CN110056348B - 一种测定地层流体组成和性质的方法和系统 - Google Patents

一种测定地层流体组成和性质的方法和系统 Download PDF

Info

Publication number
CN110056348B
CN110056348B CN201910341093.7A CN201910341093A CN110056348B CN 110056348 B CN110056348 B CN 110056348B CN 201910341093 A CN201910341093 A CN 201910341093A CN 110056348 B CN110056348 B CN 110056348B
Authority
CN
China
Prior art keywords
machine learning
model
composition
data set
gas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910341093.7A
Other languages
English (en)
Other versions
CN110056348A (zh
Inventor
左有祥
冯永仁
卢涛
孔笋
沈阳
秦小飞
褚小东
陈永超
吴兴方
黄琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Oilfield Services Ltd
China National Offshore Oil Corp CNOOC
Original Assignee
China Oilfield Services Ltd
China National Offshore Oil Corp CNOOC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Oilfield Services Ltd, China National Offshore Oil Corp CNOOC filed Critical China Oilfield Services Ltd
Priority to CN201910341093.7A priority Critical patent/CN110056348B/zh
Publication of CN110056348A publication Critical patent/CN110056348A/zh
Priority to US17/433,519 priority patent/US20220155275A1/en
Priority to PCT/CN2020/074353 priority patent/WO2020215850A1/zh
Application granted granted Critical
Publication of CN110056348B publication Critical patent/CN110056348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/26—Oils; Viscous liquids; Paints; Inks
    • G01N33/28—Oils, i.e. hydrocarbon liquids
    • G01N33/2823—Raw oil, drilling fluid or polyphasic mixtures
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
    • E21B49/087—Well testing, e.g. testing for reservoir productivity or formation parameters
    • E21B49/0875—Well testing, e.g. testing for reservoir productivity or formation parameters determining specific fluid parameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8693—Models, e.g. prediction of retention times, method development and validation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
    • E21B49/081—Obtaining fluid samples or testing fluids, in boreholes or wells with down-hole means for trapping a fluid sample
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
    • E21B49/086—Withdrawing samples at the surface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N2030/022—Column chromatography characterised by the kind of separation mechanism
    • G01N2030/025—Gas chromatography

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Fluid Mechanics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Computing Systems (AREA)
  • Food Science & Technology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Sampling And Sample Adjustment (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明实施例公开了一种测定地层流体组成和性质的方法和系统，该方法包括：获取用于地层流体组成和性质测定的测定模型；将井下油气层测试仪上的传感器实时测量的信号作为输入数据输入所述测定模型；通过所述测定模型对所述输入数据进行处理；直接输出实时储层流体的组成和性质数据，或者，根据处理结果解析出实时储层流体的组成和性质数据。通过该实施例方案，实现了快速、准确地测定地层流体组成和性质，提高了测井效率，并填补了国内在该方面的空白。

