BR112016013211B1 - Método para identificar propriedades de fluido de formação e aparelho - Google Patents

Abstract

MÉTODO PARA IDENTIFICAR PROPRIEDADES DE FLUIDO DE FORMAÇÃO E APARELHO Aparelhos, sistemas e métodos podem operar para selecionar um subconjunto de respostas de sensor como entradas para cada um de uma pluralidade de modelos pré-calibrados na predição de cada uma de uma pluralidade de propriedades de fluido de formação. As respostas de sensor são obtidas e pré-processadas de uma ferramenta de medição de fundo de poço. Cada uma da pluralidade de propriedades de fluido de formação preditas é avaliada aplicando restrições nas concentrações de hidrocarbonetos, geofísica e/ou petrofísica. A seleção de respostas de sensor e dos modelos associados de uma base de modelo pré-construído ou um grupo de candidatos são ajustadas e reprocessadas para validar a seleção de modelo.

Description

Fundamentos

[0001] Análise espectroscópica faz uso de uma mudança nas propriedades de energia, tal como luz, depois de ela interagir com uma amostra de material. Por exemplo, a propriedade da luz na maioria das vezes correlacionada com uma propriedade da amostra é a intensidade da luz. De acordo com a lei de BeerLambert, a intensidade de luz transmitida através de uma amostra de fluido varia exponencialmente com respeito à capacidade de absorção da amostra (geralmente expressa como capacidade de absorção molar ou capacidade de absorção molecular), ao comprimento do caminho através do qual a luz é transmitida e a concentração das espécies de absorção da amostra.

[0002] A análise espectroscópica de fluido de formação pode ser realizada no fundo de poço usando uma ferramenta de fundo de poço para estimar as concentrações de composição do fluido, bem como outras propriedades de fluido. A análise de concentrações de composição de fluidos pode ser pelo menos autoconsistente.

[0003] Métodos para identificação de fluido óptica pode aplicar diversos modelos preditivos para avaliar diferentes propriedades de interesse do fluido. Cada modelo é tipicamente calibrado em amostras de fluidos selecionadas de uma biblioteca de fluido padrão sob condições estabilizadas usando uma série de parâmetros predeterminados como entradas de modelo que podem ter sido derivadas de, ou simuladas com, saídas de detector particulares de um sensor óptico. Predição de dados usando entradas de calibração padrão é geralmente precisa em amostras de treinamento utilizadas para desenvolvimento de modelo. No entanto, problemas em predizer composição de fluido de formação podem surgir devido a dados de campo estarem fora da faixa de dados de calibração, variação de intensidade de sinal óptico com severo condicionamento de ambiente e ferramenta e um ou mais elementos ópticos que não operam adequadamente.

Breve Descrição dos Desenhos

[0004] A FIG. 1 ilustra uma modalidade de uma estrutura de modelo de transformação geral com uma rede neural de múltiplas entradas, múltiplas saídas.

[0005] A FIG. 2 ilustra uma modalidade de uma estrutura hierárquica para modelos de transformação inversa.

[0006] As FIGs. 3A e 3B ilustram intensidade de sinal óptico normalizada simulada com fluidos de referência e fluidos de biblioteca de óleo em uma base de dados Óptica-PVT.

[0007] As FIGs. 4A e 4B ilustram intensidade de sinal óptico normalizada para fluidos de referência no espaço de dados de sensor e intensidade de sinal óptico transformada em fluidos de biblioteca de óleo de base de dados Óptica-PVT para espaço de dados de sensor através de transformação direta.

[0008] A FIG. 5 ilustra uma modalidade de uma estrutura hierárquica de modelos candidatos para a predição de propriedade de fluido.

[0009] As FIGs. 6A e 6B ilustram fluxogramas de modalidades para seleção de entrada gradual reversa e direta como aplicada para modelar construção de base para cada produto de resposta.

[0010] A FIG. 7 ilustra um fluxograma de uma modalidade de um método para a seleção de modelo preditivo.

[0011] A FIG. 8 ilustra um sistema de cabo de aço.

[0012] A FIG. 9 ilustra um sistema de sonda de perfuração.

[0013] A FIG. 10 ilustra um fluxograma de uma modalidade de um método para identificar propriedades de fluido de formação usando respostas de sensor obtidas de uma ferramenta de medição de fundo de poço.

Descrição Detalhada

[0014] Como observado acima, a dificuldade de realizar análise espectroscópica pode ser composta quando isso for tentado em um ambiente de fundo de poço com modelos preditivos, especialmente se as medições obtidas da ferramenta e os dados utilizados para calibração de modelo forem escalonados com diferentes disciplinas. Como um método de solução, a resposta de sensor óptico medida de amostragem de fluido de formação e de testes pode ser convertida numa resposta de parâmetro compatível na base de dados de calibração por meio de um algoritmo de transformação ou padronização antes de os dados serem alimentados em modelos de identificação de fluido. Numa prática, respostas ópticas utilizadas como entradas de calibração para desenvolver algoritmo de transformação de dados são medidas da roda de sensor antes de a ferramenta ser fabricada, assumindo que a variação de sinal em cada canal óptico é menos significativa após a ferramenta ser montada. Quando a suposição se torna inválida, a incerteza associada com a padronização do instrumento pode ter um impacto na predição de propriedades de fluido, o que torna a seleção da entrada mais desafiadora durante a fase inicial de desenvolvimento de modelo preditivo.

