BR112019002332B1

BR112019002332B1 - Sistema

Info

Publication number: BR112019002332B1
Application number: BR112019002332-1A
Authority: BR
Inventors: Bin Dai; Christopher Michael Jones; Dingding Chen; Jing Shen
Original assignee: Halliburton Energy Services, Inc
Priority date: 2016-09-22
Filing date: 2016-09-22
Publication date: 2022-08-02
Also published as: BR112019002332A2; US20190360332A1; SA519401080B1; US10436028B2; WO2018056976A1; EP3469189A4; US20190063215A1; US10927672B2; EP3469189A1

Abstract

Um sistema inclui um dispositivo de computação óptica com um multiplexador óptico que recebe uma amostra de luz gerada por uma interação óptica entre uma amostra e uma luz de iluminação. O sistema inclui elementos sensores que interagem opticamente com a luz da amostra para gerar luzes modificadas, e um detector que mede uma propriedade das luzes modificadas separadamente. Modelos lineares e não lineares para processamento de dados coletados com o sistema acima para formar espectros de alta resolução também são fornecidos. Métodos para projetar multiplexadores óticos ótimos para reconstrução ideal de espectros de alta resolução também são fornecidos.

Description

Fundamentos

[0001] No campo da exploração e produção de petróleo e gás, a caracterização da amostra das composições de reservatório ou do fluido de poço é desejável determinar a qualidade de um produto ou condição de um recipiente, poço ou tubulação ou para ajustar e modificar um parâmetro de perfuração. O padrão-ouro de medição espectroscópica em termos de largura de banda e resolução é a espectrometria Fourier-Transform-Infrared (FTIR). Infelizmente, os instrumentos FTIR com alto poder de resolução são instrumentos complexos e delicados que não são adequados para operações de campo. Alguns espectrômetros de alta resolução usam dispositivos dispersivos de ângulo/localização de alta resolução, como filtros de banda estreita, escalões ou redes de difração. No entanto, esses tipos de espectrômetros geralmente têm baixa produtividade óptica, exigindo alta sensibilidade do detector e longo tempo de coleta. Alguns dispositivos sacrificam a resolução de medição para a compactação e a robustez dos sensores usados no campo. No entanto, essas abordagens impedem o uso de dados coletados com sensores abaixo do ideal em uma análise de dados de pós-produção, levando à perda de informações valiosas.

Breve descrição das figuras

[0002] As figuras a seguir estão incluídas para ilustrar certos aspectos da presente divulgação, e não devem ser vistas como modalidades exclusivas. A matéria divulgada é capaz de modificações consideráveis, alterações, combinações e equivalentes na forma e função, como ocorrerá àqueles versados na técnica e com o benefício desta divulgação.

[0003] As FIGS. 1A e 1B ilustram sistemas para obter dados espectrais de alta resolução de um fluido de formação a partir de um dispositivo de computação óptica.

[0004] A FIG. 2 é um diagrama de blocos de uma medição de sensor compressivo para obter dados espectrais de alta resolução de um fluido de formação a partir de uma pluralidade de valores de dispositivos de computação ópticos.

[0005] A FIG. 3 ilustra uma pluralidade de funções base selecionadas de um dicionário escasso para obter dados espectrais de alta resolução de um fluido de formação a partir de um dispositivo de computação óptica.

[0006] A FIG. 4 é um diagrama de blocos de uma medição de detecção compressiva para obter dados espectrais de alta resolução de um fluido de formação a partir de um dispositivo de computação óptica utilizando as funções de base da FIG. 3 e coeficientes esparsos.

[0007] A FIG. 5 ilustra uma matriz de detecção para utilização num dispositivo de computação óptica para obter dados espectrais de alta resolução de um fluido de formação.

[0008] A FIG. 6 ilustra espectros de transmissão a partir de uma pluralidade de elementos de detecção para utilização num dispositivo de computação óptica para obter dados espectrais de alta resolução de um fluido de formação.

[0009] A FIG. 7 ilustra espectros de transmissão a partir de filtros de película fina para utilização como elementos de detecção num dispositivo de computação óptica para obter dados espectrais de alta resolução de um fluido de formação.

[0010] A FIG. 8 é um gráfico que ilustra uma comparação entre um espectro de transmissão de alta resolução de um fluido de formação reconstruído a partir de medições de dispositivos de computação óptica usando um método linear e um espectro de transmissão de alta resolução do fluido de formação obtido com um espectrógrafo de alta resolução.

[0011] A FIG. 9 ilustra um fluxograma incluindo passos num método linear para obter dados espectrais de alta resolução de um fluido de formação com um dispositivo de computação óptica.

[0012] A FIG. 10 é um gráfico que ilustra espectros de transmissão a partir de uma pluralidade de fluidos de formação.

[0013] A FIG. 11 ilustra uma transformação de rede neural de múltiplas entradas e múltiplas saídas (MIMO) para utilização num método não linear para obter dados espectrais de alta resolução de fluidos de formação a partir de medições de dispositivos de computação óptica.

[0014] A FIG. 12 ilustra uma transformação de rede neural de múltiplas entradas e saídas únicas (MISO) para utilização num método não linear para obter dados espectrais de alta resolução de fluidos de formação a partir de medições de dispositivos de computação óptica.

[0015] A FIG. 13A ilustra os espectros de absorção brutos obtidos a partir de uma pluralidade de fluidos de formação.

[0016] A FIG. 13B ilustra espectros de transmitância em bruto correspondentes aos espectros de absorvância da FIG. 13A.

[0017] A FIG. 14A ilustra espectros de transmitância reconstruídos a partir dos espectros de transmitância em bruto na FIG. 13B usando um modelo MISO.

[0018] A FIG. 14B ilustra os espectros de absorção correspondentes aos espectros de transmitância da FIG. 14A.

[0019] A FIG. 15 é um gráfico que ilustra espectros de transmissão a partir de uma pluralidade de elementos de detecção para utilização num dispositivo de computação óptica para obter dados espectrais de alta resolução de um fluido de formação.

[0020] A FIG. 16 é um gráfico que ilustra espectros de transmitância numa primeira região espectral reconstruída com um elemento sensor configurado para uma segunda região espectral em comparação com espectros na primeira região espectral reconstruída com um elemento sensor configurado para a primeira e segunda regiões espectrais.

[0021] A FIG. 17 ilustra um sistema de perfilagem enquanto perfura incluindo um sensor que usa um dispositivo de computação óptica melhorado com um ICE adicional.

[0022] A FIG. 18 ilustra um sistema de wireline configurado para obter dados espectrais de alta resolução de uma amostra durante o teste de formação e amostragem com um dispositivo de computação óptica.

[0023] A FIG. 19 ilustra um fluxograma incluindo passos num método para obter um modelo não linear para recuperar dados espectrais de alta resolução de um fluido de formação a partir de medições de dispositivos de computação óptica.

[0024] A FIG. 20 ilustra um fluxograma incluindo etapas num método linear para obter dados espectrais de alta resolução de um fluido de formação a partir de medições de dispositivos de computação óptica.

[0025] Nas figuras, os elementos ou etapas com os mesmos números de referência ou semelhantes têm a descrição ou configuração idêntica ou semelhante, salvo indicação em contrário.

Descrição detalhada

[0026] A presente divulgação refere-se a sistemas, dispositivos e métodos para obtenção de dados espectrais de alta resolução de fluidos de formação a partir de medições de dispositivos de computação ópticos na indústria de exploração e extração de óleo e gás. Em algumas modalidades, os dados espectrais de alta resolução são obtidos em tempo real e no campo. Ainda em outras modalidades, os dados espectrais de alta resolução são processados remotamente, em um tempo diferente, após os dados do sensor serem coletados e armazenados em tempo real no campo.

[0027] A análise de fluido óptico baseada em espectroscopia é desejável na prática atual para identificar as características do fluido no fundo do poço. Os dados de espectroscopia de gama completa de amostras de fluidos selecionados podem ser medidos em um laboratório padrão de Pressão Óptica, Volume e Temperatura (PVT) e usados com vários elementos de detecção (por exemplo, filtros ópticos) com faixas de comprimentos de onda diferentes para extrair características que podem ser linearmente ou não linearmente correlacionado com as composições e propriedades fluidas conhecidas. Esses elementos de detecção podem ser incorporados em um dispositivo de computação óptica como elementos de banda múltipla e instalados em ferramentas óticas de fundo de poço para processamento de dados em tempo real na previsão de composições e propriedades de novos fluidos de formação. Para aplicações avançadas, no entanto, é desejável converter respostas de sensores integrados no fluido de formação durante a operação de amostragem de volta a um espectro de alta resolução. O espectro de alta resolução recuperado permite uma melhor sincronização entre novos dados com dados em um banco de dados existente, preenchendo lacunas em uma biblioteca de espectroscopia de fluidos atual e facilitando possíveis aplicações de remodelagem com inclusão de um novo espectro de fluido estimado.

[0028] Em algumas modalidades aqui descritas, um princípio de compressão é aplicado para projetar dispositivos de computação óptica, resultando em um espectrômetro simplificado e robusto que pode ser usado em ambientes severos, tais como condições de fundo de poço, e ainda fornecer espectros de alta resolução. Por conseguinte, esta descrição permite que os espectros ópticos de alta resolução e alta qualidade sejam medidos e reconstruídos com um instrumento óptico simplificado usando um princípio de sensoriamento compressivo. No princípio do sensoriamento compressivo, uma representação espectral esparsa baseada em dicionário melhora a reconstrução espectral em comparação com outras técnicas, como representação espectral baseada em espaço de fator. A qualidade espectral aprimorada do sensoriamento compressivo aumenta a exatidão e a precisão da medição.

[0029] Esta divulgação inclui dispositivos de computação óptica com múltiplas vantagens competitivas: um instrumento de detecção de compressão simplificado reduz o custo de fabricação e serviço de manutenção, melhora a confiabilidade na operação de campo e melhora a qualidade da medição. Gravar espectros de alta qualidade e alta resolução de fluidos do fundo do poço em regiões espectrais visíveis (VIS) e próximas ao infravermelho curto (NIR) permite a determinação precisa de composições complexas e propriedades físicas tais como, mas não limitadas a: relação gás-óleo (GOR), concentração de metano, concentração de etano, concentração de propano, asfaltenos, cor, API, densidade, saturados, aromáticos, resinas, CO2, H2S, filtrado sintético de perfuração e cera. Em algumas modalidades, dados espectrais de alta qualidade permitem uma determinação mais precisa do nível de contaminação do filtrado de lama de perfuração, permitindo a amostragem de fluidos de alta qualidade e baixa formação de contaminação. Os dados espectrais de alta resolução recuperados como aqui divulgado também permitem que a informação de conectividade do reservatório seja derivada. Por exemplo, em múltiplas amostras coletadas em diferentes profundidades ao longo de um furo, espectros de amostra similares com transmitância quase idêntica na faixa de comprimento de onda de interesse podem indicar que as amostras obtidas são de um reservatório subterrâneo conectado; de outra forma, há uma grande probabilidade de que os dois fluidos sejam provenientes de reservatórios desconectados.

[0030] Algumas modalidades aqui contempladas fornecem métodos robustos de inversão não linear para estimar o espectro de cor de fluido, utilizando informação de banda de comprimento de onda transversal disponível em medições de dispositivos de computação óptica no fundo do poço. Os métodos não lineares aqui divulgados podem incluir redes neurais como uma plataforma para inverter respostas de sensores sintéticos ou virtuais de uma ferramenta óptica. O modelo de inversão é treinado com sinais sensores gerados a partir de múltiplos elementos sensores e medições de espectroscopia de fluidos em bancos de dados ópticos-PVT padrão.

[0031] A saída de um modelo não linear como aqui divulgado pode incluir uma transmitância média em cada uma de uma pluralidade de bandas de comprimentos de onda especificadas de interesse sobre um espectro de fluido. Em algumas modalidades, a saída de um modelo não linear pode incluir uma transmitância de alta resolução como uma função contínua de comprimento de onda. Em ainda outras modalidades, um modelo não linear transforma respostas de filtro de banda larga originadas de uma análise de componentes principais (PCA) de um banco de dados de espectroscopia para recuperar um espectro de alta resolução. Algumas modalidades fornecem cobertura espectral de um espectro de alta resolução recuperado numa banda espectral onde o dispositivo de computação óptica não possui elementos de detecção através de transformação de dados ópticos de sensor cruzado. Como uma técnica de reconstrução espectral robusta, algumas modalidades fornecem capacidades espectrais adicionais a qualquer dispositivo de computação óptica configurado para uma caracterização específica de fluido óptico.