Description

一种测定地层流体组成和性质的方法和系统
技术领域
本发明实施例涉及测井技术，尤指一种测定地层流体组成和性质的方法和系统。
背景技术
近几年来，中海油服在井下流体识别方面，尤其是硬件方面，已经取得了长足的进展。但在井下流体实时分析和原状地层流体取样方面，还存在较大差距，尤其是用井下光谱实时分析来得到井下流体组份的组成和性质(如油、水分率、气油比、泥浆滤液污染、实时取样指导)等，还有大量工作要做。国内在此方面基本上是空白。
发明内容
本发明实施例提供了一种测定地层流体组成和性质的方法和系统，能够快速、准确地测定地层流体组成和性质，提高测井效率，并填补国内在该方面的空白。
为了达到本发明实施例目的，本发明实施例提供了一种测定地层流体组成和性质的方法，所述方法可以包括：
获取用于地层流体组成和性质测定的测定模型；
将井下油气层测试仪上的传感器实时测量的信号作为输入数据输入所述测定模型；
通过所述测定模型对所述输入数据进行处理；
直接输出实时储层流体的组成和性质数据，或者，根据处理结果解析出实时储层流体的组成和性质数据；
其中，所述测定模型是以关于各种储层流体的组成和性质，以及井下传感器测量信号的大数据为样本数据集，对预先创建好的机器学习模型进行训练获得的。
在本发明的示例性实施例中，所述获取用于地层流体组成和性质测定的测定模型可以包括：调取预先创建并训练好的测定模型，或者，实时创建并训练所述测定模型；和/或，
在将所述井下油气层测试仪上的传感器实时测量的信号作为所述测定模型的输入数据输入所述测定模型之前，所述方法还可以包括：
将预先训练好的所述测定模型加载入井下油气层测试仪中，以在所述井下油气层测试仪进行实时测井过程中，将所述井下油气层测试仪上的传感器实时测量的信号输入所述测定模型。
在本发明的示例性实施例中，所述创建并训练所述测定模型可以包括：
建立关于所述各种储层流体的组成和性质，以及所述井下传感器测量信号的大数据库；
从所述大数据库中抽取所述样本数据集，并通过所述样本数据集对预先创建好的机器学习模型进行训练；
从训练后的机器学习模型中获取最优机器学习模型作为所述测定模型。
在本发明的示例性实施例中，所述建立关于所述各种储层流体的组成和性质，以及所述井下传感器测量信号的大数据库可以包括：
通过地面采样和/或井下采样获取符合预设要求的单相储层流体样品；所述单相储层流体样品可以包括：油相储层流体样品、气相储层流体样品和水相储层流体样品；
在标准大气压和室温下，对所述单相储层流体样品进行单级闪蒸，以分离出平衡的闪蒸气体和闪蒸液体；对所述闪蒸气体和所述闪蒸液体分别进行气相色谱分析，获取所述单相储层流体样品的组成和第一性质；和/或，在第一预设压力和第一预设温度下，对所述单相储层流体样品进行流体压力体积温度PVT实验，获取所述单相储层流体样品的第二性质；其中所述第一预设压力大于所述标准大气压，所述第一预设温度大于所述室温；
将所述单相储层流体样品的组成、所述第一性质和所述第二性质的相关数据作为所述地层流体大数据的一部分加入所述大数据库。
在本发明的示例性实施例中，所述第一性质可以包括以下任意一种或多种：气油比、美国石油学会API比重、SARA含量和石蜡含量；其中，SARA是指饱和烃、芳香烃、胶质和沥青质；
所述第二性质可以包括以下任意一种或多种：泡点、露点、恒组成膨胀CCE实验特性、微分释放DL实验特性、恒容衰竭CVD实验特性、分离器实验特性、密度、粘度、电导率、压缩系数、储层流体积系数、石蜡生成条件以及沥青质生成条件。
在本发明的示例性实施例中，所述方法还可以包括：
对所述闪蒸气体进行气相色谱分析时测量所述闪蒸气体的体积、温度和压力加入所述大数据库；和/或，
对所述闪蒸液体进行气相色谱分析时测量所述闪蒸液体的体积、温度、压力、密度和分子量加入所述大数据库；和/或，
在所述第一预设压力和所述第一预设温度下，对所述单相储层流体样品进行以下任意一种或多种测量：连续近红外光谱、核磁共振NMR、声波、荧光以及介电常数测量，并将测量结果加入所述大数据库。
在本发明的示例性实施例中，所述方法还可以包括：在不同的单相储层流体样品中加入不同的钻井泥浆滤液，并对加入相应的钻井泥浆滤液的单相储层流体样品进行所述PVT实验；并且，对油和水进行混合，测量油水分率、连续近红外光谱、核磁共振NMR、声波、荧光以及介电常数测量，并将测量结果加入所述大数据库。
在本发明的示例性实施例中，所述从所述大数据库中抽取所述样本数据集，并通过所述样本数据集对预先创建好的机器学习模型进行训练可以包括：
对所述样本数据集进行预处理和标准化；所述预处理可以包括以下任意一种或多种：去噪，去离群点和光滑；
将经过所述预处理和标准化的样本数据集划分为第一数据集和第二数据集；
基于所述第一数据集和所述第二数据集，采用预设的机器学习方法对所述机器学习模型进行训练，获取训练出的最优机器学习模型作为所述测定模型；
其中，所述第一数据集作为所述机器学习模型的输入数据向量，所述第二数据集作为所述机器学习模型的输出数据向量的目标数据向量。
在本发明的示例性实施例中，所述预设的机器学习方法可以包括：有监督的机器学习方法；
所述基于所述第一数据集和所述第二数据集，采用预设的机器学习方法对所述机器学习模型进行训练，获取训练结果中的最优机器学习模型作为所述测定模型可以包括：
针对预先定义的函数集中的每个函数，分别执行以下操作：将标准化的所述第一数据集输入未经训练的所述机器学习模型；根据所述第一数据集和所述机器学习模型中当前加载的函数计算所述输出数据向量；
将计算出的多个所述输出数据向量分别与所述目标数据向量相比较，从多个比较结果中目标数据向量确定出与所述目标数据向量之间的误差最小的第一输出数据向量对应的第一函数和所述第一函数的当前系数；
将加载有所述第一函数的机器学习模型作为所述最优机器学习模型；其中，所加载的所述第一函数中具有所述当前系数。目标数据向量目标数据向量
在本发明的示例性实施例中，所述方法还可以包括：在对所述机器学习模型进行训练过程中和/或进行地层流体组成和性质的实施测定过程中，将与所述目标数据向量的误差满足预设的误差阈值的输出数据向量补充到所述大数据库中。
为了达到本发明实施例目的，本发明实施例还提供了一种测定地层流体组成和性质的系统，所述系统可以包括：包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的测定地层流体组成和性质的方法。
本发明实施例可以包括：获取用于地层流体组成和性质测定的测定模型；将井下油气层测试仪上的传感器实时测量的信号作为输入数据输入所述测定模型；通过所述测定模型对所述输入数据进行处理；直接输出实时储层流体的组成和性质数据，或者，根据处理结果解析出实时储层流体的组成和性质数据；其中，所述测定模型是以关于各种储层流体的组成和性质，以及井下传感器测量信号的大数据为样本数据集，对预先创建好的机器学习模型进行训练获得的。通过该实施例方案，实现了快速、准确地测定地层流体组成和性质，提高了测井效率，并填补了国内在该方面的空白。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1为本发明实施例的测定地层流体组成和性质的方法流程图；
图2为本发明实施例的创建并训练所述测定模型的方法流程图；
图3为本发明实施例的建立关于所述各种储层流体的组成和性质，以及所述井下传感器测量信号的大数据库的方法流程图；
图4为本发明实施例的建立关于所述各种储层流体的组成和性质，以及所述井下传感器测量信号的大数据库的方法示意图；
图5为本发明实施例的从所述大数据库中抽取所述样本数据集，并通过所述样本数据集对预先创建好的机器学习模型进行训练的方法流程图；
图6为本发明实施例的采用预设的机器学习方法对所述机器学习模型进行训练，获取训练结果中的最优机器学习模型作为所述测定模型的方法流程图；