[0015] Mais ainda, as amostras em uma biblioteca de fluido padrão utilizada para desenvolvimento de modelo podem ser atualizadas ao longo do tempo e as respostas de luz de elementos ópticos podem variar com diferentes projetos e fabricações. Utilizando os mesmos parâmetros de entrada para um dado sensor, um modelo calibrado em um conjunto de dados particular pode produzir diferentes predições daquelas fornecidas por um modelo calibrado com um conjunto de dados estendido ou reduzido. De modo similar, predições que concordam podem ser geradas com modelos calibrados nas mesmas amostras de fluidos com diferentes entradas ópticas de sensores. Em geral, o modelo "mais bem" selecionado como o ajuste padrão pode ter limitações quando aplicado aos dados de campo com incerteza induzida por múltiplas fontes. Seleção de modelo adaptativo em tempo real ou pós-processamento dos dados com outros modelos relevantes é muitas vezes usado para refinar a predição.

[0016] Para tratar destes desafios, e de outros, bem como para manter o esforço despendido em desenvolvimento de sensor óptico e modelo, uma base de modelo de fluido óptico pode ser construída para rastrear todas as variações e mudanças relativas. Essa base de modelo pode ser usada para fornecer suficiência e adaptação para análise de composição de fluido de formação e, incorporada com outros modelos analíticos e processos de simulação, pode ajudar a melhorar a interpretação de dados de campo que correspondem a restrições em concentrações de hidrocarbonetos, geofísica e/ou petrofísica.

[0017] Na maioria das modalidades, uma base de modelo de fluido óptico inclui modelos de transformação de dados (isto é, padronização) e modelos preditivos de propriedade que são calibrados em sensores diferentes. Para proporcionar flexibilidade adequada para processamento e interpretação de dados ópticos, uma base de modelo de fluido óptico pode, portanto, incluir, mas não se limitando a, os seguintes constituintes candidatos: Modelos de transformação calibrados em fluidos de referência selecionados por meio de transformação reversa, modelos de transformação calibrados em fluidos de referência selecionados por meio de transformação direta e modelos preditivos calibrados em ambos base de dados de Pressão, Volume, Temperatura (PVT) Óptica e espaços de dados de roda de sensor.

[0018] Desenvolvimento de modelo de transformação requer pares de dados de calibração combinados de respostas de sensores ópticos simuladas no espaço de dados PVT-Ópticos e medidos no espaço de dados de roda de sensor. No espaço de dados PVT-Ópticos, espectroscopia de fluido de faixa completa diversa pode ser usada em conjunto com respostas de sistema medidas separadamente de elementos ópticos para simular saída de sensor óptico. A resposta de detector simulada em amostras de fluido dadas, no entanto, não é exatamente a mesma em comparação com a resposta de detector diretamente medida de uma roda de sensor ou um sistema de ferramenta real devido aos múltiplos fatores influentes, tal como as variações em condicionamento de medição e a aproximação matemática na simulação. Dependendo do espaço de dados no qual os modelos preditivos de propriedades de fluido são calibrados, modelos de transformação de dados convertem saída de sensor óptico medida ou simulada de um espaço de dados para outro espaço de dados. A FIG. 1 ilustra uma tal transformação.

[0019] A FIG. 1 ilustra uma modalidade de uma estrutura de modelo de transformação geral com uma rede neural de múltiplas entradas, múltiplas saídas. O modelo que converte os canais de resposta de sensor reais (SW/Ch01-Ch0n) para os canais de resposta de sensor PVT Óptico simulados (PVT/Ch01-Ch0n) pode ser denominado como modelo de transformação inversa. O modelo que converte a resposta de sensor na resposta de sensor PVT- Óptico simulada pode ser denominado como o modelo de transformação direta. Embora a estrutura de modelo de transformação geral ilustrada na FIG. 1 seja configurada com redes neurais não lineares de múltiplas entradas/múltiplas saídas, não há nenhuma limitação a usar outros algoritmos de transformação não lineares e lineares com configurações de entrada simples/saída simples e entrada múltipla/saída simples.

[0020] Sensores reais podem ser implementados na forma de uma roda de sensor que utiliza diferentes elementos ópticos instalados em anéis múltiplos, cada anel compreendendo um tipo de detector (por exemplo, um detector de Termopilha, um detector de Índio-Gálio-Arsenito (InGaAs), um detector de Silício (Si)). Outros tipos de detectores podem ser utilizados em algumas modalidades. Firmware/software associados e ajustes de ganho de sensor associados podem ser diferentes para cada anel também. As variações de modelos de transformação (por exemplo, como ilustrado na FIG. 2), podem incluir: converter canais ópticos 202 para cada sensor em um único modelo, converter os canais ópticos dissociados em vários modelos baseados em detectores 203 ou converter apenas canais selecionados 204 de interesse cada vez em diferentes modelos individuais. Em comparação com uma implementação de modelo simples, opções de múltiplos modelos podem melhorar a confiabilidade da construção de dados no domínio de parâmetro de saída (isto é, transformada) se um ou mais dos canais ópticos, como uma entrada de transformação, enfrentar um problema.

[0021] A FIG. 2 ilustra uma modalidade de uma estrutura hierárquica para modelos de transformação inversa. A estrutura mostra os modelos de transformação inversa 201 através de vários tipos de canais: Canais ópticos 202, canais baseados em detectores 203 e outros canais selecionados 204.

[0022] Os blocos de fluido de referência 210-215, na parte inferior da estrutura hierárquica e acoplados aos vários canais 202-204, representam que os modelos de transformação que pode ser construídos com base em fluidos de referência diferentes (por exemplo, número mínimo de fluidos de referência 210, 212, 214 e fluidos de referência estendidos 211, 213, 215). O número mínimo de fluidos de referência se refere às amostras de fluido de água, um óleo de meio, tolueno, pentanodiol, dodecano e nitrogênio em uma modalidade. Estes fluidos de referência são seguros para usar e fáceis de limpar para fins de testes e suas respostas de sensores ópticos têm uma boa cobertura na faixa de dados como uma representação de diversos fluidos em uma base de dados PVT-Óptica existente. Fluidos de referência estendidos geralmente incluem um ou mais fluidos, tal como o óleo e/ou gás para fazer modelo de transformação mais robusto.

