CN111810115A - 地层水污染率井下实时监测方法与装置 - Google Patents
地层水污染率井下实时监测方法与装置 Download PDFInfo
- Publication number
- CN111810115A CN111810115A CN202010581106.0A CN202010581106A CN111810115A CN 111810115 A CN111810115 A CN 111810115A CN 202010581106 A CN202010581106 A CN 202010581106A CN 111810115 A CN111810115 A CN 111810115A
- Authority
- CN
- China
- Prior art keywords
- conductivity
- formation
- water
- formation fluid
- dcs
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 239000008398 formation water Substances 0.000 title claims description 110
- 238000003911 water pollution Methods 0.000 title claims description 50
- 239000012530 fluid Substances 0.000 claims abstract description 174
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 68
- 230000015572 biosynthetic process Effects 0.000 claims description 153
- 238000005086 pumping Methods 0.000 claims description 91
- 238000005070 sampling Methods 0.000 claims description 89
- 238000003062 neural network model Methods 0.000 claims description 55
- 210000002569 neuron Anatomy 0.000 claims description 36
- 239000000523 sample Substances 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 32
- 210000002364 input neuron Anatomy 0.000 claims description 27
- 210000004205 output neuron Anatomy 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 238000011109 contamination Methods 0.000 claims description 20
- 238000012887 quadratic function Methods 0.000 claims description 13
- 239000007864 aqueous solution Substances 0.000 claims description 11
- 239000003792 electrolyte Substances 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000011897 real-time detection Methods 0.000 claims description 8
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000011780 sodium chloride Substances 0.000 claims description 3
- 230000009545 invasion Effects 0.000 abstract description 11
- 239000007788 liquid Substances 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 3
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 17
- 239000001103 potassium chloride Substances 0.000 description 8
- 235000011164 potassium chloride Nutrition 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 239000000706 filtrate Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
Images
Classifications
-
- 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
- E21B47/00—Survey of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
地层水污染率井下实时监测方法与装置，基于地层流体特性，构建一种计算水基泥浆污染率的检测方法，借助该方法，可以实时计算地层抽取流体样品的污染情况(地层水污染率，即纯净地层水和水基泥浆侵入液的比例)，指导勘探人员、解释人员区分地层水和水基泥浆侵入液。
Description
技术领域
本文涉及石油勘探和污染控制技术领域，尤指一种地层水污染率井下实时监测方法与装置。
背景技术
