使用基于云的工作流程简化数字摇滚分析

这篇博客是关于在 亚马逊云科技 上进行数字岩石和露头重建与分析的双博客系列的第 1 部分。

第 1 部分将重点介绍 亚马逊云科技 上的数字岩石分析 (DRA) 和流体流动模拟。第 2 部分将重点介绍用于大规模结构分析的数字露头模型。

加快能源和采矿业研究和生产的关键在于对岩石物理特性的有效和普遍适用的测定。在这篇博客中，我们介绍了在通常适用于任何谷物样本的工作流程中生成储层岩石统计数字双胞胎的最新进展。

对沉积岩中流动和迁移现象的研究在一系列科学和工程应用中非常重要，包括提高碳氢化合物采收率、矿产勘探、地热能、地下水资源、氢气储存、二氧化碳封存、采矿和地质力学。数字岩石样品中各种物理和化学过程的数值模拟允许对岩石特性（例如电阻率、渗透率和弹性模量）进行孔隙尺度分析和放大。此外，DRA 有助于对现场和异地条件下的不同情景进行无损评估。例如，二氧化碳封存或向地热场注入不可冷凝的气体会导致岩石基质溶解或矿物沉淀，从而改变岩石的宏观特性，因此在将这种技术应用于真正的含水层之前，需要进行详细的初步数值研究。

澳大利亚国家低排放煤炭研究与开发（ANLEC R&D）使用DRA工作流程在孔隙尺度上了解二氧化碳盐水系统的物理特性。 他们的目标被用来评估苏拉特盆地内潜在的二氧化碳储存地点。 该组织通过微型计算机断层扫描演示了孔隙尺度原位超临界二氧化碳饱和度的特定地点三维成像，并在含水层压力和温度条件下注入二氧化碳期间，对苏拉特盆地核心材料中的超临界二氧化碳和盐水进行了直接的三维孔隙尺度成像。通过这项研究，ANLEC R&D表明，毛细管捕获是悬崖砂岩中二氧化碳储存的重要机制，并且可能在几十年至几个世纪的时间范围内保持稳定。此外，二氧化碳盐水置换特性是强水湿系统的典型特性。

岩心的 X 射线显微断层扫描和高分辨率断层扫描图像使得在孔隙尺度上详细研究流动和传输现象成为可能。但是，这些高分辨率图像需要来自现有IT基础设施的大量存储，这给数据中心环境和IT经理带来了压力。研究人员和专家使用 DRT 来节省时间和资源，而这些时间和资源本来可以花在其他方法上，例如实验室岩心测试，特别是对非常规储层的测试。平均而言，实验室分析需要大约 4-6 周的时间，而实验室积压后的结果可能需要长达 5 个月的时间，从而导致决策缓慢。此外，对此类高分辨率图像进行建模需要大量的计算能力，而本地环境通常不具备这种能力。

方法

要在 亚马逊云科技 上运行 DRA，我们使用 A mazon S ageMaker 来启动 Jupyter Notebook 实例来安装 PoreSpy，这是一种针对任何用例构建、训练和部署机器学习 (ML) 模型的服务，使用完全托管的基础设施、工具和工作流程。PoreSpy 是一种开源定量图像分析工具，我们使用它来创建从数字岩石门户网站获得的图像数据的三维体积。我们使用PoreSpy中的Snow2算法从三维岩石体积中提取孔隙网络，并使用深度学习来预测提取的孔隙网络中的扩散电导。3D 输出和原始图像都存储在 Amazon Simple Storage Ser vice (Amazon S3) 中，这是一种对象存储服务，提供业界领先的可扩展性、数据可用性、安全性和性能。下图 1 和图 2 显示了来自砂岩岩芯段的示例 micro-CT 图像，该图像用于创建用于岩石物理分析的数字岩石。