[0023] As FIGs. 3A e 3B ilustram intensidade de sinal óptico normalizada simulada com fluidos de referência (FIG. 3A) e fluidos globais em uma base de dados PVT-Óptica (FIG. 3B). A FIG. 3A ilustra perfis de respostas ópticas em seis fluidos de referência acima mencionados através de 32 canais de sensores sob diferentes pontos de ajuste de temperatura e pressão. A FIG. 3B ilustra perfis de respostas ópticas em 40 fluidos em uma base de dados PVT-Óptica simulada nos mesmos canais de sensor sob as mesmas condições de testes. A estreita correspondência entre perfis de envelope confirma o potencial da abordagem de mapeamento aqui descrita, quando o mesmo método de calibração, desenvolvido com o número mínimo de fluidos de referência selecionados, é utilizado no desenvolvimento de modelos de transformação mais robustos que usam fluidos de referência estendidos. Esta abordagem ajuda a reduzir o risco de transformações fora de faixa e, portanto, melhora a aplicabilidade de modelo para processamento de dados confiável.

[0024] Modelos de transformação inversa são projetados para converter medições de ferramenta no espaço de dados PVT-Óptico antes de aplicar modelos preditivos calibrados nesse espaço de dados. Modelos de transformação direta podem ser utilizados para converter uma resposta de sensor óptico simulada de uma base de dados PVT Óptica para o domínio de sensor/ferramenta antes de desenvolver modelos preditivos nesse domínio.

[0025] Como visto na FIG. 1, um modelo de transformação direta pode ser criado comutando a entrada e a saída de um modelo de rede neural. Em outras palavras, usando uma resposta de canal sintético PVT Óptico como uma entrada e uma resposta de canal de roda de sensor medida como uma saída. A rede neural pode, então, ser retreinada para calibrar algoritmos de transformação direta.

[0026] Uma estrutura hierárquica para os modelos de transformação inversa, como ilustrados na FIG. 2, também pode ser aplicada a modelos de transformação direta. Após o modelo de transformação direta ser desenvolvido, ele pode ser usado para converter as respostas de sensor sintéticas das amostras globais em toda a base de dados PVT Óptica para o espaço de dados de ferramenta. Então, os modelos preditivos de propriedades de fluido pode ser calibrado no espaço de dados de ferramenta e a transformação adicional não é necessária no processamento de dados de campo porque as respostas ópticas medidas da ferramenta podem ser utilizadas como entradas de modelo diretamente para análise de composição de fluido. Em comparação com a transformação inversa que aplica conversão de dados de ferramenta on-line de cada vez antes de fazer predição de fluido, a transformação direta geralmente se aplica apenas uma vez off-line para converter respostas de sensor PVT Óptico para desenvolvimento de modelo de predição de fluido.

[0027] A FIG. 4B ilustra respostas ópticas transformadas em 40 fluidos no espaço de dados de ferramenta, utilizando as mesmas respostas de fluidos na base de dados PVT Ópticos como entradas de transformação são mostradas na FIG. 3B. O modelo de transformação direta é calibrado nos mesmos seis fluidos de referência, utilizando dados mostrados na FIG. 3A como uma entrada de treinamento e dados mostrados na FIG. 4A como uma saída de treinamento. Notem que o modelo de transformação direta não é usado para processar os dados de campo diretamente. Após a transformação de dados da biblioteca de fluido ser feita, o processamento de dados apenas usa modelos de predição de fluido calibrados com entradas transformadas para análise de amostragem e teste.

[0028] Como descrito anteriormente, modelos de transformação podem ser calibrados através de um pequeno número de fluidos de referência para padronização de instrumento. Os fluidos de calibração para desenvolvimento de modelo preditivo, no entanto, utilizam diversidade para cobrir a faixa dinâmica da propriedade química ou física de interesse. Fluidos de calibração para predição de asfalteno, por exemplo, podem incluir água sem asfalteno, óleo leve de baixo asfalteno, óleo pesado de alto asfalteno e outras amostras de fluidos, tal como condensados de óleo vivos e líquido de gás natural para caracterizar variações de propriedades. Tipicamente, um número relativamente grande de fluidos de uma base de dados de óleo padrão pode ser usado para construir os modelos preditivos e o uso de espaço de dados de calibração diferente também pode melhorar a flexibilidade e a capacidade de fornecer múltiplas soluções. Modelos pré-calibrados que são calibrados através de ambos os espaços de PVT Ópticos e de dados de roda de sensor podem ser utilizados para predizer múltiplas propriedades de fluido, tal como concentrações de composição de fluido de metano, etano, propano, saturados, aromáticos, resinas, asfaltenos, água, dióxido de carbono e outros parâmetros de hidrocarbonetos, tal como razão gás/óleo (GOR) e densidade de condição de tanque de estoque (ou densidade API).

[0029] A FIG. 5 ilustra uma modalidade de uma estrutura hierárquica de modelos candidatos para a predição de propriedade de fluido. A estrutura para os modelos preditivos de propriedade de fluido 501 inclui modelos calibrados no espaço de dados PVT Ópticos 502 e modelos calibrados no espaço de dados de sensor 503. Os modelos podem incluir modelos de seleção de entrada gradual inversa (BWSS) 510, 512 e modelos de seleção de entrada gradual inversa (FWSS) 511, 513.