[0032] Em algumas modalidades, uma espectroscopia de fluido óptico de gama completa é autocorrelacionada. Por conseguinte, os valores de transmitância a um determinado comprimento de onda podem ser estimados a partir dos valores de transmitância nos seus comprimentos de onda vicinais e distantes. A correlação de dados pode ser determinada por meio de aprendizado de máquina usando respostas de dispositivos de computação ótica sintética de filtros de banda larga e banda estreita bem cobertos como entradas e a transmissão espectral de interesse como saída. Isto é, além de usar informações de dados envolvendo porções de convolução de um espectro. Alguns modelos não lineares aqui divulgados podem usar respostas de filtro mais do que o necessário como entradas candidatas para selecionar automaticamente informações relevantes para a reconstrução de espectro não linear (por exemplo, na faixa VIS), compensando assim a variabilidade de fabricação de dispositivos de computação ótica conforme aqui descrito.

[0033] Como usado aqui, o termo "radiação eletromagnética" refere-se a ondas de rádio, radiação de micro-ondas, infravermelho médio (MIR, de cerca de 2500nm a cerca de 10000nm) e radiação infravermelha próxima (NIR, de cerca de 750nm a cerca de 2500nm), luz visível (VIS, de cerca de 400 nm a cerca de 750 nm), luz ultravioleta (UV, de cerca de 200 nm a cerca de 400 nm), radiação de raios X e radiação de raios gama.

[0034] Os elementos de detecção aqui descritos podem incluir um elemento que interage opticamente com uma substância para determinar valores quantitativos e/ou qualitativos de uma ou mais propriedades físicas ou químicas da substância. O elemento de detecção pode incluir elementos de interferência de multicamadas desenhados para operar sobre um continuum de comprimentos de onda no espectro eletromagnético desde a região UV até à região MIR, ou qualquer subconjunto dessa região, incluindo a região VIS e a região NIR. A radiação eletromagnética que interage opticamente com o elemento de detecção é modificada de forma a ser lida por um detector, de modo que uma saída do detector pode ser correlacionada com a propriedade física ou química ou "característica" da substância a ser analisada.

[0035] Como utilizado neste documento, o termo "característica" se refere a uma propriedade física, mecânica ou química de uma substância. Uma característica de uma substância pode incluir um valor quantitativo ou qualitativo de um ou mais componentes químicos ou compostos presentes nele ou qualquer propriedade física associada. Tais constituintes e compostos químicos podem ser mencionados neste documento como “analitos”. Características ilustrativas de uma substância que pode ser monitorada com os dispositivos de computação ópticos aqui descritos podem incluir, por exemplo, composição química (por exemplo, identidade e concentração total ou de componentes individuais), presença de fase (por exemplo, gás, óleo, água, etc.), teor de impureza, teor de íons, pH, alcalinidade, viscosidade, densidade, força iônica, sólidos totais dissolvidos, conteúdo de sal (por exemplo, salinidade), porosidade, opacidade, teor de bactérias, dureza total, suas combinações, estado da matéria (sólido, líquido, gás, emulsões, misturas, etc.) e afins.

[0036] Conforme usado neste documento, o termo "dispositivo de computação óptica" refere-se a um dispositivo óptico que é configurado para receber uma entrada de radiação eletromagnética de uma fonte eletromagnética, para interagir a radiação eletromagnética com uma substância e para produzir uma saída de radiação eletromagnética a partir de um elemento de processamento (sensor) disposto dentro do dispositivo de computação óptica. Em algumas modalidades, um dispositivo de computação óptica também inclui um detector para gerar um sinal eletrônico indicativo de uma característica da substância. O dispositivo de computação óptica pode incluir um elemento de detecção, tal como um elemento computacional integrado (ICE), alternativamente referido como um elemento óptico multivariado (MOE), um filtro de passagem de banda estreita ou um filtro de banda larga. A radiação eletromagnética que interage opticamente com o elemento de processamento é modificada de forma a ser legível por um detector, de modo que uma saída do detector pode ser correlacionada a uma determinada característica da substância. A saída de radiação eletromagnética do elemento de processamento pode ser radiação eletromagnética refletida, transmitida e/ou dispersa. O fato de o detector analisar radiação eletromagnética refletida, transmitida ou dispersa pode ser ditado pelos parâmetros estruturais do dispositivo de computação óptica, bem como outras considerações conhecidas por aqueles versados na técnica. Além disso, a emissão e/ou dispersão do fluido, por exemplo, por meio de fluorescência, luminescência, dispersão de Raman, de Mie e/ou de Rayleigh, também pode ser monitorada pelos dispositivos de computação ópticos descritos neste documento.

[0037] Como usado aqui, o termo “interagir opticamente” ou variações do mesmo refere-se à reflexão, transmissão, espalhamento, difração ou absorção de radiação eletromagnética sobre, através de ou de um ou mais elementos de detecção (isto é, componentes ICE, filtros dielétricos, filtros de banda estreita, filtros de banda larga, prismas, redes difrativas e similares) ou uma substância sendo analisada pelos elementos de detecção. Por conseguinte, a luz opticamente interagida refere-se à radiação eletromagnética que foi refletida, transmitida, dispersada, difratada ou absorvida, emitida ou re-irradiada, por exemplo, usando um elemento de processamento, mas pode também aplicar-se a interação com uma substância.

[0038] Esta divulgação está relacionada aos métodos de projetar e implementar dispositivos de computação óptica de fundo de poço usando princípios de sensoriamento óptico compressivo para recuperar um espectro de alta resolução. Métodos de reconstrução espectral usando esses dispositivos de computação óptica também são divulgados. O sensor compressivo permite que os dispositivos de computação ópticos aqui descritos recuperem espectros de alta resolução através da medição de sinais ópticos de amostras de fundo de poço. Os espectros de alta resolução recuperados permitem a determinação de muitas propriedades de interesse (por exemplo, características) das amostras, incluindo densidade, viscosidade, composições químicas e relação gás-óleo, entre outras.

[0039] Técnicas ópticas, tais como absorção, espectroscopia vibracional e de fluorescência, desempenham um papel importante nas medições quantitativas e qualitativas em tempo real da composição química na indústria de petróleo e gás. Os métodos de análise de fluido óptico de fundo de poço, como aqui divulgados, combinam técnicas ópticas e quimiometria para obter informações chave sobre a composição química sobre um fluido de reservatório. A variação composicional, a compartimentalização e a conectividade de um fluido de reservatório podem ser estabelecidas através da análise de fluido óptico no fundo do poço. Os dispositivos de computação óptica de fundo de poço, como divulgados neste documento, também desempenham um papel importante na determinação do nível de contaminação do filtrado de fluido de perfuração durante o processo de amostragem de fluido do reservatório. A maioria dos espectrômetros ópticos convencionais é baseada na medição de componentes espectrais separados através de dispositivos ópticos de separação de energia espectral, como filtros de banda estreita, prismas ou redes difrativas. Cada região de comprimento de onda é medida através de diferentes filtros ou ângulo/localização diferente do dispositivo óptico dispersivo. Os métodos e sistemas divulgados neste documento utilizam filtros ópticos de película fina de banda larga, uma fonte de luz e um único detector ou uma matriz de detectores para construir um espectrômetro sensor de compressão, que permite a medição espectral de uma amostra.

[0040] Numa primeira modalidade, um sistema inclui um dispositivo de computação óptica com um multiplexador óptico que recebe uma amostra de luz gerada por uma interação óptica entre uma amostra e uma luz de iluminação, pelo menos dois elementos de detecção que interagem opticamente com a amostra de luz para gerar pelo menos uma primeira luz modificada e uma segunda luz modificada, em que cada uma das primeira e segunda luzes modificadas inclui uma primeira banda espectral e uma segunda banda espectral, e um detector que mede uma propriedade da primeira e segunda luzes modificadas separadamente para gerar um primeiro sinal e um segundo sinal, respectivamente. O sistema também pode incluir um controlador incluindo um processador e uma memória, em que o processador recebe o primeiro e o segundo sinais e determina um valor de dados espectrais da amostra de luz, o valor de dados espectrais tendo uma resolução maior que a primeira e segunda bandas espectrais.

[0041] Numa segunda modalidade, um método inclui a obtenção de uma pluralidade de sinais de detecção com um dispositivo de computação óptica, estando cada sinal de detecção associado a uma luz modificada gerada a partir de uma amostra de luz interagindo opticamente com um elemento de detecção no dispositivo de computação óptica e obtendo uma pluralidade de respostas sintéticas utilizando uma matriz de detecção e um dicionário esparso incluindo uma pluralidade de funções de base pré-selecionadas associadas a uma pluralidade de coeficientes esparsos num vetor esparso. O método pode ainda incluir o ajuste da pluralidade de coeficientes esparsos, combinando a pluralidade de sinais de detecção com a pluralidade de respostas sintéticas, e formando um espectro usando a pluralidade de coeficientes esparsos e a pluralidade de funções básicas no dicionário esparso.

[0042] Ainda noutra modalidade, um método inclui a seleção de dados espectrais de gama completa a partir de uma base de dados de espectroscopia associada a uma amostra e a geração de uma pluralidade de respostas de sensores sintéticos a partir dos dados espectrais de gama completa para formar uma pluralidade de entradas de treino candidatas. O método também pode incluir a seleção de espectros de amostra específicos de banda como alvos de treinamento para uma reconstrução de espectro, construindo um modelo de inversão de rede neural dependente de entrada com um procedimento de aprendizado de máquina, formando um conjunto de redes neurais de entrada variável para determinação de espectro, e implementação de um modelo de inversão de conjuntos no dispositivo de computação óptica para amostragem e testes de formação em tempo real.

[0043] As FIGS. 1A e 1B ilustram os sistemas 10A e 10B, respectivamente, utilizados para obter dados espectrais de alta resolução de um fluido de formação 150. Os sistemas 10A e 10B são espectrômetros ópticos compactos, de alta resolução, que aproveitam o sensor compressivo, como aqui descrito. Os sistemas 10A, B incluem, cada um, uma fonte de luz 140 e um dispositivo de computação óptica 101A e 101B, respectivamente (doravante, coletivamente referidos como dispositivos de computação óptica 101). A fonte de luz 140 gera uma luz de iluminação 141 transportada para interagir com o fluido de formação 150 (isto é, a "amostra"), gerando assim uma luz de amostra 142. A fonte de luz 140 pode ser uma lâmpada de banda larga com uma lâmpada de tungstênio, um laser, um diodo emissor de luz ou qualquer outra fonte de radiação eletromagnética. Em algumas modalidades, a luz de amostra 142 pode incluir fótons emitidos por fluorescência ou fótons deslocados por espectroscopia Raman derivados do fluido de formação 150.

[0044] Cada dispositivo de computação óptica 101 inclui um multiplexador óptico 110A e 110B (daqui em diante coletivamente referidos como multiplexadores ópticos 110), respectivamente, uma pluralidade de “n” elementos de detecção sensores 100-1 a 100-n (daqui em diante referidos coletivamente como elementos sensores 100) e pelo menos um detector 130 (por exemplo, detectores 130-1 a 130-n, cf. Fig. 1B). Os multiplexadores ópticos 110 separam a luz da amostra 142 numa pluralidade de feixes de luz modificada 143-1 até 143-n (daqui em diante designados coletivamente como luzes modificadas 143). Os multiplexadores ópticos 110 podem incluir um multiplexador baseado em espaço livre, guia de onda ou fibra ótica, sem limitação. Em algumas modalidades, pelo menos um dos multiplexadores ópticos 110 inclui um separador de feixe, uma lente, uma rede de guias de ondas dispostas ou qualquer combinação das anteriores.

