vorgestellt, bei der ein künstliches neuronales Netzwerk verwendet wird, um die PNMs auf verschiedenen Skalen in der Octree-Struktur zu verbinden. Die Ergebnisse zeigten eine gute Übereinstimmung mit den HR-Bildern und experimentellen Eigenschaften. Wir kamen zu dem Schluss, dass die Verwendung der Octree-Struktur die Laufzeit für die DNS-Rekonstruktion in mehreren Maßstäben um das Dreifache verringert. Bei der mehrskaligen PNM-Rekonstruktion war die Laufzeit fast genauso lang wie bei der normalen Methode. Außerdem konnte der Speicherbedarf für die DNS-Rekonstruktion um das 20- bis 130-fache und für die PNM-Rekonstruktion um das bis zu 3-fache reduziert werden. Um die Rechenkosten weiter zu senken, haben wir auch neue Multiskalen-Upscaling-Methoden eingeführt. Die erste Methode, die die Octree-Struktur und unaufgelöste Cluster nutzte, wurde auf die BS-Felsbilder für die Multiskalen-DNS-Upscaling angewandt. Die zweite Methode wurde auf die ILS-Felsbilder für die Multiskalen-PNM-Hochskalierung angewandt. Wir kamen zu dem Schluss, dass die Multiskalen-DNS-Upscaling-Methode unter Beibehaltung der Genauigkeit die Laufzeit um das Achtfache und den Speicherverbrauch um das Zweifache reduzierte. In ähnlicher Weise reduzierte die Multiskalen-PNM-Upscaling-Methode die Laufzeit um das Zweifache und den Speicherverbrauch um das Dreifache, ohne die Genauigkeit zu verringern.

محققان معمولاً از مدل‌سازی چند مقیاسی برای توصیف نمونه‌های سنگ ناهمگن استفاده می‌کنند. علیرغم کاربرد آنها، این مدل ها با چالش های قابل توجه ای روبرو هستند. یکی از مسائل مهم، مبادله بین وضوح و میدان دید (FoV) در طول تصویربرداری است. اگرچه رویکردهای جدید مختلف سعی در پرداختن به این موضوع دارند، اما اغلب نتایج غیرواقعی تولید می‌کنند یا هزینه‌های محاسباتی بالایی را متحمل می‌شوند. در این مطالعه، ما روش‌هایی را برای بازسازی چند مقیاسه شبکه‌ حفرات و تصاویر برای سه سنگ ناهمگن با استفاده از ساختارهای درخت هشت تایی ارائه می‌کنیم. ما بازسازی تصویر چند مقیاسه را روی سنگ‌های ماسه‌سنگ بریا (BS) و کربنات ادوارد براون (EBC) و بازسازی چند مقیاسه شبکه‌ حفرات را روی سنگ آهک ایندیانا (ILS) انجام دادیم. ما تمام نمونه ها را با وضوح کم (LR) و بالا (HR) با استفاده از میکروتوموگرافی اشعه ایکس اسکن کردیم. در رویکرد جدید شبیه‌سازی عددی مستقیم چند مقیاسه (DNS)، تصاویر چند مقیاسه را با استفاده از ساختار درخت هشت تایی برای کاهش هزینه‌های محاسباتی بازسازی کردیم. علاوه بر این، ما همچنین یک روش جدید برای بازسازی شبکه حفرات چند مقیاسه (PNM) با استفاده از یک شبکه عصبی مصنوعی برای اتصال شبکه حفرات در مقیاس‌های مختلف در ساختار درخت هشت تایی ارائه کردیم. نتایج تطابق خوبی با تصاویر HR و ویژگی های تجربی نشان داد. ما به این نتیجه رسیدیم که استفاده از ساختار درخت هشت تایی زمان اجرا را تا سه برابر برای بازسازی چند مقیاسه DNS کاهش داد. برای بازسازی چند مقیاسه PNM، زمان اجرا تقریباً برابر با روش معمولی بود. علاوه بر این، حافظه مورد استفاده برای بازسازی چند مقیاسه DNS، 20 تا 130 برابر و برای بازسازی چند مقیاسی PNM تا سه برابر کاهش یافت. برای کاهش بیشتر هزینه‌های محاسباتی، روش‌های جدید ارتقاء مقیاس چند مقیاسه را نیز معرفی کردیم. روش اول، که از ساختار درخت هشت تایی و خوشه‌های حل نشده استفاده می‌کرد، روی تصاویر سنگ BS برای ارتقاء مقیاس DNS چند مقیاسه اعمال شد. روش دوم بر روی تصاویر سنگ ILS برای ارتقاء مقیاس PNM چند مقیاسه اعمال شد. ما به این نتیجه رسیدیم که روش ارتقاء مقیاس DNS چند مقیاسه، با حفظ دقت، زمان اجرا را تا هشت برابر و مصرف حافظه را تا دو برابر کاهش داد. به طور مشابه، روش افزایش مقیاس PNM چند مقیاسه، زمان اجرا را تا دو برابر و مصرف حافظه را حدود سه برابر، بدون کاهش دقت، کاهش داد.