[0030] Cada propriedade de fluido, também denominada na técnica como Produto de Resposta, pode ser predita em tempo real durante uma operação de perfuração, ou pós-processada com modelos de calibração utilizando respostas de sensores ópticos como entradas. Um sensor óptico pode ter múltiplos canais e cada saída de canal pode ser a resposta de detector quer através de um filtro de banda estreita ou um elemento óptico multivariado / elemento computacional integrado, tal como utilizado no ICE CoreTMda Halliburton.

[0031] Como um exemplo, modelos preditivos de concentração de metano podem ser calibrados usando um número diferente de entradas de canais como candidatos. Um primeiro modelo candidato pode usar apenas cinco entradas de canais ópticos. Um segundo modelo candidato pode usar dez entradas de canais ópticos. O modelo que trabalha melhor na calibração pode não ser o melhor para nova predição de dados devido a uma limitação da base de dados de calibração existente que pode conter apenas amostras de fluidos esparsas.

[0032] Para reduzir incerteza na pré-seleção de modelo simples, é útil construir uma base de modelo candidato para cada sensor óptico a fim de proporcionar flexibilidade durante o processamento de dados com todas as restrições desejadas (por exemplo, concentrações de hidrocarbonetos, geofísica e petrofísica) e conhecimento prévio aplicado.

[0033] As FIGs. 6A e 6B mostram fluxogramas para modalidades de seleção de entrada inversa (FIG. 6A) e direta (FIG. 6B) como aplicadas para modelar construção de base para cada produto de resposta a fim de selecionar entradas de canal óptico para cada modelo candidato. As variáveis de N e M se referem a um número de canais de cada sensor óptico para as FIGs. 6A e 6B, respectivamente, como será agora explicado em detalhes.

[0034] O uso subsequente de classificação de desempenho pode ser determinado por um comitê de rede com três redes membros para fazer predições de propriedades de fluidos para cada conjunto dado de entradas durante a seleção de entrada. Cada rede membro é treinada, validada e testada em diferentes subconjuntos dos dados de calibração e a medição de desempenho é a raiz global de erro quadrático médio (RMS) mediado nas três redes membros. A classificação de desempenho é realizada a cada vez com base no erro RMS global sobre todas as combinações possíveis para o número dado de entradas.

[0035] Com referência à FIG. 6A, o modelo de seleção de entrada gradual inverso começa com todos os N canais de sensor óptico candidatos 600. Uma análise de calibração 603 com todas as entradas de canal J possíveis, onde J = N-1, é, então, realizada. O canal de sensor óptico menos significativo da análise de calibração, com base na determinação e classificação do erro de calibração para cada J é, então, removido das N entradas e o melhor modelo associado com aquele canal de sensor óptico é salvo 605 (onde o melhor modelo é um modelo com o canal menos significativo removido das N entradas). A quantidade N é, então, decrementada 607 por um e a nova N é comparada 609 com um limiar para determinar se uma quantidade mínima de canais de sensores ópticos foi atingida. Se esta comparação for verdadeira, o processo é terminado. Se a comparação for falsa, o processo repete da etapa de análise de calibração 603 com novas N-1 combinações de canais de sensores ópticos. Em outras palavras, o modelo de seleção de entrada gradual reversa repete para N=J, até J=N-P entradas de canal serem atingidas, onde N-P é um número mínimo predeterminado de entradas de canal a ser utilizado para cada sensor óptico.

[0036] Com referência à FIG. 6B, o modelo de seleção de entrada gradual direta começa com M canais de sensores ópticos candidatos primários iniciais 650, pré-selecionados de N canais. Uma análise de calibração 653 é realizada nas M entradas de canal candidatas principais, com todas as possíveis J entradas de canal, onde J=M+1. O canal de sensor óptico mais significativo, com base na determinação e classificação de erro de calibração para cada J é, então, adicionado às M entradas e o melhor modelo com J entradas particulares associadas com esse canal de sensor óptico é salvo 655 (em que o melhor modelo é um modelo com um canal mais significativo adicionado às M entradas). A quantidade M é, então, incrementada 657 por um e a nova M é comparada 659 com um limiar para determinar se uma quantidade mínima de canais de sensores ópticos foi atingida. Se esta comparação for verdadeira, o processo é terminado. Se a comparação for falsa, o processo repete da etapa de análise de calibração 653 com M+1 combinações de canais de sensores ópticos. Em outras palavras, o modelo de seleção de entrada gradual direta repete para M=J até J=M+Q, em que M+Q<=N é um número máximo predeterminado de entradas de canal a ser utilizado para cada sensor óptico.

[0037] As M entradas de canal candidatas primárias iniciais podem ser predeterminadas com base nas múltiplas disciplinas. Por exemplo, na predição de uma concentração de hidrocarboneto ou propriedade de fluido particular, os M canais ópticos primários iniciais devem incluir pelo menos um canal de elemento computacional integrado projetado para detectar essa analisar ou identificar essa propriedade.

[0038] Entradas primárias para os modelos podem também ser entradas combinacionais de sensores ópticos e/ou outros sensores incluindo, mas não se limitando a: sensores de densidade, temperatura e/ou pressão que podem ser implementados em sistemas de medição de calibração. Modelos de predição podem ser calibrados com entradas sem densidade e, então, recalibrados com densidade como uma entrada adicional. Esta abordagem pode não só melhorar a predição quando dados de sensor de densidade de fundo de poço estão disponíveis, mas também pode assegurar predição melhorada se o sensor de densidade não operar adequadamente.