石油勘探中，获取井下真实地层流体的样本至关重要，地层流体反映的性质决定了后续油气开发是否进行和如何进行。地层取样中，地层测试器的探针与井壁紧密座封后，地层取样仪的活塞泵开始工作，通过探针中心的吸口抽取地层液体。因水基泥浆对地层的侵蚀作用，抽取的地层液体一般包括一定比例的水基泥浆滤液侵入液和纯净地层水的混合物，这与取得纯净地层水样品的目的相左。获得取样流体中水基泥浆滤液的比例，即水基泥浆的污染率，是决定取样时机的关键参数。取样流体混合物富含K+、Na+和Cl-等多种离子，离子的浓度、种类和水溶液的温度是决定溶液导电性能的主要影响因素。原有的地层流体取样方法，无法区分地层水和泥浆侵入液，无法准确计算出抽取流体样品的地层水和泥浆侵入液的比例——即计算地层水的污染程度，更无法计算和指导地层水取样时机的选择、抽取时间、泵抽排量的大小。
国内目前仅仅依靠地层测试器操作工程师和解释工程师的经验判断抽取的溶液是否是纯净的地层水样品，判断方法简单定性，不能本质上解决现场问题。
此外，常用方法还有地层流体现场离子检测法，可以一定程度上区分地层水和泥浆侵入液的比例。但该方法属于取样作业事后分析判断，不能在实时取样作业时给予理论支持、定量判断及现场作业指导。且该方法受各种变量影响较大，方法准确性较低。
发明内容
本申请提出了一种地层流体电导率的测量装置，基于该装置和流体特性，构建一种计算水基泥浆污染率的检测方法，借助该方法，可以实时计算地层抽取流体样品的污染情况(地层水污染率，即纯净地层水和水基泥浆侵入液的比例)，指导勘探人员、解释人员区分地层水和水基泥浆侵入液。
本申请提供了两种不同精度的测量方法，当要求地层水污染率的误差在10％-30％，所述方法简单计算容易，而且获得的结果精度可能在10％以下。
地层水污染率井下实时监测方法，当要求地层水污染率的误差在10％-30％时，所述方法包括：
1)在水基泥浆存在的条件下，使取样装置进入井下目标地层；
2)通过取样探针将地层流体抽入所述取样装置内，并使所述地层流体通过所述取样装置中设置的电导率测量装置，所述取样装置测量得到的地层流体泵抽体积为V；测量得到的地层流体的电导率为C；测量完成后将所述地层流体从所述取样装置的出口排出；
3)测量所述水基泥浆的电导率Csjnj，并将步骤2)中得到的所述V和所述C带入式(1)得到地层水的电导率Cdcs；
式(1)中，C为所述地层流体的电导率，单位为S/m；Cdcs为所述地层水的电导率，单位为S/m；参数n和m取-1≤n＜m≤4的整数，αi单位为S/m4，αi的取值通过最小二乘法根据实际抽吸过程实时测量到的电导率C以及对应的地层流体泵抽体积V进行拟合、调试获取得到，所述拟合、调试获得的结果在1％精度范围内；地层流体泵抽体积V的单位为m3；
4)人为设定地层水污染率k’的值，所述k’的取值范围是0％-70％，
将所述k’、步骤3)中得到的所述Cdcs和所述Csjnj带入公式(2)，计算当污染率为k’时的地层流体的电导率C′，并将所述C′带入公式(1)中，结合步骤3)中得到的所述Cdcs、步骤3)计算所述Cdcs时的参数n、m以及αi，得到理想的地层流体泵抽体积V′；
式(2)中，k为实际污染率；C为地层流体电导率，单位为S/m；Cdcs为地层水电导率，单位为S/m；Csjnj为水基泥浆的电导率，单位为S/m；
按照步骤2)的操作方式测量抽取V′时的地层流体电导率C″，并使用所述V′作为输入神经元，所述C″作为输出神经元构建第二神经网络模型；构建完成后，预测特定地层流体泵抽体积时的地层流体电导率，即为地层水电导率Cdcs′；所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
5)将步骤4)中得到的C″，Cdcs′和步骤3)中得到的Csjnj带入公式(2)，即可得到实际的地层水污染率。
在本申请提供的地层水污染率的误差在10％-30％时所述地层水污染率井下实时监测方法，
步骤4)中所述地层水电导率Cdcs′的获取方法包括：
构建所述第二神经网络模型：所述第二神经网络模型为输入1个神经元、10个隐藏神经元，输出1个神经元的BP神经网络模型，激活函数使用sigmoid函数，所述输入神经元为V′，所述输出神经元为C″；带入步骤4)测量得到的V′和C″进行训练，训练完成后得到所述第二神经网络模型，设置输入神经元抽取特定地层流体体积时对应的输出神经元地层流体电导率即为地层水电导率Cdcs′；
可选地，所述特定地层流体体积为6500-10000立方厘米。
在本申请提供的地层水污染率的误差在10％-30％时所述地层水污染率井下实时监测方法，步骤2)中所述取样装置的取样探针座封于井壁上；可选地，步骤3)中所述水基泥浆的电导率Csjnj在地面测量得到。
另一方面，本申请提供了另一种地层水污染率井下实时监测方法，当地层水污染率的误差要求在10％以下时，所述方法包括：
1)在水基泥浆存在的条件下，使取样装置进入井下目标地层；
2)通过取样探针将地层流体抽入所述取样装置内，并使所述地层流体通过所述取样装置中设置的电导率测量装置，所述取样装置测量得到的地层流体泵抽体积为V；测量得到的地层流体的电导率为C；测量完成后将所述地层流体从所述取样装置的出口排出；
3)测量水基泥浆的电导率Csjnj；
构建第一神经网络模型：将步骤2)测量得到的所述V作为输入神经元，所述C作为输出神经元构建第一神经网络模型；构建完成后，预测特定地层流体泵抽体积时的地层水电导率Cdcs；所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
4)人为设定污染率k’的值，所述k’的取值范围是0％-70％，
将所述k’、步骤3)中得到的所述Cdcs，以及步骤3)中测量得到的所述Csjnj带入公式(3)，计算得到污染率为k’时的地层流体的电导率C′，
式(3)中，k为实际污染率；KT为温度系数，KT＝(T+20℃)/20℃，T为地层流体温度，单位为℃；C为地层流体电导率，单位为S/m；Cdcs为地层水电导率，单位为S/m；Csjnj为水基泥浆的电导率，单位为S/m；a、b、c为水基泥浆中的任一电解质水溶液质量浓度与该电解质水溶液电导率的二次函数关系中的系数，其中，a为二次函数中的二次项系数，b为二次函数中的一次项系数，c为二次函数中的常数项。
并将所述C′、步骤3)中得到的所述Cdcs、步骤3)中测量得到的V和C通过最小二乘法进行拟合、调试获得αi、参数n和m取-1≤n＜m≤4的整数，带入公式(1)中，得到理想的地层流体泵抽体积V′；所述拟合、调试获得的结果在1％精度范围内。