图7为本发明实施例的有监督的机器学习流程示意图；
图8为本发明实施例的基于大数据库和测定模型的井下电缆和随钻中途油气层测试应用示意图；
图9(a)为本发明实施例的从大数据库中取出的部分流体(轻油+气)的光谱图示意图；
图9(b)为本发明实施例的从大数据库中取出的部分流体(各种原油)的光谱图示意图；
图10为本发明实施例的测定模型预测的储层流体直到C30+组份的组成与实验值比较示意图；
图11(a)为本发明实施例的测定模型预测的储层流体组份组成与实验值的比较示意图；
图11(b)为本发明实施例的测定模型预测的储层流体气油比与实验值的比较示意图；
图12(a)为本发明实施例的测定模型预测的储层流体API比重与实验值的比较示意图；
图12(b)为本发明实施例的测定模型预测的储层流体体积系数(FVF)与实验值的比较示意图；
图13(a)为本发明实施例的测定模型预测的储层流体密度与实验值的比较示意图；
图13(b)为本发明实施例的测定模型预测的储层流体粘度与实验值的比较示意图；
图14为本发明实施例的测定地层流体组成和性质的系统组成示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
为了达到本发明实施例目的，本发明实施例提供了一种测定地层流体组成和性质的方法，如图1所示，所述方法可以包括S101-S104：
S101、获取用于地层流体组成和性质测定的测定模型。其中，所述测定模型是以关于各种储层流体的组成和性质，以及井下传感器测量信号的大数据为样本数据集，对预先创建好的机器学习模型进行训练获得的。
在本发明的示例性实施例中，所述获取用于地层流体组成和性质测定的测定模型可以包括：调取预先创建并训练好的测定模型，或者，实时创建并训练所述测定模型。
在本发明的示例性实施例中，如图2所示，所述创建并训练所述测定模型可以包括S201-S203：
S201、建立关于所述各种储层流体的组成和性质，以及所述井下传感器测量信号的大数据库。
在本发明的示例性实施例中，可以首先采用各种地面和井下的测量手段，测量各种储层流体的组成和性质数据，建立一个包括储层流体(气、凝析气、油、水、油基泥浆、水基泥浆等)的组成(CO2,C1,C2,C3,…,C29,C30+)、性质和传感器测量信号数据的大数据库。
在本发明的示例性实施例中，如图3、图4所示，所述建立关于所述各种储层流体的组成和性质，以及所述井下传感器测量信号的大数据库可以包括S301-S303：
S301、通过地面采样和/或井下采样获取符合预设要求的单相储层流体样品；所述单相储层流体样品可以包括：油相储层流体样品、气相储层流体样品和水相储层流体样品。
在本发明的示例性实施例中，首先可以得到具有代表性(如符合预设要求)的储层流体样品。储层流体的取样方式可以包括两种：地面取样和井下取样。如果采用地面取样，则可以使地面分离器的操作条件保持稳定，对地面分离器分离出的油和气进行采集，并记录气油比等相关参数。然后可以根据得到的气油比等相关参数，在实验室对采集的地面分离器的油和气进行配样，产生具有代表性的单相储层流体样品。如果采用井下取样，则可以在实验室中检查井下采集的样品是否是具有代表性的单相储层流体样品。
S302、在标准大气压和室温下，对所述单相储层流体样品进行单级闪蒸，以分离出平衡的闪蒸气体和闪蒸液体；对所述闪蒸气体和所述闪蒸液体分别进行气相色谱分析，获取所述单相储层流体样品的组成和第一性质；和/或，在第一预设压力和第一预设温度下，对所述单相储层流体样品进行流体压力体积温度PVT实验，获取所述单相储层流体样品的第二性质；其中所述第一预设压力大于所述标准大气压，所述第一预设温度大于所述室温。
在本发明的示例性实施例中，所述方法还可以包括：
对所述闪蒸气体进行气相色谱分析时测量所述闪蒸气体的体积、温度和压力加入所述大数据库；和/或，
对所述闪蒸液体进行气相色谱分析时测量所述闪蒸液体的体积、温度、压力、密度和分子量加入所述大数据库；和/或，
在所述第一预设压力和所述第一预设温度下，对所述单相储层流体样品进行以下任意一种或多种测量：连续近红外光谱、核磁共振NMR、声波、荧光以及介电常数测量，并将测量结果加入所述大数据库。
在本发明的示例性实施例中，所述第一性质可以包括但不限于以下任意一种或多种：气油比、美国石油学会API比重、SARA含量和石蜡含量；其中，SARA是指饱和烃、芳香烃、胶质和沥青质。
在本发明的示例性实施例中，所述第二性质可以包括但不限于以下任意一种或多种：泡点、露点、恒组成膨胀CCE实验特性、微分释放DL实验特性、恒容衰竭CVD实验特性、分离器实验特性、密度、粘度、电导率、压缩系数、储层流体积系数、石蜡生成条件以及沥青质生成条件。
在本发明的示例性实施例中，在大气压(如标准大气压)和室温下，对具有代表性的单相储层流体样品进行单级闪蒸，分离出平衡的闪蒸气体和液体。对闪蒸气体进行气相色谱分析，并测量闪蒸气体的体积、温度和压力。同时，可以对闪蒸液体进行气相色谱分析，并测量闪蒸液体的密度和分子量，并进行SARA(其中，SARA是指饱和烃、芳香烃、胶质和沥青质)含量分析和石蜡含量分析等。根据所测的相关参数和单级闪蒸时的物质平衡方程，得到具有代表性的单相储层流体样品的组份组成、气油比、API比重、SARA含量、石蜡含量等性质。
在本发明的示例性实施例中，在高温高压(如第一预设压力和第一预设温度)下，可以对具有代表性的单相储层流体样品进行流体PVT(压力体积温度)实验，从而得到如下任意一种或多种流体性质：泡点、露点、CCE(恒组成膨胀Constant CompositionExpansion)实验、DL(微分释放Differential Liberation)实验、CVD(恒容衰竭ConstantVolume Depletion)实验、分离器实验、密度、粘度、电导率、压缩系数、储层流体积系数(FVF，Formation Volume Factor)、石蜡生成条件、沥青质生成条件等。同时，在高温高压下，可以对具有代表性的单相储层流体样品进行连续近红外光谱、NMR(核磁)、声波、荧光、介电常数等测量。
在本发明的示例性实施例中，井下实时作业时测量的随时间或泵抽体积而变化的连续近红外光谱、NMR(核磁)、声波、荧光、介电常数以及相对应储层流体样品的PVT数据可以包括：组份组成、气油比、API比重、SARA含量、石蜡含量、泡点、露点、CCE、DL、CVD、分离器、密度、粘度、电导率、压缩系数、储层流体积系数、石蜡生成条件、沥青质生成条件等。
在本发明的示例性实施例中，还可以对水样品进行气水比、离子组成分析。同时，可以在高温高压下进行连续近红外光谱、NMR、声波、荧光、介电常数、ph值(酸碱值)等测量。
S303、将所述单相储层流体样品的组成、所述第一性质和所述第二性质的相关数据作为所述地层流体大数据的一部分加入所述大数据库。
在本发明的示例性实施例中，通过步骤S302测量的各种参数数据均可以加入大数据库。
在本发明的示例性实施例中，所述方法还可以包括：在不同的单相储层流体样品中加入不同的钻井泥浆滤液，并对加入相应的钻井泥浆滤液的单相储层流体样品进行所述PVT实验；并且，对油和水进行混合，测量油水分率、连续近红外光谱、核磁共振NMR、声波、荧光以及介电常数测量，并将测量结果加入所述大数据库。
在本发明的示例性实施例中，为了考虑不同钻井泥浆(水基和油基)滤液对流体的影响，可以加入不同钻井泥浆滤液到不同储层流体样品(水样和油样)中，并对加入钻井泥浆滤液的储层流体样品进行PVT试验，测量该储层流体样品组份组成、泥浆滤液污染程度、分子量、气油比、API比重、泡点、露点、CCE、DL、CVD、分离器、密度、粘度、压缩系数、储层流体积系数、气水比等，并可以进行离子组成分析。此外，在高温高压下可以进行连续近红外光谱、NMR、声波、荧光、介电常数、ph值等测量。并将各种测量结果加入所述大数据库中，以丰富大数据库的数据。