[0039] Numa modalidade FWSS, as entradas de sensores ópticos primários poderiam ser outras entradas selecionadas que podem não ser as melhores para adequar os dados gerados pelos fluidos de calibração. As entradas de sensores ópticos primárias podem ser menos sensíveis a fluidos multifásicos, misturas ou emulsões que não estão presentes na base de dados existente. Quando esse tipo de fluido complicado é encontrado na amostragem de campo e nos testes, o uso de uma entrada óptica menos sensível pode melhorar a confiabilidade de predição.

[0040] As avaliações que ocorrem durante a análise de calibração são baseadas em um preditor de conjunto de rede neural robusto com uma média de saída de conjunto através de três redes membros, treinado, validado e testado em diferentes subconjuntos de dados dos fluidos de calibração.

[0041] A construção de uma base de dados de modelo de fluido óptico pode fornecer flexibilidade para gerar combinações preditivas sob restrições de campo para pós-processamento e interpretação de dados de campo. Na aplicação, a base de modelo de fluido óptico (incluindo ambos os modelos preditivos candidatos e modelos de transformação) para cada sensor óptico pode ser usada com uma rotina de otimização pós-processamento, a fim de fornecer soluções autoconsistentes na predição de produto de resposta de fluido. O pós-processamento de dados de campo pode ser implementado com um algoritmo genético para otimizar evolutivamente a seleção de modelo preditivo de cada propriedade de fluido minimizando uma função de custo multiobjetiva e fornecer soluções integradas. A função de custo multiobjetiva pode compreender um residual no cálculo da soma estimada de concentrações de constituintes por meio de análise composicional de amostra, do número de entradas utilizadas para cada modelo de predição de fluido, da variação de predição em propriedades primárias no intervalo de amostragem selecionado e da não combinação entre as propriedades primárias calculadas pelo modelo e a expectativa das mesmas propriedades do conhecimento anterior.

[0042] A FIG. 7 ilustra um fluxograma de uma modalidade de um método para seleção de modelo preditivo com pós- processamento. A predição sobre uma propriedade de fluido particular é avaliada com predições sobre outras propriedades de fluido para determinar qual predição pode ser ajustada usando restrições em composição de fluido e outras qualidades.

[0043] O método começa inserindo um conjunto de predições de base de dados de modelo sobre propriedades de fluidos com diferentes entradas 700. Para o dado conjunto das predições de base de dados de modelo para cada propriedade fluido, utilizando modelos candidatos da base de dados de modelo com diferentes entradas, a população inicial de concentrações químicas de constituintes predita é gerada 703. As predições podem ser salvas como mapas de dados com entradas de modelo esclarecidas, conforme determinado de métodos BWSS ou FWSS discutidos anteriormente. Os mapas de dados podem ser construídos com as predições produzidas por modelos baseados em PCT-Ópticos e/ou roda de sensor. A população inicial de concentrações químicas de constituintes preditos de amostras de fluido dos mapas de dados pode incluir CH4 (metano), C2H6 (etano), C3H8 (propano), C4H10 (butano), saturados, aromáticos, resinas, asfaltenos, CO2, H2O, ou fluido de perfuração sintético (SDF). O número de entradas para cada modelo preditivo de concentração pode ser um parâmetro de otimização durante uma etapa de refinação, tal como discutido abaixo.

[0044] A soma das concentrações de constituintes para cada modelo selecionado aleatoriamente é calculada 705. O número total de entradas de predição e outros parâmetros de restrição para todos os modelos preditivos de composição é calculado 707. A soma pode ser normalizada com o número máximo total de entradas. Adicionalmente, parâmetros de predição de qualidade, tal como o desvio padrão de cada modelo preditivo ao longo da faixa de dados de interesse, podem ser calculados. O resultado é comparado com uma densidade de fluido medida se um densitômetro for instalado na coluna de ferramenta. Se o densitômetro não for instalado, uma densidade de fluido predita utilizando entradas ópticas e outras podem ser usada para determinar quando os objetivos foram atingidos e/ou os critérios de seleção satisfeitos 709.

[0045] Se os objetivos não foram atendidos ou os critérios de seleção não foram satisfeitos 709, medição de desempenho com base em múltiplos objetivos para cada realização de seleção de modelo na população inicial é classificada e a otimização evolutiva para minimizar a função de múltiplos objetivos com o uso de operadores genéticos, tal como seleção 715, cruzamento 717 e mutações 719, são realizadas por meio de múltiplas gerações.

[0046] Se os objetivos foram atingidos e/ou os critérios de seleção satisfeitos 709, a seleção de modelo otimizado e as predições são determinadas e transmitidas 711 para outras partes do processo, conforme necessário. A solução final pode, então, ser refinada usando outros critérios 713, verificando ponto de bolha de fluido, capacitância e os resultados simulados com equação de estados (EOS), por exemplo. As soluções apresentadas no final de um processo de otimização podem ser modelos preditivos selecionados que atendem restrições desejadas.

[0047] A FIG. 8 ilustra uma modalidade de sistema de cabo de aço 864. A FIG. 9 ilustra uma modalidade de sistema de sonda de perfuração 964. Durante uma operação de perfuração do poço 912, como ilustrada na FIG. 9, pode ser desejável saber os tipos de fluidos de formação encontrados.

[0048] O sistema 864 da FIG. 8 pode compreender porções de um corpo de ferramenta 870 como parte de uma operação de perfilagem de cabo de aço que pode incluir um ou mais múltiplos sensores de canal 800, como descrito anteriormente, como parte de uma ferramenta de medição de fundo de poço. O sistema da FIG. 9 pode compreender uma ferramenta de medição de fundo de poço 924, como parte de uma operação de perfuração de fundo de poço, que pode também incluir um ou mais múltiplos sensores de canal 900, como descrito anteriormente.