[0045] Multiplexador óptico 110A da FIG. 1A pode incluir uma roda rotativa tendo elementos de detecção 100 angularmente espaçados um do outro (por exemplo, colocados radialmente) no plano da roda. A roda gira em torno de um eixo 120 que é paralelo à fonte de luz de acoplamento de trem óptico 140 com detector 130. Quando a roda gira, o multiplexador 110A separa cada uma das luzes 143 modificadas no tempo, de modo que os sinais sensores 135 formam um traço de impulsos ao longo de uma linha de transmissão 170 para um controlador 160.

[0046] Em contraste, o multiplexador óptico 110B da FIG. 1B pode ser configurado para separar espacialmente a luz da amostra 142 em porções dirigidas separadamente e simultaneamente para cada um dos elementos de detecção 100. Consequentemente, uma pluralidade de detectores 130-1, 130-2,..., 130-n (coletivamente referidos daqui em diante como detectores 130) formam sinais de detecção de luzes modificadas 143-1, 143-2,.., 143- n (doravante coletivamente referidas como luzes modificadas 143), respectivamente. Os sinais de detecção 135 chegam ao controlador 160 através dos detectores 130 de acoplamento da linha de transmissão 170 com o controlador 160.

[0047] Os elementos de detecção 100 interagem com porções da luz de amostra 142 para fornecer luzes modificadas 143. Uma propriedade de luzes modificadas 143 pode incluir uma intensidade indicativa de uma distribuição de densidade espectral da luz da amostra 142. A distribuição da densidade espectral da luz da amostra 142 pode, por sua vez, estar associada às propriedades químicas e físicas do fluido de formação 150. Em algumas modalidades, uma propriedade adicional de luzes modificadas 143 indicativa de propriedades químicas ou físicas do fluido de formação 150 pode incluir uma intensidade, um estado de polarização, uma fase, um comprimento de onda ou qualquer combinação dos acima. Os detectores 130 recebem luzes modificadas 143-1, 143-2, através de 143-n, respectivamente. Os detectores 130 fornecem sinais de detecção 135, que podem estar associados à distribuição da densidade espectral da luz de amostra 142 de uma maneira linear ou não linear.

[0048] Em algumas modalidades, um ou mais dos elementos sensores 100 podem incluir um filtro de banda larga dielétrica multicamada, cada um tendo um espectro de transmissão pré-selecionado numa banda espectral. Os espectros de transmissão dos elementos de detecção 100 são pré- selecionados de acordo com um modelo que transforma os sinais de detecção 135 em um valor de dados espectrais indicativo de um espectro de alta resolução de luz de amostra 142. Numa medição compressiva como aqui divulgada, o valor dos dados espectrais da amostra de luz pode ter uma resolução maior do que a banda espectral de qualquer um dos elementos sensores 100. Em algumas modalidades, o modelo que transforma os sinais de detecção 135 num valor de dados espectrais da luz de amostra 142 pode incluir qualquer um de um algoritmo de regressão linear (por exemplo, análise de componentes principais), um modelo não linear tal como um modelo de rede neural ou qualquer combinação dos acima, incluindo uma pluralidade (ou seja, “ensemble”) de modelos de rede neural.

[0049] A linha de transmissão 170 transmite sinais de resposta 135 ao controlador 160 para processamento de dados. A linha de transmissão 170 pode ser um fio elétrico, uma fibra óptica, uma linha de comunicação sem fios de radiofrequência ou outro tipo de meios de comunicação sem fios para transmitir sinais eletromagnéticos. Em algumas modalidades, a linha de transmissão 170 pode ser uma linha acústica configurada para propagar impulsos de som através de um fluido de poço. O controlador 160 pode incluir um processador 161 e uma memória 162. A memória 162 armazena dados e comandos que, quando executados pelo processador 161, fazem com que o controlador 160 direcione os sistemas 10A,B para executar etapas em métodos consistentes com a presente divulgação. Por exemplo, após a execução pelo processador 161 dos comandos na memória 162, o controlador 160 pode processar os sinais de resposta 135 e determinar um valor de dados espectroscópicos de alta resolução da luz de amostra 142. O controlador 160 pode também comunicar com a fonte de luz 140 para controlar ou modificar a luz de iluminação 141.

[0050] A FIG. 2 é um diagrama de blocos de uma medição de compressão 200 para recuperar dados espectrais de alta resolução 242 de um fluido de formação de uma pluralidade de sinais de detecção 235-1, 235-2, ..., 235-M (daqui em diante referidos coletivamente como sinais de detecção 235) recolhido de uma amostra (por exemplo, fluido de formação 150, cf. FIGS. 1A-B). Os sinais de detecção 235 (vetor “y”) são representados matematicamente como uma transformação linear de um espectro de amostra (alvo) 242 (vetor “x”, tendo componentes “N”) por uma matriz de detecção 240 (Φ). A matriz de detecção 240 inclui as linhas 243-1, 243-2, ..., 243-M, correspondendo cada fila a uma pluralidade de componentes de banda larga (a seguir designados coletivamente por componentes de banda larga 243). Por conseguinte, a matriz de detecção 240 tem dimensões “M x N” (colunas “M” linhas x “N”). Os componentes de banda larga 243 são ilustrados como espectros de transmissão com a mesma resolução (isto é, número de elementos, “N”) como espectro de amostra (alvo) 242 (x).

[0051] O sensor compressivo pode ser combinado com, ou usado como uma alternativa para a estrutura de amostragem de Shannon-Nyquist. As modalidades divulgadas aqui utilizam técnicas de sensor compressivo para reconstruir o espectro de amostra 242 (com componentes "N") a partir de muito menos medições nos sinais sensores 235 (tendo componentes "M"). Quando os sinais sensores 235 são esparsos e compressíveis como divulgado neste documento, o tamanho do vetor y é menor, ou mesmo muito menor do que o requerido pelo teorema de amostragem de Shannon-Nyquist. Consequentemente, as formas de realização consistentes com a presente divulgação satisfazem “M <N” (“M” é menor que “N”), e em algumas modalidades “M<<N” (“M” é muito menor que “N”). Em algumas modalidades, “N” pode ser várias centenas, como 800 ou até mil, enquanto “M” é um número muito menor, tal como vinte, ou dez, ou até menos (por exemplo, cinco ou menos).

[0052] Como mostrado, a medição de sensoriamento compressivo 200 pode ser descrita pela seguinte equação matricial linear:

[0053] O espectro de amostra 242 pertence a um espaço N-dimensional (x eRNx1) e representa um espectro de uma amostra com bandas espectrais “N” (isto é, componentes). Dada a largura de banda espectral da medição, a resolução espectral da medição é proporcional a “N” (quanto maior “N”, melhor a resolução espectral de x). A matriz de detecção 240 (Φ) pertence a um espaço de dimensão MxN (Φ e RMxN). Técnicas de sensoriamento compressivo como divulgadas no presente documento resolvem a Eq. 1 para um espectro de alta resolução x, dado um vetor y, de valores de dispositivo 135 (FIGS. 1A e 1B).

[0054] Os dados espectrais 242 podem ser uma decomposição espectral de alta resolução de uma luz de amostra, os componentes de banda larga 243 podem ser espectros de transmitância de alta resolução de cada um de uma pluralidade de elementos sensores "M" e os valores de dispositivo 235 podem incluir uma pluralidade de respostas de sensor (por exemplo, luz de amostra 142, elementos sensores 100 e respostas de sensor 135, cf. FIG. 1).

[0055] A FIG. 3 ilustra uma pluralidade de funções de base 301-1, 301-2, ..., 301-P (daqui em diante coletivamente referidas como funções de base 301) selecionadas a partir de um dicionário esparso 300 para obter dados espectrais de alta resolução de um fluido de formação de um dispositivo de computação como aqui divulgado. Um dicionário esparso é um conjunto de vetores de base ou combinação linear de vetores de base que podem ser usados para representar o espectro x. Os dados espectrais de alta resolução podem ser como o espectro da amostra 242 (cf. FIG. 2). Para amostras comuns encontradas em muitas aplicações, o espectro de amostras 242 pode não ser esparso, mas pode ser compressível. Um vetor esparso é entendido como aquele em que alguns componentes são diferentes de zero. Consequentemente, a “dispersidade” do espectro da amostra 242 pode ser definida como um parâmetro inteiro, K (x), indicando o número de componentes não nulos do vetor x (cf. Eq. 1). Assim, o vetorx1 é mais “esparso” que o vetor x2, quando K(x1) < K(x2). Um espectro de amostra 242 é dito ser "compressível" quando o perfil espectral, x, é esparso num conjunto selecionado de funções de base (por exemplo, funções de base 301).

[0056] Em algumas modalidades, as funções de base 301 podem ser selecionadas a partir de uma decomposição de componentes principais de uma pluralidade de espectros de calibração recolhidos em condições controladas diferentes, comparáveis ao espectro de amostras 242. Por conseguinte, se o espectro de amostra 242 corresponde a um determinado tipo de óleo e um parâmetro de interesse é a concentração de metano, os espectros de calibração podem incluir um grande número de amostras do mesmo tipo de óleo injetadas com concentrações de metano bem conhecidas, incluindo as concentrações de metano esperadas no espectro de amostra 242. Além disso, o parâmetro de interesse pode incluir uma pluralidade de concentrações de analito e outras propriedades físicas do mesmo tipo de óleo, e as amostras de calibração podem incluir uma pluralidade de amostras possuindo valores bem conhecidos para cada uma da pluralidade de características de interesse. É desejável que os espectros de calibração sejam coletados em condições de laboratório com um espectrômetro de alta resolução, ou um “padrão ouro”, como um espectrômetro FTIR. Os espectros de calibração assim obtidos podem ser dispostos como vetores de coluna em uma matriz, xcal.

[0057] Matematicamente, uma decomposição compressiva de espectros de calibração de alta resolução xcal em termos de funções de base 301 formando o dicionário esparso 300 (T) pode ser escrita como:

[0058] em β que é uma matriz com colunas que incluem coeficientes "esparsos" aplicados a cada uma das funções de base 301 no dicionário esparso 300 (T); tornando assim cada um dos espectros de calibração xcal. Dada a matriz xcal de medições espectrais de alta resolução, a Eq. 2 é resolvida para encontrar matrizes T e β. A solução não é única, assim a matriz T é selecionada de acordo com uma restrição de "dispersão" imposta à matriz β, como segue.

[0059] A restrição de dispersão pode ser que cada coluna βi in β tenha um número de elementos diferentes de zero menores ou iguais a um valor inteiro pré-selecionado, K. Isso é formulado como o seguinte problema de otimização:

[0060] O problema de otimização na Eq. 3 pode ser resolvido usando um modelo de decomposição de valor K-Singular (KSVD). Sem limitação, o dicionário escasso 300 pode incluir aproximadamente 50 funções de base 301 para uma amostra de calibração incluindo mil espectros (isto é, xcal sendo uma matriz com mil colunas).

[0061] A FIG. 4 é um diagrama de blocos de uma medição compressiva 400 para obtenção de dados espectrais de alta resolução a partir de um fluido de formação com um dispositivo de computação óptica utilizando funções de base 301 e uma pluralidade de coeficientes esparsos 447 dispostos num vetor escasso 445 (θ).

[0062] Na representação espectral comprimida, o espectro de amostra 242 pode ser representado pelas funções de base 301 no dicionário esparso 300. Para renderizar o espectro de amostra 242, as funções de base 301 são ponderadas pelos coeficientes esparsos 447-1, 447-2, ..., 447-P (daqui em diante referidos coletivamente como coeficientes esparsos 447).

[0063] A partir das Eqs. 1 e 2, a medição compressiva 400 pode ser expressa como

[0064] Por conseguinte, quando os sinais de detecção 435-1, 435-2, ..., 435M são recolhidos com o dispositivo de computação óptica 101, o vetor 435 (“y”) é formado e a Eq. 4 é resolvida para o vetor esparso 445, onde as matrizes Φ (incluindo componentes de banda larga 243) e T são conhecidas. Portanto, o espectro de amostra de alta resolução 242 é recuperado em analogia com a Eq. 2 como:

[0065] Note que uma vantagem de resolver Eq. 5 para o vetor esparso 445 em vez de resolver a Eq. 1 diretamente para o espectro da amostra x é que as variáveis P no vetor esparso 445 (θ) podem ser menos, ou muito menos, que as variáveis N no espectro de alta resolução 242 (x). A alta resolução do espectro x é recuperada da Eq. 5 pelos vetores N-dimensionais no dicionário esparso 300 (matriz T, há “P” daqueles vetores selecionados na Eq. 5). Além disso, de acordo com algumas modalidades, a matriz de detecção Φ inclui valores não-negativos (como está relacionado à transmissão de energia óptica a um detector), enquanto matriz de dicionário esparso, T, pode incluir elementos negativos e positivos associados à mesma função de base.