在本发明的示例性实施例中，为了考虑井下油、水分率的判别，可以混合不同比例的油和水到不同储层流体样品(水样和油样)中，在常温常压和高温高压下，并对混合了相应比例的油和水的储层流体样品进行连续近红外光谱、NMR(核磁)、声波、荧光、介电常数等测量。并对混合了相应比例的油和水的储层流体样品进行PVT试验，测量储层流体样品组份组成、泥浆滤液污染程度、分子量、气油比、API密度、泡点、露点、CCE、DL、CVD、分离器、密度、粘度、压缩系数、储层流体积系数、气水比等，并可以进行离子组成分析。最后可以将各种测量结果加入所述大数据库中，进一步丰富大数据库的数据。
在本发明的示例性实施例中，根据大量不同油藏特性参数，不同储层流体性质参数和不同测井工具几何参数等，可以用CFD(计算流体力学Computational FluidDynamics)和油藏模拟器仿真得到的大量结果数据进入大数据库。
在本发明的示例性实施例中，包括但不限于上述这些井下实时和实验室测量的数据(和其他数据)，都可以存储在关系数据库(Relational Database如SQL数据库)和/或非关系数据库(Non-Relational Database如NoSQL数据库)中，形成内部(in-house)电缆和随钻中途油气层测试的大数据库。
S202、从所述大数据库中抽取所述样本数据集，并通过所述样本数据集对预先创建好的机器学习模型进行训练。
在本发明的示例性实施例中，如图5所示，所述从所述大数据库中抽取所述样本数据集，并通过所述样本数据集对预先创建好的机器学习模型进行训练可以包括S401-S403：
S401、对所述样本数据集进行预处理和标准化；所述预处理可以包括以下任意一种或多种：去噪，去离群点和光滑。
在本发明的示例性实施例中，通过前述步骤采用不同的方法已经建立了大数据库。在机器学习之前，可以对从大数据库中取出的数据集(大数据库中的部分或全部数据)，即所述样本数据集，进行预处理。将原始特征向量(Feature Vectors)变为更适合于下游计算的表达方式。其中一种方法可以包括：首先对取出的数据集用过滤器和数学方法进行去噪、去离群点、光滑等，对某些缺省值进行估算。然后对经过上述处理的数据进行标准化，使数据集看起来像标准的正态分布数据：即零均值和单位方差的高斯分布。
S402、将经过所述预处理和标准化的样本数据集划分为第一数据集和第二数据集。
在本发明的示例性实施例中，标准化之后的数据可以分为第一数据集和第二数据集，可用于有监督的机器学习。
在本发明的示例性实施例中，所述第一数据集可以作为所述机器学习模型的输入数据向量，所述第二数据集作为所述机器学习模型的输出数据向量的目标数据向量。
S403、基于所述第一数据集和所述第二数据集，采用预设的机器学习方法对所述机器学习模型进行训练，获取训练出的最优机器学习模型作为所述测定模型。
在本发明的示例性实施例中，所述预设的机器学习方法可以包括：有监督的机器学习方法。
在本发明的示例性实施例中，如图6所示，所述基于所述第一数据集和所述第二数据集，采用预设的机器学习方法对所述机器学习模型进行训练，获取训练结果中的最优机器学习模型作为所述测定模型可以包括S501-S503：
S501、针对预先定义的函数集中的每个函数，分别执行以下操作：将标准化的所述第一数据集输入未经训练的所述机器学习模型；根据所述第一数据集和所述机器学习模型中当前加载的函数计算所述输出数据向量；
S502、将计算出的多个所述输出数据向量分别与所述目标数据向量相比较，从多个比较结果中目标数据向量确定出与所述目标数据向量之间的误差最小的第一输出数据向量对应的第一函数和所述第一函数的当前系数；
S503、将加载有所述第一函数的机器学习模型作为所述最优机器学习模型；其中，所加载的所述第一函数中具有所述当前系数。
在本发明的示例性实施例中，有监督的机器学习方法可以包括：(1)输入标准化的输入数据向量和目标数据向量；(2)定义函数集；(3)根据标准化的输入数据向量和定义的函数集，计算输出数据向量的值，并将函数集的计算结果与从大数据库中取出的目标数据向量的值进行对比，判断函数集的好坏(即判断当前所训练的机器学习模型的好坏)；(4)选择最好的一个函数作为机器学习的结果(即将相应的机器学习模型作为所述测定模型)。如图7所示，给出了有监督的机器学习流程示意图。
在本发明的示例性实施例中，从大数据库中取出有关的数据集进行预处理和标准化，分别得到输入数据向量(X)和目标数据向量(Y)。根据需要可用不同方法对X和Y进行降维。例如，可以采用如下的任意一种或多种降维算法：PCA(主成分分析PrincipalComponent Analysis)、FA(因子分析，Factor Analysis)、ICA(独立成分分析IndependentComponent Analysis)、NMF(非负矩阵分解Non-negative Matrix Factorization)、LDA(线性判别式分析Linear Discriminant Analysis)、拉普拉斯映射(Laplacian Eigenmap)、LLE(局部线性嵌入算法Locally Linear Embedding)、Isomap(等距特征映射算法Isometric Feature Mapping)等。然后，可以定义函数集，该函数集可以是线性函数集也可以是非线性函数集。
在本发明的示例性实施例中，对于线性模型，要预测的输出数据向量值(Y’)可以表达成输入数据向量(X)的线性组合：
Y′＝F1(X，W)＝XW＝W0+w1x1+…+wpxp (1)
其中W是要确定的系数(参数)值。
在本发明的示例性实施例中，对于非线性模型，要预测的输出数据向量值(Y’)可表达成输入向量(X)的非线性组合：
Y′＝F2(X，V) (2)
其中V是要确定的系数(参数)值。
在本发明的示例性实施例中，对于线性模型，可以采用普通最小二乘法(OrdinaryLeast Squares)、岭回归(Ridge Regression)、贝叶斯回归、贝叶斯岭回归、Logistic回归、随机梯度下降法、感知器法、多项式回归、PLS(偏最小二乘法，Partial Least Squares)等算法回归得到线性模型的参数(W)。
在本发明的示例性实施例中，对于非线性模型，可以采用SVM(支持向量机SupportVector Machines)、深度学习(Deep Learning)、多层神经网络、K近邻算法(K-NearestNeighbor)、高斯过程回归(Gaussian Processes Regression)、贝叶斯回归、决策树(Decision Tree)、随机森林(Random Forests)等算法。这些机器学习方法的目的是找到一套最佳V系数(参数)值，使预测的输出数据向量Y’与从大数据库中取出的目标数据向量Y之间的误差最小。通常误差目标函数为：min||Y-Y′||。
在本发明的示例性实施例中，在机器学习过程中，可以将从大数据库中取出的数据进一步分为两组：一组是训练数据集，另一组是测试数据集。训练数据集可以用来确定一个最佳函数(如前述的第一函数)和该最佳函数的系数(参数)。测试数据集可以用来做交叉验证，以确保得出的最佳函数和该最佳函数的系数(参数)用于进行测定地层流体组成和性质预测时不致失去原有的精度(即没有过度拟合现象发生)。通常是过于简单的函数难以保征预测精度，而过于复杂的函数又会造成过度拟合现象。因此，高斯过程(GaussianProcesses)可用来优化参数。
S203、从训练后的机器学习模型中获取最优机器学习模型作为所述测定模型。
在本发明的示例性实施例中，从国上述步骤获取最优机器学习模型后，便可以确定出本发明实施例方案中所用到的测定模型，从而完成测定模型的创建和训练。