[0049] A FIG. 8 mostra uma plataforma de perfuração 886 que está equipada com um guindaste 888 que suporta um guincho 890. A perfuração de poços de petróleo e de gás é normalmente realizada usando uma coluna de tubos de perfuração conectados juntos de modo a formar uma coluna de perfuração que é abaixada por meio de um mesa rotativa 810 para um furo de poço ou poço 812. Aqui, assume-se que a coluna de perfuração foi temporariamente removida do poço 812 para permitir que um corpo de ferramenta de perfilagem de cabo de aço 870, tal como uma sonda ou sonde, seja abaixada por cabo de aço ou cabo de perfilagem 874 para o poço 812. Tipicamente, o corpo de ferramenta 870 é abaixado até o fundo da região de interesse e, subsequentemente, puxado para cima a uma velocidade substancialmente constante.

[0050] Durante a perfuração do poço de alcance próximo, dados de medição podem ser comunicados para uma instalação de perfilagem de superfície 892 para armazenamento, processamento e/ou análise. A instalação de perfilagem 892 pode ser fornecida com equipamento eletrônico 854, 896 incluindo processadores para vários tipos de processamento de sinal, que podem ser usados por qualquer um ou mais dos múltiplos sensores de canal 800. Dados de avaliação de formação similares podem ser coletados e analisados durante operações de perfuração (por exemplo, durante operações LWD e, por extensão, amostragem durante perfuração).

[0051] A FIG. 9 mostra um sistema 964 que também podem incluir uma sonda de perfuração 902 localizada na superfície 904 de um poço 906. A sonda de perfuração 902 pode fornecer suporte para a coluna de perfuração 908. A coluna de perfuração 908 pode operar para penetrar numa mesa rotativa para perfurar um poço 912 através de formações de subsuperfície 914. A coluna de perfuração 908 pode incluir um Kelly 916, tubo de perfuração 918, e uma composição de fundo 920, talvez localizados na porção inferior do tubo de perfuração 918.

[0052] A composição de fundo 920 pode incluir comandos 922, uma ferramenta de fundo de poço 924, e uma broca de perfuração 926. A broca 926 pode operar para criar um poço 912 penetrando a superfície 904 e as formações de subsuperfície 914. A ferramenta de fundo de poço 924 pode compreender qualquer um de um número de diferentes tipos de ferramentas incluindo ferramentas MWD (medição durante a perfuração), ferramentas LWD, e outras.

[0053] Durante as operações de perfuração, a coluna de perfuração 908 (talvez incluindo o Kelly 916, o tubo de perfuração 918 e a composição de fundo 920) pode ser girada pela mesa rotativa. Em adição a, ou em alternativa, a composição de fundo 920 pode também ser girada por um motor (por exemplo, um motor de lama) que está localizado no fundo do poço. Os comandos 922 podem ser utilizados para adicionar peso à broca de perfuração 926. Os comandos 922 podem também operar para enrijecer a composição de fundo de poço 920, permitindo que a composição de fundo de poço 920 transfira o peso adicionado à broca de perfuração 926 e, por sua vez, ajude a broca de perfuração 926 a penetrar na superfície 904 e nas formações de subsuperfície 914.

[0054] Durante as operações de perfuração, uma bomba de lama 932 pode bombear fluido de perfuração (por vezes conhecido por aqueles especialistas na técnica como "lama de perfuração") de um tanque de lama 934 através de uma mangueira 936 para o tubo de perfuração 918 e para baixo até a broca de perfuração 926. O fluido de perfuração pode fluir para fora da broca de perfuração 926 e ser retornado à superfície 904 através de uma área anular 940 entre o tubo de perfuração 918 e os lados do poço 912. O fluido de perfuração pode ser, então, devolvido para o tanque de lama 934 onde tal fluido é filtrado. Em algumas modalidades, o fluido de perfuração pode ser utilizado para resfriar a broca de perfuração 926, bem como para proporcionar lubrificação para a broca de perfuração 926 durante operações de perfuração. Adicionalmente, o fluido de perfuração pode ser utilizado para remover fragmentos e cascalhos de formação de subsuperfície 914 criados ao operar a broca de perfuração 926.

[0055] Em algumas modalidades, o sistema 964 pode incluir um mostrador 996 para apresentar informação de fluido e respostas de sensor como medidas pelos sensores de múltiplos canais 900. Esta informação pode ser usada na orientação da broca de perfuração 926 durante a operação de perfuração. O sistema 964 pode também incluir lógica de computação, tal como processadores, talvez como parte de uma instalação de perfilagem de superfície 992, uma estação de trabalho de computador 954, para receber sinais de transmissores e receptores, e outra instrumentação.

[0056] Deve ser entendido que o aparelho e os sistemas de várias modalidades podem ser utilizados em outras aplicações que não aquelas descritas acima. Embora as ilustrações de sistemas 864, 964 forneçam uma descrição geral da estrutura de várias modalidades, outros elementos e características do aparelho e dos sistemas podem ser usados com as estruturas aqui descritas.

[0057] A FIG. 10 ilustra um fluxograma de uma modalidade de um método para identificar propriedades de fluido de formação usando respostas de sensor obtidas de uma ferramenta de medição de fundo de poço. Um subconjunto das respostas de sensor é selecionado como entradas para cada um de uma pluralidade de modelos pré-calibrados na predição de cada uma de uma pluralidade de propriedades de fluido de formação 1000. As respostas de sensor são obtidas da ferramenta de medição de fundo de poço e pré-processadas 1003. Cada uma da pluralidade de propriedades de fluido de formação preditas é avaliada aplicando restrições 1005. A seleção de respostas de sensor e dos modelos associados é ajustada de uma base ou de candidatos de modelo pré-construído 1007. As respostas de sensores são reprocessadas para validar seleção de modelo 1009.