[0066] A FIG. 5 ilustra uma matriz de detecção 540 para utilização num dispositivo de computação óptica para obter dados espectrais de amostra de alta resolução 242 (x). A amostra pode incluir um fluido de formação presente durante operações de exploração e produção de petróleo e gás, como aqui divulgado. A matriz de detecção 540 inclui os espectros de transmissão 5431, 543-2, ..., 543-M (daqui em diante referidos coletivamente como espectros de transmissão 543) de uma pluralidade de elementos de detecção “M” selecionados em um dispositivo de computação óptica como aqui divulgado (por exemplo, elementos de detecção 100, dispositivos de computação óptica 101A, B e matriz de detecção 240 -Φ-, cf. As FIGS. 1A-B, 2 e Eq. 1).

[0067] Sem limitação, os elementos sensores para a matriz de detecção 540 incluem um conjunto de filtros de passagem de banda de Gauss. Portanto, os espectros de transmissão 543 estão distribuídos uniformemente através do comprimento de onda espectral de interesse (Ao, Àm). Um benefício do uso de um dispositivo de computação óptica, como descrito pela matriz de detecção 540, é que a fabricação de elementos de detecção com espectros de transmissão 543 é relativamente simples, com baixa variabilidade de fabricação.

[0068] A FIG. 6 é um gráfico que ilustra os espectros de transmissão 643-1, 643-2,..., 643-6 (daqui em diante referidos coletivamente como espectro de transmissão 643) a partir de uma pluralidade de elementos sensores para utilização numa matriz de detecção 640 (por exemplo, componentes de banda larga 243 na matriz de detecção 240 e espectros de transmissão 543 na matriz de detecção 540, cf. As FIGS. 2 e 5). Os espectros de transmissão 643 na matriz de detecção 640 são selecionados de acordo com um procedimento de minimização de coerência mútua. Os espectros de transmissão 643 podem ser selecionados para acomodar um dicionário esparso T de acordo com uma regra de minimização. Por exemplo, a regra de minimização pode incluir a redução de uma coerência mútua (MC) entre matrizes T e Φ. A coerência mútua pode ser definida usando uma matriz, D, ou “dicionário efetivo”, como segue:

[0069] A coerência mútua μ é uma medida da "sobreposição" ou "inter- correlação" entre as colunas da matriz D, definidas como na Eq. 6. Matematicamente, isto pode ser expresso como:

[0070] Assim, as funções de perfil espectral 643 na matriz de detecção Φ são selecionadas para minimizar μ (D) na Eq. 7. Note-se que, em algumas modalidades, o procedimento de minimização da coerência mútua na Eq. 7 é realizado com um dicionário esparso conhecidoT. De fato, o dicionário esparso T pode ser obtido usando o método da restrição da dispersão para os espectros de calibração xcal (cf. Eqs. 2-3) e depois a matriz de detecção Φ pode ser selecionada utilizando a Eq. 7.

[0071] Por conseguinte, um dispositivo de computação óptica pode obter dados espectrais de alta resolução de um fluido de formação fabricando elementos de detecção 100 tendo espectros de transmissão 643 (cf. FIGS. 1A-B). Por exemplo, um ou mais dos elementos de detecção 100 podem incluir um elemento computacional integrado (ICE) ou um filtro de película fina concebido para fornecer qualquer um dos espectros de transmissão 643.

[0072] A FIG. 7 ilustra os espectros de transmissão 743-1 e 743-2 a partir de filtros de película fina para utilização como elementos de detecção num dispositivo de computação óptica para obter dados espectrais de alta resolução de um fluido de formação. A fabricação de tais elementos de detecção pode ser conseguida utilizando técnicas de fabricação de filtros ópticos de película fina, tais como deposição de feixe de E assistida por íons, deposição de camadas atômicas ou deposição de magnetron sputtering. Os espectros 743-1 e 743-2 correspondem a dois filtros de película fina, cada um com camadas alternadas de SiO2 e material de Si depositado sobre um substrato de vidro. As espessuras específicas das diferentes camadas de material que conduzem aos espectros 743 são fornecidas na TABELA I abaixo.TABELA I

[0073] Embora não seja necessariamente o caso, os elementos sensores 743 têm o mesmo número de camadas alternadas, tendo cada camada espessura comparável entre os dois elementos sensores.

[0074] A FIG. 8 é um gráfico 800 que ilustra uma comparação entre um espectro de transmissão de alta resolução de um fluido de formação 842-1, reconstruído a partir de medições de dispositivos de computação óptica utilizando um método linear e um espectro de transmissão de alta resolução de um fluido de formação 842-2 obtido com um espectrógrafo de alta resolução (ou seja, o “padrão ouro”).

[0075] Os espectros 842-1 são obtidos resolvendo-se um problema de minimização de medição compressiva para um vetor de dispersãoO, dado um conjunto de sinais de detecção y fornecidos por um dispositivo de computação óptica como divulgado aqui (por exemplo, dispositivos de computação óptica 101 e vetor de dispersão 445, cf. As FIGS. 1A, B e 4). O dispositivo de computação óptica inclui elementos sensores associados a uma matriz de detecção Φe um conjunto de funções de base pré- selecionadas formando um dicionário esparso T de funções básicas (por exemplo, elementos de detecção 100, matriz de detecção 240, dicionário esparso 300 e funções base 301, cf. As FIGS. 1A-B, 2 e 3). Matematicamente, isto pode ser expresso como:

[0076] O modelo de minimização na Eq. 8 obtém um vetor de coeficiente esparso ideal θ sujeito a uma restrição para a amplitude da solução para a Eq. 8 (associado a um multiplicador arbitrário, y). Com os valores de sensor “y”, um espectro reconstruído de alta resolução x no conjunto de espectros 842-1 é obtido analogamente à Eq. 2 como:

[0077] Observe que, embora as dimensões de “y” possam ser relativamente pequenas (5, 10 ou talvez 20), as dimensões de x podem ser relativamente altas (100, 200, 1000 ou até mais).

[0078] A FIG. 9 ilustra um fluxograma incluindo etapas em um método linear 900 para obter dados espectrais de alta resolução de um fluido de formação com um dispositivo de computação óptica. O método 900 pode ser realizado, pelo menos parcialmente, por um dispositivo de computação óptica incluindo uma pluralidade de elementos de detecção (por exemplo, dispositivos de computação óptica 101 e elementos sensores 100, cf. FIGS. 1A-B). As etapas no método 900 podem ser realizadas com um controlador com um processador e uma memória (por exemplo, controlador 160, processador 161 e memória 162, cf. FIGS. 1A-B). O controlador pode executar pelo menos algumas das etapas no método 900 quando o processador executa comandos armazenados na memória. Além disso, a memória pode armazenar uma matriz de detecção e um dicionário esparso (por exemplo, a matriz de detecção 240 e o dicionário esparso 300, cf. FIGS. 2 e 3). Métodos consistentes com a presente divulgação podem incluir pelo menos algumas, mas não todas, etapas ilustradas no método 900, executadas em uma sequência diferente. Além disso, métodos consistentes com a presente divulgação podem incluir pelo menos duas ou mais etapas, tal como no método 900, executadas sobrepostas no tempo ou quase simultaneamente.

[0079] Além disso, a memória pode armazenar uma matriz de detecção, Φ, e um dicionário esparso T (por exemplo, a matriz de detecção 240 e o dicionário esparso 300, cf. FIGS. 2 e 3). Em algumas modalidades, o dicionário esparso, T inclui uma pluralidade de funções de base associadas com uma característica desejada de uma amostra (por exemplo, funções de base 301, cf. FIG. 3). A matriz de detecção, Φ pode incluir uma pluralidade de funções de transmissão de elemento sensor (por exemplo, funções de transmissão 243). A pluralidade de funções de transmissão de elementos de detecção pode incluir uma função de transmissão de filtro Gaussiana selecionada em vista do custo, capacidade de fabricação e largura de banda de operação ou uma função de transmissão selecionada de acordo com um modelo de minimização de coerência mútua ou uma função de transmissão (por exemplo, funções de transmissão 243, 543 e 643, cf. FIGS. 2, 5 e 6).

[0080] A etapa 902 inclui a obtenção de uma pluralidade de sinais de detecção, sendo cada sinal sensor associado a uma luz modificada gerada a partir de uma amostra de luz pelo elemento sensor em um dispositivo de computação óptica.

[0081] A etapa 904 inclui obter uma pluralidade de respostas sintéticas utilizando uma matriz de detecção e um dicionário esparso incluindo a pluralidade de funções de base pré-selecionadas associadas a uma pluralidade de coeficientes esparsos num vetor esparso. Em algumas modalidades, a etapa 904 inclui a formação de um vetor de respostas sintéticas pela multiplicação da matriz Φ com a matriz T e de um vetor aleatoriamente selecionado de coeficientes esparsos, θ.

[0082] A etapa 906 inclui o ajuste da pluralidade de coeficientes esparsos, combinando a pluralidade de sinais de detecção com a pluralidade de respostas sintéticas. Em algumas modalidades, a etapa 906 inclui a condição adicional de o vector esparso ter uma amplitude limitada.

[0083] A etapa 908 inclui a formação de um espectro da luz de amostra utilizando os coeficientes esparsos e a pluralidade de funções de base no dicionário esparso. Em modalidades, a etapa 908 pode incluir a formação de um espectro de alta resolução semelhante a um espectro da luz da amostra recolhida com um espectrômetro de alta resolução no laboratório.

[0084] A FIG. 10 é um gráfico 1000 que ilustra os espectros de transmitância 1042-1, 1042-2,..., 1042-6 (daqui em diante referidos coletivamente como espectros 1042) de uma pluralidade de fluidos de formação de interesse na indústria de petróleo e gás. O quadro 1000 inclui valores de comprimento de onda nas abscissas (unidades arbitrárias) cobrindo uma faixa espectral dada por (Ào, Àm). O Quadro 1000 também inclui valores de transmitância nas ordenadas (unidades arbitrárias), cobrindo um intervalo dado por (I0, Im). O espectro 1042-1 corresponde a um exemplo de gás, o espectro 1042-3 corresponde a um exemplo de água e o espectro 1042-3 corresponde a um exemplo de condensados de fluidos de formação. O espectro 1042-4 corresponde a um óleo leve, o espectro 1042-5 corresponde a um óleo médio e o espectro 1042-6 corresponde a um óleo pesado.

[0085] Sem limitação, o intervalo coberto por (À0, Àm) pode ser qualquer uma das gamas de comprimento de onda UV, VIS, NIR, MIR ou uma gama fora de qualquer uma das acima. Em algumas modalidades, pode ser desejável coletar ou reconstruir lacunas de dados espectroscópicos que podem ocorrer em um banco de dados. Por exemplo, em algumas circunstâncias, um espectro de alta resolução para um fluido de formação pode existir no UV e no NIR, mas os dados existentes na região do VIS podem ter resolução mais baixa, ou podem ser distorcidos, perdidos ou inexistentes. Por conseguinte, pode ser desejável recuperar, reaver, sincronizar e corroborar dados numa determinada região espectral (por exemplo, a região VIS) utilizando dados de alta resolução de pelo menos uma região espectral diferente.

[0086] Mais especificamente, o intervalo (À0, Àm) pode incluir o intervalo VIS. Como se mostra no gráfico 1000, os espectros 1042 mostram assinaturas espectrais distintas que podem ser úteis na diferenciação entre fluidos de formação conducentes a cada um dos espectros. Portanto, estimar os espectros de cor de fluido na faixa de comprimentos de onda visível e/ou NIR selecionada tem interesse especial na análise de fluido de fundo de poço. Por exemplo, os espectros VIS podem distinguir entre o óleo leve 1042-4, o óleo médio 1042-5 ou o óleo pesado 1042-6. Os padrões de espectro VIS no gráfico 1000 também podem distinguir entre condensados de óleo e gás, ou água, 1042-1, 1042-2 ou 1042-3.

