CN112761631A - 纯地层水的密度确定方法、取样方法和污染率的确定方法 - Google Patents
纯地层水的密度确定方法、取样方法和污染率的确定方法 Download PDFInfo
- Publication number
- CN112761631A CN112761631A CN202110035681.5A CN202110035681A CN112761631A CN 112761631 A CN112761631 A CN 112761631A CN 202110035681 A CN202110035681 A CN 202110035681A CN 112761631 A CN112761631 A CN 112761631A
- Authority
- CN
- China
- Prior art keywords
- density
- pure
- formation water
- pumping
- determining
- 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
- 239000008398 formation water Substances 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005070 sampling Methods 0.000 title claims abstract description 52
- 239000012530 fluid Substances 0.000 claims abstract description 174
- 238000005086 pumping Methods 0.000 claims abstract description 129
- 238000005553 drilling Methods 0.000 claims abstract description 100
- 239000000706 filtrate Substances 0.000 claims abstract description 79
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000001739 density measurement Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000011109 contamination Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 239000012065 filter cake Substances 0.000 claims description 4
- 238000003825 pressing Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 22
- 239000000523 sample Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 16
- 230000015572 biosynthetic process Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000009530 blood pressure measurement Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000008151 electrolyte solution Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 208000033748 Device issues Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000007723 transport mechanism Effects 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
- 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
- E21B47/00—Survey of boreholes or wells
-
- 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
-