按照步骤2)的操作测量抽取V′时的地层流体电导率C″；并使用所述V′作为输入神经元，所述C″作为输出神经元构建第二神经网络模型；预测特定地层流体泵抽体积时的地层流体电导率，即为地层水电导率Cdcs′；所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
5)将步骤4)中得到的C″，Cdcs′和步骤3)中得到的Csjnj带入公式(3)，即可得到实际的地层水污染率。
在本申请提供的地层水污染率的误差在10％以下时所述地层水污染率井下实时监测方法，步骤3)中所述地层水电导率Cdcs的获取方法包括：
构建所述第一神经网络模型：所述第一神经网络模型为输入1个神经元、10个隐藏神经元，输出1个神经元的BP神经网络模型，激活函数使用sigmoid函数，所述输入神经元为V，所述输出神经元为C；带入步骤2)测量得到的V和C进行训练，训练完成后得到所述第一神经网络模型；设置输入神经元抽取特定地层流体体积时对应的输出神经元地层流体电导率即为地层水电导率Cdcs；
所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
在本申请提供的地层水污染率的误差在10％以下时所述地层水污染率井下实时监测方法，步骤4)中所述地层水电导率Cdcs′的获取方法包括：
构建所述第二神经网络模型：所述第二神经网络模型为输入1个神经元、10个隐藏神经元，输出1个神经元的BP神经网络模型，激活函数使用sigmoid函数，所述输入神经元为V′，所述输出神经元为C″；带入步骤4)测量得到的V′和C″进行训练，训练完成后得到所述第二神经网络模型，设置输入神经元抽取特定地层流体体积时对应的输出神经元地层流体电导率即为地层水电导率Cdcs′；所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
在本申请提供的地层水污染率的误差在10％以下时所述地层水污染率井下实时监测方法，步骤2)中所述取样装置的取样探针座封于井壁上；
在本申请提供的地层水污染率的误差在10％以下时所述地层水污染率井下实时监测方法，步骤3)中所述水基泥浆的电导率Csjnj在地面测量得到；可选地，步骤4)中所述电解质为NaCl或KCl。
在本申请提供的上述地层水污染率井下实时监测方法，使用地层水污染率井下实时检测装置来实现。
在本申请提供的上述地层水污染率井下实时监测方法中，所述地层水污染率井下实时检测装置包含取样装置和电导率测量模块；所述取样装置包括取样探针，所述取样探针通过管路与电导率测量模块相连，所述电导率测量模块通过管路与取样装置出口相连。
在本申请提供的上述地层水污染率井下实时监测方法中，所述地层水污染率井下实时检测装置为地层测压取样仪EFDT。
此外，借助该模型可以计算抽取地层水所需要的必要的时间和泵抽排量。这些结果是地层测压取样作业中，油井公司所关心的参数，解决取样时间选择不当造成的取样失败和作业费用增加等长期困扰地层水取样作业的关键难题。使用本申请提供的方法，确定取样时机，即避免了因泵抽时间过短造成的取样污染率较高的取样失败问题，也避免了泵抽时间过长造成的经济损失。
本申请提出了一种测量装置和算法(公式(1)、公式(2)和公式(3))，借助电导率的测量装置，该算法可以用于区分取样流体中地层水和水基泥浆侵入液的比例。
在水基泥浆条件下的地层水取样作业中，借助该算法，可以实时计算出某一时刻抽取流体样品的地层水和水基泥浆侵入液的比例，即计算抽取地层水的污染率。
借助该算法，可以预测抽取一定纯度地层水样品所必须的泵抽体积、时间，这是地层测试器操作工程师和油公司人员非常关心的参数。借助泵抽体积、时间的预测值，可以解决抽取时间不足造成的地层水污染率过高的问题，也可以解决抽取时间过长造成时间、费用损失的问题。
本申请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，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，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申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请测量装置示意图。
附图标记：1、取样探针；2、电导率测量模块；3、取样装置出口；4、控制系统。
图2为KCl的溶液质量浓度与其电导率的二次函数关系示意图。
图3为神经网络对纯净地层水电导率的预测图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请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。
在本申请实施例中，k为测量得到的实际污染率，k’为人为设定的污染率；
在本申请实施例中，污染率为地层水和水基泥浆入侵液的质量比。
在本申请实施例中，当地层测试器通过探针吸口抽取无穷多液体之后，抽取到的液体可以视作纯净地层水，此时得到的流体电导率可以视作地层水电导率。
本申请实施例提供了当测量人员要求地层水污染率的误差在10％-30％时，地层水污染率井下实时监测方法，所述方法包括：
1)在水基泥浆存在的条件下，使取样装置进入井下目标地层；
2)通过取样探针将地层流体抽入所述取样装置内，并使所述地层流体通过所述取样装置中设置的电导率测量装置，所述取样装置测量得到的地层流体泵抽体积为V；测量得到的地层流体的电导率为C；测量完成后将所述地层流体从所述取样装置的出口排出；
3)测量所述水基泥浆的电导率Csjnj，并将步骤2)中得到的所述V和所述C带入式(1)得到地层水的电导率Cdcs；
式(1)中，C为所述地层流体的电导率，单位为S/m；Cdcs为所述地层水的电导率，单位为S/m；参数n和m取-1≤n＜m≤4的整数，αi单位为S/m4，αi的取值通过最小二乘法根据实际抽吸过程实时测量到的电导率C以及对应的地层流体泵抽体积V进行拟合、调试获取得到，所述拟合、调试获得的结果在1％精度范围内；地层流体泵抽体积V的单位为m3；
4)人为设定地层水污染率k’的值，所述k’的取值范围是0％-70％，