[0087] Os modelos não lineares consistentes com a presente divulgação incluem dados das regiões NIR ou MIR para melhorar ou fornecer dados espectrais de alta resolução na região VIS (por exemplo, gráfico 1000). Sem limitação, outras combinações podem ser previstas dentro do âmbito da presente divulgação, tais como entrada de dados UV e VIS para um modelo não linear para fornecer dados de alta resolução na região NIR ou MIR. Os modelos não lineares usados no contexto de dispositivos de computação óptica como divulgados podem incluir espectros não negativos de elementos de detecção (por exemplo, elementos de detecção 100, e matriz de detecção 240, cf. FIGS. 1A-B e 2) sem limitar o espaço da solução. Consequentemente, um modelo não linear como aqui divulgado pode fornecer uma saída espectral não negativa sem restringir o hardware do dispositivo de computação óptica ou a qualidade da solução. Além disso, a qualidade das transformações não-lineares é fracamente dependente dos tipos de fluidos usados para análise de fluido de fundo. Isso se deve à capacidade das redes neurais não lineares de realizar a aproximação universal de funções por meio de aprendizado de máquina com exemplos adequados de treinamento e complexidade estrutural. Isso se deve também à capacidade das redes neurais de corrigir espectros distorcidos por meio de treinamento regularizado e produzir saída suavizada na previsão, mesmo quando os dados do sensor estiverem fora da faixa de calibração.

[0088] A FIG. 11 ilustra uma estrutura de transformação de rede neural de múltiplas entradas e múltiplas saídas (MIMO) 1100 para utilização num método não linear para obter dados espectrais de alta resolução de fluidos de formação a partir de medições de dispositivos de computação óptica. A transformação MIMO 1100 inclui a camada de entrada 1110 com nós de entrada 1112-1, 1112-2,..., 1112-m (daqui em diante designados coletivamente como nós de entrada 1112). A camada oculta intermédia 1120 inclui os nós 1122-1, 1122-2, ..., 1122-r (daqui em diante designados coletivamente por nós 1122). A camada de saída 1130 inclui os nós de saída 1132-1, 1132-2,., 1132-q (daqui em diante referidos coletivamente como nós de saída 1132). O número de nós de entrada 1112 (m), os nós ocultos 1122 (r) e os nós de saída 1132 (q) podem ser diferentes um do outro, sem limitação. Por exemplo, "m" está associado ao número de sinais de detecção fornecidos pelos elementos sensores no dispositivo de computação óptica (por exemplo, sinais de detecção 135, elementos de detecção 100 e dispositivos de computação óptica 101 nas FIGS. 1A-B). O valor de “r” pode ser maior que “m” ou menor que “m”, sem limitação. Cada um dos nós de entrada 1112 recebe um sinal de detecção Pi do elemento de detecção “i”. Os sinais de detecção Pi podem formar os componentes de um vetor P que indicam respostas de detecção sintéticas de elementos sensores no dispositivo de computação óptica (por exemplo, elementos sensores 100 em dispositivos de computação óptica 101, cf. FIGS. 1A-B). As entradas 1112 (Pi) podem também incluir dados de medição dos sensores de temperatura, pressão e densidade.

[0089] Para a camada de entrada 1110, a transformação MIMO 1100 usa um conjunto de coeficientes 1115 (W1, por exemplo, uma matriz de tamanho “r x m”) e um conjunto de vetores 1116 (B1) de tamanho “rx1” para encontrar “r” saídas intermediárias a1, usando s valores de detecção “mx1” Pi da seguinte forma:

[0090] Cada uma das saídas intermediárias r a1 está associada a um nó oculto intermediário 1122. Função de transferência f1 na Eq. 10 é, sem limitação, uma função sigmoide tangente hiperbólica. Para a camada intermédia 1120, a transformação MIMO 1100 utiliza o conjunto de coeficientes 1125 (W2, por exemplo, uma matriz “q x r”) e o conjunto de vetores 1126 (B2) de tamanho “qx1” para encontrar funções de saída a2

[0091] Conjuntos de coeficientes W1, W2, B1 e B2 são estimados usando um algoritmo de aprendizado de máquina. Na transformação MIMO 1100, os nós de saída 1132 estão associados a diferentes regiões de um espectro de luz de amostra, “x”. Por exemplo e sem limitação, o nó 1132-1 pode fornecer uma média de “x” ao longo do intervalo espectral de 451-475 nm. O nó 11322 pode fornecer uma média de “x” na faixa espectral de 476-500 nm. O nó 1132-3 pode fornecer uma média de “x” na faixa espectral de 501-525 nm, e o nó 1132-q pode fornecer uma média de “x” na faixa espectral de 976-1000 nm.

[0092] Consequentemente, a camada de saída 1130 na transformação MIMO 1100 pode incluir um espectro visível que varia de 450 a 1000 nanômetros, colocado de tal modo que cada bin se estende por uma gama de 25 nm. A atribuição da média “x” para cada gama de comprimento de onda é feita nos dados de treinamento antes da calibração do modelo. Depois que a transformação MIMO 1100 é construída, cada saída 1132 indica a transmitância específica do comprimento de onda com base na pré- atribuição. As saídas com vários compartimentos podem ser calculadas simultaneamente para o melhor processamento de dados em tempo real.

[0093] Transformação MIMO 1100 expressa em Eqs. 10-11 pode revelar correlação de dados espectrais de banda cruzada a partir de medições de dispositivos de computação óptica. Por exemplo, pelo menos um dos valores de entrada, Pi, pode corresponder a um elemento de detecção que tem um espectro de transmissão diferente de qualquer das bandas espectrais associadas aos nós de saída 1132. Além disso, as Eqs. 10-11 podem ser usadas para obter um algoritmo de inversão para cálculo robusto em tempo real de espectros visíveis de alta resolução de diferentes tipos de fluidos de formação ajustando as faixas de comprimentos de onda dos nós de saída 1132 durante o processo de aprendizado de máquina. As funções de transferência de sigmoide tangente hiperbólica nas Eqs. 10-11 também pode garantir espectro não negativo durante o período transitório de amostragem e teste de fluido. Assim, as funções sigmoides tangentes nas Eqs. 10-11 proporcionam uma larga margem de variabilidade nos valores do nó de saída 1132, de tal modo que um valor definido positivo a2 para a média espectral é garantido sem impor restrições severas aos coeficientes W1, W2, B1 e B2. Isto é especialmente desejável quando um conjunto definido positivo de funções a2 representa dados de energia.

[0094] A FIG. 12 ilustra uma transformação de entradas múltiplas, de saída única (MISO) 1200 para utilização em um método não linear para obtenção de dados espectrais de alta resolução de fluidos de formação a partir de medições de dispositivos de computação óptica, como aqui divulgado (por exemplo, dispositivos de computação óptica 101, cf. FIGS. 1A-B).

[0095] A transformação MISO 1200 inclui a camada de entrada 1210 com nós de entrada 1212-1, 1212-2,., 1212-m (daqui em diante designados coletivamente como nós de entrada 1212). A camada oculta intermédia 1220 inclui os nós 1222-1, 1222-2, ..., 1222-r (daqui em diante designados coletivamente por nós 1222). A camada oculta intermédia 1230 inclui os nós 1232-1, 1232-2,..., 1232-q (daqui em diante referidos coletivamente como nós 1232). O número de nós de entrada 1212 (m), os nós intermediários 1222 (r) e os nós 1232 (q) podem ser diferentes um do outro, sem limitação. Um único valor de saída 1240 fornece um valor espectroscópico desejado indicativo, por exemplo, de um componente de um espectro de alta resolução da amostra de luz em um comprimento de onda selecionado. Os valores m, r e q são arbitrários, como na transformação MIMO 1100. Cada um dos nós de entrada 1212 recebe um sinal de detecção Pi do elemento de detecção “i”. As entradas Pi 1212 também podem incluir dados de medição de sensores de temperatura, pressão e densidade e um comprimento de onda. O valor 1240 pode ser calculado como uma terceira função (a3) dos conjuntos de parâmetros 1235 (W3, por exemplo, um vetor de tamanho 1xq) e 1236 (B3, um único número), como se segue.

[0096] A Eq. 12 estima um espectro de alta resolução quando o modelo é treinado contra espectros de calibração usando comprimento de onda, Á, como um dos parâmetros de entrada, Pm+1 (1212), na camada de entrada 1210. Por exemplo, o nó de saída 1240 pode ser transmitância óptica como uma função explícita de comprimento de onda (Á) e outras entradas candidatas (por exemplo, sinais de detecção 135, pressão e temperatura, todos incluídos na camada de entrada 1210).

[0097] Para gerar uma forma de onda de alta resolução de um espectro VIS, por exemplo, a transformação MISO 1200 pode ser obtida treinando o dispositivo de computação óptica com um espectro medido (por exemplo, selecionado a partir de espectros de calibração xcal, cf. A Eq. 2) através da gama de comprimento de onda (por exemplo, 450-1000nm), etapa a etapa. Em cada etapa, os coeficientes 1215 (W1), 1216 (B1), 1225 (W2), 1226 (B2), 1235 (W3), e 1236 (B3) são ajustados de acordo com uma transmitância resultante para cada comprimento de onda, dado que as entradas 1212 permaneçam inalteradas (por exemplo, as respostas de detecção do dispositivo de computação óptica e a temperatura e pressão da amostra são as mesmas em um único espectro de alta resolução, x). A resolução da transformação MISO 1200 assim treinada pode ser tão alta quanto a resolução do espectro coletado usado para calibração. Uma transformação MISO 1200 dependente do comprimento de onda, obtida como acima, é desejável quando o espectro de transmitância do fluido a ser reconstruído tem um pico agudo ou característica, que pode não ser recuperado por reconstrução de baixa resolução.

[0098] A FIG. 13A ilustra espectros de absorção em bruto 1300 obtidos a partir de uma pluralidade de fluidos de formação utilizando um espectrômetro FTIR de alta resolução. As abscissas da FIG. 13A incluem uma região de comprimento de onda (Ao, Am) que pode ser como descrito acima (cf. FIG. 10), enquanto as ordenadas indicam um valor de absorbância (em unidades arbitrárias). Os espectros 13oo incluem espectros de um banco de dados espectral de absorbância visível medido em uma variedade de fluidos, incluindo óleo leve, óleo médio, óleo pesado, condensados de gás, gás e água sob diferentes temperaturas e pressões. Os espectros 13oo mostram o efeito do ruído para níveis de absorbância mais altos (o eixo das ordenadas), devido à baixa relação sinal-ruído recebida pelo espectrômetro quando a absorbância é alta.

[0099] A FIG. 13B ilustra espectros de transmitância em bruto 131o correspondendo ao espectro de absorvância 13oo da FIG. 13A (por exemplo, espectros 1o42, cf. FIG. 1o). Os espectros de transmitância 131o herdam o caráter ruidoso dos espectros 13oo. As abscissas da FIG. 13B incluem uma região de comprimento de onda (Ao, Am) que pode ser como descrito acima (cf. FIG. 1o), enquanto as ordenadas indicam um intervalo de transmitância (em unidades arbitrárias) que também pode ser como descrito na FIG. 10

[0100] Em algumas modalidades, um algoritmo de treinamento de regularização Bayesiano é usado durante o aprendizado de máquina para reconstruir espectros de transmissão suaves, mesmo quando os espectros originais são ruidosos (por exemplo, espectros 13oo e 131o). A regularização bayesiana usa o conceito de estatística Bayesiana para suavizar dados ruidosos e fornecer previsões otimizadas. O modelo não linear resultante é uma abordagem probabilística que maximiza o conteúdo de informações no conjunto de dados para superar a limitação de uma medição ruidosa normalmente obtida com espectrômetros de laboratório. Métodos consistentes com esta divulgação são capazes de fornecer soluções ótimas para a reconstrução do banco de dados. Dados espectrais reconstruídos como divulgado aqui têm muitas aplicações para modelagem avançada e análise de fluidos.

[0101] A FIG. 14A ilustra espectros de transmitância reconstruídos 1400 reconstruídos a partir dos espectros de transmitância em bruto 1310 na FIG. 13B usando a transformação MISO 1200.