S102、将井下油气层测试仪上的传感器实时测量的信号作为输入数据输入所述测定模型。该井下油气层测试仪可以为井下中途油气层测试仪。
S103、通过所述测定模型对所述输入数据进行处理。
S104、直接输出实时储层流体的组成和性质数据，或者，根据处理结果解释或预测出实时储层流体的组成和性质数据。
在将所述井下油气层测试仪上的传感器实时测量的信号作为所述测定模型的输入数据输入所述测定模型之前，所述方法还可以包括：
将预先训练好的所述测定模型加载入井下油气层测试仪中，以在所述井下油气层测试仪进行实时测井过程中，将所述井下油气层测试仪上的传感器实时测量的信号输入所述测定模型。
在本发明的示例性实施例中，结合上述的大数据库和测定模型，在井下电缆和随钻中途油气层测试时，可以包含两种关于储层流体的组成和性质的测定方式：第一种方式是线下(off-line)方式，另一种是线上(on-line)方式。
在本发明的示例性实施例中，在线下(off-line)方式中，可以从大数据库中取出相关数据，用前述的机器学习方法训练好相关模型，得到相关模型的函数和参数，从而获得最终训练好的测定模型。因此，得到的测定模型可嵌入到井下电缆和随钻中途油气层测试的设备和/或软件中。因此，可在井下电缆和随钻中途油气层测试时实时应用，其流程图如图8所示。
在本发明的示例性实施例中，将井下电缆和随钻中途油气层测试仪器放入井下所需的深度，将探针和/或封隔器与储层接触并密封好，用泵抽抽取储层流体到仪器的流动管道中，流体流动通过测试仪器上的各种传感器(如密度、粘度、电导率、介电常数、连续和/或不连续近红外光谱、核磁、声波、荧光、介电常数等)。这些传感器可实时测量流动流体的性质(如密度、粘度、电导率、介电常数、连续256通道近红外光谱和/或不连续近红外光谱、核磁、声波、荧光等)。用前面所述的方法对这些测量的流体性质进行预处理和标准化。并作为前述机器学习方法训练得到测定模型的输入。然后，可以用测定模型进行解释和预测，可以实时得到井下储层流体的组成：包括从CO2、C1、C2、...、C5、C6+，或者CO2、C1、C2、...、C6、C7+，或者CO2、C1、C2、...、C7、C8+、…，或者CO2、C1、C2、...、C29、C30+；并且可以实时得到井下储层流体的性质：气油比、API比重、分子量、密度、粘度、电导率、气、油、水分率、SARA(饱和烃、芳香烃、胶质、沥青质)含量、石蜡含量、声速、泡点、露点、CCE、DL、CVD、分离器实验、压缩系数、储层流体体积系数(FVF)、石蜡生成条件、沥青质生成条件以及油基、水基泥浆滤液的污染程度等。由于在同一深度不仅会进行井下实时测量而且会取样并送到实验室进行PVT测量。这些测量数据通过严格的质量检测后，可以加到大数据库中不断充实大数据库。然后，定时或不定时地更新机器学习的模型和参数，从而得到更好的井下测量结果。
在本发明的示例性实施例中，在线(on-line)方式可以分为两种。第一种方式是从大数据库中取出相关数据，用前述的机器学习方法训练好相关模型，得到相关模型的参数(即获得最终的测定模型)。相关模型和参数(最终的测定模型)可嵌入到井下电缆和随钻中途油气层测试的设备和/或软件中。然后，用井下电缆和随钻中途油气层测试时测量的数据(尤其是实时测量的时间系列数据，并且实时数据也可储存到大数据库中)对测定模型的参数进行调整优化。再用得到的相关模型和参数(优化后的测定模型)进行预测。第二种方式是直接用井下井下电缆和随钻中途油气层测试时测量的数据(尤其是实时测量的时间系列数据，并且实时数据也可储存到大数据库中)作为输入数据，用前述的机器学习方法训练相关模型和参数。再用得到的相关模型和参数(最终的测定模型)进行预测。
在本发明的示例性实施例中，在线(on-line)方式可应用于实时预测。例如，预测取样所需的时间和/或体积、泥浆滤液的污染程度、去除泥浆滤液污染对储层流体组份组成和其他性质(泡点、露点、密度、粘度、电导率、介电常数、连续和/或不连续近红外光谱、核磁、声波、荧光、介电常数、气油比、API比重、分子量、油水分率、SARA含量、石蜡含量、压缩系数、储层流体体积系数、石蜡生成条件、沥青质生成条件)的影响等。
在本发明的示例性实施例中，所述方法还可以包括：在对所述机器学习模型进行训练过程中和/或进行地层流体组成和性质的实施测定过程中，将与所述目标数据向量的误差满足预设的误差阈值的输出数据向量补充到所述大数据库中。
在本发明的示例性实施例中，下面可以采用一个嵌入的案例来说明本发明实施例的过程和结果。首先，可以预先收集大量的(干气、湿气、凝析气、挥发油、黑油、稠油)储层流体样品，并对这些储层流体样品测量了大量的前述实验数据，建立了内部(in-house)的大数据库。可以从此大数据库中取出各种储层流体256通道的近红外光谱，直到C30+的组份组成、气油比、API比重、流体体积系数(FVF)、密度和粘度数据。部分流体光谱的数据如图9(a)和图9(b)所示。
在本发明的示例性实施例中，可以将这些数据进行预处理和标准化。用近红外光谱作为输入数据向量，而其他性质作为目标数据向量。将处理好的数据向量放到内部(in-house)编好的机器学习器中。然后，对这些数据进行有监督的机器学习训练，并进行交叉验证。得到的最佳模型和参数(即最终的测定模型)则用来进行预测。即用近红外光谱作为输入数据向量,用得到的机器学习模型(即最终的测定模型)进行流体性质的预测，其结果说明如下：
图10显示了机器学习模型(这里指测定模型)预测的直到C30+组份的组成与实验值的比较，机器学习模型预测的结果与实验值一致。也可以将储层流体中重组份合并在一起，得到C6+、C7+、…、C29+等组份的组成，即
Figure GDA0002089227820000161
其中，ZCn+和ZCi是组份Cn+和Ci的组成。
图11(a)和图11(b)比较了机器学习模型(这里指测定模型)预测的组份(CO2、C1、C2、C3、C4、C5、C7+)组成和气油比与实验值。由于该实施例采用了256个通道的近红外光谱仪和机器学习方法，比其他现有井下光谱仪具有更多的信息和特征，因此能够得到更加准确的组份组成和气油比的预测结果。
图12(a)和图12(b)比较了机器学习模型(这里指测定模型)预测的API比重和流体体积系数与实验值。图13(a)和图13(b)显示了机器学习模型预测的储层流体密度和粘度与实验值的比较。由这些比较图可以看出，机器学习模型具有较好的学习和预测能力。
在本发明的示例性实施例中，随着大数据库不断地完善和丰富，机器学习模型(这里指测定模型)也能不断地更新和完善。在内部(in-house)机器学习器中，除了有监督的机器学习方法之外，也可以包括半监督的机器学习方法和无监督的机器学习方法。结合大数据库和所有这几种机器学习的方法，可以得到更加智能化的井下电缆和随钻中途油气层测试的人工智能(AI)化产品。
为了达到本发明实施例目的，本发明实施例还提供了一种测定地层流体组成和性质的系统1，如图14所示，所述系统可以包括：包括处理器11和计算机可读存储介质12，所述计算机可读存储介质12中存储有指令，当所述指令被所述处理器11执行时，实现上述的测定地层流体组成和性质的方法。
本发明实施例可以包括：获取用于地层流体组成和性质测定的测定模型；将井下油气层测试仪上的传感器实时测量的信号作为输入数据输入所述测定模型；通过所述测定模型对所述输入数据进行处理；直接输出实时储层流体的组成和性质数据，或者，根据处理结果解析出实时储层流体的组成和性质数据；其中，所述测定模型是以关于各种储层流体的组成和性质，以及井下传感器测量信号的大数据为样本数据集，对预先创建好的机器学习模型进行训练获得的。通过该实施例方案，实现了快速、准确地测定地层流体组成和性质，提高了测井效率，并填补了国内在该方面的空白。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (12)