将所述k’、步骤3)中得到的所述Cdcs和所述Csjnj带入公式(2)，计算当污染率为k’时的地层流体的电导率C′，并将所述C′带入公式(1)中，结合步骤3)中得到的所述Cdcs、步骤3)计算所述Cdcs时的参数n、m以及αi，得到理想的地层流体泵抽体积V′；
式(2)中，k为实际污染率；C为地层流体电导率，单位为S/m；Cdcs为地层水电导率，单位为S/m；Csjnj为水基泥浆的电导率，单位为S/m。
按照步骤2)的操作方式测量抽取V′时的地层流体电导率C″，并使用所述V′作为输入神经元，所述C″作为输出神经元构建第二神经网络模型；构建完成后，预测特定地层流体泵抽体积时的地层流体电导率，即为地层水电导率Cdcs′；所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
5)将步骤4)中得到的C″，Cdcs′和步骤3)中得到的Csjnj带入公式(2)，即可得到实际的地层水污染率。
在本申请地层水污染率的误差在10％-30％的实施例中，步骤4)中所述地层水电导率Cdcs′的获取方法包括：
构建所述第二神经网络模型：所述第二神经网络模型为输入1个神经元、10个隐藏神经元，输出1个神经元的BP神经网络模型，激活函数使用sigmoid函数，所述输入神经元为V′，所述输出神经元为C″；带入步骤4)测量得到的V′和C″进行训练，训练完成后得到所述第二神经网络模型，设置输入神经元抽取特定地层流体体积时对应的输出神经元地层流体电导率即为地层水电导率Cdcs′；
可选地，所述特定地层流体体积为6500-10000立方厘米。
在本申请地层水污染率的误差在10％-30％的实施例中，骤2)中所述取样装置的取样探针座封于井壁上；可选地，步骤3)中所述水基泥浆的电导率Csjnj在地面测量得到。
另一方面，本申请实施例提供了当地层水污染率的误差要求在10％以下时的地层水污染率井下实时监测方法，所述方法包括：
1)在水基泥浆存在的条件下，使取样装置进入井下目标地层；
2)通过取样探针将地层流体抽入所述取样装置内，并使所述地层流体通过所述取样装置中设置的电导率测量装置，所述取样装置测量得到的地层流体泵抽体积为V；测量得到的地层流体的电导率为C；测量完成后将所述地层流体从所述取样装置的出口排出；
3)测量水基泥浆的电导率Csjnj；
构建第一神经网络模型：将步骤2)测量得到的所述V作为输入神经元，所述C作为输出神经元构建第一神经网络模型；构建完成后，预测特定地层流体泵抽体积时的地层水电导率Cdcs；所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
4)人为设定污染率k’的值，所述k’的取值范围是0％-70％，
将所述k’、步骤3)中得到的所述Cdcs，以及步骤3)中测量得到的所述Csjnj带入公式(3)，计算得到污染率为k’时的地层流体的电导率C′，
式(3)中，k为实际污染率；KT为温度系数，KT＝(T+20℃)/20℃，T为地层流体温度，单位为℃；C为地层流体电导率，单位为S/m；Cdcs为地层水电导率，单位为S/m；Csjnj为水基泥浆的电导率，单位为S/m；a、b、c为水基泥浆中的任一电解质水溶液质量浓度与该电解质水溶液电导率的二次函数关系中的系数，其中，a为二次函数中的二次项系数，b为二次函数中的一次项系数，c为二次函数中的常数项。
并将所述C′、步骤3)中得到的所述Cdcs、步骤3)中测量得到的V和C通过最小二乘法进行拟合、调试获得αi、参数n和m取-1≤n＜m≤4的整数，带入公式(1)中，得到理想的地层流体泵抽体积V′；所述拟合、调试获得的结果在1％精度范围内。
按照步骤2)的操作测量抽取V′时的地层流体电导率C″；并使用所述V′作为输入神经元，所述C″作为输出神经元构建第二神经网络模型；预测特定地层流体泵抽体积时的地层流体电导率，即为地层水电导率Cdcs′；所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
5)将步骤4)中得到的C″，Cdcs′和步骤3)中得到的Csjnj带入公式(3)，即可得到实际的地层水污染率。
在本申请地层水污染率的误差在10％以下的实施例中，步骤3)中所述地层水电导率Cdcs的获取方法包括：
构建所述第一神经网络模型：所述第一神经网络模型为输入1个神经元、10个隐藏神经元，输出1个神经元的BP神经网络模型，激活函数使用sigmoid函数，所述输入神经元为V，所述输出神经元为C；带入步骤2)测量得到的V和C进行训练，训练完成后得到所述第一神经网络模型；设置输入神经元抽取特定地层流体体积时对应的输出神经元地层流体电导率即为地层水电导率Cdcs；
可选地，所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
在本申请地层水污染率的误差在10％以下的实施例中，步骤4)中所述地层水电导率Cdcs′的获取方法包括：
构建所述第二神经网络模型：所述第二神经网络模型为输入1个神经元、10个隐藏神经元，输出1个神经元的BP神经网络模型，激活函数使用sigmoid函数，所述输入神经元为V′，所述输出神经元为C″；带入步骤4)测量得到的V′和C″进行训练，训练完成后得到所述第二神经网络模型，设置输入神经元抽取特定地层流体体积时对应的输出神经元地层流体电导率即为地层水电导率Cdcs′；所述特定地层流体泵抽体积可以为一个人为设定的较大的泵抽体积，例如6500立方厘米，或者大于10000立方厘米。
在本申请地层水污染率的误差在10％以下的实施例中，步骤2)中所述取样装置的取样探针座封于井壁上；
在本申请地层水污染率的误差在10％以下的实施例中，步骤3)中所述水基泥浆的电导率Csjnj在地面测量得到；可选地，步骤4)中所述电解质为NaCl或KCl。
在本申请提供的上述地层水污染率井下实时监测方法使用地层水污染率井下实时检测装置来实现。
在本申请提供的上述地层水污染率井下实时监测的实施例中，所述地层水污染率井下实时检测装置包含取样装置和电导率测量模块2，所述取样装置和电导率测量模块2与控制系统4相连；所述取样装置包括取样探针1，所述取样探针1通过管路与电导率测量模块相连，所述电导率测量模块通过管路与取样装置出口3相连。