[0102] A FIG. 14B mostra espectros de absorvância 1410 convertidos a partir de espectros de transmitância reconstruídos 1400 (cf. FIG. 14A). Pode-se observar que os espectros 1400 e 1410 são mais suaves do que as medições espectrais originais 1310 e 1300, respectivamente (cf. FIG. 13A e 13B). Os resultados nas FIGS. 14A e 14B indicam que o aprendizado de máquina não linear com redes neurais (por exemplo, transformação MISO 1200) fornece modelos de inversão robustos e universais para reconstrução de espectro de fluido ótico, aplicável a diferentes tipos de fluidos de formação. Também é possível usar um banco de dados visível e NIR espectral de alta resolução reconstruído em rede neural para modelagem avançada na previsão de composições e propriedades de fluidos de formação.

[0103] O desempenho do modelo de deconvolução de dados de dispositivos de computação óptica consistente com a presente divulgação é robusto em relação a erros de projeto e fabricação em elementos de detecção. Os modelos MIMO ou MISO 1100 e 1200 podem ser calibrados usando uma variedade de configurações de sensores que abrangem múltiplas regiões espectrais, fornecendo sinais de entrada adequados Pi (por exemplo, sinais 1110 e 1210, cf. FIGS. 11 e 12).

[0104] A FIG. 15 é um gráfico 1500 ilustrando os espectros de transmitância 1510-1, 1510-2 e 1510-3 (daqui em diante referidos coletivamente como espectros VIS 1510), espectros de transmitância 1511-1 até 1511-13 (daqui em diante designados coletivamente como espectros NIR 1511) e espectro de transmitância MIR 1512. O espectro VIS 1510, o espectro NIR 1511 e o espectro MIR 1512 correspondem a uma pluralidade de elementos sensores para utilização num dispositivo de computação óptica para obter dados espectrais de alta resolução de um fluido de formação, como aqui divulgado (por exemplo, elementos de detecção 100 e dispositivos de computação óptica 101, cf. FIGS. 1A-B).

[0105] As abscissas do gráfico 1500 incluem gamas de comprimento de onda (Ào, Àm), (Àm, Àp) e (Àp, Àq), em que (Ào, Àm) pertence à gama de comprimento de onda VIS, (Àm, Àp) dentro da gama NIR, e (Àp, Àq) pertence à gama MIR.

[0106] Os elementos de detecção associados aos espectros de transmissão 1510 podem ser dispositivos ICE "coloridos" concebidos a partir da análise de componentes principais numa base de dados de espectro VIS. Em algumas modalidades, os elementos de detecção projetados para ter os espectros VIS 1510 podem ser desejáveis para a reconstrução de espectros VIS de alta resolução. Em algumas modalidades, os elementos sensores com espectro de transmissão NIR 1511 (por exemplo, na faixa de 1615 a 2280 nm) e espectro de transmissão MIR 1512 (por exemplo, na faixa de 2500 nm a 3300 nm) podem fornecer entradas desejáveis a uma transformação MIMO ou MISO para reconstruir um espectro VIS de alta resolução (por exemplo, transformação MIMO 1100 e transformação MIMO 1200). Assim, em algumas modalidades, quando se mede óleo leve e óleo médio, uma transformação não linear como aqui divulgada permite a previsão dos espectros VIS de alta resolução sem utilizar elementos sensores configurados para responder na gama espectral do VIS.

[0107] A FIG. 16 é um gráfico 1600 que ilustra os espectros de transmitância 1610a e 1610b para duas amostras “a” e “b” numa primeira região espectral reconstruída com um elemento de detecção configurado para uma segunda região espectral (daqui em diante referidos coletivamente como espectros 1610). O gráfico 1600 inclui os espectros de transmitância 1611a e 1611b para as duas amostras “a” e “b” na primeira região espectral e reconstruídos com um elemento de detecção configurado para a primeira região espectral (daqui em diante referidos coletivamente como espectros 1611). Em algumas modalidades, a primeira região espectral pode ser a região VIS e a segunda região espectral pode ser qualquer uma das regiões UV, NIR ou MIR. Mais genericamente, qualquer outra combinação das gamas UV, VIS, NIR ou MIR como a primeira ou segunda região espectral pode ser possível.

[0108] Sem limitação, o modelo não linear usado para recuperar os espectros 1610 e 1611 é uma transformação MIMO (por exemplo, transformação MIMO 1100, cf. FIG. 11). Por conseguinte, a gama de comprimento de onda (Ao, Am) no gráfico 1600 pode incluir o intervalo de comprimentos de onda de 450 a 1000 nanômetros. A concordância entre os espectros 1610 e 1611 sugere que um dispositivo de computação óptica pode reconstruir espectros VIS de alta resolução utilizando apenas elementos sensores NIR e MIR, de acordo com algumas modalidades. Sem limitação, as modalidades consistentes com a presente divulgação podem ser prolongadas para reconstruir espectros visíveis de alta resolução em gamas de comprimentos de onda diferentes do VIS utilizando espectros disponíveis numa biblioteca de calibração, através de uma aprendizagem de máquina melhorada.

[0109] A FIG. 17 ilustra um sistema de perfilagem contínua 1700, incluindo um dispositivo de computação óptica (por exemplo, dispositivos de computação óptica 101, cf. FIGS. 1A-B) para obter medições de um fluido de formação. O dispositivo de computação óptica 101 é instalado em uma ferramenta de fundo de poço 1730 e usado para modificar um parâmetro de perfuração, como uma taxa de penetração ou uma direção de perfuração, em uma operação de medição durante a perfuração (measurement-whiledrilling, MWD) ou de perfilagem contínua (logging-while-drilling, LWD), de acordo com as propriedades estimadas de fluido de formação ou de poço de exploração. Os furos de poço podem ser criados através da perfuração na terra 1702 utilizando o sistema de perfuração 1700. O sistema de perfuração 1700 pode ser configurado para conduzir uma composição de fundo (bottom hole assembly, BHA) 1704 posicionada ou então disposta na porção inferior de uma coluna de perfuração 1706 estendida para dentro da terra 1702 a partir de um guindaste 1708 disposto na superfície 1710. O guindaste 1708 inclui um kelly 1712 e uma catarina 1713 utilizada para baixar e elevar o kelly 1712 e a coluna de perfuração 1706.

[0110] O BHA 1704 pode incluir uma broca de perfuração 1714 operativamente acoplada a uma coluna de ferramentas 1716 que pode ser movida de forma axial dentro de um poço de exploração perfurado 1718 conforme ligado à coluna de perfuração 1706. Durante o funcionamento, a broca de perfuração 1714 penetra na terra 1702 e cria, dessa forma, o poço de exploração 1718. O BHA 1704 fornece controle direcional da broca de perfuração 1714 à medida que avança para dentro da terra 1702. A coluna de ferramentas 1716 pode ser montada de forma semipermanente com várias ferramentas de medição (não mostradas), tais como, mas não limitadas a, ferramentas de medição durante a perfuração (MWD) e de perfilagem contínua (LWD), as quais podem ser configuradas para fazer medições de fundo de poço de condições de perfuração. Em outras modalidades, as ferramentas de medição podem ser autocontidas no interior da coluna de ferramentas 1716, como mostrado.

[0111] O fluido ou "lama" de um tanque de lama 1720 pode ser bombeado no fundo de poço por meio de utilização de uma bomba de lama 1722 alimentada por uma fonte de energia adjacente, como uma força motriz ou motor 1724. A lama pode ser bombeada a partir do tanque de lama 1720, através de um tubo bengala 1726, o qual alimenta a lama para a coluna de perfuração 1706 e conduz a mesma para a broca 1714. A lama sai a partir de um ou mais bocais dispostos na broca de perfuração 1714 e, durante este processo, arrefece a broca de perfuração 1714. Depois de sair da broca de perfuração 1714, a lama circula de volta para a superfície 1710, através do espaço anular definido entre o poço de exploração 1718 e a coluna de perfuração 1706 e, no processo, retorna os cascalhos e detritos à superfície. Os cascalhos e a mistura de lama são passados através de uma linha de fluxo 1728 e são processados de tal modo que uma lama limpa é retornada para o fundo de poço através do furo do tubo bengala 1726 mais uma vez.

[0112] O BHA 1704 pode ainda incluir a ferramenta de fundo de poço 1730 com o dispositivo de computação óptica 101, como descrito neste documento com referência às FIGS. 1A e 1B. O dispositivo de computação óptica 101 na ferramenta de fundo de poço 1730 pode ser controlado a partir da superfície 1710 por um controlador 1760 com um processador 1761 e uma memória 1762. Por conseguinte, a memória 1762 pode armazenar comandos que, quando executados pelo processador 1761, fazem com que o controlador 1760 execute pelo menos algumas etapas em métodos consistentes com a presente divulgação. O controlador 1760 pode ser acoplado de forma comunicativa com o dispositivo de computação óptica 101 através de uma linha de transmissão através do furo de poço 1718. Assim, os dados recolhidos com o dispositivo de computação óptica 101 podem ser transferidos para o controlador 1760, e os comandos e instruções que ajustam os parâmetros de perfuração do controlador 1760 podem ser conduzidos para a broca de perfuração 1714.

[0113] FIG. 18 ilustra um sistema de cabo wireline 1800 configurado para medir um fluido de formação com o dispositivo de computação óptica 101 durante o teste e amostragem de formação. O sistema de cabo wireline 1800 pode ser configurado para usar um testador de formação e um dispositivo de computação óptica calibrado 101 na determinação dos tipos de fluidos de formação e as características associadas através da amostragem após a perfuração do poço de exploração 1718 estar completa. O sistema 1800 pode incluir uma ferramenta de fundo de poço 1802 que faz parte de uma operação de perfilagem convencional que pode incluir o dispositivo de computação óptica 101 como descrito neste documento, como parte de uma ferramenta de medição de fundo de poço. O sistema 1800 pode incluir o guindaste 1708 que suporta a catarina 1713. A ferramenta de perfilagem convencional 1802, como uma sonda, pode ser abaixada por cabo de perfilagem ou cabo wireline 1806 para dentro do furo de poço 1718. A ferramenta 1802 pode ser baixada para a zona de produção potencial ou para a região de interesse no poço de exploração e usada em conjunto com outros componentes do testador de formação, tais como packers e bombas, para realizar testes e amostragem de poços. O dispositivo de computação óptica 101 pode ser configurado para medir as respostas ópticas dos fluidos de formação, e quaisquer dados de medição gerados pela ferramenta de fundo de poço 1802 e seu dispositivo de computação óptica 101 associado podem ser processados em tempo real para tomada de decisões ou comunicados a uma instalação de exploração de superfície 1808 para armazenamento, processamento e/ou análise. A instalação de perfilagem 1808 pode ser fornecida com equipamento eletrônico 1810, incluindo processadores para vários tipos de processamento de sinal. O equipamento eletrônico 1810 pode incluir um controlador 1860 com um processador 1861 e uma memória 1862. Por conseguinte, a memória 1862 pode armazenar comandos que, quando executados pelo processador 1861, fazem com que o controlador 1860 execute pelo menos algumas etapas em métodos consistentes com a presente divulgação. O controlador 1860 pode ser acoplado de forma comunicativa com o dispositivo de computação óptica 101 através de uma linha de transmissão através do furo de poço 1718. Assim, os dados recolhidos com o dispositivo de computação óptica 101 podem ser transferidos para o controlador 1860 e os comandos e instruções do controlador 1860 podem ser conduzidos para a ferramenta de fundo de poço 1802.