图 1。选择所选区域进行重建的微型 CT 图像示例（多丁 顿砂岩）

图 2. 基于 micro-CT 图像重建的数字岩石的 3D 视图（仅显示体素化孔隙空间）

为了确定由此生成的孔隙网络产生的渗透率等流动特性，我们使用开源产品 PoreFoam 进行单相和两相流模拟。使用开源 集群管理工具 亚马逊云科技 Parallel Cluster，我们使用在高度并行的节点上运行的 PoreFoam 构建了一个集群。计算、存储和网络要求在 亚马逊云科技 ParallelCluster 配置文件 中定义， 并由用户输入自动填充。经过基准测试后，专为运行计算和内存密集型工作负载而设计的 c5.12xlarge 实例类型（48 个 vCPU，96 GB RAM）是该用例中计算的最佳选择。此配置可以并行运行多个模拟，无需排队等待，与本地配置相比，可以更快地获得结果。如图 3 所示，我们使用 亚马逊云科技 ParallelCluster 从 亚马逊弹性计算云 （Amazon EC2）启动实例集群，该集群几乎可以为任何工作负载提供安全且可调整大小的计算容量。使用 亚马逊云科技 ParallelCluster，您可以通过用户友好的界面创建简单的文本配置文件来对集群的资源进行建模，这些资源用于自动配置计算、存储和网络。我们的集群在 20 分钟内部署到美国东部 1 区域。

图 3。亚马逊云科技 并行集群架构

数值模拟

孔隙度值是根据图像分析确定的。正如Bijeljic等人在 2013年的文章 中所解释的那样 ，孔隙度的计算方法是将孔体素的数量（Npvox）除以体素总数（Nvox）。流量计算中不考虑通过孔隙空间与入口或出口缺乏连接的体素。

为了计算流量，我们使用标准的有限体积法，该方法是在 OpenFoam 中实现的。该软件通过求解体积守恒方程和纳维-斯托克斯方程直接模拟穿过孔隙空间图像的不可压缩、稳定、粘稠的流动。标准化流场是确定的，其中体素中心 U 的大小之比除以 Uav 的平均流速表示为流线。红色和绿色表示高值，而蓝色表示低值。

图 4a。数字岩石样本中具有单位压差的标准化压力场

图 4b。速度流场，它描述了流体流动的性质

研究区域、体素大小以及计算出的孔隙度和渗透率如下面的表 1 所示。

计算时间和收敛

对仿真结果进行了分析，以确定估计岩石特性的最佳收敛时间。岩石样本的模拟数据是在0.1、0.2、0.5、1和2秒时收集的。对岩石特性值的分析表明，孔隙度和渗透率计算在 0.2 秒后趋于稳定，如图 5 所示。这一观察结果表明，在这种情况下，可能不需要进行扩展模拟，因为收敛是在早期实现的。但是，尽管缩短收敛时间是计算成本的理想选择，但可能需要更长的仿真时间才能准确捕捉更复杂的流动现象，尤其是在多相流场景中。我们的工作流程提供了简化的解决方案，以解决这些需要大量计算开销的扩展仿真问题。图 5 演示了一旦我们看到良好的收敛性，我们如何通过避免长时间运行仿真来节省成本。

图 5。渗透率和孔隙度计算的仿真时间

结论

DRA 可以帮助运营商更好地了解储层的特性，包括孔隙度、流体饱和度和渗透率，从而提高储层特征的效率和准确性。这些信息可用于优化钻探和生产策略。

如前所述，DRA有助于对现场和异地条件下的不同场景进行无损评估，而现有的实验室实验方法无法做到这一点。使用 DRA，客户可以在不改变原始岩石结构和成分的情况下进行多次仿真并可视化孔隙和晶粒空间。

在 亚马逊云科技 上运行 DRA 有以下好处：

1. 可扩展性：亚马逊云科技 提供对各种具有不同 CPU、GPU 和内存配置的计算实例的按需访问，帮助用户根据需要轻松地向上或向下扩展其模拟工作负载。
2. 节省成本：用户只需为他们使用的资源付费，无需投资昂贵的硬件或担心维护和升级，而维护和升级是此类仿真中常见的。
3. 速度和性能：亚马逊云科技 提供对高性能实例和存储的访问权限，便于更快、更高效地分析大型数字摇滚数据集。
4. 灵活性：亚马逊云科技 提供广泛的功能和服务，包括存储和分析大量数字摇滚数据、与其他用户协作以及与其他工具和平台集成的功能。

此外，通过灵活地进行数百次模拟，客户可以准确地研究储层中流体的行为，从而开发出更有效的增强石油回收技术和二氧化碳地下储存工作。