[0058] A obtenção e o pré-processamento das respostas de sensor da ferramenta de medição de fundo de poço inclui dirigir luz para interagir com o fluido de formação num furo de poço. A luz é dirigida para interagir com o fluido de formação num furo de poço para produzir luz interagida. A luz interagida é transmitida como energia em direção a uma pluralidade de filtros ópticos de banda estreita ou elemento óptico multivariado/elementos computacionais integrados, tal como usados em ICE CoreTMda Halliburton. As respostas de detector são gerados através da pluralidade de elementos como respostas de sensor. Após corrigir a linha de base e normalizar as respostas de sensor óptico medidas, as respostas de sensores ópticos normalizadas são convertidas de um espaço de dados de ferramenta para um espaço de dados de calibração.

[0059] Ajustar a seleção de respostas de sensores e dos modelos associados de uma base de modelo pré-construído com base no processamento de dados inicial pode incluir ajustar as respostas de sensor como entradas de modelos de padronização de instrumento e/ou modelos de predição de fluido.

[0060] Na Descrição Detalhada precedente, pode ser visto que várias características são agrupadas juntas numa única modalidade para o propósito de simplificar a divulgação. Este método da divulgação não deve ser interpretado como o reflexo de uma intenção que as modalidades reivindicadas requerem mais recursos do que expressamente recitados em cada reivindicação.

[0061] Em vez disso, como as seguintes reivindicações refletem, o objeto inventivo se encontra em menos do que todas as características de uma única modalidade divulgada. Assim, as seguintes reivindicações são aqui incorporadas na Descrição Detalhada e as figuras, com cada uma das reivindicações por si só como uma modalidade separada.

Claims (24)

1. Método para identificar propriedades de fluido de formação, usando respostas de sensor óptico obtidas de uma ferramenta de medição de fundo de poço, o método caracterizado pelo fato de compreender:- selecionar um subconjunto das respostas de sensor óptico como entradas para cada um de uma pluralidade de modelos pré- calibrados na predição de cada uma de uma pluralidade de propriedades de fluido de formação;- obter e pré-processar, através de um processador, o subconjunto das respostas de sensor óptico a partir de uma pluralidade de sensores ópticos da ferramenta de medição de fundo de poço;- avaliar, através do processador, cada uma da pluralidade de propriedades de fluido de formação preditas aplicando restrições;- ajustar a seleção de respostas de sensor e dos modelos associados de uma base ou de candidatos de modelo pré- construído; e- reprocessar, através do processador, as respostas de sensor óptico para validar a seleção de modelo.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de selecionar o subconjunto das respostas de sensor óptico compreende predeterminar um conjunto de saídas de detector do sensor óptico como parâmetros de entrada padrão para cada um de uma pluralidade de modelos de predição de fluido pré-calibrados.

3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de os modelos pré-calibrados utilizados para predizer a pluralidade de propriedades de fluido de formação compreenderem concentrações composicionais de fluido de metano, etano, propano, saturados, aromáticos, resinas, asfaltenos, água e dióxido de carbono.

4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de a obtenção e o pré-processamento das respostas de sensor óptico da ferramenta de medição de fundo de poço compreender:- dirigir luz para interagir com o fluido de formação num furo de poço para produzir luz interagida;- transmitir a luz interagida como energia para um ou mais filtros ópticos de banda estreita e um ou elementos de computação integrada do sensor óptico;- gerar respostas de detector através da pluralidade de elementos como respostas de sensor óptico, sendo que as respostas de sensor óptico medidas são corrigidas para linha de base e normalizadas; e- converter as respostas de sensor óptico normalizadas de um espaço de dados de ferramenta para um espaço de dados de calibração.

5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de a avaliação das propriedades de fluido preditas compreender:- usar parâmetros padrão predeterminados a partir das respostas de sensor ópticos transformadas como entradas para predizer a pluralidade de propriedades de fluido de formação; e- aplicar outras informações da coluna de ferramenta e de simulação para validar cada uma da pluralidade de propriedades de fluido de formação preditas, sendo que a outra informação compreende sensor de densidade, sensor de capacitância, ponto de bolha calculado a partir da equação de estados.

6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de o ajuste da seleção de respostas de sensor e dos modelos associados compreender ajustar as respostas de sensor como entradas de modelos de padronização de instrumento e/ou em modelos de predição de fluido.

7. Método, de acordo com a reivindicação 6, caracterizado pelo fato de uma base de modelo pré-construído compreender os modelos de padronização de instrumento calibrados com algoritmos de transformação inversa utilizando respostas de sensor como entradas e resposta de sensor sintético como saídas, e algoritmos de transformação direta usando respostas ópticas sintéticas como entradas e resposta de sensor como saídas.

8. Método, de acordo com a reivindicação 7, caracterizado pelo fato de um modelo de transformação inversa e/ou modelo de transformação direta ser calibrado sobre um número mínimo de fluidos de referência e/ou número estendido de fluidos de referência com algoritmos de transformação lineares de entrada simples/saída simples e/ou entrada múltipla/saída simples.

9. Método, de acordo com a reivindicação 7, caracterizado pelo fato de um modelo de transformação inversa e/ou transformação direta ser calibrado sobre um número mínimo de fluidos de referência e/ou número estendido de fluidos de referência com algoritmos de transformação não lineares de entrada simples/saída simples e/ou entrada múltipla/saída simples, entrada múltipla/saída múltipla.