- 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
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Geophysics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本申请实施例公开了纯地层水的密度确定方法、取样方法和污染率的确定方法；纯地层水的密度确定方法包括：采集预定长度时间内多个时刻的泵抽参数和实际流体密度测量值，作为样本数据；通过样本数据训练预设的神经网络模型，得到所采集的实际流体密度测量值和泵抽参数之间的对应关系；根据预设泵抽参数和对应关系，确定纯地层水的密度值。污染率的确定方法包括：根据所确定的纯地层水密度、纯钻井液滤液密度以及当前采集的实际流体密度测量值，根据污染率公式确定水基钻井液滤液的污染率。
Description
技术领域
本申请实施例涉及但不限于测井领域，尤其涉及纯地层水的密度确定方法、取样方法和污染率的确定方法。
背景技术
油田勘探和生产中，油田工作者经常会关心地层水的组成，最直观的方法，就是使用电缆地层测压取样仪器或者随钻地层测压取样仪器，将仪器下放到井下预定的深度，获取样品。但是，钻井时，由于地层的渗透性，水基钻井液不断地渗滤到地层中，若水基钻井液侵入地层太深，水基钻井液滤液和原状地层水相互溶解，造成地层严重污染；因此，当水基钻井液钻井时，预测原状地层水(纯地层水)的取样时机面临巨大的挑战。原状地层水样品的获得，很大程度上依赖于测井过程中对水基钻井液滤液污染率的确定。抽取原状地层水(纯地层水)时，先抽到的是钻井液滤液，之后是钻井液滤液和原状地层水的混合物，只有抽取时间充分久，抽取到地层水样品中原始地层水含量的百分比才能达到令人满意的程度。但问题是，抽吸是要付出时间的，不可能永远抽吸下去，时间、经济上都会有很大的损失，因此，预测原状地层水(纯地层水)的取样时机特别重要。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本公开提供了一种纯地层水的密度确定方法，可以实时计算出纯地层水密度。
本公开提供了一种纯地层水的取样方法，可以准确确定纯地层水的取样时间。
本公开提供了一种污染率的确定方法，可以实时、准确计算水基钻井液滤液污染率。
一方面，本公开提供了一种纯地层水的密度确定方法，所述方法包括：
采集预定长度时间内多个时刻的泵抽参数和实际流体密度测量值，作为样本数据；
通过所述样本数据训练预设的神经网络模型，得到所采集的实际流体密度测量值和泵抽参数之间的对应关系；
根据预设泵抽参数和所述对应关系，确定纯地层水的密度值；其中，所述预设泵抽参数是预计采集到纯地层水时的泵抽参数。
一种示例性的实施例中，所述泵抽参数为泵抽体积或泵抽时间；
当所述泵抽参数为泵抽体积时，预设泵抽参数为大于预设阈值的泵抽体积；
当所述泵抽参数为泵抽时间时，预设泵抽参数为大于预设阈值的泵抽时间。
一种示例性的实施例中，所述神经网络模型为ANN模型时，以泵抽体积或泵抽时间作为神经网络模型的输入变量，以实际流体密度测量值作为神经网络模型的输出。
一种示例性的实施例中，所述神经网络模型为RBF模型时，以所采集的实际流体密度测量值随泵抽体积或泵抽时间的变化数据作为神经网络模型的输入数据，以实际流体密度测量值与泵抽体积或泵抽时间之间的关系作为神经网络模型的输出。
另一方面，本公开还提供了一种纯地层水的取样方法，所述方法包括：
根据上述实施例中任一项确定纯地层水密度；
根据预设的水基钻井液滤液污染率、纯地层水密度、纯钻井液滤液密度，确定预期的实际流体密度值；
根据所采集的实际流体密度测量值和所述预期的实际流体密度值确定取样时间；
根据所确定的取样时间进行采集。
一种示例性的实施例中，所述根据预设的水基钻井液滤液污染率、纯地层水密度、纯钻井液滤液密度，确定预期的实际流体密度值包括：
根据预设的水基钻井液滤液污染率、纯地层水密度、纯钻井液滤液密度，采用密度计算公式确定预期的实际流体密度值；
其中，所述密度计算公式为：
ρ＝ερmf+(1-ε)ρfw；
上述公式中，ε为预设的水基钻井液滤液污染率，ρ为预期的实际流体密度值，ρmf为纯钻井液滤液密度，ρfw为纯地层水密度。
一种示例性的实施例中，所述纯钻井液滤液密度采用以下方式确定：
开始泵抽时，测量流体密度作为纯钻井液滤液密度；
或，从井下获取钻井液滤饼到地面，并压出滤液，利用EFDT或IFSA测量仪测量该流体的密度，并将该密度矫正到所采集地层对应的温度、压力下的密度作为纯钻井液滤液密度；
或，测量时，根据预先设置的各种类型纯钻井液滤液密度与温度、压力的对应关系、钻井液类型以及测量时地层对应的温度、压力，计算该测量时钻井液滤液的密度作为纯钻井液滤液密度。