[0114] A FIG. 19 ilustra um fluxograma incluindo etapas num método 1900 para obter um modelo não linear para recuperar dados espectrais de alta resolução de um fluido de formação a partir de medições de dispositivos de computação óptica. O modelo não linear no método 1900 pode usar como entradas uma pluralidade de sinais sensores de uma pluralidade de elementos sensores no dispositivo de computação óptica (por exemplo, sinais sensores 135, elementos sensores 100 e dispositivo de computação óptica 101, cf. FIGS. 1A-B). O modelo não linear no método 1900 pode incluir uma transformação MIMO ou uma transformação MISO usando redes neurais com algoritmos de aprendizado de máquina (por exemplo, transformação MIMO 1100 e transformação MISO 1200, cf. FIGS. 11 e 12). O algoritmo de aprendizado de máquina pode ser implementado acessando- se uma biblioteca de dados espectrais de calibração coletados sob condições controladas por um espectrômetro de alta resolução. O modelo não linear obtido pelo método 1900 pode ser armazenado como instruções ou comandos em uma memória e configurado para execução por um processador, sendo a memória e o processador parte de um controlador acoplado de forma comunicativa ao dispositivo de computação óptica (por exemplo, controladores 160, 1760 e 1860, processadores 161, 1761 e 1861 e memórias 162, 1762 e 1862, cf. FIGS. 1A, B, FIG. 17 e FIG. 18). O controlador pode executar pelo menos algumas das etapas no método 1900 quando o processador executa comandos armazenados na memória.

[0115] Métodos consistentes com a presente divulgação podem incluir pelo menos algumas, mas não todas, etapas ilustradas no método 1900, executadas em uma sequência diferente. Além disso, métodos consistentes com a presente divulgação podem incluir pelo menos duas ou mais etapas, tal como no método 1900, executadas sobrepostas no tempo ou quase simultaneamente.

[0116] O passo 1902 inclui a seleção de dados espectrais de gama completa a partir de um banco de dados de espectroscopia associado a uma amostra. Em algumas modalidades, a etapa 1902 inclui a seleção de dados espectrais de gama completa a partir de um banco de dados de espectroscopia de PVT padrão associado a uma amostra (por exemplo, um fluido de hidrocarboneto). O banco de dados de espectroscopia pode incluir dados de medição de óleo pesado típico, óleo médio, óleo leve, condensados de gás, gás, água e outros fluidos não petrolíferos abrangidos pela gama de comprimentos de onda NIR e MIR visíveis.

[0117] A etapa 1904 inclui gerar uma pluralidade de respostas de dispositivos de computação óptica sintética nos dados espectrais da etapa 1902 para formar uma pluralidade de entradas de treinamento candidatas. A etapa 1904 pode incluir o cálculo da resposta do dispositivo de computação óptica sintética em cada canal ou cada elemento do dispositivo de computação óptica. Por conseguinte, a etapa 1904 pode incluir a formação de um produto escalar de dados de espectroscopia de uma transmitância de fluido com o espectro de transmitância de um elemento sensor particular que responde a uma fonte de luz. A coleta de tais respostas de dispositivos de computação óptica em uma variedade de gamas de comprimentos de onda constitui entradas ópticas de múltiplas bandas usadas como entradas de treinamento candidatas para modelagem inversa na determinação do espectro de fluido.

[0118] Em algumas modalidades, a etapa 1904 pode incluir a conversão de sinais sensores de um dispositivo de computação óptica em respostas de sensores sintéticos, utilizando um algoritmo óptico de transformação de dados, ou um algoritmo óptico de normalização de dados. Por conseguinte, o algoritmo de transformação de dados ópticos ou o algoritmo de normalização de dados ópticos podem incluir um modelo não linear, obtido através de um protocolo de aprendizagem de máquina.

[0119] A etapa 1906 inclui a seleção de espectros específicos de banda como alvos de treinamento para a reconstrução do espectro. Os dados espectrais selecionados na etapa 1906 podem ser um subconjunto de dados de espectroscopia de gama completa na etapa 1902, tais como espectros VIS, espectros UV, espectros NIR e espectros MIR, dependendo do foco ou do interesse do algoritmo de inversão.

[0120] A etapa 1908 inclui a construção de um modelo de inversão de rede neural de entrada variável com um procedimento de aprendizado de máquina. A etapa 1908 realiza o aprendizado de máquina não linear regularizado com redes neurais, incluindo pelo menos uma de uma transformação MIMO ou uma transformação MISO. O algoritmo de inversão é dependente de entrada e pode ser calibrado em conjunto com o uso de rotinas de seleção de entrada do tipo stepwise forward. Os algoritmos candidatos calibrados com diferentes entradas constroem um modelo base para a reconstrução do espectro. Em algumas modalidades, a etapa 1908 pode incluir o ajuste de uma pluralidade de coeficientes para uma função de transferência sigmoide tangente hiperbólica num modelo de rede neural de múltiplas camadas, como divulgado neste documento (por exemplo, coeficientes 1115, 1116, 1125, 1126, 1215, 1216, 1225, 1226 1235 e 1236, cf. FIGS. 11 e 12 e Eqs. 10-12) Além disso, o ajuste da pluralidade de coeficientes pode incluir a comparação de um valor de saída do modelo não linear com uma calibração ou valor alvo obtido do banco de dados espectral para minimizar a diferença. Por exemplo, a etapa 1908 pode incluir o cálculo do valor de saída como uma pluralidade de médias numa pluralidade de gamas de comprimento de onda, e calcular o valor de calibração ou alvo como a pluralidade de médias ao longo dos mesmos intervalos de comprimento de onda usando espectros no banco de dados espectral.

[0121] A etapa 1910 inclui a formação de um conjunto de redes neurais de entrada transversal e variável para a determinação do espectro. A etapa 1910 pode incluir a formação de uma pluralidade de modelos não lineares, tendo cada modelo não linear um conjunto de coeficientes selecionados de acordo com a etapa 1908. A etapa 1910 inclui ainda a construção de um conjunto de rede neural de banda variável e entrada variável com mais de um membro de rede neural com base no desempenho global de dados de treinamento, validação e teste para estimativa robusta do espectro de fluido.

[0122] A etapa 1912 inclui a implementação de um algoritmo de inversão de conjuntos no dispositivo de computação óptica para amostragem e testes de formação em tempo real. Em algumas modalidades, a etapa 1912 implementa o algoritmo de inversão de conjunto em software de processamento de dados em tempo real e aplica o algoritmo durante a amostragem e teste de formação, tipicamente com o uso de um testador de formação de cabo wireline (por exemplo, ferramenta de fundo de poço 1802, cf. FIG. 18). Em algumas modalidades, a etapa 1912 pode ainda incluir a utilização do espectro de alta resolução recuperado com entradas de sensores adicionais para estimar a composição do fluido e outras propriedades. Entradas adicionais do sensor podem incluir uma pressão do fluido, uma temperatura do fluido ou uma densidade do fluido. Assim, os modelos computacionais de fluidos adicionais podem compartilhar o pré- processamento de dados e a transformação de dados do sensor sintético no dispositivo de computação óptica com o modelo não linear do método 1900.

[0123] A FIG. 20 ilustra um fluxograma incluindo etapas num método 2000 para obter dados espectrais de alta resolução de um fluido de formação a partir de medições de dispositivos de computação óptica. O método 2000 pode ser executado, pelo menos parcialmente, por um dispositivo de computação óptica incluindo uma pluralidade de elementos sensores para cada sensor a ser calibrado com uma pluralidade de fluidos de referência (por exemplo, dispositivo de computação óptica 101 e elementos sensores 100, cf. FIGS. 1A, B) para recuperar um espectro de alta resolução de uma amostra. A amostra pode gerar uma amostra de luz recebida pelo dispositivo de computação óptica para processamento de acordo com métodos consistentes com a presente divulgação. Além disso, o método 2000 também pode ser implementado, pelo menos parcialmente, com um controlador tendo um processador e uma memória (por exemplo, controladores 160, 1760 e 1860, processadores 161, 1761 e 1861 e memórias 162, 1762 e 1862, cf. FIGS. 1A-B, 17 e 18). O controlador pode executar pelo menos algumas das etapas no método 2000 quando o processador executa comandos armazenados na memória.

[0124] Métodos consistentes com a presente divulgação podem incluir pelo menos algumas, mas não todas as etapas ilustradas no método 2000, executadas em uma sequência diferente. Além disso, métodos consistentes com a presente divulgação podem incluir pelo menos duas ou mais etapas, tal como no método 2000, executadas sobrepostas no tempo ou quase simultaneamente.

[0125] A etapa 2002 inclui a obtenção de uma pluralidade de sinais sensores, sendo cada sinal sensor associado a uma luz modificada gerada a partir de uma amostra de luz por um elemento sensor num dispositivo de computação óptica.

[0126] A etapa 2004 inclui a obtenção de pelo menos um valor de temperatura, pressão e comprimento de onda. A etapa 2004 também pode incluir a obtenção de um valor de densidade, associado a uma densidade de um fluido gerando a luz da amostra.

[0127] A etapa 2006 inclui fornecer a pluralidade de sinais sensores e pelo menos um valor de temperatura, pressão e comprimento de onda num modelo não linear. O modelo não linear na etapa 2006 pode ser qualquer um dentre uma transformação MIMO ou uma transformação MISO, como divulgado neste documento (por exemplo, transformação MIMO 1100 e transformação MISO 1200, cf. FIGS. 11 e 12). Em algumas modalidades, a etapa 2006 inclui a transmissão da pluralidade de sinais sensores para o controlador (por exemplo, para um controlador na superfície de um cabo wireline ou uma aplicação de perfilagem contínua).

[0128] A etapa 2008 inclui a formação de um espectro da amostra de luz usando um valor do modelo não linear para cada um de uma pluralidade de valores de comprimento de onda. A etapa 2010 inclui o armazenamento do espectro da amostra na memória do controlador.

[0129] As modalidades divulgadas neste documento incluem:

[0130] A. Um sistema, incluindo um dispositivo de computação óptica com um multiplexador óptico que recebe uma amostra de luz gerada por uma interação óptica entre uma amostra e uma luz de iluminação, pelo menos dois elementos sensores que interagem opticamente com a amostra de luz para gerar pelo menos uma primeira luz modificada e uma segunda luz modificada, em que cada uma das primeira e segunda luzes modificadas inclui uma primeira banda espectral e uma segunda banda espectral, e um detector que mede uma propriedade da primeira e segunda luzes modificadas separadamente para gerar um primeiro sinal e um segundo sinal, respectivamente. O sistema também pode incluir um controlador incluindo um processador e uma memória, em que o processador recebe o primeiro e o segundo sinais e determina um valor de dados espectrais da amostra de luz com alta resolução espectral.

[0131] B. Um método, incluindo a obtenção de uma pluralidade de sinais sensores com um dispositivo de computação óptica, sendo cada sinal sensor associado a uma luz modificada gerada a partir de uma amostra de luz interagindo opticamente com um elemento sensor no dispositivo de computação óptica. O método também inclui a obtenção de uma pluralidade de respostas sintéticas usando uma matriz de detecção e um dicionário esparso com uma pluralidade de funções de base pré-selecionadas associadas a uma pluralidade de coeficientes esparsos em um vetor esparso, ajustando a pluralidade de coeficientes esparsos combinando a pluralidade de sinais sensores com a pluralidade de respostas sintéticas e formando um espectro usando a pluralidade de coeficientes esparsos e a pluralidade de funções de base no dicionário esparso.

[0132] C. Um método, incluindo a seleção de dados espectrais de gama completa a partir de um banco de dados de espectroscopia associado a uma amostra e a geração de uma pluralidade de respostas de sensores sintéticos a partir dos dados espectrais de gama completa para formar uma pluralidade de entradas de treinamento candidatas. O método também pode incluir a seleção de espectros de amostra específicos de banda como alvos de treinamento para uma reconstrução de espectro, construindo um modelo de inversão de rede neural dependente de entrada com um procedimento de aprendizado de máquina, formando um conjunto de redes neurais de entrada variável para determinação de espectro, e implementação de um modelo de inversão de conjuntos no dispositivo de computação óptica para amostragem e testes de formação em tempo real.

[0133] D. Um método, incluindo a obtenção de uma pluralidade de sinais sensores com um dispositivo de computação óptica, sendo cada sinal sensor associado a uma luz modificada gerada a partir de uma amostra de luz interagindo opticamente com um elemento sensor no dispositivo de computação óptica. O método também pode incluir a obtenção de um valor de parâmetro de pelo menos um de uma temperatura, uma pressão e um comprimento de onda, fornecendo a pluralidade de sinais sensores e o valor do parâmetro em um modelo não linear e formando um espectro da amostra de luz usando um espectral valor derivado do modelo não linear para cada um de uma pluralidade de valores de parâmetros.