1.一种测定地层流体组成和性质的方法，其特征在于，所述方法包括：
获取用于地层流体组成和性质测定的测定模型；
在井下油气层测试仪进行实时测井过程中，将所述井下油气层测试仪上的传感器实时测量的信号作为输入数据输入所述测定模型；
通过所述测定模型对所述输入数据进行处理；
直接输出实时储层流体的组成和性质数据，或者，根据处理结果解析出实时储层流体的组成和性质数据；
其中，所述测定模型的创建和训练包括：
建立关于各种储层流体的组成和性质，以及所述井下传感器测量信号的大数据库，包括：
通过地面采样和/或井下采样获取符合预设要求的单相储层流体样品；
在标准大气压和室温下，对所述单相储层流体样品进行单级闪蒸，以分离出平衡的闪蒸气体和闪蒸液体；对所述闪蒸气体和所述闪蒸液体分别进行气相色谱分析，获取所述单相储层流体样品的组成和第一性质；在第一预设压力和第一预设温度下，对所述单相储层流体样品进行流体压力体积温度PVT实验，获取所述单相储层流体样品的第二性质；其中所述第一预设压力大于所述标准大气压，所述第一预设温度大于所述室温；
将所述单相储层流体样品的组成、所述第一性质和所述第二性质的相关数据作为所述地层流体大数据的一部分加入所述大数据库；从所述大数据库中抽取样本数据集，并通过所述样本数据集对预先创建好的机器学习模型进行训练；
从训练后的机器学习模型中获取最优机器学习模型作为所述测定模型。
2.根据权利要求1所述的测定地层流体组成和性质的方法，其特征在于，所述获取用于地层流体组成和性质测定的测定模型包括：调取预先创建并训练好的测定模型，或者，实时创建并训练所述测定模型；和/或，
在将所述井下油气层测试仪上的传感器实时测量的信号作为所述测定模型的输入数据输入所述测定模型之前，所述方法还包括：
将预先训练好的所述测定模型加载入井下油气层测试仪中，以在所述井下油气层测试仪进行实时测井过程中，将所述井下油气层测试仪上的传感器实时测量的信号输入所述测定模型。
3.根据权利要求1所述的测定地层流体组成和性质的方法，其特征在于，所述井下油气层测试仪上的传感器实时测量的信号，通过以下方式获得：
将井下电缆和随钻中途油气层测试仪器放入井下所需的深度，将探针和/或封隔器与储层接触并密封好，用泵抽抽取所述储层流体到仪器的流动管道中，流体流动通过测试仪器上的各种传感器，所述传感器实时测量所述流动流体的性质；
其中，所述各种传感器包括：密度传感器、粘度传感器、电导率传感器、介电常数传感器、连续和/或不连续近红外光谱传感器、核磁传感器、声波传感器、荧光传感器；
所述流动流体的性质包括：密度、粘度、电导率、介电常数、连续256通道近红外光谱和/或不连续近红外光谱、核磁、声波、荧光。
4.根据权利要求1所述的测定地层流体组成和性质的方法，其特征在于，所述单相储层流体样品包括：油相储层流体样品、气相储层流体样品和水相储层流体样品。
5.根据权利要求4所述的测定地层流体组成和性质的方法，其特征在于，
所述第一性质包括以下任意一种或多种：气油比、美国石油学会API比重、SARA含量和石蜡含量；其中，SARA是指饱和烃、芳香烃、胶质和沥青质；
所述第二性质包括以下任意一种或多种：泡点、露点、恒组成膨胀CCE实验特性、微分释放DL实验特性、恒容衰竭CVD实验特性、分离器实验特性、密度、粘度、电导率、压缩系数、储层流体积系数、石蜡生成条件以及沥青质生成条件。
6.根据权利要求4所述的测定地层流体组成和性质的方法，其特征在于，所述方法还包括：
对所述闪蒸气体进行气相色谱分析时测量所述闪蒸气体的体积、温度和压力加入所述大数据库；和/或，
对所述闪蒸液体进行气相色谱分析时测量所述闪蒸液体的体积、温度、压力、密度和分子量加入所述大数据库；和/或，
在所述第一预设压力和所述第一预设温度下，对所述单相储层流体样品进行以下任意一种或多种测量：连续近红外光谱、核磁共振NMR、声波、荧光以及介电常数测量，并将测量结果加入所述大数据库。
7.根据权利要求4所述的测定地层流体组成和性质的方法，其特征在于，所述方法还包括：在不同的单相储层流体样品中加入不同的钻井泥浆滤液，并对加入相应的钻井泥浆滤液的单相储层流体样品进行所述PVT实验。
8.根据权利要求1所述的测定地层流体组成和性质的方法，其特征在于，所述从所述大数据库中抽取所述样本数据集，并通过所述样本数据集对预先创建好的机器学习模型进行训练包括：
对所述样本数据集进行预处理和标准化；所述预处理包括以下任意一种或多种：去噪，去离群点和光滑；
将经过所述预处理和标准化的样本数据集划分为第一数据集和第二数据集；
基于所述第一数据集和所述第二数据集，采用预设的机器学习方法对所述机器学习模型进行训练，获取训练出的最优机器学习模型作为所述测定模型；
其中，所述第一数据集作为所述机器学习模型的输入数据向量，所述第二数据集作为所述机器学习模型的输出数据向量的目标数据向量。
9.根据权利要求8所述的测定地层流体组成和性质的方法，其特征在于，所述预设的机器学习方法包括：有监督的机器学习方法；
所述基于所述第一数据集和所述第二数据集，采用预设的机器学习方法对所述机器学习模型进行训练，获取训练结果中的最优机器学习模型作为所述测定模型包括：
针对预先定义的函数集中的每个函数，分别执行以下操作：将标准化的所述第一数据集输入未经训练的所述机器学习模型；根据所述第一数据集和所述机器学习模型中当前加载的函数计算所述输出数据向量；
将计算出的多个所述输出数据向量分别与所述目标数据向量相比较，从多个比较结果中目标数据向量确定出与所述目标数据向量之间的误差最小的第一输出数据向量对应的第一函数和所述第一函数的当前系数；
将加载有所述第一函数的机器学习模型作为所述最优机器学习模型；其中，所加载的所述第一函数中具有所述当前系数。
10.根据权利要求9所述的测定地层流体组成和性质的方法，其特征在于，所述方法还包括：在对所述机器学习模型进行训练过程中和/或进行地层流体组成和性质的实施测定过程中，将与所述目标数据向量的误差满足预设的误差阈值的输出数据向量补充到所述大数据库中。
11.根据权利要求1至10中任一所述的测定地层流体组成和性质的方法，其特征在于，所述测定模型是以关于各种储层流体的组成和性质，以及井下传感器测量信号的大数据为样本数据集，对预先创建好的机器学习模型进行训练获得的。
12.一种测定地层流体组成和性质的系统，其特征在于，所述系统包括：包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令被所述处理器执行时，实现如权利要求1-11任意一项所述的测定地层流体组成和性质的方法。
CN201910341093.7A 2019-04-25 2019-04-25 一种测定地层流体组成和性质的方法和系统 Active CN110056348B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910341093.7A CN110056348B (zh) 2019-04-25 2019-04-25 一种测定地层流体组成和性质的方法和系统
US17/433,519 US20220155275A1 (en) 2019-04-25 2020-02-05 Method and system for measuring composition and property of formation fluid
PCT/CN2020/074353 WO2020215850A1 (zh) 2019-04-25 2020-02-05 一种测定地层流体组成和性质的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910341093.7A CN110056348B (zh) 2019-04-25 2019-04-25 一种测定地层流体组成和性质的方法和系统