另一方面，本公开还提供了一种污染率的确定方法，其特征在于，所述方法包括：
根据上述实施例中任一项纯地层水的密度确定；
根据所确定的纯地层水密度、纯钻井液滤液密度以及当前采集的实际流体密度，根据污染率公式确定水基钻井液滤液污染率；
其中，所述污染率公式为：
上述公式中，ε为污染率系数，ρ为当前采集的实际流体测量密度，ρmf为纯钻井液滤液密度，ρfw为纯地层水密度。
另一方面，本公开还提供了一种装置，包括存储器和处理器；所述存储器用于保存用于确定纯地层水密度或进行纯地层水取样的程序，所述处理器用于读取执行所述用于确定纯地层水密度或进行纯地层水取样的程序，执行上述实施例中任一项所述的纯地层水的密度确定方法或上述实施例中任一项所述纯地层水的取样方法或上述实施例中任一项所述污染率的确定方法。
另一方面，本公开还提供了一种存储介质，所述存储介质中存储有用于确定纯地层水密度或进行纯地层水取样的程序，所述程序被设置为在运行时执行上述实施例中任一项所述的纯地层水的密度确定方法或上述实施例中任一项所述纯地层水的取样方法或上述实施例中任一项所述污染率的确定方法。
本申请实施例公开了一种纯地层水的密度确定方法包括：采集预定长度时间内多个时刻的泵抽参数和实际流体密度测量值，作为样本数据；通过样本数据训练预设的神经网络模型，得到所采集的实际流体密度测量值和泵抽参数之间的对应关系；根据预设泵抽参数和对应关系，确定纯地层水的密度值。通过本公开的方案，可以实时确定所采集的实际流体密度值，从而实时计算出纯地层水密度。
本申请实施例公开了一种纯地层水的取样方法，所述方法包括：根据上述实施例中任一项确定纯地层水密度；根据预设的水基钻井液滤液污染率、纯地层水密度、纯钻井液滤液密度，确定预期的实际流体密度值；根据所采集的实际流体密度测量值和所述预期的实际流体密度值确定取样时间；根据所确定的取样时间进行采集。通过本公开的方案，可以准确确定纯地层水的取样时间。
本申请实施例公开了一种污染率的确定方法包括：根据所确定的纯地层水密度、纯钻井液滤液密度以及当前采集的实际流体密度测量值，根据污染率公式确定水基钻井液滤液的污染率。通过本公开的方案，可实时计算水基钻井液滤液污染率。
在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
图1为本公开实施例中纯地层水的密度确定方法流程图；
图2为一些示例性实施例中井下EFDT密度测量装置示意图；
图3为一些示例性实施例中井下IFSA密度测量装置示意图；
图4为一些示例性实施例中人工神经网络ANN预测纯地层水密度值示意图；
图5为本公开实施例中纯地层水的取样方法流程图；
图6为一些示例性实施例中电解质溶液浓度与密度关系图；
图7为一些示例性实施例中实时预测地层水密度值的效果展示；
图8为本公开实施例中污染率的确定方法流程图；
图9为本公开实施例的装置示意图。
具体实施方式
下文中将结合附图对本申请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。
本公开实施例提供了一种纯地层水密度的确定方法，如图1所示，所述方法包括：
S100.采集预定长度时间内多个时刻的泵抽参数和实际流体密度测量值，作为样本数据；
S110.通过样本数据训练预设的神经网络模型，得到所采集的实际流体密度测量值和泵抽参数之间的对应关系；
S120.根据预设泵抽参数和所述对应关系，确定纯地层水的密度值；其中，所述预设泵抽参数是预计的能够采集到纯地层水时的泵抽参数。
本实施例中，采集预定长度时间内多个时刻的井下电缆或随钻地层测试仪的泵抽参数和实际流体密度测量值可以通过地层测压取样仪(EFDT)或随钻取样仪器(IFSA)采集。
通过地层测压取样仪(EFDT)采集泵抽参数和实际流体密度值的实现方式，如图2所示，包括：
测井前，将地层测压取样仪(EFDT)放置到井下目标深度，然后将探针座封于井壁之上，座封成功后，开始启动活塞泵，地层流体通过吸口进入到管线之内，经过密度测量装置，产生密度信号值(实时测量的流体密度值)，数据经过电缆的远程传输，实时上传给地面测井系统。
通过随钻取样仪器(IFSA)采集泵抽参数和实际流体密度值实现方式，如图3所示，包括：
测井前，将随钻取样仪器(IFSA)放置到井下目标深度，地面系统通过泥浆传输装置与井下泥浆传输装置进行通讯，井下泥浆传输装置将地面命令下发给随钻取样仪器。之后，随钻取样仪器将探针座封于井壁之上，座封成功后，开始启动活塞泵，地层流体通过吸口进入到管线之内，经过密度测量装置，产生密度信号值(实时测量的流体密度值)，数据经过泥浆传输装置，实时上传给地面测井系统。