10. Método, de acordo com a reivindicação 6, caracterizado pelo fato de uma base de modelo pré-construído compreender ainda modelos de predição de fluido candidato calibrados em uma base de dados Pressão, Volume, Temperatura (PVT)-Ópticos e/ou um espaço de dados de ferramenta transformados.

11. Método, de acordo com a reivindicação 10, caracterizado pelo fato de as entradas ópticas variáveis de modelos de predição de fluido candidatos calibrados numa base de dados PVT-Ópticos padrão e/ou um espaço de dados de ferramenta transformados serem otimizadas por meio de um algoritmo de seleção de entrada linear e/ou não linear.

12. Método, de acordo com a reivindicação 11, caracterizado pelo fato de o algoritmo de seleção de entrada linear e/ou não linear ser implementado com uma rotina de seleção de entrada gradual inversa.

13. Método, de acordo com a reivindicação 11, caracterizado pelo fato de compreender ainda gerar uma pluralidade de modelos de predição de fluido candidatos com seleção de entrada gradual inversa para cada sensor compreendendo:- realizar, para N entradas de canal, análise de calibração com todas as J entradas de canal possíveis, onde J=N-1;- determinar e classificar o erro de calibração para cada J;- salvar um melhor modelo com J entradas particulares, sendo que o melhor modelo é um modelo com um canal menos significativo removido das N entradas; e- repetir o método de geração para N=J, até J=N-P, onde N-P é um número mínimo predeterminado de entradas de canal a ser utilizado para cada sensor óptico.

14. Método, de acordo com a reivindicação 11, caracterizado pelo fato de o algoritmo de seleção de entrada linear e/ou não linear ser implementado com uma rotina de seleção de entrada gradual direta.

15. Método, de acordo com a reivindicação 14, caracterizado pelo fato de compreender ainda gerar uma pluralidade de modelos de predição de fluido candidatos com seleção de entrada gradual direta para cada sensor compreendendo:- realizar, para M entradas de canal candidato primárias pré- selecionadas de N canais, análise de calibração com todas as J entradas de canal possíveis, onde J=M+1;- determinar e classificar um erro de calibração para cada J; - salvar um melhor modelo com J entradas particulares, sendo que o melhor modelo é um modelo com um canal mais significativo adicionado às N entradas; e- repetir o método de geração para M=J até J=M+Q, sendo que M+Q <= N é um número máximo predeterminado de entradas de canal a ser utilizado para cada sensor óptico.

16. Método, de acordo com a reivindicação 15, caracterizado pelo fato de entradas de M canais primários predeterminados para predizer uma concentração de hidrocarboneto ou propriedade de fluido particular incluir pelo menos uma resposta de elemento computacional integrado alvo projetada para detectar que analisar ou identificar essa propriedade.

17. Método, de acordo com a reivindicação 1, caracterizado pelo fato de reprocessar as respostas de sensor para validar a seleção de modelo compreender realizar otimização evolutiva com o uso de um algoritmo genético para minimizar uma função de custo multiobjetiva por meio de múltiplas iterações.

18. Método, de acordo com a reivindicação 17, caracterizado pelo fato de a função de custo multiobjetiva compreender um residual no cálculo da soma estimada de concentrações de constituintes por meio de análise composicional de amostra, um número de entradas utilizadas para cada modelo de predição de fluido, uma variação de predição em propriedades primárias no intervalo de amostragem selecionado e de uma não combinação entre as propriedades primárias calculadas pelo modelo e a expectativa das mesmas propriedades do conhecimento anterior.

19. Aparelho, caracterizadopelo fato de compreender:- uma plataforma fixada a um conjunto de sensores que cada um produz uma pluralidade de canais de respostas de sensor; e- um processador programado para:- selecionar um subconjunto da pluralidade de canais de respostas de sensor,- inserir a pluralidade de canais de respostas de sensor para cada um de uma pluralidade de modelos pré-calibrados na predição de cada propriedade de fluido de formação particular, - avaliar cada propriedade de fluido de formação predita com outras propriedades de fluido aplicand restrições,- ajustar o subconjunto das seleções de resposta de sensor com base em modelos associados de uma base de modelo pré-construído ou um grupo de candidatos, e- reprocessar os dados de medição de forma iterativa para validar a seleção de modelo.

20. Aparelho, de acordo com a reivindicação 19, caracterizado pelo fato de compreender ainda uma memória acoplada ao processador, a memória compreendendo uma base de dados de modelos de transformação de sensor óptico e modelos preditivos de sensor óptico.

21. Aparelho, de acordo com a reivindicação 20, caracterizado pelo fato de a memória compreender ainda uma base de dados de modelos candidatos.

22. Aparelho, de acordo com a reivindicação 19, caracterizado pelo fato de o conjunto de sensores compreender:- uma roda de sensor óptico tendo um elemento óptico diferente em alguns anéis de uma pluralidade de anéis; e - um tipo de detector associado com cada um da pluralidade de anéis.

23. Aparelho, de acordo com a reivindicação 22, caracterizado pelo fato de o tipo de detector compreender um detector de termopilha, um detector de Índio-Gálio-Arsenito (InGaAs), ou um detector de silício.

24. Aparelho, de acordo com a reivindicação 19, caracterizado pelo fato de que compreender ainda uma de uma coluna de perfuração ou um cabo de aço acoplado a uma ferramenta de fundo de poço fixada à plataforma, sendo que a ferramenta de fundo de poço compreende o conjunto de sensores.

Images