在本申请提供的上述地层水污染率井下实时监测的实施例中，所述地层水污染率井下实时检测装置为地层测压取样仪EFDT。
实施例1
本实施例以渤海的某井为例，阐述水基泥浆条件下地层水污染率井下实时监测方法。
在测井过程中，钻井结束之后，勘探人员处理电导率测井、核磁测井和声波测井等测井数据之后，对地下特定深度的地层信息感兴趣，将地层测压取样仪EFDT进入井下目标地层。
要求地层流体样品污染率k’为20％，要求地层水污染率的误差为5％以下；基于该精度选取公式(1)和公式(3)用于计算污染率。
测量地层流体温度为100℃，计算得出公式(3)中KT为6；
在地面测量获取的水基泥浆的电导率Csjnj为50S/m；
基于BP神经网络模型预测地层水的电导率Cdcs为13.9S/m；
所述神经网络模型预测地层水的电导率Cdcs过程具体为：使用地层测压取样仪EFDT对地层水污染率进行井下泵抽地层流体，得到各时刻地层流体泵抽体积V以及相应的地层流体的电导率C。构建第一神经网络模型，选取三层BP神经网络，输入层一个神经元(各时刻地层流体泵抽体积V)，隐藏层十个神经元，输出层一个神经元(地层流体的电导率C)。激活函数sigmoid函数。训练方法采用SGD随机梯度下降方法。代价函数使用L2损失函数。将图3中的实际测量得到的地层流体电导率C和地层流体泵抽体积V作为输入数据训练该神经网络，设置损失为0.01，当训练的损失小于0.01时完成训练。
之后，使用得到的神经网络计算泵抽排量为10000立方厘米时的电导率13.9S/m，作为地层水的电导率的计算值Cdcs。
选取水泥基浆中的电解质氯化钾(KCl)，得到氯化钾水溶液的质量浓度和氯化钾水溶液电导率的二次函数关系：
y＝-55.891x2+148.08x+0.2346………………………(4)
式(4)中，y为氯化钾水溶液电导率的倒数，x为氯化钾水溶液的质量浓度；式(4)中的二次项系数-55.891为公式(3)中的a，一次项系数148.08为公式(3)中的b，常数项0.2346为公式(3)中的c。
水基泥浆条件下地层水污染率井下实时监测方法如下：
首先，将要求地层流体样品污染率k’带入公式(3)中，计算当污染率为k’时的地层流体的电导率C′；
其次，在公式(1)中带入公式(3)计算得到的C′以及Cdcs′，计算理想的地层流体泵抽体积V′，因为泵抽体积是泵抽时间的简单函数，可以根据上面计算出的必要的体积值计算出相应的泵抽时间。确定取样时机，既避免了因泵抽时间过短造成的取样污染率较高的取样失败问题，也避免了泵抽时间过长造成的经济损失。
之后，在确定的理想泵抽时间和理想的地层流体泵抽体积V′下，泵抽地层流体；测量得到地层流体的电导率C″；并将V′和C″带入BP神经网络模型，构建第二神经网络模型；选取三层BP神经网络，输入层一个神经元(各时刻地层流体泵抽体积V)，隐藏层十个神经元，输出层一个神经元(地层流体的电导率C)。激活函数sigmoid函数。训练方法采用SGD随机梯度下降方法。代价函数使用L2损失函数。设置损失为0.01，当训练的损失小于0.01时完成训练，得到更准确的地层水电导率的预测值Cdcs′；
最后，将得到的Cdcs′＝13.9、KT＝6、Csjnj＝50S/m带入公式(3)中，选取特定时刻的地层流体电导率C＝15S/m，计算得到该时刻地层流体的污染率k为4％；即地层流体中的地层水和水基泥浆入侵液的质量比为4:96。
对实施例1技术效果进行验证：将取到的样品在地面实验室，通过离子对比法得到的污染率是7％，与计算得到的污染率较为接近。
实施例2
本实施例渤海的某井为例，阐述水基泥浆条件下地层水污染率井下实时监测方法。
在测井过程中，钻井结束之后，勘探人员处理电导率测井、核磁测井和声波测井等测井数据之后，对地下特定深度的地层信息感兴趣，将地层测压取样仪EFDT进入井下目标地层。
要求地层流体样品污染率k’为20％；要求地层水污染率的误差为10％；基于该精度选取公式(1)和公式(2)用于计算污染率。
测量得到水基泥浆的电导率为Csjnj＝50S/m；基于该精度选取公式(2)用于计算污染率。
水基泥浆条件下地层水污染率井下实时监测方法如下：
首先，使用地层测压取样仪EFDT对地层水污染率进行井下泵抽地层流体，得到地层流体泵抽体积为V＝6500立方厘米时，相应的泵抽流体电导率C的关系曲线。基于公式(1)选取m值为1，n值为4，使用最小二乘法对曲线进行拟合，从而获得αi的取值。
其次，将m值为1，n值为4，以及上步得到的αi以及泵抽流体体积V相应的泵抽流体电导率C带入公式(1)，得到误差在10％下的地层水电导率Cdcs；
之后，将要求地层流体样品污染率k’＝0.2，水基泥浆的电导率Csjnj＝50S/m，地层水的电导率Cdcs＝13.9S/m带入公式(2)中，计算当污染率为k’时的地层流体的电导率C′；
再次，在公式(1)中带入Cdcs以及公式(2)计算得出的C′，计算理想的应抽取的地层流体的泵抽体积V′，因为泵抽体积是泵抽时间的简单函数，可以根据上面计算出的必要的体积值计算出相应的泵抽时间。确定取样时机，既避免了因泵抽时间过短造成的取样污染率较高的取样失败问题，也避免了泵抽时间过长造成的经济损失。
最后，在确定的泵抽时间和泵抽体积V′下，泵抽地层流体泵抽地层流体；测量得到地层流体的电导率C″；并将V′和C″带入BP神经网络模型，构建第二神经网络模型；选取三层BP神经网络，输入层一个神经元(各时刻地层流体泵抽体积V)，隐藏层十个神经元，输出层一个神经元(地层流体的电导率C)。激活函数sigmoid函数。训练方法采用SGD随机梯度下降方法。代价函数使用L2损失函数。设置损失为0.01，当训练的损失小于0.01时完成训练，得到更准确的地层水电导率的预测值Cdcs′；
最后，将得到的Cdcs′＝13.9、Csjnj＝50带入公式(2)中，选取特定时刻的地层流体电导率C＝15S/m，计算得到污染率k为3％；即在误差要求为10％时，地层流体中的地层水和水基泥浆入侵液的质量比为3:97。
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
Claims (10)
1.地层水污染率井下实时监测方法，当要求地层水污染率的误差在10％-30％时，所述方法包括：
1)在水基泥浆存在的条件下，使取样装置进入井下目标地层；