本实施例中，通过样本数据训练预设的神经网络模型，得到所采集的实际流体密度值和泵抽参数之间的对应关系。
本实施例中，对样本数据训练的模型并不进行具体限定，也可以是通过样本数据训练预设的除神经网络之外的其他模型，例如：冥函数、对数函数、指数函数、双曲函数等，得到所采集的实际流体密度值和泵抽参数之间的对应关系。
一种示例性实施例中，所述泵抽参数为泵抽体积或泵抽时间；当所述泵抽参数为泵抽体积时，预设泵抽参数为大于预设阈值的泵抽体积；当所述泵抽参数为泵抽时间时，预设泵抽参数为大于预设阈值的泵抽时间。该预设阈值可以为无限大或者预先设定的固定值。例如：当泵抽参数趋近无限大时，训练模型有极限值，则预设阈值为无限大；当泵抽参数趋近无限大时，训练模型无明显极限值，则预设阈值泵抽体积为500升或泵抽时间为基于泵抽速率计算出泵抽500升流体所需的时间。预设阈值可根据地层和流体性质以及探针类型进行调整，例如，当地层钻井液侵入较小时，预设阈值可以变小(例如50升)，当地层钻井液侵入较大时，预设阈值可以变大(例如1000升)。
一种示例性实施例中，神经网络模型为ANN模型时，以泵抽体积或泵抽时间作为神经网络模型的输入变量，以实际流体密度值作为神经网络模型的输出。通过人工神经网络(ANN)的方法预测纯地层水密度值，如图4所示，包括：
基于泵抽体积V＝[V1，V2，...，Vn]或泵抽时间t＝[t1，t2，...，tn]作为神经网络模型输入层的输入变量；在隐藏层中假设模型参数为W和b(隐藏层可为单层或多层)，神经网络的输出变量为a＝g(Wp+b)，其中，p为输入变量和g是转换函数例如Sigmoid函数或其他函数。输出层是利用神经网络模型预测密度ρ＝[ρ1，ρ2，...，ρn]。在此预测过程中，计算损失函数
用梯度下降法或拟牛顿法调整参数W和b使损失函数达到全局最小，从而得到最优模型ρ＝f(V，W，b)或ρ＝f(t，W，b)。最后，使泵抽体积V或泵抽时间t为预设阈值，最终得到纯地层水的密度。
一种示例性实施例中，神经网络模型为RBF模型，以所采集的实际流体密度值随泵抽体积或泵抽时间的变化数据作为神经网络模型的输入数据，以实际流体密度值与泵抽体积或泵抽时间之间的关系作为神经网络模型的输出。在本实施例中，通过径向基函数(RBF)神经网络的方法预测地层水密度值。
输入数据为井下测量的密度ρ＝[ρ1，ρ2，...，ρn]随泵抽体积V＝[V1，V2，...，Vn]或泵抽时间t＝[t1，t2，...，tn]的变化数据。
hj(V)或hj(t)是隐含层RBF隐含层只有一层，wj为隐含层到输入层的连接权重，ρ为输出层。其中，该隐含层到输入层的连接权重值的大小可以用梯度下降法或牛顿法优化得到。
隐含层的每个节点都使用非线性函数h(V)或h(t)作为径向基函数，输入层实现从V→hj(V)或t→hj(t)的非线性映射，输出层实现从hj(V)→ρ(V)或hj(t)→ρ(t)的线性映射，输出层，即采集的实际流体密度值与抽吸体积或者抽吸时间之间的关系如下：
上述公式中：n为输入层节点数(根据变量数量有关，抽吸时间或抽吸体积，n为1)；m为隐含层节点数(可以选择6个节点数)，p为输出层节点数；wjk为隐含层第j个神经元与输出层第k个神经元的连接权值(该权值是预先设置值)；hj(V)或hj(t)为隐含层第j个神经元的作用函数，即
其中，V或t为n维输入向量；Cj为第j基函数数的中心(Cj是向量的平均值)，与V或t具有相同维数的向量，σj为第j个基函数的宽度(σj是向量的方差，可计算得到)，m为感知单元的个数(隐含层的节点数)。||V-Cj||或||t-Cj||为向量的范数，它表示hj(V)或hj(t)与Cj之间的最大距离；hj(V)或hj(t)在Cj处有唯一的最大值，随着||V-Cj||或||t-Cj||的增加，hj(V)或hj(t)迅速衰减到0。对于给定的输入，只有一小部分靠近V或t的中心被激活；当确定了RBF网络的聚类中心Cj(K均值聚类，规定K后就可计算平均值得到)、权值wjk后，给定一组样本数据，网络输出实际流体密度值。
本实施例中，采用的神经网络模型可以为RBF模型，也可以为其他类型的神经网络模型，对此模型的类型并不进行具体的限定。
在本实施例中，根据预设泵抽参数和所述对应关系，确定纯地层水的密度值；其中，所述预设泵抽参数是预计的能够采集到纯地层水时的泵抽参数。
一种示例性实施例中，当所述泵抽参数为泵抽体积时，预设泵抽参数为趋于无限大的泵抽体积；当所述泵抽参数为泵抽时间时，预设泵抽参数为趋于无限大的泵抽时间。
本公开实施例提供了一种纯地层水的取样方法，如图5所示，方法包括：
步骤S500.根据上述实施例中任一项确定纯地层水密度；
