ANÁLISIS DE IMÁGENES

DIGITALES DE SECCIONES FINAS

(PRINCIPIOS Y APLICACIONES)
 Geometría del Complejo Poroso

Los cambios importantes en la red tridimensional están reflejados en los cambios en

la sección de dos dimensiones.
 Adquisición de imágenes
Adquisición de Imágenes digitalizadas. Una imagen digitalizada consiste de un
conjunto de píxeles, cada uno de ellos con una intensidad de nivel de gris
asignado.

MO

MEBA
 Magnificación

Fotomosaico de seis vistas de

una misma muestra de sección
fina a varias magnificaciones. El
centro de todas las imágenes
está en la misma posición en la
sección fina. El recuadro
amarillo marca el campo de
visión de la magnificación
siguiente.
 Número de imágenes por sección fina
Bajo el microscopio óptico los campos de visión asociados varían de
aproximadamente 0.25 a 1.00 mm2.

MO El área muestreada
por una sección fina
varía en promedio
de 2 a 4 cm2.

A mayor cantidad de
imágenes analizadas
por sección fina
MEBA mayor confiabilidad
de los resultados

Se necesitan de 15 a 30 campos de visión de una muestra para obtener resultados aceptables

 Análisis de imágenes digitales
Segmentación de píxeles de las imágenes digitalizadas (binarización). Se
determina cuales píxeles pertenecen a la misma categoría (cuales son poros y
cuales son matriz), empleando un software de procesamiento estándar de
imágenes.

Imagen de muestra bajo el Micr. Óptico Imagen de macroporosidad binarizada

Imágenes del Microscopio electrónico de barrido ambiental en superficie rugosa (tope),
Imágenes del Microscopio electrónico de barrido ambiental aplanadas de las
secciones finas pulidas (medio), y las imágenes de microporosidad binarizadas (base).
Cuantificación de la porosidad
 Distribución del tamaño de poros

Clases de poros:
a) A < 0,5 μm2
b) 0,5 μm2 < A < 5,0 μm2
Microporos
c) 5,0 μm2 < A < 50,0 μm2
d) 50,0 μm2 < A < 500,0 μm2
e) 500,0 μm2 < A < 5000,0 μm2
f) 5000,0 μm2 < A < 50000,0 μm2 Macroporos
g) A > 50000,0 μm2

Fracción de contribución de la porosidad

de la clase n a la porosidad total
 LIMITACIONES

•La limitación del método yace en cómo son escogidas las secciones finas
representativas y los campos de visión analizados en las imágenes del
microscopio electrónico de barrido ambiental y el microscopio óptico.

•El número de imágenes analizadas por muestra necesita proporcionar una base
de datos estadísticamente importante.
 CONCLUSIONES

•Los datos de tamaños de poros obtenidos del análisis de imágenes

petrográficas constituyen una herramienta útil en la predicción del tamaño de las
gargantas de poros, los cuales, de otra forma, sólo serían disponibles a través de
la ejecución de pruebas de inyección capilar de mercurio altamente costosas.

•Los datos de las características de los poros se obtienen de una manera más
rápida en comparación con los métodos petrográficos estándares.

•El análisis de imágenes es un buen sustituto de los métodos tradicionales que

consumen más tiempo en la determinación de la porosidad, y proporcionan
resultados con exactitud comparable a aquellos obtenidos a partir de los análisis
de núcleos, registros eléctricos y los métodos petrográficos tradicionales.
 REFERENCIAS
Robert Ehrlich, Stephen K. Kennedy, Sterling J. Crabtree, y Robert L. Cannon.
Petrographic image analysis, I. Analysis of reservoir pore complexes. Journal of
Sedimentary Petrology, Dic 1984; 54, N° 4: 1365 – 1378.

Robert Ehrlich, Sterling J. Crabtree, Kathleen O. Horkowitz, y John P. Horkowitz.

Petrography and reservoir physics; I, Objective classification of reservoir porosity.
AAPG Bulletin, Oct 1991; 75: 1547 - 1562.
 
Catherine A. McCreesh, Robert Ehrlich, y Sterling J. Crabtree. Petrography and reservoir
physics; II, Relating thin section porosity to capillary pressure, the association
between pore types and throat size. AAPG Bulletin, Oct 1991; 75: 1563 - 1578.
 
Robert Ehrlich, Edward L. Etris, David Brumfield, L. P. Yuan, y Sterling J. Crabtree.
Petrography and reservoir physics; III, Physical models for permeability and
formation factor. AAPG Bulletin, Oct 1991; 75: 1579 - 1592.
 
Flavio S. Anselmetti, Stefan M. Luthi, y Gregor P. Eberli. Quantitative characterization of
carbonate pore systems by digital image analysis. AAPG Bulletin, Oct 1998; 82: 1815 -
1836.

Layman II. John y Wayne Ahr. Porosity characterization utilizing petrographic image
analysis: implications for rapid identification and ranking of reservoir flow units,
Happy Spraberry Field, Garza County, Texas. AAPG international Conference, Oct 24-
27, 2004.