2)通过取样探针将地层流体抽入所述取样装置内，并使所述地层流体通过所述取样装置中设置的电导率测量装置，所述取样装置测量得到的地层流体泵抽体积为V；测量得到的地层流体的电导率为C；测量完成后将所述地层流体从所述取样装置的出口排出；
3)测量所述水基泥浆的电导率Csjnj，并将步骤2)中得到的所述V和所述C带入式(1)得到地层水的电导率Cdcs；
式(1)中，C为所述地层流体的电导率，单位为S/m；Cdcs为所述地层水的电导率，单位为S/m；参数n和m取-1≤n＜m≤4的整数，αi单位为S/m4，αi的取值通过最小二乘法根据实际抽吸过程实时测量到的电导率C以及对应的地层流体泵抽体积V进行拟合、调试获取得到；地层流体泵抽体积V的单位为m3；
4)人为设定地层水污染率k’的值，所述k’的取值范围是0％-70％，
将所述k’、步骤3)中得到的所述Cdcs和所述Csjnj带入公式(2)，计算当污染率为k’时的地层流体的电导率C′，并将所述C′带入公式(1)中，结合步骤3)中得到的所述Cdcs、步骤3)计算所述Cdcs时的参数n、m以及αi，得到理想的地层流体泵抽体积V′；
式(2)中，k为实际污染率；C为地层流体电导率，单位为S/m；Cdcs为地层水电导率，单位为S/m；Csjnj为水基泥浆的电导率，单位为S/m；
按照步骤2)的操作方式测量抽取V′时的地层流体电导率C″，并使用所述V′作为输入神经元，所述C″作为输出神经元构建第二神经网络模型；构建完成后，预测特定地层流体泵抽体积时的地层流体电导率，即为地层水电导率Cdcs′；
5)将步骤4)中得到的C″，Cdcs′和步骤3)中得到的Csjnj带入公式(2)，即可得到实际的地层水污染率。
2.根据权利要求1所述的地层水污染率井下实时监测方法，其中，
步骤4)中所述地层水电导率Cdcs′的获取方法包括：
构建所述第二神经网络模型：所述第二神经网络模型为输入1个神经元、10个隐藏神经元，输出1个神经元的BP神经网络模型，激活函数使用sigmoid函数，所述输入神经元为V′，所述输出神经元为C″；带入步骤4)测量得到的V′和C″进行训练，训练完成后得到所述第二神经网络模型，设置输入神经元抽取特定地层流体体积时对应的输出神经元地层流体电导率即为地层水电导率Cdcs′；
可选地，所述特定地层流体体积为6500-10000立方厘米。
3.根据权利要求1所述的地层水污染率井下实时监测方法，其中，步骤2)中所述取样装置的取样探针座封于井壁上；可选地，步骤3)中所述水基泥浆的电导率Csjnj在地面测量得到。
4.地层水污染率井下实时监测方法，当地层水污染率的误差要求在10％以下时，所述方法包括：
1)在水基泥浆存在的条件下，使取样装置进入井下目标地层；
2)通过取样探针将地层流体抽入所述取样装置内，并使所述地层流体通过所述取样装置中设置的电导率测量装置，所述取样装置测量得到的地层流体泵抽体积为V；测量得到的地层流体的电导率为C；测量完成后将所述地层流体从所述取样装置的出口排出；
3)测量水基泥浆的电导率Csjnj；
构建第一神经网络模型：将步骤2)测量得到的所述V作为输入神经元，所述C作为输出神经元构建第一神经网络模型；构建完成后，预测特定地层流体泵抽体积时的地层水电导率Cdcs；
4)人为设定污染率k’的值，所述k’的取值范围是0％-70％，
将所述k’、步骤3)中得到的所述Cdcs，以及步骤3)中测量得到的所述Csjnj带入公式(3)，计算得到污染率为k’时的地层流体的电导率C′，
式(3)中，k为实际污染率；KT为温度系数，KT＝(T+20℃)/20℃，T为地层流体温度，单位为℃；C为地层流体电导率，单位为S/m；Cdcs为地层水电导率，单位为S/m；Csjnj为水基泥浆的电导率，单位为S/m；a、b、c为水基泥浆中的任一电解质水溶液质量浓度与该电解质水溶液电导率的二次函数关系中的系数，其中，a为二次函数中的二次项系数，b为二次函数中的一次项系数，c为二次函数中的常数项；
并将所述C′、步骤3)中得到的所述Cdcs、步骤3)中测量得到的V和C通过最小二乘法进行拟合、调试获得αi、参数n和m取-1≤n＜m≤4的整数，带入公式(1)中，得到理想的地层流体泵抽体积V′；
按照步骤2)的操作测量抽取V′时的地层流体电导率C″；并使用所述V′作为输入神经元，所述C″作为输出神经元构建第二神经网络模型；预测特定地层流体泵抽体积时的地层流体电导率，即为地层水电导率Cdcs′；
5)将步骤4)中得到的C″，Cdcs′和步骤3)中得到的Csjnj带入公式(3)，即可得到实际的地层水污染率。
5.根据权利要求4所述的地层水污染率井下实时监测方法，其中，
步骤3)中所述地层水电导率Cdcs的获取方法包括：
构建所述第一神经网络模型：所述第一神经网络模型为输入1个神经元、10个隐藏神经元，输出1个神经元的BP神经网络模型，激活函数使用sigmoid函数，所述输入神经元为V，所述输出神经元为C；带入步骤2)测量得到的V和C进行训练，训练完成后得到所述第一神经网络模型；设置输入神经元抽取特定地层流体体积时对应的输出神经元地层流体电导率即为地层水电导率Cdcs；
可选地，所述特定地层流体体积为6500-10000立方厘米。
6.根据权利要求4所述的地层水污染率井下实时监测方法，其中，
步骤4)中所述地层水电导率Cdcs′的获取方法包括：
构建所述第二神经网络模型：所述第二神经网络模型为输入1个神经元、10个隐藏神经元，输出1个神经元的BP神经网络模型，激活函数使用sigmoid函数，所述输入神经元为V′，所述输出神经元为C″；带入步骤4)测量得到的V′和C″进行训练，训练完成后得到所述第二神经网络模型，设置输入神经元抽取特定地层流体体积时对应的输出神经元地层流体电导率即为地层水电导率Cdcs′；
可选地，所述特定地层流体体积为6500-10000立方厘米。
7.根据权利要求4所述的地层水污染率井下实时监测方法，其中，步骤2)中所述取样装置的取样探针座封于井壁上；可选地，步骤3)中所述水基泥浆的电导率Csjnj在地面测量得到；可选地，步骤4)中所述电解质为NaCl或KCl。
8.根据权利要求1至7中任一项所述的地层水污染率井下实时监测方法，使用地层水污染率井下实时检测装置来实现。