步骤S510.根据预设的污染率、纯地层水密度、纯钻井液滤液密度，确定预期的实际流体密度；
步骤S520.根据所采集的实际流体测量密度值和预期的实际流体密度确定取样时间；
步骤S530.根据所确定的取样时间进行采集。
在本实施例中，根据确定纯地层水密度方法确定纯地层水密度。
一种示例性实施例中，在给定温度和压力下，电解质溶液的密度随溶液浓度而变化，该电解质溶液替代水基钻井液滤液和地层水，通过实验数据测量和拟合发现密度和浓度之间为线性关系，如图6所示：
ρ＝ax+b (4)
通过上述电解质溶液和密度的关系可以推算钻井液滤液即实时采集流体的密度和密度之间的关系：
假设纯钻井液浓度为xmf，由式(4)可得纯钻井液滤液的密度为：
ρmf＝axmf+b
假设纯地层水的浓度为xfw，由式(4)可得纯地层水的密度为：
ρfw＝axfw+b
定义钻井液滤液的污染率为：
将上面二式代入可得：
因此，可以得到纯地层水密度和纯钻井液滤液密度与实际流体密度之间符合下列混合规则：
ρ＝ερmf+(1-ε)ρfw (5)
在上述公式中，ε为预设污染率，ρ为预期的实际流体密度，ρmf为纯钻井液滤液密度，ρfw为纯地层水密度。
该预设污染率可以根据实际情况进行设置，比如10％。
一种示例性实施例中，所述纯钻井液滤液密度采用以下方式确定：
开始泵抽时，测量流体密度作为纯钻井滤液液密度；
或，从井下获取钻井液滤饼到地面，并压出滤液，利用EFDT或IFSA测量仪测量该流体的密度，并将该密度矫正到所采集地层对应的温度、压力下的密度作为纯钻井液滤液密度；
或，测量时，根据预先设置的各种类型纯钻井液滤液密度与温度、压力的对应关系、钻井液类型以及测量时地层对应的温度、压力，计算该测量时钻井液滤液的密度作为纯钻井液滤液密度。
在本实施例中，根据所采集的实际流体密度和所述预期的实际流体密度确定取样时间；也可以通过实时监测污染率，和预设污染率比较，来确定取样时间。
下面用一个示例说明上述实施例：
步骤1.采集预定长度时间内多个时刻的泵抽参数和实际流体密度测量值，作为样本数据；
在本步骤中，所述泵抽参数为泵抽体积或泵抽时间。
步骤2.通过所述样本数据训练预设的神经网络模型，得到所采集的实际流体密度测量值和泵抽参数之间的对应关系；
在本步骤中，所述神经网络模型为ANN模型时，以泵抽体积或泵抽时间作为神经网络模型的输入变量，以实际流体密度测量值作为神经网络模型的输出。
所述神经网络模型为RBF模型，以所采集的实际流体密度测量值随泵抽体积或泵抽时间的变化数据作为神经网络模型的输入数据，以实际流体密度测量值与泵抽体积或泵抽时间之间的关系作为神经网络模型的输出。
步骤3.根据预设泵抽参数和对应关系，确定纯地层水的密度值；
在本步骤中，其中，预设泵抽参数是预计的能够采集到纯地层水时的泵抽参数；
例如，当所述泵抽参数为泵抽体积时，预设泵抽参数为趋于无限大或者预设泵抽体积阈值；当所述泵抽参数为泵抽时间时，预设泵抽参数为趋于无限大或预设泵抽时间阈值。
步骤4.确定纯钻井液滤液密度；
确定纯钻井液滤液密度可以采用以下方式确定：
开始泵抽时，测量流体密度作为纯钻井液滤液密度；
或，从井下获取钻井液滤饼到地面，并压出滤液，利用EFDT测量仪测量该流体的密度，并将该密度矫正到所采集地层对应的温度、压力下的密度作为纯钻井液滤液密度；
或，测量时，根据预先设置的各种类型纯钻井液密度与温度、压力的对应关系、钻井液类型以及测量时地层对应的温度、压力，计算该测量时钻井液滤液的密度作为纯钻井液滤液密度。
步骤5.根据预设的污染率、纯地层水密度、纯钻井液滤液密度，确定预期的实际流体密度；
所述根据预设的污染率、纯地层水密度、纯钻井液滤液密度，确定预期的实际流体密度包括：
根据预设的污染率、纯地层水密度、纯钻井液滤液密度，采用密度计算公式确定预期的实际流体密度；
其中，所述密度计算公式为：
ρ＝ερmf+(1-ε)ρfw；
上述公式中，ε为预设污染率，ρ为预期的实际流体密度，ρmf为纯钻井液滤液密度，ρfw为纯地层水密度。
步骤6.根据所采集的实际流体测量密度和所述预期的实际流体密度确定取样时间；
步骤7.根据所确定的取样时间进行采集。
上述示例，通过建立水基钻井液滤液污染率预测模型，可以在取样泵出的过程中，实时确定纯地层水的污染率，预测最佳取样时机。例如，当样品污染率小于用户的要求值(如水基钻井液滤液污染率预设值为10％)时，可以进行井下纯地层水取样。如图7所示，径向基函数神经网络方法预测的纯地层水密度值，可以通过该预测获得最佳的取样时机。
另一方面，本公开还提供了一种污染率的确定方法，如图8所示，所述方法包括：
步骤S800.根据上述实施例中任一项纯地层水的密度确定；