[0134] Cada uma das modalidades A, B, C e D pode ter um ou mais dos seguintes elementos adicionais em qualquer combinação. Elemento 1, incluindo ainda uma fonte de luz que gera a luz de iluminação, em que o controlador transmite comandos para a fonte de luz para controlar e modificar a luz de iluminação. Elemento 2, em que o multiplexador óptico separa a primeira e a segunda luz modificada no tempo. Elemento 3, em que o multiplexador óptico separa a primeira e segunda luzes modificadas no espaço. Elemento 4, em que as primeiras e segundas luzes modificadas estão associadas com primeira e segunda bandas espectrais, respectivamente, e a primeira e segunda bandas espectrais são selecionadas dentre o grupo consistindo na região ultravioleta, a região visível, a região do infravermelho próximo e a região do infravermelho médio. Elemento 5, em que a memória armazena instruções que, quando executadas pelo processador, fazem com que o controlador execute uma regressão linear para determinar o valor dos dados espectrais. Elemento 6, em que a memória armazena instruções que, quando executadas pelo processador, fazem com que o controlador execute um modelo não linear para determinar o valor dos dados espectrais. Elemento 7, em que o dispositivo de computação óptica está incluído em um sistema de telefonia fixa estendido em um poço para testes de formação e amostragem, e em que a amostra é um fluido de formação, o controlador é um dispositivo de superfície e a memória armazena uma pluralidade de valores de dados espectrais. Elemento 8, em que o dispositivo de computação óptica é incluído numa ferramenta de perfuração de fundo e usado para modificar um parâmetro de perfuração durante operações de perfuração e em que a amostra é um fluido de formação, o controlador é um dispositivo de superfície e a memória armazena uma pluralidade de valores de dados. Elemento 9, em que o controlador está incluído no testador de formação no fundo de poço ou na ferramenta de perfuração.

[0135] Elemento 10, incluindo ainda o ajuste da pluralidade de coeficientes esparsos sujeitos a uma condição de que o vetor esparso tenha uma amplitude limitada. Elemento 11, incluindo ainda a geração da luz de amostra interagindo com uma luz de iluminação de uma fonte de luz com um fluido de formação num poço de exploração durante uma operação de perfuração de poço de exploração ou uma operação de amostragem e teste de formação de cabo wireline. Elemento 12, incluindo ainda transmitir a pluralidade de coeficientes esparsos para uma localização na superfície do poço de exploração, em que a formação do espectro da luz da amostra é realizada por um controlador localizado na localização da superfície do poço de exploração. Elemento 13, incluindo ainda a modificação de um parâmetro de perfuração de acordo com as instruções recebidas do controlador em resposta ao espectro da amostra de luz.

[0136] Elemento 14, em que a formação do conjunto de redes neurais de entrada transversal e variável inclui a utilização de informação de uma primeira banda espectral como entrada e informação de uma segunda banda espectral como saída, em que a primeira banda espectral é diferente da segunda banda espectral. Elemento 15, incluindo ainda a construção de um modelo de inversão de rede neural de saída única de múltiplas entradas, específico do comprimento de onda, em que um comprimento de onda é utilizado como uma entrada adicional.

[0137] Elemento 16, incluindo ainda a geração da luz de amostra interagindo com uma luz de iluminação de uma fonte de luz com um fluido de formação num poço de exploração durante uma operação de perfuração de poço de exploração ou uma operação de amostragem e teste de formação de cabo wireline. Elemento 17, em que fornecer a pluralidade de sinais sensores num modelo não linear inclui a transmissão da pluralidade de sinais sensores para uma localização na superfície do poço de exploração, em que a formação do espectro da luz de amostra é realizada por um controlador localizado na localização da superfície do poço de exploração.

[0138] Aqueles versados na técnica reconhecerão prontamente que os métodos descritos neste documento ou grandes porções dos mesmos, podem ser automatizados em algum momento, de modo que um sistema computadorizado pode ser programado para transmitir dados a partir de um dispositivo de computação óptica utilizando um elemento ICE. O hardware de computador utilizado para implementar os diversos métodos e algoritmos descritos neste documento pode incluir um processador configurado para executar uma ou mais sequências de instruções, posições de programação ou código armazenado em um meio não transitório, legível por computador. O processador pode ser, por exemplo, um microprocessador de finalidade geral, um microcontrolador, um processador de sinal digital, um circuito integrado de aplicação específica, uma matriz de porta de campo programável, um dispositivo lógico programável, um controlador, uma máquina de estado, uma lógica de portal, componentes de hardware discretos, uma rede neural artificial ou qualquer entidade semelhante adequada que possa executar cálculos ou outras manipulações de dados. Em algumas modalidades, hardware de computador pode adicionalmente incluir elementos como, por exemplo, uma memória (por exemplo, memória de acesso aleatório (RAM), memória flash, memória somente de leitura (ROM), memória somente de leitura programável (PROM), memória somente de leitura eletricamente apagável programável (EEPROM)), registradores, discos rígidos, discos removíveis, CD-ROMS, DVDs ou qualquer outro como meio ou dispositivo de armazenamento semelhante adequado.

[0139] As sequências executáveis descritas neste documento podem ser implementadas com uma ou mais sequências de código contidas em uma memória. Em algumas modalidades, tal código pode ser lido na memória a partir de outro meio legível por máquina. A execução das sequências de instruções contidas na memória pode fazer com que um processador execute as etapas de processo descritas neste documento. Um ou mais processadores em um arranjo de multiprocessamento também podem ser empregados para executar sequências de instrução na memória. Além disso, os circuitos com cabo podem ser usados no lugar de ou em combinação com instruções de software para implementar diversas modalidades descritas neste documento. Assim, as presentes modalidades não estão limitadas a qualquer combinação específica de hardware e/ou software.

[0140] Como usado neste documento, um meio legível por máquina se referirá a qualquer meio que proveja direta ou indiretamente instruções a um processador para execução. Um meio legível por máquina pode assumir muitas formas, incluindo, por exemplo, meios não voláteis, meios voláteis e meios de transmissão. Meios não voláteis podem incluir, por exemplo, discos ópticos e magnéticos. Os meios voláteis podem incluir, por exemplo, memória dinâmica. O meio de transmissão pode incluir, por exemplo, cabos coaxiais, fio, fibra ótica e cabos que formam um barramento. As formas comuns de meios legíveis por máquina podem incluir, por exemplo, disquetes, discos flexíveis, discos rígidos, fitas magnéticas, outros meios magnéticos similares, CD-ROMs, DVDs, outros meios ópticos similares, cartões perfurados, fitas de papel e meios físicos similares com orifícios padronizados, RAM, ROM, PROM, EPROM e EPROM flash.

[0141] Portanto, a presente divulgação está bem adaptada para obter os fins e vantagens mencionados, bem como aqueles inerentes a este documento.As modalidades particulares divulgadas acima são ilustrativas apenas, uma vez que a presente divulgação pode ser modificada e praticada de maneiras diferentes, porém equivalentes que serão aparentes para aqueles versados na técnica com o benefício dessa divulgação. Além disso, nenhuma limitação é destinada aos detalhes de construção ou projeto mostrados neste documento, a não ser aquelas descritas nas reivindicações abaixo. Portanto, é evidente que as modalidades ilustrativas específicas divulgadas acima podem ser alteradas, combinadas ou modificadas e todas as tais variações são consideradas dentro do escopo e do espírito da presente divulgação. A divulgação ilustrativamente divulgada neste documento pode ser praticada de forma adequada na ausência de qualquer elemento que não esteja divulgado especificamente neste documento e/ou qualquer elemento opcional divulgado neste documento. Embora as composições e métodos sejam descritos em termos de “compreendendo”, “contendo” ou “incluindo” vários componentes ou etapas, as composições e métodos também podem “consistir essencialmente em” ou “consistir em” vários componentes e etapas. Todos os números e intervalos divulgados acima podem variar em alguma quantidade. Sempre que um intervalo numérico com um limite inferior e um limite superior for divulgado, qualquer número e qualquer intervalo incluso que é esteja dentro do intervalo seja especificamente divulgado. Em particular, todos os intervalos de valores (da forma "de cerca de a a cerca de b" ou, de forma equivalente, "de aproximadamente a a b", ou, de forma equivalente, "de aproximadamente a-b") divulgados neste documento devem ser entendidos como estabelecendo todo número e intervalo englobado dentro do intervalo de valores mais amplo. Além disso, os termos nas reivindicações têm seu significado simples e comum, a menos que explicitamente e claramente definido de outra forma pelo titular da patente. Além disso, os artigos indefinidos "um" ou "uma", como usados nas reivindicações, são definidos neste documento para significar um ou mais do que um do elemento que eles introduzem. Se houver qualquer conflito nos usos de uma palavra ou termo neste relatório descritivo e em uma ou mais patentes ou outros documentos que possam estar incorporados neste documento por referência, as definições que forem consistentes com este relatório descritivo devem ser adotadas.

Claims

1. Sistema, caracterizado pelo fato de compreender: - um dispositivo de computação óptica (101) que inclui: - um multiplexador óptico (110A, 110B) que recebe uma amostra de luz gerada por uma interação óptica entre uma amostra e uma luz de iluminação; - pelo menos dois elementos sensores (110) que interagem opticamente com a luz da amostra (142) para gerar pelo menos uma primeira luz modificada e uma segunda luz modificada, sendo que o pelo menos dois elementos sensores (110) incluem, respectivamente, filtros de banda com um perfil espectral definido por uma ou mais funções associadas com dados espectrais de calibração coletados a partir de amostras conhecidas com propriedades conhecidas em uma primeira resolução espectral; e - um detector (130) que mede uma intensidade da primeira e segunda luzes modificadas separadamente para gerar, respectivamente, pelo menos um primeiro sinal e um segundo sinal, sendo que o pelo menos primeiro sinal e segundo sinal representam um espectro da amostra de luz com uma segunda resolução espectral menor do que a primeira resolução; e - um controlador (160) compreendendo um processador (161) e uma memória (162), sendo que o processador (161) recebe o pelo menos primeiro e segundo sinais e determina um espectro da amostra de luz com a primeira resolução espectral baseada nos pelo menos primeiro e segundo sinais e a uma ou mais funções de base associadas com os dados espectrais de calibração coletados a partir de amostras conhecidas com propriedades conhecidas na primeira resolução espectral.

2. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda uma fonte de luz (140) que gera a luz de iluminação, sendo que o controlador (160) transmite comandos para a fonte de luz (140) para controlar e modificar a luz de iluminação.

3. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de o multiplexador óptico (110A, 110B) separar a primeira e segunda luz modificada no tempo.

4. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de o multiplexador óptico (110A, 110B) separar a primeira e segunda luz modificada no espaço.

5. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de as primeiras e segundas luzes modificadas estarem associadas com primeira e segunda bandas espectrais, respectivamente, e a primeira e segunda bandas espectrais são selecionadas dentre o grupo consistindo da região ultravioleta, a região visível, a região do infravermelho próximo e a região do infravermelho médio.

6. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de a memória (162) armazenar instruções que, quando executadas pelo processador (161), fazem com que o controlador (160) execute uma regressão linear baseada em uma ou mais funções de base para determinar o espectro da amostra de luz com a primeira resolução espectral.

7. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de a memória (162) armazenar instruções que, quando executadas pelo processador (161), fazem com que o controlador (160) execute um modelo não linear com base em uma ou mais funções de base, entradas de comprimento de ondas e banda cruzada para determinar o espectro da amostra de luz com a primeira resolução espectral.

8. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de o dispositivo de computação óptica (101) estar incluído em um sistema com fio (1800) estendido em um poço para testes de formação e amostragem, e sendo que a amostra é um fluido de formação, o controlador (160) é um dispositivo de superfície e a memória (162) armazena uma pluralidade de valores de dados espectrais.

9. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de o dispositivo de computação óptica (101) ser incluído em uma ferramenta de perfuração de fundo de poço (1802) e usado para modificar um parâmetro de perfuração durante operações de perfuração, e sendo que a amostra é um fluido de formação, o controlador (160) ser um dispositivo de superfície e a memória (162) armazena uma pluralidade de valores de dados espectrais.

10. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de o controlador (160) estar incluído no testador de formação no fundo de poço ou uma ferramenta de perfuração.