9.根据权利要求8所述的地层水污染率井下实时监测方法，其中，所述地层水污染率井下实时检测装置包含取样装置和电导率测量模块；所述取样装置包括取样探针，所述取样探针通过管路与电导率测量模块相连，所述电导率测量模块通过管路与取样装置出口相连。
10.根据权利要求8或9所述的地层水污染率井下实时监测方法，其中，所述地层水污染率井下实时检测装置为地层测压取样仪EFDT。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010581106.0A CN111810115B (zh) | 2020-06-23 | 2020-06-23 | 地层水污染率井下实时监测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010581106.0A CN111810115B (zh) | 2020-06-23 | 2020-06-23 | 地层水污染率井下实时监测方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111810115A true CN111810115A (zh) | 2020-10-23 |
| CN111810115B CN111810115B (zh) | 2023-08-15 |
Family
ID=72844788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010581106.0A Active CN111810115B (zh) | 2020-06-23 | 2020-06-23 | 地层水污染率井下实时监测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111810115B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112761631A (zh) * | 2021-01-12 | 2021-05-07 | 中国海洋石油集团有限公司 | 纯地层水的密度确定方法、取样方法和污染率的确定方法 |
| CN113392538A (zh) * | 2021-07-09 | 2021-09-14 | 中国海洋石油集团有限公司 | 水基泥浆条件下的地层水污染率的处理方法及装置 |
| CN115081553A (zh) * | 2022-08-16 | 2022-09-20 | 安徽节源环保科技有限公司 | 一种环保数据监测与处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150135814A1 (en) * | 2013-11-20 | 2015-05-21 | Schlumberger Technology Corporation | Method And Apparatus For Water-Based Mud Filtrate Contamination Monitoring In Real Time Downhole Water Sampling |
| US20170067338A1 (en) * | 2015-09-04 | 2017-03-09 | Schlumberger Technology Corporation | Downhole Filtrate Contamination Monitoring with Corrected Resistivity or Conductivity |
| CN107451313A (zh) * | 2016-06-01 | 2017-12-08 | 中国石油化工股份有限公司 | 一种基于自适应模型的地层泥浆侵入判断方法及系统 |
| US20180171789A1 (en) * | 2016-12-15 | 2018-06-21 | Schlumberger Technology Corporation | Downhole apparatus and technique to measure fluid resistivity |
| CN109989743A (zh) * | 2019-05-06 | 2019-07-09 | 中海油田服务股份有限公司 | 一种确定泥浆滤液侵入深度的方法及系统 |
| CN110905493A (zh) * | 2019-11-21 | 2020-03-24 | 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 |
-
2020
- 2020-06-23 CN CN202010581106.0A patent/CN111810115B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150135814A1 (en) * | 2013-11-20 | 2015-05-21 | Schlumberger Technology Corporation | Method And Apparatus For Water-Based Mud Filtrate Contamination Monitoring In Real Time Downhole Water Sampling |
| US20170067338A1 (en) * | 2015-09-04 | 2017-03-09 | Schlumberger Technology Corporation | Downhole Filtrate Contamination Monitoring with Corrected Resistivity or Conductivity |
| CN107451313A (zh) * | 2016-06-01 | 2017-12-08 | 中国石油化工股份有限公司 | 一种基于自适应模型的地层泥浆侵入判断方法及系统 |
| US20180171789A1 (en) * | 2016-12-15 | 2018-06-21 | Schlumberger Technology Corporation | Downhole apparatus and technique to measure fluid resistivity |