步骤S810.根据所确定的纯地层水密度、纯钻井液滤液密度以及当前采集的实际流体密度，根据污染率公式确定水基钻井液滤液污染率；
其中，所述污染率公式为：
上述公式中，ε为污染率，ρ为当前采集的实际流体测量密度，ρmf为纯钻井液滤液密度，ρfw为纯地层水密度。
在本实施例中，可以根据上述实施例中任一项确定纯地层水的密度。纯钻井液滤液密度的确定可以采用上述实施例的方法进行确定。
通过本实施例方案，可实时计算水基钻井液滤液污染率。
本公开实施例还提供了一种装置，如图9所示，包括：包括存储器和处理器；所述存储器用于保存用于确定纯地层水密度或进行纯地层水取样的程序，所述处理器用于读取执行所述用于确定纯地层水密度或进行纯地层水取样的程序，执行上述实施例中任一项所述的纯地层水的密度确定方法或上述实施例中任一项所述纯地层水的取样方法或上述实施例中任一项所述污染率的确定方法。
本公开实施例还提供了一种存储介质，所述存储介质中存储有用于确定纯地层水密度或进行纯地层水取样的程序，所述程序被设置为在运行时执行上述实施例中任一项所述的纯地层水的密度确定方法或上述实施例中任一项所述纯地层水的取样方法或上述实施例中任一项所述污染率的确定方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (10)
1.一种纯地层水的密度确定方法，其特征在于，所述方法包括：
采集预定长度时间内多个时刻的泵抽参数和实际流体密度测量值，作为样本数据；
通过所述样本数据训练预设的神经网络模型，得到所采集的实际流体密度测量值和泵抽参数之间的对应关系；
根据预设泵抽参数和所述对应关系，确定纯地层水的密度值；其中，所述预设泵抽参数是预计采集到纯地层水时的泵抽参数。
2.根据权利要求1所述的纯地层水的密度确定方法，其特征在于，所述泵抽参数为泵抽体积或泵抽时间；
当所述泵抽参数为泵抽体积时，预设泵抽参数为大于预设阈值的泵抽体积；
当所述泵抽参数为泵抽时间时，预设泵抽参数为大于预设阈值的泵抽时间。
3.根据权利要求2所述的纯地层水的密度确定方法，其特征在于，
所述神经网络模型为ANN模型时，以泵抽体积或泵抽时间作为神经网络模型的输入变量，以实际流体密度测量值作为神经网络模型的输出。
4.根据权利要求2所述的纯地层水的密度确定方法，其特征在于，
所述神经网络模型为RBF模型时，以所采集的实际流体密度测量值随泵抽体积或泵抽时间的变化数据作为神经网络模型的输入数据，以实际流体密度测量值与泵抽体积或泵抽时间之间的关系作为神经网络模型的输出。
5.一种纯地层水的取样方法，其特征在于，所述方法包括：
根据权利要求1-4中任一项确定纯地层水密度；
根据预设的水基钻井液滤液污染率、纯地层水密度、纯钻井液滤液密度，确定预期的实际流体密度值；
根据所采集的实际流体密度测量值和所述预期的实际流体密度值确定取样时间；
根据所确定的取样时间进行采集。
6.根据权利要求5所述的纯地层水的取样方法，其特征在于，所述根据预设的水基钻井液滤液污染率、纯地层水密度、纯钻井液滤液密度，确定预期的实际流体密度值包括：
根据预设的水基钻井液滤液污染率、纯地层水密度、纯钻井液滤液密度，采用密度计算公式确定预期的实际流体密度值；
其中，所述密度计算公式为：
ρ＝ερmf+(1-ε)ρfw；
上述公式中，ε为预设的水基钻井液滤液污染率，ρ为预期的实际流体密度值，ρmf为纯钻井液滤液密度，ρfw为纯地层水密度。
7.根据权利要求5所述的纯地层水的取样方法，其特征在于，所述纯钻井液滤液密度采用以下方式确定：
开始泵抽时，测量流体密度作为纯钻井液滤液密度；
或，从井下获取钻井液滤饼到地面，并压出滤液，利用EFDT或IFSA测量仪测量该流体的密度，并将该密度矫正到所采集地层对应的温度、压力下的密度作为纯钻井液滤液密度；
或，测量时，根据预先设置的各种类型纯钻井液滤液密度与温度、压力的对应关系、钻井液类型以及测量时地层对应的温度、压力，计算该测量时钻井液滤液的密度作为纯钻井液滤液密度。
8.一种污染率的确定方法，其特征在于，所述方法包括：
根据权利要求1-4中任一项纯地层水的密度确定；
根据所确定的纯地层水密度、纯钻井液滤液密度以及当前采集的实际流体测量密度，根据污染率公式确定水基钻井液滤液污染率；
其中，所述污染率公式为：
上述公式中，ε为污染率，ρ为当前采集的实际流体测量密度，ρmf为纯钻井液滤液密度，ρfw为纯地层水密度。
9.一种装置，包括存储器和处理器；其特征在于，
所述存储器用于保存用于确定纯地层水密度或进行纯地层水取样的程序，所述处理器用于读取执行所述用于确定纯地层水密度或进行纯地层水取样的程序，执行权利要求1-4任一项所述纯地层水的密度确定方法或权利要求5-7任一项所述纯地层水的取样方法或权利要求8所述污染率的确定方法。
10.一种存储介质，其特征在于，所述存储介质中存储有用于确定纯地层水密度或进行纯地层水取样的程序，所述程序被设置为在运行时执行权利要求1-4任一项所述纯地层水的密度确定方法或权利要求5-7任一项所述纯地层水的取样方法或权利要求8所述污染率的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110035681.5A CN112761631B (zh) | 2021-01-12 | 2021-01-12 | 纯地层水的密度确定方法、取样方法和污染率的确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110035681.5A CN112761631B (zh) | 2021-01-12 | 2021-01-12 | 纯地层水的密度确定方法、取样方法和污染率的确定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112761631A true CN112761631A (zh) | 2021-05-07 |
| CN112761631B CN112761631B (zh) | 2023-08-11 |
Family
ID=75701540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110035681.5A Active CN112761631B (zh) | 2021-01-12 | 2021-01-12 | 纯地层水的密度确定方法、取样方法和污染率的确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112761631B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113640178A (zh) * | 2021-08-10 | 2021-11-12 | 中海油田服务股份有限公司 | 地层水类型识别方法、污染率确定方法及计算设备 |
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 |
| CN105804737A (zh) * | 2016-05-17 | 2016-07-27 | 西南石油大学 | 一种基于迭代算法求解地层孔隙度的方法 |
| CN110792425A (zh) * | 2019-11-21 | 2020-02-14 | 中国海洋石油集团有限公司 | 一种测量地层流体含水率的方法 |
| CN111042805A (zh) * | 2019-12-11 | 2020-04-21 | 中国海洋石油集团有限公司 | 一种计算地层水矿化度的方法 |
| CN111794744A (zh) * | 2020-07-22 | 2020-10-20 | 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 |
| CN111810115A (zh) * | 2020-06-23 | 2020-10-23 | 中国海洋石油集团有限公司 | 地层水污染率井下实时监测方法与装置 |
-
2021
- 2021-01-12 CN CN202110035681.5A patent/CN112761631B/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 |
| CN105804737A (zh) * | 2016-05-17 | 2016-07-27 | 西南石油大学 | 一种基于迭代算法求解地层孔隙度的方法 |
| CN110792425A (zh) * | 2019-11-21 | 2020-02-14 | 中国海洋石油集团有限公司 | 一种测量地层流体含水率的方法 |
| CN111042805A (zh) * | 2019-12-11 | 2020-04-21 | 中国海洋石油集团有限公司 | 一种计算地层水矿化度的方法 |
| CN111810115A (zh) * | 2020-06-23 | 2020-10-23 | 中国海洋石油集团有限公司 | 地层水污染率井下实时监测方法与装置 |
| CN111794744A (zh) * | 2020-07-22 | 2020-10-20 | 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 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113640178A (zh) * | 2021-08-10 | 2021-11-12 | 中海油田服务股份有限公司 | 地层水类型识别方法、污染率确定方法及计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112761631B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tavassoli et al. | Errors in history matching | |
| WO2020215850A1 (zh) | 一种测定地层流体组成和性质的方法和系统 | |
| CN1826455B (zh) | 改进的泡点压力井下pv测试 | |
| CN112761631B (zh) | 纯地层水的密度确定方法、取样方法和污染率的确定方法 | |
| US10577928B2 (en) | Flow regime identification with filtrate contamination monitoring | |
| US11761330B2 (en) | Subsurface measurement compression and reconstruction | |
| US20200102824A1 (en) | Determining geologic formation permeability | |
| CN111810115B (zh) | 地层水污染率井下实时监测方法与装置 | |
| CN117992928B (zh) | 一种区域化最优基流分割方法、装置、设备和介质 | |
| AU2009332958B2 (en) | Method and apparatus for real time oil based mud contamination monitoring | |
| Akhmetov et al. | Range of application of the Brooks-Corey model for approximation of capillary curves in reservoirs of Western Siberia | |
| CN113027433B (zh) | 计算强非均质性砂砾岩储层渗透率的方法和装置 | |
| CN109989743B (zh) | 一种确定泥浆滤液侵入深度的方法及系统 | |
| US20210388721A1 (en) | System and Method for Contamination Monitoring | |
| CN111794744A (zh) | 一种井下实时监测地层水污染程度的方法 | |
| CN111241652B (zh) | 一种确定地层原油粘度的方法及装置 | |
| CN112132372B (zh) | 用于神经网络的层测井信息无损处理方法和装置 | |
| D'Windt | Reservoir zonation and permeability estimation: A Bayesian approach | |
| CN110568488A (zh) | 一种基于非线性混沌算法的生物礁储层识别方法 | |
| CN110824561B (zh) | 度量时移地震数据可重复性的方法 | |
| Yeh et al. | Numerical identification of parameters in leaky aquifers | |
| RU2768341C1 (ru) | Способ прогнозирования дебита скважин с учетом анизотропии проницаемости карбонатных горных пород | |
| CN113640178A (zh) | 地层水类型识别方法、污染率确定方法及计算设备 | |
| RU2067162C1 (ru) | Способ определения запасов природного газа газоконденсатной залежи | |
| Olapade et al. | Method for Predicting Formation Fluid Contamination from Pump-Out Data and Formation Properties Using Machine Learning |
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 |