Publications (2)

Publication Number Publication Date
CN110056348A CN110056348A (zh) 2019-07-26
CN110056348B true CN110056348B (zh) 2021-05-11

Family

ID=67320860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910341093.7A Active CN110056348B (zh) 2019-04-25 2019-04-25 一种测定地层流体组成和性质的方法和系统

Country Status (3)

Country Link
US (1) US20220155275A1 (zh)
CN (1) CN110056348B (zh)
WO (1) WO2020215850A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110056348B (zh) * 2019-04-25 2021-05-11 中国海洋石油集团有限公司 一种测定地层流体组成和性质的方法和系统
CN110598340B (zh) * 2019-09-18 2020-09-01 中国石油大学(北京) 一种注气驱油实验流体的确定方法及装置
CN110905493B (zh) * 2019-11-21 2023-05-12 中国海洋石油集团有限公司 一种测量井下地层流体污染率的方法
JP7526807B2 (ja) * 2020-03-26 2024-08-01 アスペンテック・コーポレーション 油井最適化のためにワックス／水和物の蓄積を予測する油井モデルを開発・展開するためのシステムおよび方法
CN111811988B (zh) * 2020-07-14 2023-05-12 中海石油(中国)有限公司 一种基于流体分析预测圈闭中气油界面的方法及其用途
CN111794744B (zh) * 2020-07-22 2023-08-15 中国海洋石油集团有限公司 一种井下实时监测地层水污染程度的方法
CN112462438B (zh) * 2020-11-16 2021-08-24 中国石油大学(北京) 基于核磁共振测井定量评价地层流体的方法、装置及设备
CN113239621B (zh) * 2021-05-11 2022-07-12 西南石油大学 一种基于弹性网络回归算法的pvt测量方法
CN113361771B (zh) * 2021-06-04 2023-04-18 合肥工业大学 确定储层压力的方法及装置
WO2024151837A1 (en) * 2023-01-11 2024-07-18 Schlumberger Technology Corporation Fluid compressibility factor and method of determination