| CN109989743A (zh) * | 2019-05-06 | 2019-07-09 | 中海油田服务股份有限公司 | 一种确定泥浆滤液侵入深度的方法及系统 |
| CN110905493A (zh) * | 2019-11-21 | 2020-03-24 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 杨冬等: "电缆取样泵抽资料在海上储层渗流评价的新应用", 《海洋石油》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112761631A (zh) * | 2021-01-12 | 2021-05-07 | 中国海洋石油集团有限公司 | 纯地层水的密度确定方法、取样方法和污染率的确定方法 |
| CN112761631B (zh) * | 2021-01-12 | 2023-08-11 | 中国海洋石油集团有限公司 | 纯地层水的密度确定方法、取样方法和污染率的确定方法 |
| CN113392538A (zh) * | 2021-07-09 | 2021-09-14 | 中国海洋石油集团有限公司 | 水基泥浆条件下的地层水污染率的处理方法及装置 |
| CN115081553A (zh) * | 2022-08-16 | 2022-09-20 | 安徽节源环保科技有限公司 | 一种环保数据监测与处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111810115B (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111810115B (zh) | 地层水污染率井下实时监测方法与装置 | |
| CN109447532B (zh) | 一种基于数据驱动的油藏井间连通性确定方法 | |
| CN103225500B (zh) | 一种应用三参数自洽迭代算法的新型水淹层测井评价方法 | |
| CN101892837B (zh) | 地层因数确定方法及含油饱和度确定方法 | |
| US20110191029A1 (en) | System and method for well test design, interpretation and test objectives verification | |
| CN113553780B (zh) | 一种基于机器学习的地层孔隙压力预测方法 | |
| CN110162851B (zh) | 一种电缆地层测试泵抽数值模拟及其过程的数值校正方法 | |
| WO2009090460A2 (en) | Method for calculating the ratio of relative permeabilities of formation fluids and wettability of a formation downhole, and a formation testing tool to implement the same | |
| CN111706318B (zh) | 一种确定低渗储层剩余油分布状况的方法 | |
| Feng et al. | Accurate determination of water saturation in tight sandstone gas reservoirs based on optimized Gaussian process regression | |
| Elahi* et al. | Characterization of fracture length and conductivity from tracer test and production data with Ensemble Kalman filter | |
| CN111381292B (zh) | 一种预测砂岩含烃储层的测井解释方法与装置 | |
| CN1896459B (zh) | 导出井下流体的差别流体性质的系统和方法 | |
| JPH0213879A (ja) | 坑井中で検層プローブにより記録したデータから堆積岩中の有機物含有量を予測する方法 | |
| RU2577865C1 (ru) | Способ индикаторного исследования скважин и межскважинного пространства | |
| AU2009332958A1 (en) | Method and apparatus for real time oil based mud contamination monitoring | |
| CN110566196B (zh) | 一种储层连通性分析方法 | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
| CN108412488B (zh) | 快速确定页岩气储层有机孔隙度的测井方法 | |
| CN116384085A (zh) | 一种致密油气藏产能劈分方法 | |
| CN111042805B (zh) | 一种计算地层水矿化度的方法 | |
| CN114075973B (zh) | 地层元素测井曲线重构方法及装置 | |
| Worthington et al. | Optimizing the value of reservoir simulation through quality-assured initialization | |
| Yang et al. | Application of conventional logging interpretation fracture method based on neural network in offshore Oilfield L | |
| RU2768341C1 (ru) | Способ прогнозирования дебита скважин с учетом анизотропии проницаемости карбонатных горных пород |
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 |