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1693893A (zh) * 2004-04-30 2005-11-09 施卢默格海外有限公司 确定地层流体性质的方法
CN101182769A (zh) * 2006-11-17 2008-05-21 普拉德研究及开发有限公司 储油层样本监管链
CN101498215A (zh) * 2008-02-01 2009-08-05 普拉德研究及开发股份有限公司 增强的井下流体分析
WO2010120285A1 (en) * 2009-04-15 2010-10-21 Halliburton Energy Services, Inc. Formation fluid property determination
US7966273B2 (en) * 2007-07-27 2011-06-21 Schlumberger Technology Corporation Predicting formation fluid property through downhole fluid analysis using artificial neural network
CN102339326A (zh) * 2010-07-16 2012-02-01 中国石油化工股份有限公司 一种分析模拟缝洞型油藏流体流动的方法
CN106570524A (zh) * 2016-10-25 2017-04-19 中国石油天然气股份有限公司 一种储层流体类型的识别方法及装置
CN108596251A (zh) * 2018-04-25 2018-09-28 中国地质大学（北京） 一种基于委员会机器利用测井数据进行储层流体识别方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8655817B2 (en) * 2008-02-20 2014-02-18 Digital Medical Experts Inc. Expert system for determining patient treatment response
US9121959B2 (en) * 2011-06-30 2015-09-01 Schlumberger Technology Corporation Predicting carbonate rock solid permittivity
US9460408B2 (en) * 2013-12-23 2016-10-04 International Business Machines Corporation Method and apparatus for generating test scenarios for a set of business rules
US11441422B2 (en) * 2017-10-06 2022-09-13 Schlumberger Technology Corporation Methods and systems for reservoir characterization and optimization of downhole fluid sampling
CN108573320B (zh) * 2018-03-08 2021-06-29 中国石油大学(北京) 页岩气藏最终可采储量的计算方法和系统
CN108533254A (zh) * 2018-03-20 2018-09-14 盘锦中录油气技术服务有限公司 储层油气水层录井参数主控因素权重分析方法
CN108875122B (zh) * 2018-04-25 2022-07-22 杭州迅美科技有限公司 利用随钻测井数据计算地质参数的人工智能方法和系统
US11371345B2 (en) * 2018-10-05 2022-06-28 Halliburton Energy Services, Inc. Predicting clean fluid composition and properties with a rapid formation tester pumpout
CN109446735B (zh) * 2018-12-18 2020-12-04 中国石油大学(北京) 一种模拟测井数据的生成方法、设备以及系统
CN110056348B (zh) * 2019-04-25 2021-05-11 中国海洋石油集团有限公司 一种测定地层流体组成和性质的方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1693893A (zh) * 2004-04-30 2005-11-09 施卢默格海外有限公司 确定地层流体性质的方法
CN101182769A (zh) * 2006-11-17 2008-05-21 普拉德研究及开发有限公司 储油层样本监管链
US7966273B2 (en) * 2007-07-27 2011-06-21 Schlumberger Technology Corporation Predicting formation fluid property through downhole fluid analysis using artificial neural network
CN101498215A (zh) * 2008-02-01 2009-08-05 普拉德研究及开发股份有限公司 增强的井下流体分析
WO2010120285A1 (en) * 2009-04-15 2010-10-21 Halliburton Energy Services, Inc. Formation fluid property determination
CN102339326A (zh) * 2010-07-16 2012-02-01 中国石油化工股份有限公司 一种分析模拟缝洞型油藏流体流动的方法
CN106570524A (zh) * 2016-10-25 2017-04-19 中国石油天然气股份有限公司 一种储层流体类型的识别方法及装置
CN108596251A (zh) * 2018-04-25 2018-09-28 中国地质大学（北京） 一种基于委员会机器利用测井数据进行储层流体识别方法

Also Published As

Publication number Publication date
US20220155275A1 (en) 2022-05-19
WO2020215850A1 (zh) 2020-10-29
CN110056348A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110056348B (zh) 一种测定地层流体组成和性质的方法和系统
US20200257015A1 (en) Model based discriminant analysis
Moosavi et al. Auto-characterization of naturally fractured reservoirs drilled by horizontal well using multi-output least squares support vector regression
RU2613214C2 (ru) Способ получения характеристик углеводородных пласт-коллекторов
CN111665560A (zh) 油气层识别方法、装置、计算机设备及可读存储介质
US20220074303A1 (en) Determining reservoir fluid properties from downhole fluid analysis data using machine learning
Mahdiani et al. Modeling viscosity of crude oil using k-nearest neighbor algorithm
EP3461279A1 (en) Fluid analysis tool and method to use the same
Cai et al. On-line multi-gas component measurement in the mud logging process based on Raman spectroscopy combined with a CNN-LSTM-AM hybrid model
US20100169020A1 (en) Method and apparatus for real time oil based mud contamination monitoring
Lashkenari et al. A further study in the prediction of viscosity for Iranian crude oil reservoirs by utilizing a robust radial basis function (RBF) neural network model
CN113027433B (zh) 计算强非均质性砂砾岩储层渗透率的方法和装置
CN117825320A (zh) 钻井返出液油气比测量的不分离式地面检测方法及装置
Wang et al. Combined application of unsupervised and deep learning in absolute open flow potential prediction: a case study of the Weiyuan Shale gas reservoir
Topór et al. Application of machine learning tools for seismic reservoir characterization study of porosity and saturation type
CN112132372B (zh) 用于神经网络的层测井信息无损处理方法和装置
Cheng et al. Scale Buildup Detection and Characterization in Production Wells by Deep Learning Methods
Zhang et al. Comparative Study on Hydraulic and Electrical Transport Properties of Carbonate Rocks Based on Rock Typing
Molla et al. Predicting Reservoir Fluid Properties from Advanced Mud Gas Analysis Using Machine Learning Models
Aybeniz Current Approaches in Prediction of PVT Properties of Reservoir Oils
CN112505761A (zh) 一种储层含气性检测方法和装置
US20240151637A1 (en) Determining Ion Concentration Through Downhole Optical Spectroscopy
Wang et al. Determination of Total organic carbon (TOC) content in shale formations by analyzing well logging measurements
CN115855872A (zh) 基于井下光谱测量的流体类型识别方法、装置及取样仪
US20240201079A1 (en) Contactless measurement of rock wettability by photonic techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant