CN112930427A - 弹性自适应井下采集系统 - Google Patents
弹性自适应井下采集系统 Download PDFInfo
- Publication number
- CN112930427A CN112930427A CN201980071016.2A CN201980071016A CN112930427A CN 112930427 A CN112930427 A CN 112930427A CN 201980071016 A CN201980071016 A CN 201980071016A CN 112930427 A CN112930427 A CN 112930427A
- Authority
- CN
- China
- Prior art keywords
- decision model
- digital
- decision
- digital decision
- memory
- 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 claims abstract description 165
- 230000004044 response Effects 0.000 claims abstract description 46
- 238000005481 NMR spectroscopy Methods 0.000 claims description 96
- 238000005259 measurement Methods 0.000 claims description 54
- 238000003860 storage Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 22
- 206010048669 Terminal state Diseases 0.000 claims description 17
- 230000000670 limiting effect Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 5
- 238000011065 in-situ storage Methods 0.000 claims description 2
- 230000001225 therapeutic effect Effects 0.000 claims description 2
- 238000005553 drilling Methods 0.000 description 79
- 230000015572 biosynthetic process Effects 0.000 description 42
- 238000005755 formation reaction Methods 0.000 description 42
- 239000012530 fluid Substances 0.000 description 33
- 239000000243 solution Substances 0.000 description 27
- 238000009826 distribution Methods 0.000 description 24
- 230000005540 biological transmission Effects 0.000 description 22
- 238000005457 optimization Methods 0.000 description 17
- 238000005070 sampling Methods 0.000 description 16
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 239000000463 material Substances 0.000 description 13
- 238000013439 planning Methods 0.000 description 13
- 239000011148 porous material Substances 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 12
- 230000002829 reductive effect Effects 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000013459 approach Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 239000011435 rock Substances 0.000 description 9
- 239000000126 substance Substances 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 229930195733 hydrocarbon Natural products 0.000 description 7
- 150000002430 hydrocarbons Chemical class 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000035699 permeability Effects 0.000 description 6
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000003321 amplification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 239000001257 hydrogen Substances 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000012565 NMR experiment Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 230000005251 gamma ray Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 238000000685 Carr-Purcell-Meiboom-Gill pulse sequence Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000004927 clay Substances 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013144 data compression Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000003381 stabilizer Substances 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 241001415846 Procellariidae Species 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- -1 wind Substances 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 244000261422 Lysimachia clethroides Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- XQCFHQBGMWUEMY-ZPUQHVIOSA-N Nitrovin Chemical compound C=1C=C([N+]([O-])=O)OC=1\C=C\C(=NNC(=N)N)\C=C\C1=CC=C([N+]([O-])=O)O1 XQCFHQBGMWUEMY-ZPUQHVIOSA-N 0.000 description 1
- 244000166071 Shorea robusta Species 0.000 description 1
- 235000015076 Shorea robusta Nutrition 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000004649 carbonic acid derivatives Chemical class 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000026058 directional locomotion Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013160 medical therapy Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010995 multi-dimensional NMR spectroscopy Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect 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
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
- G01V3/32—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with electron or nuclear magnetic resonance
-
- 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
- E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
- E21B47/13—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling by electromagnetic energy, e.g. radio frequency
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- High Energy & Nuclear Physics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
Abstract
一种方法可以包括:使用系统执行操作,其中所述操作取决于经由存储在所述系统的存储器中的数字决策模型做出的决策;响应于所述数字决策模型的决策状态,传输更新所述数字决策模型的请求;以及响应于所述请求,接收经更新的数字决策模型,其中所述经更新的数字决策模型包括改进所述系统的所述操作的执行的至少一种新决策状态。
Description
相关申请
本申请要求2018年9月28日提交的序列号为62/738,318的美国临时申请的优先权和权益,该临时申请通过引用并入本文。
背景技术
可以使用包括存储器和遥测电路的系统来执行各种类型的操作,其中存储器可能受到限制和/或其中遥测可能受到限制。
发明内容
一种方法可以包括:使用系统执行操作,其中所述操作取决于经由存储在所述系统的存储器中的数字决策模型做出的决策;响应于所述数字决策模型的决策状态,传输更新所述数字决策模型的请求;以及响应于所述请求,接收经更新的数字决策模型,其中所述经更新的数字决策模型包括改进所述系统的所述操作的执行的至少一种新决策状态。一种系统可以包括:处理器;存储器,所述处理器可访问所述存储器;处理器可执行指令,所述处理器可执行指令存储在所述存储器中并且可由所述处理器执行以指示所述系统:使用所述系统执行操作,其中所述操作取决于经由存储在所述系统的所述存储器中的数字决策模型做出的决策;响应于所述数字决策模型的决策状态,传输更新所述数字决策模型的请求;以及响应于所述请求,接收经更新的数字决策模型,其中所述经更新的数字决策模型包括改进所述系统的所述操作的执行的至少一种新决策状态。一种或多种计算机可读存储介质可以包括:计算机可执行指令,所述计算机可执行指令可执行以指示处理器:要求使用系统执行操作,其中所述操作取决于经由存储在所述系统的存储器中的数字决策模型做出的决策;响应于所述数字决策模型的决策状态,要求传输更新所述数字决策模型的请求;以及响应于所述请求,要求存储在接收到的经更新的数字决策模型的存储器中,其中所述经更新的数字决策模型包括改进所述系统的所述操作的执行的至少一种新决策状态。还公开了各种其他设备、系统、方法等。
提供本概述是为了介绍将在以下详细描述中进一步描述的概念选择。本概述并非意图确认所要求保护的主题的关键或本质特征,也非意图用作限制所要求保护的主题的范围的辅助。
附图说明
通过参考结合附图进行的以下描述,可以更容易地理解所描述的实现方式的特征和优点。
图1示出了地质环境中的装备的示例;
图2示出了系统的示例和井眼类型的示例;
图3示出了系统的示例;
图4示出了系统的示例;
图5示出了系统的示例;
图6示出了系统的示例;
图7示出了方法的示例和系统的示例;
图8示出了方法的示例和工具的示例;
图9示出了系统的示例;
图10示出了微处理器的示例和电路的示例;
图11示出了图形用户界面的示例;
图12示出了方法的示例;
图13示出了系统的示例;
图14示出了曲线图的示例;
图15示出了方法的示例的图表的示例;
图16示出了曲线图的示例;
图17示出了示例曲线图和方法的示例的图表的示例;
图18示出了示例曲线图和方法的示例的图表的示例;
图19示出了方法的示例的示例曲线图;
图20示出了方法的示例的示例曲线图;
图21示出了方法的示例的示例图表;
图22示出了方法的示例的示例曲线图;
图23示出了方法的示例的示例曲线图;
图24示出了用于方法的示例的伪代码的示例;
图25示出了计算和联网装备的示例;以及
图26示出了系统和联网系统的示例部件。
具体实施方式
以下描述包括目前设想用于实践所描述的实现方式的最佳模式的实施方案。该描述不是限制性的,而仅仅是为了描述实现方式的一般原理。应参考所发布的权利要求确定所描述的实现方式的范围。
如所提到的,可以使用包括存储器和遥测电路的系统来执行各种类型的操作,其中存储器可能受到限制和/或其中遥测可能受到限制。
作为示例,可以在现场执行各种操作。例如,将勘探视为石油作业的初始阶段,石油作业包括勘探区或油气藏或两者的生成,以及探井或井眼的钻探。成功勘探之后可能是评估、开采和生产阶段。
井眼可以被称为井筒,并且可以包括裸井部分或无套管部分和/或可以包括套管部分。井眼可以由钻孔壁限定,该钻孔壁由界定井眼的岩石组成。
对于井或井眼,无论是对于勘探、感测、开采、注入还是其他操作中的一项或多项,都可以规划。此类过程可以通常被称为井规划,即可以在地质环境中绘制路径的过程。此类路径可以被称为轨迹,其可以包括三维坐标系中的坐标,其中沿着该轨迹的量度可以是所测量的深度、总垂直深度或另一种类型的量度。在钻井、电缆勘测等期间,装备可能会移入和/或移出井或井眼。此类操作可能会随时间发生,并且可能在时间上变化。作为示例,钻井可以包括使用一个或多个测井工具,其可以在钻井时或以其他方式用钻柱(例如,在静止时,在下钻、起钻时等)执行一个或多个测井操作。作为示例,电缆操作可以包括使用可以执行一个或多个测井操作的一个或多个测井工具。规划过程可能要求执行各种操作,这些操作可以是串行的、并行的、串行和并行的等。
作为示例,可以至少部分地基于施加的约束和已知信息来生成井规划。作为示例,井规划可以被提供给井所有者,批准,并且然后由钻井服务提供方(例如,定向钻机或“DD”)实施。在此类示例中,根据例如井规划,可以使用钻机来进行钻井。在实施井规划期间的一段时间期间,钻机可从一种状态过渡到另一种状态,这可称为钻机状态。作为示例,状态可以是钻井状态,或者可以是未发生钻入地层(例如,岩石)的状态(例如,空闲状态、下钻状态、起钻状态等)。
作为示例,井设计系统可以考虑井场处可能利用的一个或多个钻井系统的一个或多个能力。作为示例,例如当创建各种设计和规格中的一种或多种时,可以要求钻井工程师考虑此类能力。作为示例,例如当能力被利用时,诸如钻机状态的状态可以对应于能力。
作为示例,井设计系统(可以是井规划系统)可以考虑自动化。例如,在井场包括可以例如经由本地和/或远程自动化命令进行自动化的井场装备的情况下,可以以数字形式生成井规划,该井规划可以在至少一些数量的自动化是可能的和期望的情况下在钻井系统中利用。例如,钻井系统可以访问数字井规划,其中可以经由钻井系统的一个或多个自动化机制来利用数字井规划中的信息,以使井场处的一个或多个操作自动化。
作为示例,可以响应于测量而进行钻井或者一个或多个其他操作。例如,随钻测井操作可以采集测量值并且至少部分地基于此类测量值来调整钻井。作为示例,测井操作可以包括至少部分地基于由测井工具或例如另一测井工具(例如,传感器单元等)采集的测量值来移动测井工具、停止测井工具或以其他方式控制测井工具。
作为示例,核磁共振(NMR)单元可用于确定物体、物质或物体和物质的属性。在各种操作中,井下工具可以包括一个或多个可以采集NMR测量值的NMR单元。此类测量值可以提供对一个或多个物体、一种或多种物质等的表征。可以使用电缆技术、钻井技术(例如,随钻测井等)或其他井下技术来采集此类测量值。作为示例,可以在地质环境中利用NMR技术来表征地质环境(例如,地层表征、流体表征等)。
图1示出了地质环境120的示例。在图1中,地质环境120可以是包括多个层(例如,分层)的沉积盆地,所述多个层包括储层121并且可以例如通过断层123(例如,或多个断层)相交。作为示例,地质环境120可以配备有各种传感器、检测器、致动器等。例如,装备122可以包括用于相对于一个或多个网络125接收和/或传输信息的通信电路。此类信息可以包括与井下装备124相关联的信息,所述井下装备可以是用以采集信息、协助资源采收等的装备。其他装备126可以位于远离井场的位置并且包括感测、检测、发射或其他电路。此类装备可以包括存储和通信电路以存储和传送数据、指令等。作为示例,一件或多件装备可以提供(例如,关于一个或多个开采的资源等的)数据的测量、收集、传送、存储、分析等。作为示例,可以提供一个或多个卫星用于通信、数据采集、地理位置等目的。例如,图1示出了与可被配置用于通信的网络125进行通信的卫星,需注意,卫星可以另外地或替代地包括用于成像(例如,空间、频谱、时间、辐射等)的电路。
图1还将地质环境120示出为可选地包括与井相关联的装备127和128,所述井包括可与一个或多个裂缝129相交的基本水平部分。例如,考虑可包括天然裂缝、人工裂缝(例如,水力裂缝)或天然裂缝与人工裂缝的组合的页岩地层中的井。作为示例,可以对横向延伸的储层进行钻井。在此类示例中,可能存在属性、应力等的横向变化,其中对此类变化的评估可以帮助规划、操作等以(例如,经由压裂、注入、提取等)开发储层。作为示例,装备127和/或128可包括用于压裂、地震感测、地震数据分析、NMR测井、评估一个或多个裂缝、注入、开采等的部件、一个或多个系统等。作为示例,装备127和/或128可以提供(例如,关于一个或多个开采的资源的)例如地层数据、流体数据、产量数据等数据的测量、收集、传送、存储、分析等。作为示例,可以提供一个或多个卫星用于通信、数据采集等目的。
图1还示出了装备170的示例和装备180的示例。此类装备(其可以是部件的系统)可以适用于地质环境120。虽然装备170和180被示出为陆基的,但是各种部件可适用于海上系统。如图1所示,装备180可以是车辆携带的移动装备;注意,装备170可以被组装、拆卸、运输和重新组装等。
装备170包括平台171、井架172、天车173、钢丝绳174、游动滑车组件175、绞车176和装卸台177(例如,二层台)。作为示例,钢丝绳174可以至少部分地经由绞车176控制,使得游动滑车组件175相对于平台171在垂直方向上行进。例如,通过绞入钢丝绳174,绞车176可以使钢丝绳174移动穿过天车173并远离平台171向上提升游动滑车组件175;而通过放出钢丝绳174,绞车176可以使钢丝绳174移动穿过天车173并朝向平台171下放游动滑车组件175。在游动滑车组件175承载钻杆(例如,套管等)的情况下,跟踪游动滑车175的移动可以提供关于已经部署多少钻杆的指示。
井架可以是用于支撑天车以及至少部分地经由钢丝绳操作性地耦接到天车的游动滑车的结构。井架可以是金字塔形的并且提供合适的强度重量比。井架可以作为一个单元移动或逐件地移动(例如,将被组装和拆卸)。
作为示例,绞车可包括卷轴、制动器、动力源和各种辅助装置。绞车可以受控地放出和卷入钢丝绳。钢丝绳可以卷绕在天车上并且耦接到游动滑车以获得“滑车组”或“滑轮”方式的机械优势。放出和卷入钢丝绳可致使游动滑车(例如,以及可能悬置在其下面的任何东西)被下放到钻孔中或从钻孔中起出。放出钢丝绳可通过重力提供动力并且通过马达、发动机等(例如,电动机、柴油机等)进行卷入。
作为示例,天车可包括一组滑轮(例如,槽轮),所述滑轮可位于井架或钻塔的顶部处或附近,钢丝绳穿过滑轮。游动滑车可包括一组槽轮,这些槽轮可以经由穿过游动滑车的槽轮组和穿过天车的槽轮组中的钢丝绳在井架或钻塔中上下移动。天车、游动滑车和钢丝绳可以形成井架或钻塔的滑轮系统,这可以使得能够处置重负载(例如,钻柱、钻杆、套管、尾管等)使其提升离开或下放至钻孔。例如,钢丝绳的直径可以是约一厘米至约五厘米,例如钢缆。通过使用一组槽轮,此类钢丝绳可以承载比钢丝绳以单股可支撑的重量更重的负载。
作为示例,井架工可以是在附接到井架或钻塔的平台上工作的钻井队成员。井架可包括井架工可站立的装卸台。作为示例,此类装卸台可以在钻台上方约10米或更高处。在被称为起钻(TOH)的操作中,井架工可穿戴安全带,该安全带使得井架工能够从工作台(例如,二层台)向外倾斜以够到位于井架或钻塔中心处或附近的钻杆,并且将绳索缠绕在钻杆上并将钻杆拉回其储存位置(例如,指梁),直到可能需要将钻杆重新下入钻孔中。作为示例,钻机可包括自动化钻杆处置装备,使得井架工控制机械而不是靠体力处置钻杆。
作为示例,起下钻可以指从钻孔中起出装备和/或将装备下入钻孔的动作。作为示例,装备可包括可从井眼中起出和/或下入或替换到井眼中的钻柱。作为示例,可以在钻头已经钝化或者已经以其他方式不再高效地钻进并且要被替换的情况下执行钻杆的起下。
图2示出了井场系统200的示例(例如,在可以位于陆上或海上的井场处)。如图所示,井场系统200可包括:用于贮存泥浆和其他材料的泥浆罐201(例如,其中泥浆可以是可帮助传输钻屑的钻井液等);用作泥浆泵204的入口的吸入管线203,所述泥浆泵用于从泥浆罐201泵送泥浆使得泥浆流至振动软管206;用于绞盘一根或多根钻井钢丝绳212的绞车207;用于从振动软管206接收泥浆的立管208;用于从立管208接收泥浆的方钻杆软管209;一个或多个鹅颈管210;游动滑车211;用于经由一根或多根钻井钢丝绳212承载游动滑车211的天车213(例如,参见图1的天车173);井架214(例如,参见图1中的井架172);方钻杆218或顶驱240;方钻杆补心219;转盘220;钻台221;喇叭口短节222;一个或多个防喷器(BOP)223;钻柱225;钻头226;套管头227;和用于将泥浆和其他材料输送到例如泥浆罐201的流管228。
在图2的示例系统中,通过旋转钻井在地下地层230中形成井眼232;注意,各种示例实施方案也可以使用定向钻井或一种或多种其他类型的钻井。
如图2的示例所示,钻柱225悬置在井眼232内并且具有钻柱组件250,该钻柱组件在其下端处包括钻头226。作为示例,钻柱组件250可以是底部钻具组件(BHA)。
井场系统200可以提供钻柱225的操作和其他操作。如图所示,井场系统200包括平台215和定位在井眼232上方的井架214。如所提到的,井场系统200可包括转盘220,其中钻柱225穿过转盘220中的开口。
如图2的示例所示,井场系统200可包括方钻杆218和相关联部件等,或者顶驱240和相关联部件。关于方钻杆的示例,方钻杆218可以是方形或六边形金属/合金杆,其中钻有用作泥浆流动路径的孔。方钻杆218可用于将旋转运动从转盘220经由方钻杆补心219传递到钻柱225,同时允许钻柱225在旋转期间下放或升高。方钻杆218可以穿过可由转盘220驱动的方钻杆补心219。作为示例,转盘220可包括主补心,该主补心操作性地耦接到方钻杆补心219,使得转盘220的旋转可转动方钻杆补心219并因此转动方钻杆218。方钻杆补心219可包括与方钻杆218的外部轮廓(例如,正方形、六边形等)匹配的内部轮廓;然而,其具有稍大的尺寸使得方钻杆218可以在方钻杆补心219内自由地上下移动。
关于顶驱示例,顶驱240可以提供由方钻杆和转盘执行的功能。顶驱240可以转动钻柱225。作为示例,顶驱240可包括一个或多个(例如,电动和/或液压)马达,所述马达利用适当的传动装置连接到称为空心轴的短管段,所述短管段又可旋入保护接头或钻柱225本身。顶驱240可以悬置在游动滑车211上,因此该旋转机构可以自由地沿着井架214上下移动。作为示例,顶驱240可以允许使用比方钻杆/转盘方式更多的单根立柱来执行钻井。
在图2的示例中,泥浆罐201可以贮存泥浆,泥浆可以是一种或多种类型的钻井液。作为示例,可以钻取井筒以开采流体、注入流体或两者(例如,烃类、矿物质、水等)。
在图2的示例中,钻柱225(例如,包括一个或多个井下工具)可以由以螺纹方式连接在一起的一系列钻杆组成,以形成在其下端具有钻头226的长管。随着钻柱225进入井筒中用于钻井,在钻井之前或与钻井重合的某个时间点,可以通过泵204从泥浆罐201(例如,或其他来源)将泥浆经由管线206、208和209泵送至方钻杆218的端口,或者例如泵送至顶驱240的端口。泥浆然后可以经由钻柱225中的通道(例如,多个通道)流动并且在位于钻头226上的端口流出(例如,参见方向箭头)。随着泥浆经由钻头226中的端口离开钻柱225,泥浆可以向上循环通过钻柱225的一个或多个外表面与一个或多个周围井壁(例如,裸井眼、套管等)之间的环空区域,如方向箭头所示。以这种方式,泥浆润滑钻头226并将热能(例如,摩擦或其他能量)和地层岩屑携带至地面,其中泥浆(例如,以及岩屑)可以返回到泥浆罐201例如用于再循环(例如,通过处理以去除岩屑等)。
由泵204泵送到钻柱225中的泥浆在离开钻柱225之后可以形成贴附在井筒的泥饼,除了其他功能之外,这可以减小钻柱225与一个或多个周围井壁(例如,井眼、套管等)之间的摩擦。摩擦的减小可以促进钻柱225的前进或回缩。在钻井操作期间,整个钻柱225可以从井筒中起出并且可选地例如用新的或锋利的钻头、较小直径的钻柱等替换。如所提到的,将钻柱起出井眼或在井眼中替换钻柱的动作被称为起下钻。根据起下钻方向,起下钻可以被称为向上起钻或向外起钻或向下下钻或向内下钻。
作为示例,考虑向下下钻,其中在钻柱225的钻头226到达井筒底部时,泥浆的泵送开始润滑钻头226以用于钻井目的以扩大井筒。如所提到的,可以通过泵204将泥浆泵送到钻柱225的通道中,并且在填充通道时,泥浆可以用作传输能量(例如,可以像泥浆脉冲遥测那样编码信息的能量)的传输介质。
作为示例,泥浆脉冲遥测装备可以包括井下装置,该井下装置被配置为实现泥浆中的压力变化以产生可基于其来调制信息的一个或多个声波。在此类示例中,来自井下装备(例如,钻柱225的一个或多个部件)的信息可以向上传输到井口装置,该井口装置可以将此类信息中继到其他装备以进行处理、控制等。
作为示例,遥测装备可以通过经由钻柱225本身传输能量来操作。例如,考虑将经编码的能量信号传递给钻柱225的信号发生器,以及可以接收这种能量并对其进行中继以进一步传输经编码的能量信号(例如,信息等)的中继器。
作为示例,钻柱225可以配备有遥测装备252,该遥测装备包括:可旋转驱动轴;涡轮叶轮,其机械地耦接到驱动轴,使得泥浆可以使涡轮叶轮旋转;调制器转子,其机械地耦接到驱动轴,使得涡轮叶轮的旋转导致所述调制器转子旋转;调制器定子,其邻近或接近调制器转子而安装,使得调制器转子相对于调制器定子的旋转在泥浆中产生压力脉冲;以及可控制动器,其用于选择性地制动调制器转子的旋转以调制压力脉冲。在此类示例中,交流发电机可以耦接到上述驱动轴,其中交流发电机包括至少一个定子绕组,该定子绕组电耦接到控制电路,以选择性地使该至少一个定子绕组短路以电磁制动交流发电机,从而选择性地制动调制器转子的旋转以调制泥浆中的压力脉冲。
在图2的示例中,井口控制和/或数据采集系统262可包括用于感测由遥测装备252生成的压力脉冲并且(例如)传送感测到的压力脉冲或从中导出的信息以用于处理、控制等的电路。
所示示例的组件250包括随钻测井(LWD)模块254、随钻测量(MWD)模块256、可选模块258、旋转导向系统(RSS)和/或马达260以及钻头226。此类部件或模块可以被称为工具,其中钻柱可以包括多个工具。
对于RSS,它涉及用于定向钻井的技术。定向钻井涉及钻入地球以形成偏斜的钻孔,使得钻孔的轨迹不垂直;相反,轨迹沿着钻孔的一个或多个部分偏离垂直方向。作为示例,考虑位于距离可能固定钻机的地面位置的横向距离处的目标。在此类示例中,钻井可以从垂直部分开始,并且然后偏离垂直方向,使得钻孔对准目标并最终到达目标。定向钻井可在以下情况下实施:在地球表面垂直位置无法到达目标的情况下,在地球上存在可能阻碍钻井或以其他方式有害的材料(例如,考虑盐丘等)的情况下,在地层是横向延伸的(例如,考虑相对较薄但横向延伸的储层)情况下,在要从单个地面钻孔中钻出多个钻孔的情况下,在期望减压井的情况下等。
定向钻井的一种方法涉及使用泥浆马达;但是,泥浆马达可能会遇到一些挑战,取决于诸如钻速(ROP)、由于摩擦而将钻压转移到钻头上(例如,钻头钻压、WOB)等因素。泥浆马达可以在定向钻井期间进行操作以驱动钻头的容积式马达(PDM)。PDM在钻井液泵送通过它时进行操作,该PDM将钻井液的液压动力转换成机械动力,以使钻头旋转。当钻柱不从地面旋转时,PDM可以在所谓的滑动模式下进行操作。
RSS可以在地面装备有连续旋转的地方进行定向钻井,这可以减轻导向马达(例如,PDM)的滑动。当定向钻井时(例如,偏斜、水平或延伸的井),可以部署RSS。RSS可以旨在使与井眼壁的相互作用最小化,这可以帮助保持井眼质量。RSS可以旨在施加与稳定器类似的相对一致的侧向力,该稳定器随钻柱旋转或使钻头定向在所需方向上,同时以每分钟与钻柱相同的转数连续地旋转。
LWD模块254可以容纳在合适类型的钻铤中,并且可以包含一个或多个所选类型的测井工具(例如,一个或多个NMR单元等)。还应该理解,可以采用多于一个的LWD和/或MWD模块,例如,如钻柱组件250的模块256所表示的。在提到LWD模块的位置的情况下,作为示例,其可以指LWD模块254、模块256等的位置处的模块。LWD模块可以包括用于测量、处理和存储信息的能力,以及与地面装备通信的能力。在所示示例中,LWD模块254可包括地震测量装置、NMR测量装置等。
MWD模块256可以容纳在合适类型的钻铤中,并且可以包含用于测量钻柱225和钻头226的特性的一个或多个装置。作为示例,MWD工具254可以包括用于产生电力的装备,例如,以为钻柱225的各种部件供电。作为示例,MWD工具254可以包括遥测装备252,例如,其中涡轮叶轮可以通过泥浆的流动来产生电力;可以理解,可以采用其他电源和/或电池系统来为各种部件供电。作为示例,MWD模块256可包括以下类型的测量装置中的一种或多种:钻压测量装置、扭矩测量装置、振动测量装置、冲击测量装置、黏滑测量装置、方向测量装置和倾斜度测量装置。
作为示例,一个或多个NMR测量装置(例如,NMR单元等)可以被包括在钻柱(例如,BHA等)中,其中例如测量可支持地质导向、地质停止、轨迹优化等中的一项或多项。作为示例,运动表征数据可用于控制NMR测量(例如,采集、处理、质量评估等)。
图2还示出了可以钻取的井眼的类型的一些示例。例如,考虑斜直井眼272、S形井眼274、深倾斜井眼276和水平井眼278。
作为示例,钻井操作可以包括定向钻井,其中例如井的至少一部分包括弯曲轴线。例如,考虑限定曲率的半径,其中相对于垂直方向的倾斜度可以变化,直到达到约30度和约60度之间的角度,或者例如,达到约90度或可能大于约90度的角度。作为示例,轨迹和/或钻柱可以部分地由全角变化率(DLS)表征,该全角变化率可以是以每30米的度数(例如,或每100英尺的度数)指定的二维参数。
作为示例,定向井可以包括多种形状,其中每种形状可旨在满足特定的操作要求。作为示例,在将信息传递给钻井工程师时可以基于该信息执行钻井过程。作为示例,可以基于在钻井过程期间接收的信息修改倾斜度和/或方向。
作为示例,钻孔的偏向可以部分地通过使用井底马达和/或涡轮来实现。关于马达,例如,钻柱可包括容积式马达(PDM)。
作为示例,系统可以是导向系统并且包括用于执行诸如地质导向的方法的装备。如所提到的,导向系统可以是或包括RSS。作为示例,导向系统可以包括位于钻柱下部的PDM或涡轮,其恰好位于钻头上方,可以安装弯接头。作为示例,在PDM的上方,可以安装提供感兴趣的实时或接近实时数据(例如,倾斜度、方向、压力、温度、钻头上的实际重量、扭矩应力等)的MWD装备和/或LWD装备。对于后者,LWD装备可以向地面发送各种类型的感兴趣数据,包括例如地质数据(例如,伽马射线测井、电阻率、密度和声波测井等)。
耦接传感器实时地或接近实时地提供关于井眼轨迹的信息(例如具有从地质学视角表征地层的一个或多个测井曲线)可以允许实施地质导向方法。这种方法可包括导航地下环境,例如,以遵循期望的路线到达期望的一个或多个目标。
作为示例,钻柱可以包括用于测量密度和孔隙度的方位密度中子(ADN)工具;用于测量倾斜度、方位角和冲击的MWD工具;用于测量电阻率和伽马射线相关现象的补偿双电阻率(CDR)工具;用于测量属性(例如,驰豫属性等)的可组合磁共振(CMR)工具;一个或多个可变径稳定器;一个或多个弯曲接头;以及地质导向工具,其可包括马达和可选地用于测量和/或响应于倾斜度、电阻率和伽马射线相关现象中的一者或多者的装备。
作为示例,地质导向可以包括基于井下地质测井测量结果,以旨在将定向井筒保持在期望区域、地带(例如,产油层)等内的方式进行井筒的有意定向控制。作为示例,地质导向可包括对井筒进行定向以将井筒保持在储层的特定井段,例如,以最小化气体和/或水的突破,并且例如最大化包括井筒的井的经济产量。
再次参考图2,井场系统200可包括一个或多个传感器264,所述一个或多个传感器操作性地耦接到控制和/或数据采集系统262。作为示例,一个或多个传感器可以位于地面位置。作为示例,一个或多个传感器可以位于井下位置。作为示例,一个或多个传感器可以位于距离井场系统200大约一百米的距离内的一个或多个远程位置。作为示例,一个或多个传感器可位于补偿井场,其中井场系统200和补偿井场处于共同的油气田(例如,油田和/或气田)中。
作为示例,可以提供一个或多个传感器264用于跟踪钻杆、跟踪钻柱的至少一部分的移动等。
作为示例,系统200可以包括一个或多个传感器266,所述一个或多个传感器可以感测和/或传输信号到流体管道,诸如钻井液管道(例如,钻井泥浆管道)。例如,在系统200中,一个或多个传感器266可以操作性地耦接到立管208的泥浆流过的部分。作为示例,井下工具可以产生脉冲,脉冲可以穿过泥浆并且由一个或多个传感器266中的一个或多个感测到。在此类示例中,井下工具可以包括相关联的电路,例如,可以编码信号例如以减少对传输的要求的编码电路。作为示例,位于地面的电路可包括解码电路,以解码至少部分地经由泥浆脉冲遥测传输的经编码信息。作为示例,位于地面的电路可包括编码器电路和/或解码器电路,并且井下电路可包括编码器电路和/或解码器电路。作为示例,系统200可包括传输器,该传输器可以生成可经由作为传输介质的泥浆(例如,钻井液)在井下传输的信号。作为示例,可以以可减少数据负载的方式来处理NMR单元采集的数据,这可以促进传输。例如,考虑对NMR测量进行井下处理以减少要传输的总比特数(例如,考虑井下数据压缩、井下数据分析等)。
如所提到的,钻柱可以包括可以进行测量的各种工具。作为示例,可以使用电缆工具或另一种类型的工具来进行测量。作为示例,工具可被配置为采集电井眼图像。例如,全井眼地层微成像仪(FMI)工具(斯伦贝谢公司,休斯顿,德克萨斯州)可以采集井眼图像数据。用于此类工具的数据采集序列可包括在采集垫关闭的情况下将工具下入井眼中,打开垫并将垫压靠在井眼壁上,在井眼中平移工具时将电流递送到限定井眼的材料,并且远程感测通过与材料的相互作用而改变的电流。
对地层信息的分析可揭示诸如溶洞、溶蚀平面(例如,沿着层面的溶蚀)、应力相关特征、倾斜事件等特征。作为示例,工具可采集可能有助于表征储层(可选地,裂缝型储层)的信息,其中裂缝可以是自然的和/或人工的(例如,水力裂缝)。作为示例,可以使用诸如TECHLOG框架的框架分析由一个或多个工具采集的信息。例如,TECHLOG框架可能可与一个或多个其他框架(诸如PETREL框架)互操作。
图3示出了系统300的示例,该系统包括钻井工作流框架301、地震模拟框架302、钻井框架304、客户端层310、应用层340和存储层360。如图所示,客户端层310可以与应用层340通信,并且应用层340可以与存储层360通信。在此类示例中,可以提供计算框架以处理测井测量和/或从测井测量中导出的数据。例如,可以将测井信息提供给地震模拟框架302和/或钻井框架304。此类信息可以用于模型构建(例如,构造地质环境的多维模型),生成井的轨迹(例如,或其延伸),生成刺激规划(例如,压裂、化学处理等),控制一个或多个钻井操作等。
在图3的示例中,客户端层310可以包括允许经由一个或多个私有网络312、一个或多个移动平台和/或移动网络314以及经由“云”316进行访问和交互的特征件,其可以被认为包括形成网络(诸如,网络的网络)的分布式装备。
在图3的示例中,应用层340包括钻井工作流框架301。应用层340还包括数据库管理部件342,该数据库管理部件包括一个或多个搜索引擎特征件(例如,执行各种动作的可执行指令集等)。
作为示例,一个或多个部件可以可选地在框架内实施,或者例如以操作性地耦接到框架的方式(例如,作为附件、插件等)实施。作为示例,用于构造搜索结果的部件(例如,在列表、分层树结构等中)可以可选地在框架内实施,或者例如以操作性地耦接到框架的方式(例如,作为附件、插件等)实施。
在图3的示例中,应用层340可以包括与一个或多个资源进行通信,例如诸如地震模拟框架302、钻井框架304和/或一个或多个场,它们可以是或包括一个或多个补偿井场。作为示例,可以针对特定井场实施应用层340,其中信息可以作为针对操作(例如,诸如在特定井场处执行、正在执行和/或将要执行的操作)的工作流的一部分进行处理。作为示例,操作可涉及例如经由地质导向进行定向钻井。作为示例,操作可涉及经由一个或多个井下工具进行测井。
在图3的示例中,存储层360可以包括可以存储在一个或多个数据库362中的各种类型的数据、信息等。作为示例,一个或多个服务器364可以提供对存储在一个或多个数据库462中的数据、信息等的管理、访问等。作为示例,数据库管理部件342可以提供对存储在一个或多个数据库362中的数据、信息等的搜索。
作为示例,图3的系统300可以被实施为执行与图2的系统200相关联的一个或多个工作流的一个或多个部分。作为示例,钻井工作流框架301可以在执行一个或多个钻井操作之前、期间和/或之后与技术数据框架(例如,测井数据框架等)和钻井框架304进行交互。在此类示例中,可以使用一种或多种类型的装备(例如,参见图1和图2的装备)在地质环境(参见例如图1的环境150)中执行该一个或多个钻井操作。
作为示例,在例如诸如系统300的系统中使用的架构可以包括AZURE架构的特征件(华盛顿州雷德蒙德市的微软公司)。作为示例,云门户块可以包括AZURE门户的一个或多个特征件,其可以管理、调解等对一个或多个服务、数据、连接、网络、装置等的访问。作为示例,系统300可能包括GOOGLE云架构的特征件(加利福尼亚州山景城市的谷歌)。
作为示例,系统300可以包括例如用于构建、部署和管理应用和服务(例如,通过数据中心的网络等)的云计算平台和基础设施。作为示例,此类云平台可以提供PaaS和IaaS服务并且支持一种或多种不同的编程语言、工具和框架等。
图4示出了井场系统400的示例,具体地,图4示出了近似侧视图和近似平面图中的井场系统400以及系统470的框图。
在图4的示例中,井场系统400可以包括舱室410、转盘422、绞车424、钻塔426(例如,可选地携带顶驱等)、泥浆罐430(例如,具有一个或多个泵、一个或多个振动器等)、一个或多个泵房440、锅炉房442、液压泵单元(HPU)房444(例如,具有钻机油罐等)、组合房448(例如,具有一个或多个发电机等)、管道462、狭小通道464、闪光装置468等。此类装备可包括一个或多个相关联功能和/或一个或多个相关联操作风险,这些风险可能是时间、资源和/或人员方面的风险。
井场可以包括原动机作为动力源。作为示例,原动机可以包括一到四个或更多个柴油发动机,其可以产生数千马力。此类发动机可以操作性地耦接到一个或多个发电机。可以通过可控硅整流器(SCR)系统来分配电力。将柴油机动力转换为电力的钻机可称为电动钻机或柴油电动钻机。作为示例,钻机可以被配置为通过机械皮带、链条、离合器等将动力从一个或多个柴油发动机传递到一个或多个钻机部件(例如绞车、泵、转盘等)。此类配置可以称为机械钻机或所谓的“动力钻机”。
如图4的示例中所示,井场系统400可以包括系统470,该系统包括一个或多个处理器472、操作性地耦接到一个或多个处理器472中的至少一个的存储器474、可以例如存储在存储器474中的指令476以及一个或多个接口478。作为示例,系统470可以包括一个或多个处理器可读介质,该处理器可读介质包括处理器可执行指令,该处理器可执行指令可由一个或多个处理器472中的至少一个执行以使系统470控制井场系统400的一个或多个方面。在此类示例中,存储器474可以是或包括一个或多个处理器可读介质,其中处理器可执行指令可以是或包括指令。作为示例,处理器可读介质可以是计算机可读存储介质,该计算机可读存储介质不是信号并且不是载波。
图4还示出了电池480,其可以操作性地耦接到系统470,例如以便为系统470供电。作为示例,电池480可以是备用电池,该备用电池在另一电源不可用于为系统470供电时运行。作为示例,电池480可以操作性地耦接到网络,该网络可以是云网络。作为示例,电池480可以包括智能电池电路,并且可以经由系统管理总线(SMBus)或其他类型的总线操作性地耦接到一件或多件装备。
在图4的示例中,服务490被示为例如经由云平台可用。此类服务可以包括数据服务492、查询服务494和钻井服务496。作为示例,服务490可以是诸如图3的系统300之类的系统的一部分。
作为示例,可以利用诸如图3的系统300之类的系统来执行工作流。此类系统可以是分布式的并且允许协同工作流交互,并且可以被认为是平台(例如,用于协同交互的框架等)。
作为示例,工作流可以从评估阶段开始,评估阶段可以包括地质服务提供方评估地层。作为示例,地质服务提供方可以使用执行针对此类活动定制的软件包的计算系统来进行地层评估;或者例如,可以(例如,替代地或另外地)采用一个或多个其他合适的地质平台。作为示例,地质服务提供方可以例如使用地球模型、地球物理模型、盆地模型、石油技术模型、其组合等来评估地层。此类模型可以考虑到各种不同的输入,包括补偿井数据、地震数据、导井数据、其他地质数据等。模型和/或输入可以存储在由服务器维护并由地质服务提供方访问的数据库中。
作为示例,工作流可以前进到地质学与地球物理学(“G&G”)服务提供方,其可以生成井轨迹,这可以涉及执行一个或多个G&G软件包。此类软件包的示例包括PETREL框架。作为示例,一个或多个系统可以利用诸如DELFI框架(得克萨斯州休斯敦市的斯伦贝谢有限公司)之类的框架。此类框架可以操作性地耦接各种其他框架以提供多框架工作空间。
作为示例,G&G服务提供方可以基于例如由地层评估提供的一个或多个模型和/或例如从(例如,由一个或多个服务器等维护的)一个或多个数据库访问的其他数据确定井轨迹或其井段。作为示例,井轨迹可以考虑到各种“设计基础”(BOD)约束,诸如一般地面位置、目标(例如,储层)位置等。作为示例,轨迹可以结合关于可以在钻井中使用的工具、底部钻具组件、套管尺寸等的信息。井轨迹确定可以考虑到各种其他参数,包括风险容限、流体重量和/或规划、井底压力、钻井时间等。
井规划可以包括确定可以延伸到储层的井的路径,例如,以经济地从其中开采流体,诸如烃类。井规划可以包括选择可用于实现井规划的钻井和/或完井组件。作为示例,可以施加各种约束作为可以影响井设计的井规划的一部分。作为示例,可以至少部分地基于关于地下域的已知地质、在区域中存在的(例如,实际的和/或规划的等)一个或多个其他井(例如,考虑碰撞避免)等的信息来施加此类约束。作为示例,可以至少部分地基于一个或多个工具、部件等的特性施加一个或多个约束。作为示例,一个或多个约束可以至少部分地基于与钻井时间和/或风险容限相关联的因素。
图5示出了环境501的示例,该环境包括地下部分503,在该地下部分中钻机510被定位在钻孔520上方的地面位置处。在图5的示例中,可以操作各种电缆服务装备以执行一种或多种电缆服务,包括例如从钻孔520内的一个或多个位置采集数据。
在图5的示例中,钻孔520包括钻杆522、套管靴、电缆侧进接头(CSES)523、湿连接器适配器526和裸井段528。虽然在图5的示例中示出了钻杆522以及套管,但可以在带有或没有钻杆、带有或没有套管等的钻孔中执行电缆操作。
作为示例,钻孔520可以是垂直钻孔或偏斜钻孔,其中钻孔的一个或多个部分可以是垂直的,并且钻孔的一个或多个部分可以是偏斜的,包括基本水平的。
在图5的示例中,CSES 523包括电缆夹525、密封垫圈组件527和止回阀529。这些部件可提供测井电缆530的插入,该测井电缆包括在钻杆522外部延伸以插入到钻杆522中的部分532,使得测井电缆的至少一部分534在钻杆522内部延伸。在图5的示例中,测井电缆530延伸穿过湿连接适配器526并进入裸井段528到达测井柱540。
如图5的示例中所示,测井车550(例如,电缆服务车辆)可以在系统560的控制下部署电缆530。如图5的示例中所示,系统560可以包括一个或多个处理器562、操作性地耦接到一个或多个处理器562中的至少一个的存储器564、可以例如存储在存储器564中的指令566以及一个或多个接口568。作为示例,系统560可以包括一个或多个处理器可读介质,该处理器可读介质包括处理器可执行指令,该处理器可执行指令可由一个或多个处理器562中的至少一个执行以使系统560控制测井柱540和/或测井车550的装备的一个或多个方面。在此类示例中,存储器564可以是或包括一个或多个处理器可读介质,其中处理器可执行指令可以是或包括指令。作为示例,处理器可读介质可以是计算机可读存储介质,该计算机可读存储介质不是信号并且不是载波。
图5还示出了电池570,其可以操作性地耦接到系统560,例如以便为系统560供电。作为示例,电池570可以是备用电池,该备用电池在另一电源不可用于为系统560供电时(例如,经由试井车550的发电机、单独的发电机、电源线等)运行。作为示例,电池570可以操作性地耦接到网络,该网络可以是云网络。作为示例,电池570可以包括智能电池电路,并且可以经由SMBus或其他类型的总线操作性地耦接到一件或多件装备。
作为示例,系统560可以操作性地耦接到客户端层580。在图5的示例中,客户端层580可以包括允许经由一个或多个私有网络582、一个或多个移动平台和/或移动网络584以及经由“云”586进行访问和交互的特征件,其可以被认为包括形成网络(诸如,网络的网络)的分布式装备。作为示例,系统560可以包括用于建立多个连接(例如,会话)的电路。作为示例,连接可以经由一种或多种类型的网络。作为示例,连接可以是客户端-服务器类型的连接,其中系统560作为客户端-服务器架构中的服务器操作。例如,客户端可以登录到系统560,在该系统中可以可选地同时处理多个客户端。
作为示例,测井柱540可以包括一个或多个NMR单元,其可以是可通过测井柱540的移动而移动的一个或多个工具的一部分。
图6示出了系统600和650的一些示例,其中系统600和650中的每一个是分布式系统,其可以被定义为异构系统。例如,系统600示出了系统X 610和系统Y 630,它们可以经由一种或多种类型的遥测技术进行通信。在此类示例中,系统X 610和系统Y 630可以包括遥测电路。例如,系统X 610可以包括数字决策模型(DDM)生成器612,其可以生成可以被传输到系统Y 630的DDM 632。在此类示例中,系统Y 630可执行一个或多个动作,该动作依赖于存储在系统Y 630的本地(诸如在系统Y 630的存储器中)的DDM 632。
对于示例系统650,这些系统包括:其中将装备植入诸如人类的哺乳动物中的可植入医疗系统651,其中装备位于地球大气之外的空间中的太空探索系统652,其中将装备嵌入物理结构中的可植入结构系统653,其中装备位于地球上或地球中某个位置的远程地面系统654,将装备限制性地配置、定位等于其中的周期性和/或带宽受限的遥测系统655等,以及一种或多种其他类型的系统656。
关于可植入医疗系统651,考虑经由外科手术将电子医疗治疗递送系统植入到人体中。在此类示例中,操作性地耦接到外部系统的外部遥测棒可以用于与内部植入系统通信。在此类示例中,对内部植入系统的硬件升级可能需要手术,这可能是禁忌的。在此类示例中,可通过下载经更新的DDM来升级内部可植入系统。在此类示例中,可以使用内部可植入系统获取的数据来更新经更新的DDM,并且经更新的DDM可以提供内部可植入系统的经改进的操作(例如,关于治疗的递送、感测信号、检测状况等)。
关于空间探索系统652,考虑具有受限遥测(例如,时间、带宽等)和/或物理条件受限遥测(例如,由于位置、太阳辐射等)的深空飞行器系统。在此类示例中,深空飞行器系统可以包括不适合升级的硬件,并且可以包括可以存储DDM的存储器,该存储器可以经由另一个系统(诸如基于地球的系统或基于另一个星球、车辆、车站等的系统)进行更新。
关于可植入结构系统653,考虑嵌入在诸如桥梁、大坝、核电站、建筑物等结构中的结构传感器系统。在此类示例中,一旦被嵌入,结构传感器系统的硬件可能不切实际。作为示例,遥测可用于将DDM传输到结构传感器系统,从而更新其操作。
关于远程地面系统654,考虑不易于进行硬件升级的海底传感器系统。在此类示例中,遥测可以用于更新海底传感器系统的DDM。虽然提到了海洋,但请考虑在山上部署的传感器系统或在恶劣环境下部署的传感器系统。此类示例可能在访问、硬件升级等方面受到限制,并且受益于更新DDM以改进操作的能力。
关于周期性和/或带宽受限的遥测系统655,考虑位置、噪声、技术等作为遥测中的限制的一些示例。此类系统可以受益于DDM的更新以改进操作。
图7示出了方法700的示例,所述方法包括:执行框710用于使用系统执行操作,其中所述操作取决于经由存储在所述系统的存储器中的数字决策模型做出的决策;传输框720用于响应于所述数字决策模型的决策状态,传输更新所述数字决策模型的请求;以及接收框730用于响应于所述请求,接收经更新的数字决策模型,其中所述经更新的数字决策模型包括改进所述系统的所述操作的执行的至少一种新决策状态。如图所示,方法700还可包括执行框740,其根据至少一种新决策状态中的至少一种,使用系统来执行操作。
示出的图7的方法700包括各种计算机可读存储介质(CRM)框711、721、731和741,这些框可以包括处理器可执行指令,该处理器可执行指令可以指示计算系统(可以是控制系统)执行关于方法700描述的动作中的一个或多个。
如图7的示例所示,系统790可以包括一个或多个计算机792,其包括一个或多个处理器793、操作性地耦接到一个或多个处理器793中的至少一个的存储器794、可以例如存储在存储器794中的指令796,以及一个和多个接口795。作为示例,系统790可以包括一个或多个处理器可读介质,该处理器可读介质包括可由一个或多个处理器793中的至少一个执行的处理器可执行指令,以使系统790执行诸如方法700的一个或多个动作之类的动作。作为示例,指令796可以包括CRM框711、721、731和741中的一个或多个的指令。存储器794可以是或包括一个或多个处理器可读介质,其中处理器可执行指令可以是或包括指令。作为示例,处理器可读介质可以是不是信号并且不是载波的非暂时性计算机可读存储介质。
作为示例,系统790可以包括子系统。例如,系统790可以包括可以使用分布式装备操作的多个子系统,其中子系统可以被称为系统。例如,考虑关于图2、图4、图5、图6等描述的井下工具系统和地面系统。作为示例,可以使用井下工具系统来执行方法700的框710、720、730和740的操作。可以使用例如井下系统和/或地面系统来实现方法700,该井下系统和/或地面系统可以是基于云的系统或云耦合的系统。
作为示例,方法700可以是自适应的,因为可以利用数字决策模型(DDM)来使用获取测量和/或其结果的第一系统来确定参数或参数集,并且因为可以使用第二系统来更新DDM,其中经更新的DDM被传输到第一系统以做出进一步的决策(例如,确定一个或多个参数、参数集等)。
作为示例,系统可以根据一个或多个计时器、事件触发器、指令等来执行操作。例如,一种类型的远程系统可以每年执行一次感测操作,此类系统花费数年时间才能导航数字决策模型(DDM);然而,另一种类型的远程系统可以每分钟执行一次感测操作,并且能够在一个小时或更短的时间内导航DDM。此类示例表明,时间不一定是确定何时更新数字决策模型(DDM)的因素。作为示例,例如可以结合执行的许多操作来利用时间。考虑预期在一段时间内执行足够数量的操作的系统,以导航DDM以将DDM置于预期要求更新的状态。如果该系统在该段时间内不要求更新,则可以利用触发器来“签入”DDM,以查看系统、DDM等是否有问题可能例如导致生成经更新的DDM并将其传输到系统。
如所解释的,井下工具可以是可以定位在可以利用不同参数集的不同环境中的系统。数字决策模型(DDM)可以提供对针对不同环境选择适当参数集的决策。此类方法可以提供井下工具的经改进的操作,诸如经改进的测量(例如,更大的SNR)、经改进的效率(例如,功率利用率等)或一个或多个经改进的性能方面。
参考诸如可用于NMR测井的井下工具之类的井下工具给出了各种示例。可以在一种或多种其他类型的系统中利用各种装备,例如诸如图6的系统600和650中的一个或多个。
如上所述,可组合磁共振(CMR)工具可用于NMR测井。作为示例,NMR测量可用于确定储层渗透率、含水率和烃孔体积中的一者或多者。作为示例,NMR测量可用于评估孔隙度和渗透率,而与矿物学无关。作为示例,NMR测量可能适用于表征薄层储层、低对比度低电阻率的产油层、以及碳酸盐。
作为示例,工具可以包括用于实现增强精度模式(EPM)脉冲采集方案的电路,以细化与最小的孔隙和重质原油相关联的NMR数据的精度。作为示例,EPM采集数据的处理可以提供总孔隙度并将其划分为微观、中观和宏观孔隙度并估计束缚流体和自由流体。作为示例,在复杂岩性中,此类信息可有助于确定不可还原的水饱和度和产水潜力。
作为示例,工具可以包括可以在天线上方和/或下方延伸的诸如永磁体之类的磁体,其可以用于传递振荡磁场和/或接收从核到所传递的振荡磁场的响应。作为示例,考虑包括布置在天线(例如,大约2.5cm)上方和下方(例如,在上方大约12cm并且在下方大约12cm)的磁体的工具。部件的此类布置可以用于创建更长的预极化场,该预极化场可以提供增加的测井速度(例如,考虑在快速弛豫环境中测井速度达到每小时1,200米或更高)。
作为示例,可以实现一种采集方案,该采集方案提供增加的测井速度、增加的垂直分辨率和/或可能有益于一个或多个测井操作的部件(例如,磁体和天线)的布置。作为示例,在可以减少采集方案的总采集时间的情况下,可以减少NMR单元的长度,这可以减少测井柱的质量和移动要求(例如,考虑较小的能量用于旋转绕线轮等)。
图8示出了关于NMR单元和感测区域的方法800的示例,其中方法800包括:将感测区域暴露于一个(或多个)永磁体的静磁场,利用天线(例如,或另一传输器)生成穿透感测区域的振荡场,并且利用天线(例如,作为接收器)接收由感测区域中的核释放的能量。如图所示,一个或多个部件可以是偏心的,使得NMR单元可以具有相对于感测区域的取向,该感测区域可以是井眼壁的一部分。
图8还示出了工具850的示例,其可以包括一个或多个特征件,诸如稳定器、垫、涡轮等。工具850包括NMR单元870,对于该NMR单元示出了沿着线A-A的近似横截面图。在横截面图中,示出了NMR单元870包括磁体872、天线874和电路880,该电路可以包括RF发射电路、天线电路和模数转换电路(例如,模数转换器(ADC))。作为示例,NMR单元870可包括用于一个或多个导管的一个或多个通道。例如,考虑电力导管、数据传输导管、动力和数据导管等。作为示例,工具850可以包括电源或操作性地耦接到电源,该电源可以是流体驱动的涡轮(例如涡轮发电机等)、地面电源(参见例如测井车550、电池570等)。作为示例,电源可以是电网、发电机(例如,天然气、风力、燃料等)、太阳能电池板、电池等。
关于电路880,其可以包括一个或多个处理器以及一个或多个处理器中的至少一个可访问的存储器。例如,电路880可以包括处理器,该处理器执行可以根据编程的脉冲序列来控制能量发射以生成振荡磁场的指令。作为示例,电路880可以包括一个或多个开关,其可以操作性地耦接到能量源,该能量源可以包括生成脉冲发射的源和/或作为从地层中的核接收信号的一个或多个天线的源。例如,开关可用来控制天线以将天线用于能量传输,并且然后将天线用于能量接收。所接收的能量可以被引导到模数转换器,该模数转换器可以根据所选择的采样率和/或位深度将模拟信号转换成数字数据。作为示例,数字数据可以存储在存储器中并且可选地由处理器(例如,井下)处理和/或传输到另一个处理器、存储装置等,其可以是井下工具的井口或一部分或者是另一个井下工具。作为示例,可以使用可执行指令来配置一个或多个处理器以对数据执行一个或多个操作,例如求反以导出一个或多个值(例如,T2值、T1值等)。
如图8的示例所示,电路880可以包括定序器882、传输器884、接收器886和ADC888。定序器882可以包括指令或以其他方式被指示来控制传输器884,该传输器可以操作性地耦接到天线874以传输振荡磁场。接收器886可以操作性地耦接到天线874以接收回波信号,其中此类信号可以是模拟形式,并且可以使用ADC 888转换成数字回波数据。如图8的示例中所示,可以包括其他电路889,其可以操作性地耦接到一条或多条数据和/或电源线。例如,考虑操作性地耦接到井口(例如,地面)单元或系统的一条或多条数据和/或电源线。作为示例,定序器882可以经由从本地存储器、从地面单元或系统、井下柱的另一个部件等接收的指令、命令等进行编程。作为示例,一种方法可以包括控制可能经由RF发射电路进行的发射。作为示例,此类电路可以包括操作性地耦接到天线874的定序器882和传输器884。作为示例,一种方法可以包括可以经由天线电路和模数转换电路采集数字回波数据。作为示例,此类电路可以包括天线874、接收器886和ADC 888。作为示例,可以包括压缩电路以压缩数字回波数据(例如,考虑窗口求和、奇异值分解等中的一者或多者)。数据压缩可以减小用于将数据向井口传输到地面单元或系统(例如,经由电路889等)的数据密度。
作为示例,工具850的尺寸可以设计为接收在直径约为10cm或更大的井眼中,这可以取决于诸如扶正器、垫等的特征件。作为示例,工具850可以具有最大直径约为5cm或更大的工具主体。例如,考虑在NMR单元(例如,具有12cm横截面尺寸的NMR单元)处的约12cm的外部工具主体直径。
作为示例,可以将NMR单元撬装,以切穿泥饼并与地层接触。作为示例,可以通过诸如偏心臂或功率卡尺之类的一个或多个部件来增强接触。如所提到的,内部永磁体可用于提供静态极化磁场。作为示例,NMR单元可以对地层中约1cm至3cm或更大的体积敏感,其中该体积可以沿着NMR单元的纵向轴线延伸天线的长度(例如5cm至15cm或更大),其可能是垂直分辨率的一个因素。作为示例,天线可以被用作传输器、接收器或者传输器和接收器两者。作为传输器,天线可以传输用于振荡磁场的序列(例如,考虑CPMG脉冲序列等)。作为接收器,天线可以接收来自地层的脉冲回波,包括地层中的物质,诸如一种或多种流体。
图9示出了关于地下区域的系统900的示例,该地下区域包括地面901,各种类型的地层902-N-3、902-N-2、902-N-1和902-N,所述地层可以被称为地层902或单独地被称为单个地层,并且包括井眼905,其中地层902限定井眼的壁(例如,井眼壁)。如图9的示例所示,地层902可以具有不同的厚度、不同的材料,并且可以相对于地面901以不同的角度设置。作为示例,井眼905可以是竖直的或偏斜的。作为示例,井眼905可以包括竖直部分和偏斜部分。作为示例,在偏斜部分中,井眼905可以以增加路径长度的方式横穿地层902,使得地层902中的每个地层中的井眼905的路径长度大于地层902中的每个地层的厚度。
如图9的示例所示,系统900包括地面装备910、遥测介质和/或装备930以及NMR装备950。如所解释的,无论系统900包括钻井装备还是测井装备,NMR装备950都可以在井眼905中移动。例如,可以将NMR装备950下钻、随钻移动、起钻、保持在固定位置等。至于NMR装备950的移动,可以参考空间坐标,这可以提供经测量的深度和/或垂直深度。作为示例,可以关于速度、加速度、平移、振动、旋转等来表征沿着井眼905的移动。
在图9的示例中,可以操作NMR装备950以采集不同地层902的NMR数据。在地层902的材料(例如,材料的类型、材料的组成等)不同的情况下,当采集协议与一个或多个地层特性匹配时,NMR装备950可以更高效地操作。例如,地层特性可以导致不同的弛豫时间常数(例如,T1和/或T2)。在此类示例中,用于慢速T2(例如,AP1)的采集协议可以不同于用于快速T2(例如,AP2)的采集协议。在此类示例中,如果将AP1应用于非最佳地层类型(例如,快速T2),则所得NMR数据的质量可能较低。例如,NMR数据可以具有较低的信噪比(SNR)。作为示例,对于NMR测量,采集协议(AP)可以通过脉冲序列(PS)来表征。作为示例,NMR装备950可以包括可以自动改变AP的电路,该电路可以包括改变PS。
作为示例,系统900可以包括可以自动调整NMR装备950的计算资源,其可以响应于地层特征。在此类示例中,遥测介质和/或装备930可以被调整。例如,考虑对遥测模式、数据压缩、数据组织等的调整。
作为示例,随着NMR装备950在井眼905中移动,可以实时调整NMR装备950,使得基于地层902的一个或多个地层特性对NMR装备950进行一次或多次调整。此类方法可以提供NMR装备950的更高效的操作,其可以提供经改进的SNR、经改进的功率利用率、经改进的遥测等。
作为示例,NMR装备950可以例如通过从一组采集协议(AP)中选择特定的采集协议(AP)来自动调整采集。作为示例,自动调整可以包括调整采集协议(AP)的一个或多个参数。
作为示例,NMR装备950可以包括和/或操作性地耦接到可以接收输入和生成输出的经训练的机器模型。在此类示例中,可以利用输出来控制NMR装备950的操作。
如关于图8所提到的,NMR单元870(例如,NMR装备)可以包括电路880。此类电路可以是“轻量级的”。作为示例,NMR装备可以包括具有相关联规格的微处理器。例如,考虑具有相对较低的时钟速率(例如,小于100MHz)的微处理器。作为示例,NMR装备可以包括具有相关联规格的存储器。例如,考虑具有相对少量内存(例如,小于10MB)的随机存取存储器(RAM)。
图10示出了可以在诸如NMR单元(例如,NMR装备)的井下工具中使用的微处理器1000的示例,以及可以包括多个微处理器1000-1、1000-2、1000-3、1000-4和1000-5的电路1080的示例。如图所示,电路1080可以包括调制解调器处理器1000-1、控制器处理器1000-2、定序器处理器1000-3、处理和诊断处理器1000-4以及采集处理器1000-5。在图10的示例电路1080中还示出了存储器、ADC、传输器、接收器和天线(参见例如图8的电路880)。
作为示例,微处理器1000可以包括各种特征件,诸如寄存器、高速缓存、存储器(例如,用于指令和数据)、总线、时钟、地址生成器、中断、逻辑单元等。作为示例,微处理器1000可以包括INTEL公司(加利福尼亚州桑尼维尔市)微处理器的各种特征件,诸如NIOS系列微处理器(例如,NIOS II等)中的一个或多个。作为示例,诸如微处理器1000的微处理器可以与诸如CYCLONE装置(加利福尼亚州圣何塞市阿尔特拉公司)的装置的一个或多个特征件一起使用和/或包括该一个或多个特征件。例如,CYCLONE III装置可以包括NIOS II系列微处理器。NIOS II系列微处理器包括32位嵌入式处理器架构,该架构是专为ALTERA系列现场可编程门阵列(FPGA)集成电路而设计的。
NIOS II处理器可以包括指令高速缓存、60MHz时钟、硬件乘法器、外部SRAM(用于可执行代码和数据),诸如调制解调器和定序器上的2MB以及控制器上的4MB,连同用于存储FPGA图像和软件的8MB外部高速缓存以及记录(与控制器耦接的)高速缓存的4GB。在此类示例中,每个FPGA都可以拥有“片上系统”(SoC)特性和自定义指令,以定制针对电路的特定部分的功能。
图11示出了图形用户界面(GUI)1100的示例,该图形用户界面包括从由井下工具的NMR单元采集的NMR数据导出的图形。GUI 1100关于深度和各种其他比例以日志形式示出了四个轨道。GUI 1100可以包括例如伽马射线轨道,其可以帮助提供位置的指示(例如,深度、经测量的深度等)。如图所示,第一轨道包括总孔隙度的曲线图(例如,与岩性无关),第二轨道包括粘土束缚水、毛细管束缚水和从经测量的T2分布导出的自由流体的体积的图形,第三轨道包括使用Timur-Coates和Schlumberger-Doll-Research(SDR)渗透率方程导出的渗透率估计图形,并且第四轨道包括以不同深度测得的T2分布以及对数平均T2值。
关于深度,示出了关于25和50的指示符,其可以用于确定分辨率(例如,垂直分辨率,其可以相对于垂直深度上的方向或相对于测量深度上的方向)。可以理解,较高的垂直分辨率可以提供对地层特征的更多了解。
作为示例,用于NMR的工具可以包括多个传感器,包括用于流体表征的大天线和用于高分辨率采集模式的互补小孔径天线。作为示例,自动切换方法可以可选地包括天线的切换。作为示例,用于NMR的工具可以包括可以以各种测井速度分别或同时操作的传感器。例如,考虑可以以高达每小时1,000米或更高的测井速度操作的工具。作为示例,用于NMR的工具可以提供响应分析,用于以高分辨率识别长T1流体(诸如轻烃)。
关于测井速度,考虑图5的测井车550包括绕线轮(例如,电缆绕线轮、连续油管绕线轮等),该绕线轮可以通过电动机旋转以使测井柱540在裸井井段528中平移,这可以诸如朝向井眼的端部(向内)或朝向井眼的地面(向外)定向。此类定向移动可以被称为下钻或起钻。测井速度可以取决于用于NMR的脉冲序列的类型和/或切换方法可以包括使用一个或多个运动信号等选择脉冲序列。作为示例,花费更多时间的脉冲序列可能导致测井速度较慢,而花费更少时间的序列可能导致测井速度较快(例如,取决于系统、环境等的物理限制)。在图5的示例中,测井车550可以包括系统560,其中系统560控制绕线轮,该绕线轮控制测井柱540的移动。例如,可以控制绕线轮的旋转以实现测井柱540的期望的测井速度。作为示例,测井可以连续运动或以开始和停止进行。作为示例,测井速度可以是包括与一个或多个停止/开始循环相关联的时间的平均速度。
再次参考GUI 1100和第四轨道,以图形方式示出了一系列深度的T2分布。GUI1100示出了单个T2分布,该分布被放大以证明T2值可以在特定深度处具有一个或多个峰值用于大量勘测。作为示例,较高的垂直分辨率可以在井眼的特定段上提供更多的T2分布。作为示例,可以在较短的时间内以可接受的数据质量执行的序列可以提供更高的测井速度,这可以允许在较短的时间段内接收一段井眼的数据(例如,更快的地层评估等)。
作为示例,一种方法可以包括各种参数,诸如速度参数、每单位时间参数在不同深度处的许多NMR测量、序列持续时间参数、关于NMR测量的最大速度参数、关于对测井工具和/或测井系统的物理约束的最大速度参数、用于从井下工具传输数据的最大数据速率或比特率、关于数据处理的最大处理速率(例如,井下和/或井口)等。
图12示出了包括各种动作以及近似图形表示的方法1200的示例。方法1200包括用于将核暴露于静磁场的暴露框1210,用于将核暴露于振荡磁场的暴露框1220,用于根据包括数据采集的预定序列执行暴露的序列框1230,用于分析至少一部分所采集数据的分析框1240,用于对至少一部分所采集数据进行反转的反转框1250将衰减曲线转换为T2测量的分布,以及用于关于孔隙度(例如,所勘测的地层中的孔隙大小)分析T2测量的分布的分析框1260,其可以对应于水环境(例如,粘土束缚水、毛细管束缚水、自由水等)。
氢核的行为类似于微小的条形磁体,并且倾向于与永磁体的磁场对齐,诸如NMR测井工具中的磁场。在设定的等待时间(WT)期间,核以指数累积率T1极化,包括多个分量(C)。接下来,一列RF脉冲可以调整氢核的自旋,使其自转90度,并且然后绕永磁场进动,在永磁场中180度脉冲可以使氢核在特定时间重新聚焦。地层流体可以响应于连续的180度脉冲而生成RF回波,其中RF回波被NMR测井工具的天线接收并测量。180度脉冲之间的时间可以定义为回波间隔或回波时间。回波的振幅在指数弛豫时间T2的叠加处衰减,这往往是孔径分布、流体性质、地层矿物学和分子扩散的函数。作为示例,可以应用将衰减曲线转换成T2测量的分布(参见例如图1的GUI 1100的T2分布)的反转技术。通常,对于充满盐水的岩石,分布与岩石的孔隙大小有关。
NMR测井可能面临各种挑战,诸如以下所述的三个挑战中的一个或多个。首先,由于现实世界的物理原因,特别是延长了在静磁场中极化氢原子的时间,它趋于变慢;其次,由于核自旋与仪器探测器之间固有的弱耦接,它往往具有较差的SNR;以及第三,NMR测井程序往往需要大量的工作规划,需要本地知识和领域资源并导致冗长的操作工作流。通常期望减少测井时间、增强SNR并简化作业设计的方法。
由于NMR具有测量流体中氢核的能力,因此它是常用储层表征技术。由于水和碳氢化合物(如石油和天然气)都含有氢核,因此可以通过NMR工具对其进行测量和定量。此外,对样本属性(诸如弛豫时间(T1和T2)和扩散系数)的NMR测量使得能够了解这些流体的动力学,从而解释了它们的物理状态(例如,自由或束缚)、它们所处的孔隙大小、碳氢化合物的粘度和类型、以及渗透性以及岩石系统的其他属性。
诸如由T2测得的NMR弛豫已表现出与多孔材料的面容比成正比,
1/T2=ρ·S/Vp
其中S是材料的总表面积,Vp是孔隙体积,并且ρ是表面弛豫率。
以上,表面弛豫率ρ是定义表面弛豫现象强度的数量(以微米/秒为单位)。由于这种关系,在石油勘探中使用NMR来获得孔隙度、孔隙大小、束缚流体、渗透率以及其他岩石和流体性质的估计值(例如,“岩石物理数据”)。例如,已知T2分布与孔隙大小分布密切相关。由于孔隙大小的差异,储层岩石通常展现出大范围的T2,观察到的T2从数秒下降到数十微秒。在长T2(例如,大于100毫秒)处的信号往往来自大孔隙,并且此类流体可被认为是可生产的。对于较短的T2信号(例如,3毫秒到50毫秒),通常认为流体受孔隙的毛细管力束缚。例如,T2低于30ms的砂岩中的流体被认为受到毛细管力束缚,并且往往不会产生。因此,可以使用截止值T2cut(例如,T2 cut=30ms)来计算束缚流体体积:
其中f(T2)是T2分布,T2min是在T2分布中获得的最小T2。
其中T2max是样本中展现的最大T2。具有甚至更短T2(例如,T2小于大约3毫秒)的信号可能是由于粘土束缚水或粘性(重质)碳氢化合物引起的。一些岩石包含大量的干酪根,它是固体有机物,并且可能会展现出低至数十微秒的T2。
如所解释的,可以使用专门设计的数据采集方案(例如,脉冲序列)来采集NMR测量值,该方案描述了传输和接收电磁信号的时间。用于测量T2弛豫时间分布的脉冲序列可以是CPMG回波列。
作为示例,可以采集回波列的信号。作为示例,可以根据回波时间techo(从第一个90度脉冲开始的回波的时间)来测量信号幅度D,
techo=n*TE
其中,n是回波数,并且TE是回波间隔(例如,两个相邻的180度脉冲之间的时间)。信号幅度往往遵循指数衰减形式,
对于单个T2的样本。
对于体现T2分布范围的样本,总信号是T2分量的总和,
其中f(T2)是T2分布。实际上,除T2以外的流体性质是通过多种脉冲序列来测量的。例如,通过反转或饱和恢复脉冲序列来测量弛豫时间T1,并且通过扩散编辑或脉冲场梯度脉冲序列来测量平移扩散系数Dc。
在反转恢复T1测量中,回波信号可以通过以下等式确定:
其中t1通常称为“编码时间”。
实际上,可以使用t1值的列表来测量信号,并且随后将所得信号D(t1)反转以获得样本T1分布f(T1)。{t1}列表的最佳选择可以是样本T1分布的函数。例如,在T1=1ms的情况下,最大t1可以小于5ms;而当T1=1s时,{t1}可以覆盖长达5s的时间。作为示例,一种方法可以包括实时确定适合于所研究的特定材料的采集参数的{t1}序列。
脉冲序列的组合可以同时测量多于一种的流体NMR性质。例如,反转恢复和CPMG序列的组合可以提供流体T1-T2分布的二维映射---一种可用于评估页岩和致密地层的技术。高维测量可能特别耗时,因为它们需要遍历高维脉冲参数表。
作为示例,参数{t1,t2}可以是脉冲序列的参数,其中信号可以通过以下方式确定:
其中f(T2,T1)是所勘测材料的T1和T2弛豫时间的联合分布。
作为示例,可以在设计NMR工具时准备一些参数集(例如,不同{t1 t2}值的集),所述工具针对不同地层类型(页岩、重油、轻油等)分别进行了优化。关于在测井操作期间进入和离开地层层,作为示例,可以利用一种方法,该方法可以包括选择优化脉冲序列之一用于执行。此类自适应方法可能涉及对所采集的NMR信号进行实时建模。
作为示例,可以通过RF脉冲、梯度脉冲、数据采集以及诸如双工器之类的外围电路的同步操作的一系列时间序列来描述NMR测量。在此类示例中,时间序列的每个元素可以进一步由系统参数来表征,诸如RF和梯度脉冲的持续时间、相位、幅度和占空比。考虑诸如p1、p2、…的参数,以及一系列参数P={p1,p2,…}。
作为示例,关于确定参数P的方法可以用于一种或多种其他类型的仪器,该仪器可以是具有或不具有NMR能力的各种测井仪器。例如,考虑各种井下工具(例如,EM工具等)的传输功率/电流、接收器灵敏度、带宽和频率;和/或核井下工具的探测器采集窗口、脉冲中子功率和脉冲率中的一者或多者。
作为示例,实时优化可以提供对数据质量和/或操作效率的改进,和/或例如保留具有公共电源、公共遥测电路等的一个或多个仪器的使用寿命。作为示例,异构计算基础设施可以帮助减少硬件功能,优化性能并降低仪器设计的总体成本。
除了NMR测井以外,一种或多种其他类型的多维NMR光谱实验还可以利用一种或多种方法来改进测量的鲁棒性和/或加快(例如简化)规划。作为示例,在光谱实验中测量的NMR属性可以包括化学位移、自旋-自旋耦接、异核相互作用、自旋空间依赖性等。
作为示例,一种方法可以是在工作站处量化前向模型不确定性、将量化结果移植到回归树、将树加载到边缘装置、将所采集的数据反馈回并标志回工作站的迭代过程。在此类示例中,回归树的弹性属性可以允许适应各种限制(例如,考虑关于诸如RAM的快速存储器的边缘装置限制)和/或关于对一个或多个所研究样本的不完备知识的限制。
作为示例,一种方法可以利用分布式系统,例如利用高性能计算(HPC)和边缘计算基础设施的组合来使测井操作自动化和优化的系统,其中数据采集是随着储层的增量知识而自动调整的。可以利用一种自适应方法,以改进数据采集的效率和质量并使工作规划自动化。
作为示例,可以以弹性方式实现数字决策模型(DDM),其中“弹性”基于其操作例如以更新DDM。
作为示例,DDM可以是树型模型,其中模型的状态由做出的决策确定。例如,决策可以对应于树的叶子,其可以是被用于指示系统如何执行一个或多个操作的一个或多个操作参数(例如,参数、参数集等)的特定分辨率级别上的末端叶子。作为示例,终端状态可以是树在终端叶子处的状态,这可能导致系统以少于可能的最佳方式操作。在此类示例中,系统可以将请求可选地与数据一起传输到远程系统,该远程系统可以生成经更新的数字决策模型(DDM),以便随后传输到系统以用于做出关于如何执行一个或多个操作的决策。此类方法可导致操作的弹性,以及例如关于决策可导致执行新的或不同类型的操作的可扩展性。作为示例,一种方法可以包括异构计算环境中的弹性回归树学习。
如所提到的,系统可以包括一个或多个传感器,其中该系统可以是被植入的、远程的、嵌入式的等。在此类系统中,智能可能需要在最小的操作员干扰的情况下执行传感器功能。
如所提到的,即使在计算资源可能紧邻系统的地方,对该系统的硬件升级也可能受到限制(例如,考虑进行手术以升级植入医疗系统中的硬件)。如所提到的,例如在远程数据传输中(例如,考虑井下装备、外层空间装备等),系统可能遭受延迟的困扰。
作为示例,工作流可以提供用于优化相同样本和/或不同样本的传感器性能。例如,相同的样本可能用于嵌入在桥中的结构传感器系统,在桥中随着时间的推移可能发生变化;然而,对于不同的样本,考虑在井眼中输送的井下工具,以感测不同样本相对于井眼中的位置(例如深度)的物理属性。
作为示例,弹性回归树方法可以提供在嵌入式芯片组(例如,硬件受限系统)与计算工作站(例如,硬件可升级系统、基于云的系统等)之间分配计算任务。协调不同性质的计算资源可以允许以自动化方式高效地采集数据,例如在边缘智能系统的部署中可能涉及到这种情况。
在油田勘探储层的地下测量领域中,极端温度和压力(例如,大于150摄氏度和大于1,000大气压)的条件可能对部署人工智能(AI)类型的单元构成挑战。如所提到的,系统可能受到约束或以其他方式受到限制,使得期望更充分地利用容量有限的嵌入式环境进行传感器优化和自动化。
关于异构系统的示例,考虑以下表1中的示例规范。
表1:嵌入式MCU与经过充分训练的工作站的示例。
属性 | 微处理器 | 工作站 |
CPU时钟速率 | 10s-100s MHz | GHz |
RAM | 10s KB-MB | 10s GB |
延迟 | <μs | ms-10s |
如所解释的,一个或多个感测元件可以与例如数十MHz范围的CPU时钟速率和数十MB的快速存储器的低延迟、低吞吐量微处理器(MCU)共处一处。作为示例,传感器-MCU包络可以例如通过系绳电缆或无线机制接口连接到具有更大能力的一个或多个工作站或云服务器。但是,在一些情况下,连接可能很慢和/或具有有限带宽。
图13示出了系统1310的示例和系统1350的示例。如图所示,系统1310包括以一种或多种方式约束的系统1311,并且包括诸如传感器1312、微处理器单元(MCU)1313、存储器1314和接口1315之类的电路。系统1310可以根据可由MCU 1313设置的一个或多个参数使用传感器1312来采集数据,该参数可以取决于存储在存储器1314中的指令的执行,其中可以至少部分地经由接口1315接收可由工作站系统1318传输的指令,其中系统1311与工作站系统1318之间的遥测受到限制。如图所示,系统1311可以经由接口1315将信息(例如,数据等)传输到工作站系统1318。系统1310是异构的,因为工作站系统1318的电路不同于系统1311的电路,其中例如工作站系统1318可以例如很容易地进行硬件升级,可以包括比存储器1314更多的存储器,可以包括比MCU 1313更强大的处理电路等。
如图所示,系统1350包括以一种或多种方式约束的系统1351,并且包括诸如传感器1352、微处理器单元(MCU)1353、存储器1354和接口1355之类的电路。系统1350可以根据可由MCU 1353设置的一个或多个参数使用传感器1352来采集数据,该参数可以取决于存储在存储器1354中的关于数字决策模型(DDM)的指令的执行,其中可以至少部分地经由接口1355接收可由工作站系统1358传输的DDM和/或指令,其中系统1351与工作站系统1358之间的遥测受到限制。如图所示,工作站系统1358包括DDM生成器1359,其可以操作以生成一个或多个DDM,该DDM可以被传输到系统1351以存储在存储器1354中,并且用于做出关于传感器1352的操作的一个或多个参数的决策以进行测量等。作为示例,DDM生成器1359和/或工作站系统1358可以评估和/或以其他方式考虑模型不确定性(例如,模型不确定性量化)。作为示例,DDM生成器1359可以提供弹性回归树生成器。如图13的示例中所示,系统1351可以经由接口1355将信息(例如,数据等)传输到工作站系统1358。例如,系统1351可以传输数据和/或一个或多个标志(例如,Fn,其中“n”是针对一种类型标志的标志索引),其可以由工作站系统1358用来操作和/或调用DDM生成器1359生成新的DDM,该新DDM可以传输到系统1351。系统1350是异构的,因为工作站系统1358的电路不同于系统1351的电路,其中例如工作站系统1358可以例如很容易地进行硬件升级,可以包括比存储器1354更多的存储器,可以包括比MCU 1353更强大的处理电路等。
作为示例,系统1351的存储器1354可以包括存储在其中的指令,例如,考虑图7的方法700的CRM框711、721、731和741中的一个或多个的处理器可执行指令,该指令存储在存储器1354中并且可由MCU 1353执行以使系统1351执行图7的方法700的一个或多个动作。
在系统1351中,DDM可以是弹性的,因为它可以经由诸如工作站系统1358之类的外部装备进行更换或以其他方式修改。作为示例,外部装备可以是接口1355可直接和/或间接访问的数据库,其中可以执行搜索以选择或以其他方式生成DDM以供系统1351传输和使用。作为示例,数据库可以包括多个DDM和/或其部分,其可以响应于由传感器1352采集的一个或多个标志和/或数据和/或至少部分地经由所采集的数据生成的数据而被选择。存储器1354的大小可以是受限的,因为单个DDM或少于几个DDM可以存储在其中,这可能不足以提供系统1351的最佳操作。在可以发生DDM更换的情况下,系统1351可以以更优化的方式操作,这可以用于改进由传感器1352(例如,传感器等)采集的数据的质量、数量等的目的。
在示例系统1310和1350中,MCU和工作站并置,这可能需要在两者之间适当地分配计算任务。系统1310和1350可以是异构计算环境,其中低延迟、低吞吐量MCU可以与高延迟、高吞吐量工作站结合使用。
如所提到的,系统1350可以是弹性的,因为例如可以根据一种或多种状态来动态地更新数字决策模型(DDM),该状态可以由数据、一个或多个标志等来指示。作为示例,可以根据图7的方法700来操作系统1350。
作为示例,诸如图7的方法700之类的方法可以涉及优化以一个或多个回归模型操作的一个或多个传感器的性能,其中输入是感兴趣的测量参数(p)和样本属性(q),并且输出是所获得的信号(例如,测量、数据等)。在此类示例中,优化目标可以是在测量参数p的序列处进行查询,使得可以高效地导出样本属性q。作为示例,DDM可以被用来做出关于一个或多个参数的决策,该参数可以是例如诸如传感器电路(例如,一个或多个传感器等)之类的电路和/或操作性地耦接到一个或多个传感器的电路的工作参数。
作为示例,一种方法可以利用基于模型的最佳实验设计(OED),通常可以采用两种方法进行:第一种方法称为批量设计,它与从样本属性范围的知识中导出的预定测量参数同时规划测量;并且第二种方法称为顺序设计,它允许进行连续的优化过程,使得基于先前采集的现有数据对新采集的测量参数进行优化。
批量优化主要基于Cramér-Rao下界(CRLB)理论,旨在以一次性的方式最小化确定性数量的无偏估计量的方差。此类方法需要对传感器系统有合理的先验知识,特别是所研究的样本属性的可能值。由于这些属性的初始评估中存在较大的不确定性,因此优化例程的效率可能会降低。
作为示例,一种方法可以包括考虑其值可以跨越几个数量级的属性(例如,如在实践中可能遇到的,诸如石油储层的地球物理参数),并且可选地具有有限的可用先验信息。在此类方法中,可以采用顺序方法。
作为示例,一种方法可以包括:例如基于给定的回归模型、样本属性和仪器参数的数值范围以及传感器噪声的特性,建立用于顺序地优化数据采集的算法框架。
作为示例,假设在一些环境中一些嵌入式芯片组的遥测有限且吞吐量微弱,则一种方法可以包括:制定回归树例程,该例程在包括此类环境中的此类嵌入式芯片组的系统处实时执行顺序优化算法。作为示例,一种方法可以包括:例如通过引入将自动更新(例如,所请求的更新、所触发的更新等)合并到例如具有新采集的样本信息的数字决策模型(DDM)(例如,树等)的弹性属性来执行可以应对仪器和样本异常的限制的一个或多个动作。如所提到的,给出了例如关于井下工具的各种示例,其中根据一个或多个参数采集NMR测量,其中可以经由DDM做出关于使用哪个或哪些参数的决策。
作为示例,考虑一类非线性回归模型f,该模型可用于描述物理测量:
S=f(q,p)+ε, (1)
其中q代表样本的物理属性,p是仪器参数,ε是已知字符的仪器噪声,并且S是所生成的信号。
目标可以是优化采集序列{pi}(其中,i=1,2,...,N),使得可以从所采集的信号{Si}用最少的迭代N导出样本属性q,到由仪器噪声界定的准确性。可以从测量参数Πp的固定池中选择pi的可能值。如所解释的,最佳参数{pi}可以取决于样本并且随着进一步数据点Si变得可用而动态地确定。
图14示出了在模型不确定性的量化的指导下针对三个连续采集A、B和C的一系列曲线图1400。第一行是采样空间Πq,其中黑点是采样点,空心圆是每次采集后的SE,并且大圆圈是真实的样本属性{q1,q2}0。第二行是p域信号,其中黑色的细迹线是从原始Πq构造的数据集,开路迹线来自SE,黑色的粗迹线来自{q1,q2}0,并且带有误差线的黑点是所采集的数据。第三行是针对Πp中每个p处的解集合的计算方差σ2,其中空心/实心圆是采集之前和之后的方差,而虚线是仪器噪声级。图14的示例中的回归模型是根据方程式6得出的。
至于模型不确定性的量化,一种方法可以包括评估所采集数据的一个或多个部分。例如,所采集的数据点可以用于将关于所研究样本的知识扩展到期望的程度。在此类方法中,可以量化从预期数据采集中获得的信息。例如,考虑不确定性采样,其中优化例程可以在参数p处进行查询并且其中对响应S的约束最少。
不同Πp处的采集不一定会生成相等的信息增益。通常,测量的可能响应可能会严格约束在pi(i=1,2,...,N)处的过去采集附近;但在p的其他值处,它们通常可能具有更宽的范围。作为示例,一种方法可以旨在选择pN+1,在该处响应至少由已经采集的数据约束。
作为示例,一种方法可以包括计算一系列构造的信号其中在第N次采集之后随后,此类方法可以在Πp中的每个p处计算的方差(例如,注意,针对方差可以使用一种或多种其他方法)。在此类方法中,的大值暗指响应受到的约束较弱,并提供了产生可观信息增益的机会。为了使增益最大化,一种方法可以包括使用以下方法将下一个p设置为pN+1,该方法在本文中称为等式3:
作为示例,一种方法可以迭代地进行,其中可以执行过程的迭代,直到最大方差下降到仪器本底噪声以下,如图14的曲线图1400所示。
作为示例,工作流可以包括:建立回归模型,测量参数Πp和样本属性Πq的池以及测量噪声ε;采集带p1的一个数据点;通过在Πq中进行采样并将暂定解应用于等式2(上方)来生成解集合(SE);使用解集合在Πp中的测量参数处构造一组可能的响应;在合成数据集中定位与最大方差相对应的p2;采集带有p2的下一个数据点;以及从使用SE、当最大方差降到仪器本底噪声以下或解集合消失(这表明所采集的数据与假定的回归模型不一致)时进行的定位和采集和退出中进行迭代。
作为示例,工作流可以包括在Πq中进行采样并将暂定解应用于等式2(以上)的测试,这在计算上可能是相对昂贵的。作为示例,随着先验知识在后续迭代中增加,采样空间Πq可能需要更新。此类需求可以被认为是相当大的,并且是由工作站而不是嵌入式微处理器执行。
如所解释的,为了适应(例如,具有嵌入式微处理器的)边缘系统处的降低的计算吞吐量,可以将自适应采集算法移植到多类回归树,该多类回归树可以是数字决策模型(DDM)。
图15示出了用于构造和使用可以是DDM的多类回归树1500的方法的示例。图15包括标记为(A)的作为构造多类回归树的启发式图示的一系列曲线图和图表,该多类回归树可能位于工作站处,其中决策节点与对应的域信号p-是相同的线型并且ε是仪器噪声级;以及标记为(B)的图表,该图表是在模拟中使用回归树的图示,其中在每个节点处下方的条是间隔属性(例如(bmax+bmin)/2)的两个边界的均值,并且数字是Πp中的从1到100的参数索引,在此处进行采集。下面,提供了对树遍历的各种示例的描述,如所提到的,其可以包括使树处于特定状态,该状态可以例如用于自动请求对树的更新。如所提到的,数字决策模型(DDM)可以是树或其他类型的决策结构,其大小可以适合于在受约束的系统(参见例如图13的系统1351)中加载和使用。
作为示例,可以将回归树用作上述优化过程的替代品(例如,做出最佳决策、选择等)。作为示例,树的每个节点可以对应于解集合;根的SE是初始Πq,而每个叶子的SE是例如由仪器噪声界定的Πq的小子集。对于父节点,其子节点的SE可以互斥,但共同构成其SE。作为示例,解集合可以用于树构造,而不是存储在树中。可以实现此类方法以减小数字决策模型(DDM)的大小,使得DDM可以存储在系统的存储器中,该存储器可能是受限的(例如,不适合硬件升级等)。当将方法作为受约束系统应用在边缘装置上时,可以利用此类方法来减小总大小和计算负载。
作为示例,在树中,可以为每个节点分配两个属性:测量参数和数值间隔。作为示例,可以在参数p处进行采集,其中根据等式3(以上)使从节点的解集合生成的合成数据集的方差最大化。在此类示例中,所采集的信号S(p)落在子节点之一的数值间隔内,该数值间隔随后确定将如何执行下一次采集。在此类示例中,当到达叶子时或当所采集的数据位于规定的决策范围之外时,可以完成迭代过程。此类条件可以是数字决策模型(DDM)状态,一种状态是叶子状态而另一种状态是数据状态。
作为示例,一种方法可以包括递归地构造回归树。例如,为了从节点导出到其子节点,一种方法可以包括将父节点指定为测量参数pi和间隔[bmin,i,bmax,i]。在此类示例中,间隔约束在pi处由节点的解集合Πq,i生成的合成数据集。数学上,
作为示例,一种方法现在可以将间隔划分为Nbin等距bin:
其中ε是仪器噪声的幅度。根据等式4,生成索引j|i(j=1,2,...Nbin)的Nbin子节点,每个子节点都具有间隔属性[bmin,j|i,bmax,j|i],其中两个边界为:
与父节点一样,新间隔对应于解集合Πq,j|i,即Πq,i的子集。同时,节点j|i的测量参数通过以下方式计算(另参见例如等式3):
如所提到的,在图15中,示出了用于为前三个迭代构造回归树的过程的示例,其中第一行是来自第二行中的对应决策节点的解集合的合成数据集。
在一个系统(例如,比另一个系统具有更多的资源)上构造回归树之后,可以通过(例如,有线的和/或无线的)遥测总线将其属性传输到另一个系统的存储器,该存储器可以是嵌入式微处理器的RAM和/或是嵌入式处理器可访问的。这些属性可以定义回归树,该回归树可以是数字决策模型(DDM)。例如,DDM可以由属性定义,其中可以传输属性以有效地传输DDM(例如,传输和/或接收DDM可以是传输和/或接收定义DDM的属性)。一旦将DDM加载到受约束系统中,遥测就可以解耦,置于低功率操作状态,设置为时间表,设置为侦听模式等。在此类方法中,工作站的操作(参见例如图13的工作站系统1358)可以响应于发生在另一个系统之中或之处的一个或多个动作、分析等而被调用,所述另一个系统可以基于使用DDM在本地做出的决策经由DDM执行自适应测量。
作为示例,传感器操作可以在p0处开始,即根节点的参数属性。随着测量的进行,可以用节点i的测量参数pi进行下一次采集,并且所采集的信号Si确定数字决策模型(DDM)将在操作中导航到的子节点。
作为示例,一种方法可以包括以减少模型不确定性的方式严格遍历树节点,直到到达决策叶子为止,其中图15提供了一个示例,其中树是根据ε为0.1的回归模型构建的。在此类示例中,2D属性空间Πq是由介于0与2之间的的100个线性间隔的值以及介于0.001与1之间的的100个对数间隔的值构造的。测量参数空间Πp包括介于0.001与5之间的100个线性间隔的值。假定真实样本属性为{q1,q2}0={0.8,0.32},则算法用的参数执行四次采集,其中上标指示参数在Πp内的索引。所得到的最终节点的属性空间导致{0.75±0.08,0.317±0.14}的估计样本属性,其与真实属性一致。
在边缘装置(例如,边缘系统)上,用于存储树的内存需求为16Ntree字节,其中Ntree是节点(包括叶子)的总数。作为示例,每个节点可以存储四个参数:节点索引pi、bmin和bmax的字典顺序,例如,每个参数占用32位。在此类示例中,树存储的内存需求为16Ntree字节。
作为示例,在节点i处,算法可以计算每个子节点的所采集信号Si与(bmin,j|i+bmax,j|i)/2之间的差的绝对值,并导航到具有最小差的信号。因此,浮点计算的总数可以是Ntree的一部分。在此类示例中,可以显著减少用于回归树的计算负载和内存成本。
作为示例,可以定制数字决策模型(DDM)以解决各种情况。例如,考虑一种情况,其中多个属性q可能导致巨大的多维属性空间Πq。以5个属性并且每个属性都以双精度格式在100个点处进行采样为例,Πq需要80GB(1005×8字节)的磁盘空间来存储。此类内存需求可能导致对DDM和系统的操作性能的重新评估。
作为另一个示例,考虑具有高传感器信噪比(SNR)结合密集采样点的情况,这可能会导致相对于可用内存的回归树过大。
图16示出了多个节点对采样点q的示例曲线图1600,其具有等式6(以上)的回归模型。如图所示,在较高的SNR(诸如80)下,需要更密集的采样点来解析高分辨率数据的微小差异,这会导致树较大。虽然系统可能没有足够的内存来存储具有超过80个决策节点的树,但系统可能被限制在某个SNR包络下执行优化例程。
具体来说,图16示出了根据采样空间大小和仪器SNR的决策节点数量,其具有等式6的回归模型。在图16的示例中,微处理器的内存容量为TMS320F28335 DELFINO MCU(德克萨斯州达拉斯市的德州仪器)的内存容量。误差线的大小示出为与仪器SNR成反比。
在各种情况下,关于样本的先验知识的准确性的保证可能受到限制。在最坏的情况下,在初始采样空间Πq不包含真实样本属性的情况下,先前的信念可能是错误的。
如所提到的,在异构计算架构中提供了弹性的情况下,数字决策模型(DDM)可以是弹性的。
如所提到的,一种方法可以包括在工作站处迭代地构造经更新的(例如,新的等)回归树,同时考虑所采集的数据以及边缘装置(例如,边缘系统)的硬件限制。作为示例,工作站可以运行不同的例程,取决于上一次运行中是否到达决策叶子。
作为示例,诸如图7的方法700之类的一种方法可以包括根据DDM和/或实现DDM的系统的一个或多个属性来更新数字决策模型(DDM)。如所提到的,DDM更新可以响应于DDM处于特定状态和/或系统处于特定状态(例如,可选地相对于其环境)而发生。
作为示例,属性可以是放大属性,该属性可以实现为放大数字决策模型(DDM)的一部分,例如以细化DDM并更新DDM以进行传输和用于进一步的操作。
作为示例,在使其他参数保持不变的情况下,降低的SNR可以导致节点Ntree的数量减少,如图16所示。作为示例,可以将人为提高的噪声级εT>ε用于树的构造,因此可以将树整体地部署到受约束系统。
使用提高的εT可能会导致低分辨率树,该树在降低的级别上解析样本属性q。在受约束系统上将树运行到决策叶子(例如,数字决策模型(DDM)的状态)之后,可以至少部分地利用所采集的数据以逐步降低的εT来构造经更新的树。为了将树的大小保持在内存限制之下,属性空间的大小也可能会减小。可以重复此类过程,直到εT接近ε为止。在每次迭代之后,可以在密度增加的同时减小采样空间的包络,从而充当“放大”属性。
图17示出了放大属性的图1700的示例。图1700示出了第一行Πq,其中黑点作为原始采样点,其他点(例如,圆圈)作为“放大”操作之前(A)和之后(B)的解集合;第二行示出了p-域信号,其中黑色迹线来自Πq,白色填充迹线来自各个解集合,黑色填充粗迹线来自样本地面真值,并且黑点是所采集的数据;并且第三行示出了第一回归树在A中,第二“放大”树在B中,并且遍历路径为白色,带有黑色粗轮廓。
具体来说,图17示出了用于2D采样空间的放大属性的示例,该采用空间由的和的限定。第一树tree1是由树大小不大于80(图16所示的限制)的εT,1生成的。第一树tree1被加载到MCU并执行到叶子,其中{pi,Si}(i=1,2,...)采集参数和对应数据。
作为示例,放大过程可以包括:
4.生成第二经更新的树tree2,具有Πq,2和εT,2,其中εT,2≥ε并且Ntree,2≤80。
如图所示,第二经更新的树tree2可以随后传输并加载到受约束系统的存储器。作为示例,可以重复此类过程,直到εT到达ε为止。
图18示出了缩小属性的图1800的示例。在图18的示例中,该图示出了第一行示出Πq,其中黑点为原始采样点,空心圆为B中“缩小”之后的解集合,而大的空心圆为样本地面真值;第二行示出了p-域信号,其中黑色迹线来自Πq,白色填充迹线来自解集合,黑色填充粗迹线来自样本地面真值,并且每个黑点是所采集的数据;并且第三行示出第一回归树在A中,第二“缩小”树在B中,并且采集路径为白色填充路径,带有黑色粗边框。
如所提到的,响应于DDM的状态,可以发生更新数字决策模型(DDM)的请求。例如,状态可以是树无法到达叶子(例如,做出特定决策)。响应于这种状态,可以发出请求以指示工作站一次或多次尝试在较宽的空间上以对的稀疏采样来扩展属性空间Πq,直到它包括地面真值为止。
如图18所示,一种方法可以一次将原始Πq沿每个维度扩展2倍,直到所构造的p域信号与仪器噪声容限内的所采集数据点一致为止。图18的图1800示出了2D采样空间中的缩小属性。
如所提到的,可以在使用一个或多个井下工具的测井环境中利用各种方法。作为示例,可以使用多类回归树及其弹性属性来指示井下工具执行NMR测量。
NMR测量可以通过传输和采集事件的时间顺序执行。测量结果S可以通过具有测量参数p输入的非线性回归模型来解释。样本属性q(诸如分子的扩散系数、弛豫时间和化学位移)可以通过各种反转方法获得。
作为示例,在给定NMR装备(例如,NMR系统)的计算约束的情况下,可以实现一种方法来动态地优化NMR测量。在此类示例中,优化可以由先验构造的回归树和新采集的信号S指导。
在各个示例中,例如使用软件堆栈来模拟NMR测量,该软件堆栈以C编程语言编写以用于嵌入式系统,而以MATLAB编写以用于工作站。嵌入式系统包括具有68KB RAM和150MHz CPU速度的TMS320F28335 DELFINO MCU(德克萨斯州达拉斯市的德州仪器)作为嵌入式芯片组,而工作站是具有48GB RAM和INTEL XEON E5 CPU(3.6GHz)的PC。这两个计算单元由USB电缆通过RS-485串行通信连接。在每个实验中,从样本地面真值生成的模拟数据都在工作站处合成,并加载到MCU RAM。同样在MCU RAM处运行的回归树以一序列测量参数查询合成数据,并在完成迭代过程后返回所采集的点和退出标志。
特别是,通过以下回归模型将一类NMR实验模拟为用于远程感测应用:
其中p是时间间隔内的测量参数。T2(弛豫时间)和D(分子扩散系数或Dc)是感兴趣的两个样本属性。A是校准常数,其被设置为统一并且可以通过将其设置为其他值来在需要时使用。与遇到的样本一样,这两个样本属性的数值范围都很大。例如,据报道,T2可以从10-3变化到几秒钟,并且D可以从10-6变化到10-4cm2/s。
可以通过以下方式来估计属性{T2,D}:测量Πp中针对p的每个值的S,并随后将反转例程应用到所采集的数据集{S(Πp)}。相反,示例方法使用为每个单独样本动态调整的值{pi}用少量的采集来确定{T2,D}。
下表2提供了对模拟NMR实验的总结。
编号 | {T<sub>2</sub>,D×10<sup>5</sup>}<sub>0</sub> | SNR | p<sub>i</sub>×10<sup>2</sup> | {T<sub>2</sub>,D×10<sup>5</sup>} |
1 | {0.5,1} | 40 | {6.38,3.2,7.43} | {1.7±1.3,1.1±0.2} |
2 | {0.3,1} | 100 | {6.38,3.2,7.59,3.35} | {0.31±0.05,1.00±0.08} |
3 | {0.04,0.2} | 40 | {6.38,2.89,3.2} | {0.040±0.003,0.39±0.27} |
对于标记为1、2和3的三个实验,针对不同的仪器噪声特性和样本属性,Πp是固定的从2×10-4s到1.5×10-1s的100个线性间隔的时间间隔的一维数组,从其中生成了模拟数据{S(pi)}。样本属性的初始采样空间Πq,1由从0.1s到3s的100个对数间隔的弛豫时间和从0.4×10-5到3×10-5cm2/s的100个对数间隔的扩散系数构成。总共,Πq,1包括对。
在第一个实验中,样本地面真值设置为{T2,D}0={0.5s,1×10-5cm2/s},并且振幅的正态分布仪器噪声为ε=0.025且方差为1。在工作站处,用树噪声εT=ε以及等式6的回归模型构造了51节点回归树。由于节点数在MCU限制之下,因此树已加载到MCU RAM中。
图19、图20和图21示出了在模拟NMR实验中运行回归树的示例,其中回归树是数字决策模型(DDM)的示例。在图19中,示出了一系列曲线图1900;在图20中,示出了曲线图2000;并且在图21中,示出了回归树2100。
在图19中,一系列曲线图1900是针对A、B和C的,这是对数据采集的实时优化的三个迭代。在第一行中,围绕空心圆的空心区域是上一次采集后的解集合,并且该空心圆指示样本地面真值。在第二行中,黑色迹线示出了从它们各自的解集合中构造的而黑点是所采集的数据。在图20中,标记有“D”的曲线图2000示出了在三次采集中解集合的最大方差,其中虚线是仪器本底噪声(例如,对于诸如图13的系统1351的采集系统)。在图21中,标记有“E”的回归树2100将回归树2100示出为51节点树,该树在实验中使用,其中例如每个条都可以用例如边界等进行编码。例如,可以将条定位在表示其间隔属性的两个边界的均值的每个节点下,并且例如数字可以是在其处进行采集的Πp中的参数索引。
如该系列曲线图1900所示,对于A、B和C,优化例程遍历回归树2100到达叶子,该叶子对应于包含地面真值{T2,D}0的解集合。由于树是用仪器ε制造的,到达叶子表明合成的p-域数据的降到ε2以下,如图20的曲线图2000所示(参见“D”)。在图21中还示出了通过回归树2100(参见“E”)的采集路径,其中在处进行了测量。
在第二个实验中,样本地面真值为{T2,D}0={0.3s,1×10-5cm2/s},并且振幅的正态分布噪声为ε=0.01。用仪器噪声ε构建的回归树导致Ntree=239太大而无法加载到特定的MCU(例如,采集系统的内存限制不足以加载数字决策模型(DDM))。在这种情况下,可以构造较小的树(例如,较小的DDM),例如其中用Ntree=80构造εT,1=0.025。MCU上的该树1在到达决策叶子之前进行了3次查询,返回带有退出标志(例如,关于终端状态或叶子状态)的所采集数据,该退出标志要求在工作站处进行放大操作。
图22示出了针对模拟NMR实验中的放大过程的示例的一系列曲线图2000的示例。在图22中,A、B和C表示对数据采集的实时优化的迭代。在第一行中,轮廓区域表示(A)之前、三个(B)和四个(C)采集之后的解集合,并且空心圆是样本地面真值。在第二行中,黑色迹线是从其各自的解集合构造的而黑点表示所采集的数据。在图22中,标记有D的曲线图示出了在4次采集中解集合的最大方差,其中虚线是仪器本底噪声。
随后,在工作站处构造了第二树,并受{pi,S(pi)}约束,其中εT=ε。将一个节点的树2加载到MCU,进行一次查询,如图22的图中所示(参见“C”)。
在第三个实验中,仪器噪声幅度设置为0.025,而样本地面真值设置为{T2,D}0={0.04s,0.2×10-5cm2/s}。由于{T2,D}0位于属性空间Πq,1之外,因此其中εT,1=0.025的树1无法到达叶子。它进行了两次查询,并返回所采集的数据和指示缩小操作的退出标志。
图23示出了模拟NMR实验中的缩小过程的示例的一系列曲线图2300的示例。如图23所示,A、B和C是对数据采集的实时优化的三个迭代。在第一行中,轮廓区域是上次采集后的解集合,而空心圆是样本地面真值。在第二行中,黑色迹线是从其各自的解集合构造的而黑点表示所采集的数据。在图23中,标记有D的曲线图示出了在三次采集中SE的最大方差,其中虚线是仪器本底噪声。
随后,用从0.025s至12s的100个对数间隔的和从0.1×10-5至1.2×10-4cm2/s的100个对数间隔的来构造更稀疏而更宽广的采样空间Πq,2。对新的采样空间进行了进一步测试,以确保{p1,S1}和{p2,S2}在其包络内保持一致。在保持εT,2为0.025不变时,执行了一个节点的树2,从而产生一个或多个采集点。通过两个回归树和三个查询,优化工作流找到了仪器噪声限制所允许的真实样本属性,如图23中标记有D的曲线图所示。
在这三个示例中,工作流从在根节点处进行采集开始,并设法动态地优化具有不同样本属性和仪器噪声的数据采集。在每个实验中,最后一个解集合的方差反映了每个物理属性对非线性模型和仪器噪声两者的敏感性,如表2的第五列所示。
遥感系统倾向于根据规定的协议执行感测操作,并且有时需要专业干预。作为示例,诸如图7的方法700之类的方法可以提供弹性,因为在受约束系统中,可以动态地发生对数字决策模型(DDM)的更新,以做出关于如何执行一个或多个感测操作的决策。作为示例,系统可以被配置为图13的系统1350,其中可以利用标志来请求对可以加载到存储器中的一个或多个数字决策模型(DDM)的动态更新。
如示例所示,可以使用一种算法进行NMR测量,其中例如Πq中的奇异点可以是样本地面真值。作为示例,对复杂样本的高级测量可以包括数学上复杂的模型和多个物理量的连续分布两者。
如所解释的,一种方法可以包括量化模型不确定性,其中观察和/或决策的做出落在贝叶斯网络的包络内。
作为示例,一种方法可以应用于参数模型的一个或多个传感器。作为示例,一种方法可以应用于优化非参数和/或混合模型的一个或多个传感器阵列的性能。作为示例,一个或多个工作流可以是自动化的、协调的和可量化的,以用于异构计算环境中的测量。
图24示出了伪代码算法2410和2430的示例,该伪代码算法针对用于具有非凸集的2D采样空间的放大属性的方法的示例。
作为示例,2D空间中的一组点的凸包可以是具有包括整个集在内的最小面积的多边形。作为示例,算法可以应用qHull来生成一组向量的凸包,并应用inHull来确定给定矢量是在凸包之中还是之外。作为示例,针对inHull,考虑由J.D'Errico(10226-inhull)开发的MATLAB脚本。
作为示例,放大过程可以旨在增加所到达的决策叶子的合格采样点的密度。在此类示例中,一种方法可以以高效的方式提出可能合格的L表示叶子的一组一种策略是增加包含样本地面真值的L的包络内的采样点。当它是非凸集时,确定L的包络可能很重要。
在图24中,示例算法2410被示为可执行以确定L的包络(表示为acceptedQSet)。在算法中,Si(i=1,2,...)表示叶子同胞的集并从L生成qCandidate。然后,算法2410计算L的凸包acceptedCH,并且随后接受acceptedCH内的qCandidate的子集。为了进一步减少qCandidate中的不合格采样点,一种方法可以包括计算每个Si的凸包,但不包括落在rejectedCHi内而不在L内的剩余qCandidate中的采样点。在此类方法中,可以使用最终的qCandidate。
作为示例,在导出凸包时可能会出现一个或多个问题。例如,L中的数量可能很少,并且有时落在一行上,诸如当L具有1或2个时。在这些情况下,凸包可能定义不清。在其他情况下,由于采样点的离散性质,L的凸包可能包括几个不重叠的多边形。如果地面真值位于两者之间的空隙之一中,则它可能在初始qCandidate中被遗漏。
作为示例,一种方法可以包括扩展L,使得可以导出正确定义的连续凸包。图24中的示例算法2430示出了nDim=2的此类方法。一旦扩展,新的L就可以随后被用作凸包采样的输入。
作为示例,一种方法可以包括:使用系统执行操作,其中所述操作取决于经由存储在系统的存储器中的数字决策模型做出的决策;响应于数字决策模型的决策状态,传输更新数字决策模型的请求;以及响应于所述请求,接收经更新的数字决策模型,其中经更新的数字决策模型包括改进系统的操作的执行的至少一种新决策状态。在此类示例中,可以在系统移动时执行该方法(例如,考虑在井眼中输送井下工具)。作为示例,数字决策模型可以是或包括回归树模型。作为示例,数字决策模型可以由属性定义,使得属性的传输、接收等有效地传输、接收数字决策模型。
作为示例,数字决策模型可以取决于系统的一个或多个传感器的一个或多个规格。作为示例,操作可以是感测操作,并且例如,数字决策模型可以取决于感测操作的信噪比。
作为示例,一种方法可以包括在环境中移动的系统,其中该系统执行感测操作,该感测操作在系统移动时采集环境中的样本的传感器测量值。在此类示例中,系统可以在系统移动时导航数字决策模型(DDM)。在此类示例中,在环境改变时,可以导航DDM以导致使用改进系统性能的操作参数(例如,使系统适应环境的改变)。作为示例,数字决策模型可以取决于系统的感测操作的信噪比,其中信噪比响应于环境中的物理变化而变化,该物理变化响应于系统在环境中移动而发生。在此类示例中,针对特定环境的信噪比的改进可以是对系统性能的改进。
作为示例,系统可以是用于部署在地质环境中的井眼中的井下系统,并且操作可以是测量地质环境中的原位样本的核磁共振信号的核磁共振测量操作。例如,一种方法可以包括:使用井下系统(例如,NMR工具等)来执行NMR测量操作,其中该操作取决于经由存储在井下系统的存储器中的数字决策模型做出的决策;响应于数字决策模型的决策状态,传输更新数字决策模型的请求(例如,至少部分地经由井下至地面遥测传输到地面系统);以及响应于该请求,由井下系统接收经更新的数字决策模型,其中经更新的数字决策模型包括改进井下系统的NMR测量操作的执行的至少一种新决策状态。
作为示例,决策状态可以是数字决策模型的终端状态。例如,考虑带有叶子的树,其中每个叶子可以是一种终端状态。作为示例,DDM可以包括其中一个或多个节点可以是终端状态节点的节点。
作为示例,决策状态可以包括数字决策模型的一种或多种非终端状态。作为示例,非终端状态可以是在例如未达到终端状态的多次迭代之后存在的状态。
作为示例,一种方法可以包括:基于存储在存储器中的数字决策模型的决策状态,从存储在存储器中的多个不同标志中选择标志,其中对经更新的数字决策模型的请求对应于所选标志,其中决策状态是数字决策模型的终端状态,并且其中经更新的数字决策模型的至少一种新决策状态是从终端状态扩展的决策状态。作为示例,此类方法可以被称为放大模型,其可以细化一个或多个参数以用于系统的操作。如图17所示,经更新的数字决策模型可以包括一种或多种附加状态(例如,叶子等),这些状态从数字决策模型的终端状态(例如,终端叶子)扩展,从而导致对经更新的数字决策模型的请求。作为示例,系统可以包括存储在存储器中的多个不同标志中的至少一个,该标志对于数字决策模型的非终端状态是可选择的。例如,考虑用于缩小操作的标志,其中图18中示出了一个示例,在该示例中带有叶子的级别被扩展为包括与叶子处于同一级别的附加叶子。在数字决策模型的迭代使用不会导致数字决策模型到达终端状态(例如,终端叶子等)的情况下,可以利用此类方法。尽管提到了两种类型的决策状态和对应标志,但是系统可以包括一种或多种其他决策状态和一个或多个其他对应标志。如所提到的,可以将弹性方法用于诸如功率参数、信噪比参数等的参数。在此类示例中,可以存在具有对应标志的各种决策状态,这些标志可以要求(例如,请求)对一个或多个数字决策模型的一个或多个更新。
作为示例,一种方法可以包括:使用系统执行操作,其中所述操作取决于经由存储在系统的存储器中的数字决策模型做出的决策;响应于数字决策模型的决策状态,传输更新数字决策模型的请求;以及响应于所述请求,接收经更新的数字决策模型,其中经更新的数字决策模型包括改进系统的操作的执行的至少一种新决策状态。作为示例,在此类方法中,响应于使用经更新的数字决策模型,可以(例如,在本地和/或远程地)确定经更新的数字决策模型足以提供所需的操作。在此类示例中,该确定可以导致系统的一个或多个动作被挂起,这可以保留电力、释放内存等。在此类示例中,经更新的数字决策模型可以处于决策状态,该决策状态可以是例如具有对应操作参数的终端状态,其中系统根据那些操作参数继续进行操作。在此类方法中,一个或多个条件可以是或包括除决策状态条件以外的一个或多个条件,可以触发评估,该评估可以导致对另一个经更新的数字决策模型的调用。例如,考虑沿着井眼的长度输送的井下工具,其中温度的变化可以触发此类评估,达到特定深度(例如,垂直或测量的深度)可以触发此类评估等等。
作为示例,操作可以是感测操作,并且决策状态可以取决于由感测操作采集的测量值。作为示例,测量值可以通过信噪比来表征,其中决策状态可以至少部分地取决于信噪比。作为示例,信噪比可以取决于一个或多个因素,其可以包括信号采集可编程因素、环境因素和/或装备因素(例如,仪器因素)。
作为示例,一种方法可以包括利用经更新的DDM的至少一种新决策状态来执行操作。例如,DDM的决策状态数可能会受到限制,因为决策状态不提供装备的最佳操作。在此类示例中,新的DDM可以包括一种或多种新决策状态,以允许装备进行更优化的操作。
如所提到的,作为示例,数据库可以经由受约束系统访问,其中该数据库包括多个DDM,其中可以选择DDM中的一个并且将其传输到受约束系统,在受约束系统中一旦接收到DDM,就可以将其实现以做出关于如何操作受约束系统的决策。
作为示例,系统可以是执行包括井下感测操作的操作的井下系统,并且其中井下系统可以将请求传输到地面系统。在此类示例中,井下系统和地面系统可以是异质系统。作为示例,地面系统可以传输经更新的数字决策模型,并且井下系统可以接收由地面系统传输的所传输的经更新的数字决策模型。在此类示例中,井下系统可以通过利用可以是有线的、无线的等井下遥测技术来接收。作为示例,井下遥测技术可以包括泥浆脉冲遥测技术,其中使脉冲作为钻井液(例如,钻井泥浆)穿过泥浆。
作为示例,一种方法可以包括将经更新的数字决策模型限制为取决于受约束系统的存储器的大小。在此类示例中,一种方法可以包括限制,该限制包括基于例如通过由受约束系统执行信号采集操作而采集的信号的信噪比来调整经更新的数字决策模型的大小。
作为示例,数字决策模型的决策状态可以导致对放大过程的请求,该放大过程将至少一个节点/叶子添加到数字决策模型的终端节点/叶子。作为示例,数字决策模型的决策状态可以导致请求缩小过程,该缩小过程将至少一个分支添加到数字决策模型的层。
作为示例,系统可以是可植入医疗系统,并且其操作可以是或包括治疗性操作。
作为示例,系统可以是遥感系统,并且其操作可以是或包括感测操作。
作为示例,系统可以是嵌入在结构体中的嵌入式系统,并且其操作可以包括感测操作,该感测操作感测结构体的至少一种物理属性(例如,应力、应变、化学环境、振动、湿度等)。
作为示例,系统可以包括井下工具和具有比井下工具更多计算能力的井口系统,其中数字决策模型(DDM)存储在井下工具的存储器中并且DDM的执行在井下工具中执行,并且其中在井口系统处执行数字决策模型的更新。例如,井下工具可以将数据、标志等中的一者或多者传输到井口系统,并且作为响应,井口系统可以生成并将经更新的数字决策模型(DDM)传输到井下系统。例如,当井下工具移动并经历一个或多个条件变化时,此类方法可以迭代地发生,该变化可以是例如井下工具旨在经由测量(例如,传感器测量)表征的变化。作为示例,可以对环境进行分层,在地质上可以经由地层学对其进行表征。作为示例,可以在井眼中输送井下工具以进行可以有助于对环境进行表征的传感器测量,该测量可以包括可以经由地层学(例如,岩石地层学(岩性地层学)和/或生物地层学(生物地层学))来改进表征的测量。
作为示例,系统可以是嵌入式系统工具。例如,工具可以是可运输的,并且可选地由其自身的内部电源和/或可运输的发电机(例如,涡轮、太阳能等)供电。作为示例,嵌入式系统工具可以包括遥测电路,该遥测电路可以与诸如高性能计算系统(HPC系统)之类的另一系统通信,该系统可以是例如工作站类型的计算系统。在此类示例中,数字决策模型可以存储在嵌入式系统工具的存储器中,其中决策模型的执行在嵌入式系统工具中执行,其中数字决策模型的更新由HPC系统执行,该HPC系统可以经由遥测将经更新的数字决策模型传输到嵌入式系统工具。在此类示例中,嵌入式系统工具可以是比HPC系统具有更少内存的井下工具,该HPC系统可以是地面系统(例如,井口系统)。
作为示例,系统可以包括井下工具和比井下系统具有更多计算设施的井口系统,在该井口系统中数字决策模型(DDM)从井口系统传输到井下工具,该传输可以周期性地发生,例如有一个或多个经更新的DDM以改进井下工具的性能。
作为示例,一种系统可以包括:处理器;存储器,所述处理器可访问所述存储器;处理器可执行指令,处理器可执行指令存储在存储器中并且可由处理器执行以指示系统:使用系统执行操作,其中所述操作取决于经由存储在系统的存储器中的数字决策模型做出的决策;响应于数字决策模型的决策状态,传输更新数字决策模型的请求;以及响应于所述请求,接收经更新的数字决策模型,其中经更新的数字决策模型包括改进系统的操作的执行的至少一种新决策状态。
作为示例,一种或多种计算机可读存储介质可以包括:计算机可执行指令,所述计算机可执行指令可执行以指示处理器:要求使用系统执行操作,其中所述操作取决于经由存储在系统的存储器中的数字决策模型做出的决策;响应于数字决策模型的决策状态,要求传输更新数字决策模型的请求;以及响应于所述请求,要求存储在接收到的经更新的数字决策模型的存储器中,其中经更新的数字决策模型包括改进系统的操作的执行的至少一种新决策状态。
在一些实施方案中,一种或多种方法可以由计算系统执行。图25示出了可包括一个或多个计算系统2501-1、2501-2、2501-3和2501-4的系统2500的示例,该一个或多个计算系统可经由一个或多个网络2509操作性地耦接,该网络可以包括有线和/或无线网络。
作为示例,系统可包括单独的计算机系统或分布式计算机系统的布置。在图25的示例中,计算机系统2501-1可包括一个或多个指令集2502,该一个或多个指令集可以是或包括例如可执行以执行各种任务(例如,接收信息、请求信息、处理信息、模拟、输出信息等)的处理器可执行指令。
作为示例,指令集可以独立地或与一个或多个处理器2504协同地执行,该一个或多个处理器(例如,经由有线、无线地等)操作性地耦接到一个或多个存储介质2506。作为示例,该一个或多个处理器2504中的一个或多个可以操作性地耦接到一个或多个网络接口2507中的至少一个。在此类示例中,计算机系统2501-1可以例如经由一个或多个网络2509传输和/或接收信息(例如,考虑互联网、专用网络、蜂窝网络、卫星网络等中的一者或多者)。
作为示例,计算机系统2501-1可以从一个或多个其他装置接收信息和/或将信息传输到一个或多个其他装置,该一个或多个其他装置可以是或包括例如计算机系统2501-2中的一个或多个等。装置可以位于与计算机系统2501-1不同的物理位置。作为示例,位置可以是例如处理设施位置、数据中心位置(例如,服务器场等)、钻机位置、井场位置、井下位置等。
作为示例,处理器可以是或包括微处理器、微控制器、处理器部件或子系统、可编程集成电路、可编程门阵列或另一控制或计算装置。
作为示例,存储介质2506可以实现为一个或多个计算机可读或机器可读存储介质。作为示例,存储可以分布在计算系统和/或附加计算系统的多个内部和/或外部机壳内和/或之间。
作为示例,一个或多个存储介质可包括一种或多种不同形式的存储器,包括:半导体存储器装置,诸如动态或静态随机存取存储器(DRAM或SRAM)、可擦除和可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和快闪存储器;磁盘,诸如固定磁盘、软盘和可移动磁盘;其他磁介质,包括磁带;光学介质,诸如光盘(CD)或数字视频盘(DVD)、BLUERAY盘或其他类型的光学存储装置;或其他类型的存储装置。
作为示例,一个或多个存储介质可以位于运行机器可读指令的机器中,或者位于远程站点,机器可读指令可以从该远程站点通过网络下载以供执行。
作为示例,系统(诸如计算机系统)的各种部件可以在包括一个或多个信号处理和/或专用集成电路的硬件、软件或硬件与软件(例如,包括固件)组合中实现。
作为示例,系统可以包括处理设备,该处理设备可以是或包括通用处理器或专用芯片(例如,或芯片组),诸如ASIC、FPGA、PLD或其他适当的装置。
图26示出了计算系统2600和联网系统2610的部件。系统2600包括一个或多个处理器2602、存储器和/或存储部件2604、一个或多个输入和/或输出装置2606以及总线2608。根据一个实施方案,指令可以存储在一个或多个计算机可读介质(例如,存储器/存储部件2604)中。此类指令可以由一个或多个处理器(例如,一个或多个处理器2602)经由通信总线(例如,总线2608)读取,该通信总线可以是有线的或无线的。所述一个或多个处理器可以执行此类指令以(全部或部分地)实现一个或多个属性(例如,作为方法的一部分)。用户可以经由I/O装置(例如,装置2606)查看来自过程的输出并与过程进行交互。根据一个实施方案,计算机可读介质可以是存储部件,诸如物理存储器存储装置,例如芯片、封装上的芯片、存储器卡等。
根据一个实施方案,部件可以分布在诸如网络系统2610中。网络系统2610包括部件2622-1、2622-2、2622-3、......、2622-N。例如,部件2622-1可以包括一个或多个处理器2602,而一个或多个部件2622-3可以包括可由一个或多个处理器2602访问的存储器。此外,一个或多个部件2622-2可以包括I/O装置以用于进行显示和可选地与方法进行交互。网络可以是或包括互联网、内联网、蜂窝网络、卫星网络等。
作为示例,装置可以是包括用于信息通信的一个或多个网络接口的移动装置。例如,移动装置可以包括无线网络接口(例如,可经由IEEE 802.11、ETSI GSM、BLUETOOTH、卫星等操作)。作为示例,移动装置可以包括部件,诸如主处理器、存储器、显示器、显示图形电路(例如,可选地包括触摸和手势电路)、SIM插槽、音频/视频电路、运动处理电路(例如,加速度计、陀螺仪)、无线LAN电路、智能卡电路、传输器电路、GPS电路和电池。作为示例,移动装置可以被配置为蜂窝电话、平板计算机等。作为示例,可以使用移动装置来(例如,全部或部分地)实现方法。作为示例,系统可以包括一个或多个移动装置。
作为示例,系统可以是分布式环境,例如所谓的“云”环境,其中各种装置、部件等交互以用于数据存储、通信、计算等目的。作为示例,装置或系统可以包括用于经由互联网(例如,在经由一个或多个互联网协议进行通信的情况下)、蜂窝网络、卫星网络等中的一个或多个进行信息通信的一个或多个部件。作为示例,方法可以在分布式环境中实现(例如,全部或部分地作为基于云的服务)。
作为示例,信息可以从显示器输入(例如,考虑触摸屏)、输出到显示器或两者。作为示例,可以将信息输出到投影仪、激光装置、打印机等,使得可以查看信息。作为示例,可以立体地或全息地输出信息。关于打印机,考虑2D或3D打印机。作为示例,3D打印机可以包括可输出以构建3D对象的一种或多种物质。例如,可以将数据提供给3D打印机以构建地下地层的3D表示。作为示例,可以在3D中构建层(例如,地平线等),在3D中构建地质体等。作为示例,可以在3D中构建井眼、裂缝等(例如,作为正结构、作为负结构等)。
虽然上面只详细描述了几个示例,但是本领域技术人员应当容易理解,在示例中可以进行许多修改。因此,所有此类修改意图包括在如所附权利要求中所限定的本公开的范围内。在权利要求中,装置加功能的条款旨在覆盖本文描述为执行所列举功能的结构,不仅包括结构上的等同物,还包括等同的结构。因此,尽管钉子和螺钉可能不是结构等效物,因为钉子采用圆柱形表面来将木制零件固定在一起,而螺钉采用的是螺旋形表面,但是在紧固木制零件的环境下,钉子和螺钉可能是等效结构。申请人的明确意图是不援引35U.S.C.§112第6段来对本文的任何权利要求做任何限制,除非权利要求中明确使用“用于……的装置”的词语和相关联功能。
Claims (15)
1.一种方法(700),其包括:
使用系统执行操作,其中所述操作取决于经由存储在所述系统的存储器中的数字决策模型做出的决策(710);
响应于所述数字决策模型的决策状态,传输更新所述数字决策模型的请求(720);以及
响应于所述请求,接收经更新的数字决策模型,其中所述经更新的数字决策模型包括改进所述系统的所述操作的执行的至少一种新决策状态(730)。
2.如权利要求1所述的方法,其中所述数字决策模型包括回归树模型。
3.如权利要求1所述的方法,其中所述系统在环境中移动,其中所述操作包括感测操作,所述感测操作在所述系统移动时采集所述环境中的样本的传感器测量值,其中所述数字决策模型取决于所述感测操作的信噪比,并且其中所述信噪比响应于所述环境中的响应于所述系统在所述环境中移动而发生的物理变化而变化。
4.如权利要求1所述的方法,其包括:基于所述决策状态,从存储在所述存储器中的多个不同标志中选择标志,其中所述请求对应于所选标志,其中所述决策状态包括所述数字决策模型的终端状态,并且其中所述经更新的数字决策模型的至少一种新决策状态包括从所述终端状态扩展的决策状态,并且可选地其中存储在所述存储器中的所述多个不同标志中的至少一个对于所述数字决策模型的非终端状态是可选择的。
5.如权利要求1所述的方法,其中所述操作包括感测操作,并且其中所述决策状态取决于由所述感测操作采集的测量值。
6.如权利要求1所述的方法,其包括利用所述至少一种新决策状态中的至少一种来执行所述操作。
7.如权利要求1所述的方法,其中所述系统包括井下系统,其中所述操作包括井下感测操作,并且其中所述传输包括将所述请求传输到地面系统,并且可选地其中所述接收包括利用井下遥测技术从所述地面系统接收所述经更新的数字决策模型。
8.如权利要求1所述的方法,其中所述系统包括用于部署在地质环境中的井眼中的井下系统,并且其中所述操作包括测量所述地质环境中的原位样本的核磁共振信号的核磁共振测量操作。
9.如权利要求1所述的方法,其包括:将所述经更新的数字决策模型限制为取决于所述系统的所述存储器的大小,并且可选地其中所述限制包括基于通过执行所述操作而采集的信号的信噪比来调整所述经更新的数字决策模型的所述大小。
10.如权利要求1所述的方法,其中所述系统包括井下工具并且还包括地面装备,其中响应于所述地面装备接收到由所述井下工具传输的所述请求,生成所述经更新的数字决策模型,并且将所述经更新的数字决策模型从所述地面装备传输到所述井下工具。
11.如权利要求1所述的方法,其中所述数字决策模型的所述决策状态请求放大过程,所述放大过程将至少一个终端结构添加到所述数字决策模型。
12.如权利要求1所述的方法,其中所述数字决策模型的所述决策状态请求缩小过程,所述缩小过程将至少一个分支添加到所述数字决策模型的层。
13.如权利要求1所述的方法,其中所述系统是可植入医疗系统并且其中所述操作包括治疗性操作,所述系统是远程感测系统并且其中所述操作包括感测操作,或者所述系统是嵌入结构体中的嵌入式系统并且其中所述操作包括感测所述结构体的至少一种物理属性的感测操作。
14.一种系统(1351),其包括:
处理器(1353);
存储器(1354),所述处理器能够访问所述存储器;
处理器可执行指令,所述处理器可执行指令存储在所述存储器中并且能够由所述处理器执行以指示所述系统:
使用所述系统执行操作,其中所述操作取决于经由存储在所述系统的所述存储器中的数字决策模型做出的决策(711);
响应于所述数字决策模型的决策状态,传输更新所述数字决策模型的请求(721);并且
响应于所述请求,接收经更新的数字决策模型,其中所述经更新的数字决策模型包括改进所述系统的所述操作的执行的至少一种新决策状态(731)。
15.一种或多种计算机可读存储介质,其包括处理器可执行指令,所述处理器可执行指令能够执行以指示处理器执行根据权利要求1至13中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862738318P | 2018-09-28 | 2018-09-28 | |
US62/738,318 | 2018-09-28 | ||
PCT/US2019/053552 WO2020069378A1 (en) | 2018-09-28 | 2019-09-27 | Elastic adaptive downhole acquisition system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112930427A true CN112930427A (zh) | 2021-06-08 |
CN112930427B CN112930427B (zh) | 2024-03-19 |
Family
ID=69952229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980071016.2A Active CN112930427B (zh) | 2018-09-28 | 2019-09-27 | 弹性自适应井下采集系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11828900B2 (zh) |
EP (1) | EP3857021A4 (zh) |
CN (1) | CN112930427B (zh) |
WO (1) | WO2020069378A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019222300A1 (en) | 2018-05-15 | 2019-11-21 | Schlumberger Technology Corporation | Adaptive downhole acquisition system |
US20230152483A1 (en) * | 2021-11-16 | 2023-05-18 | Halliburton Energy Services, Inc. | Nuclear magnetic resonance based archie parameter determination |
CN115113281B (zh) * | 2022-05-18 | 2023-01-03 | 北京月新时代科技股份有限公司 | 标志井及其标志层的确定方法、装置、设备及存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5309098A (en) * | 1991-05-16 | 1994-05-03 | Numar Corporation | Nuclear magnetic resonance detection of geologic structures |
US6405798B1 (en) * | 1996-07-13 | 2002-06-18 | Schlumberger Technology Corporation | Downhole tool and method |
US6766254B1 (en) * | 1999-10-01 | 2004-07-20 | Schlumberger Technology Corporation | Method for updating an earth model using measurements gathered during borehole construction |
US20040267770A1 (en) * | 2003-06-25 | 2004-12-30 | Lee Shih-Jong J. | Dynamic learning and knowledge representation for data mining |
EP1591619A1 (en) * | 2004-04-28 | 2005-11-02 | Services Petroliers Schlumberger | Enhanced oil recovery method |
US20050257610A1 (en) * | 2001-08-13 | 2005-11-24 | Baker Hughes Incorporated | Automatic adjustment of NMR pulse sequence to optimize SNR based on real time analysis |
US20080270346A1 (en) * | 2007-04-30 | 2008-10-30 | Abhay Mehta | Estimating the static execution time of a database query |
US20090271233A1 (en) * | 2007-07-31 | 2009-10-29 | Schlumberger Technology Corporation | Valuing future information under uncertainty |
US20090314490A1 (en) * | 2008-06-23 | 2009-12-24 | Schlumberger Technology Corporation | Valuing future well test under uncertainty |
CN102016746A (zh) * | 2008-04-21 | 2011-04-13 | 埃克森美孚上游研究公司 | 储层开发计划的基于随机规划的决策支持工具 |
CN203308456U (zh) * | 2012-01-05 | 2013-11-27 | 默林科技股份有限公司 | 钻柱通信系统及其中的设备、地面步行定位器、至少执行地下操作的系统及其通信系统 |
US20130325408A1 (en) * | 2011-01-28 | 2013-12-05 | Schlumberger Technology Corporation | Two dimensional nmr of diffusion and relaxation for material characterization |
CN103827957A (zh) * | 2011-09-22 | 2014-05-28 | 索尼电脑娱乐公司 | 图像处理装置、图像处理方法和图像文件的数据结构 |
CN105069303A (zh) * | 2015-08-17 | 2015-11-18 | 中国海洋石油总公司 | 一种低渗透储层产能定量评价方法 |
EP3038049A1 (en) * | 2014-12-22 | 2016-06-29 | Thomson Licensing | Method for upscaling an image and apparatus for upscaling an image |
US20170032210A1 (en) * | 2015-07-31 | 2017-02-02 | Datalogic IP Tech, S.r.l. | Optical character recognition localization tool |
US20170235007A1 (en) * | 2014-09-16 | 2017-08-17 | Halliburton Energy Services, Inc. | Drilling Noise Categorization and Analysis |
CN107133670A (zh) * | 2017-04-21 | 2017-09-05 | 中国科学院大学 | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 |
CN107169463A (zh) * | 2017-05-22 | 2017-09-15 | 腾讯科技(深圳)有限公司 | 人脸检测方法、装置、计算机设备及存储介质 |
US20170335662A1 (en) * | 2016-05-19 | 2017-11-23 | Repsol, S. A. | Computer implemented method for generating a field development plan (fdp) for the exploitation of oil and gas reservoirs |
CN107590775A (zh) * | 2017-09-21 | 2018-01-16 | 大连理工大学 | 一种利用回归树场的图像超分辨率放大方法 |
US20180188403A1 (en) * | 2016-12-29 | 2018-07-05 | Thomas C. Halsey | Method and System for Regression and Classification in Subsurface Models to Support Decision Making for Hydrocarbon Operations |
Family Cites Families (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5486762A (en) | 1992-11-02 | 1996-01-23 | Schlumberger Technology Corp. | Apparatus including multi-wait time pulsed NMR logging method for determining accurate T2-distributions and accurate T1/T2 ratios and generating a more accurate output record using the updated T2-distributions and T1/T2 ratios |
US6291995B1 (en) | 1998-03-03 | 2001-09-18 | Schlumberger Technology Corporation | Apparatus and method for generating a pulse sequence |
US7660705B1 (en) * | 2002-03-19 | 2010-02-09 | Microsoft Corporation | Bayesian approach for learning regression decision graph models and regression models for time series analysis |
US6714009B2 (en) | 2002-05-16 | 2004-03-30 | Schlumberger Technology Corporation | Method for the inversion of CPMG measurements enhanced by often repeated short wait time measurements |
US7196516B2 (en) | 2004-08-16 | 2007-03-27 | Baker Hughes Incorporated | Correction of NMR artifacts due to constant-velocity axial motion and spin-lattice relaxation |
US8899322B2 (en) | 2006-09-20 | 2014-12-02 | Baker Hughes Incorporated | Autonomous downhole control methods and devices |
WO2009075667A2 (en) | 2007-11-30 | 2009-06-18 | Halliburton Energy Services | Method and system for predicting performance of a drilling system having multiple cutting structures |
EP2331904B1 (en) | 2008-10-03 | 2018-04-18 | Halliburton Energy Services, Inc. | Method and system for predicting performance of a drilling system |
MY158618A (en) | 2008-11-03 | 2016-10-31 | Schlumberger Technology Bv | Methods and apparatus for planning and dynamically updating sampling operations while drilling in a subterranean formation |
US8453764B2 (en) * | 2010-02-01 | 2013-06-04 | Aps Technology, Inc. | System and method for monitoring and controlling underground drilling |
US8649980B2 (en) | 2010-03-05 | 2014-02-11 | Vialogy Llc | Active noise injection computations for improved predictability in oil and gas reservoir characterization and microseismic event analysis |
EP2697669B1 (en) * | 2011-04-18 | 2018-07-11 | Halliburton Energy Services, Inc. | Method for real-time downhole processing and detection of bed boundary for geosteering application |
US9587478B2 (en) | 2011-06-07 | 2017-03-07 | Smith International, Inc. | Optimization of dynamically changing downhole tool settings |
EP2726707B1 (en) | 2011-06-29 | 2018-02-21 | Halliburton Energy Services, Inc. | System and method for automatic weight-on-bit sensor calibration |
US20130214779A1 (en) | 2012-02-22 | 2013-08-22 | Baker Hughes Incorporated | Method and system to characterize a property of an earth formation |
US10042026B2 (en) | 2012-07-24 | 2018-08-07 | Halliburton Energy Services, Inc. | Apparatus and methods of data inversion |
US9459330B2 (en) | 2013-03-05 | 2016-10-04 | Schlumberger Technology Corporation | System and method for obtaining nuclear magnetic resonance measurements on reservoir fluids for prediction of fluid properties |
AU2013394368A1 (en) | 2013-07-15 | 2016-01-21 | Halliburton Energy Services, Inc. | Nuclear magnetic resonance (NMR) logging tool calibration |
MX2016002428A (es) | 2013-08-25 | 2016-06-02 | Schlumberger Technology Bv | Correccion de efecto de movimiento en el registro de resonancia magnética nuclear (rmn). |
US20160047935A1 (en) | 2014-08-12 | 2016-02-18 | Schlumberger Technology Corporation | Systems and methods for estimation of hydrocarbon volumes in unconventional formations |
US20160170067A1 (en) | 2014-12-11 | 2016-06-16 | Schlumberger Technology Corporation | Logging Tool Providing Measured Response Database Comparison |
CA2964228C (en) | 2014-12-31 | 2019-08-20 | Halliburton Energy Services, Inc. | Methods and systems for modeling an advanced 3-dimensional bottomhole assembly |
US20170004455A1 (en) * | 2015-06-30 | 2017-01-05 | Linkedin Corporation | Nonlinear featurization of decision trees for linear regression modeling |
WO2017127045A1 (en) | 2016-01-19 | 2017-07-27 | Halliburton Energy Services, Inc. | Method of minimizing tool response for downhole logging operations |
US10185051B2 (en) | 2016-04-29 | 2019-01-22 | Schlumberger Technology Corporation | Variable damping control for nuclear magnetic resonance data acquisition system to enhance oilfield logging performance |
US10739490B2 (en) | 2016-08-08 | 2020-08-11 | Halliburton Energy Services, Inc. | Dual zone nuclear magnetic resonance sensing device for subterranean characterization |
WO2018111270A1 (en) | 2016-12-15 | 2018-06-21 | Schlumberger Technology Corporation | Systems and methods for generating, deploying, discovering, and managing machine learning model packages |
CN110870022A (zh) | 2017-07-10 | 2020-03-06 | 皇家飞利浦有限公司 | 针对大型医学成像系统的预测性维护 |
US20190138920A1 (en) * | 2017-11-03 | 2019-05-09 | Paypal, Inc. | Self-adaptive system and method for large scale online machine learning computations |
US20190249523A1 (en) | 2018-02-14 | 2019-08-15 | The Board Of Regents Of The University Of Oklahoma | Enhancing Productivity of Subterranean Formations |
US11112516B2 (en) | 2018-04-30 | 2021-09-07 | Schlumberger Technology Corporation | Data fusion technique to compute reservoir quality and completion quality by combining various log measurements |
WO2019222300A1 (en) | 2018-05-15 | 2019-11-21 | Schlumberger Technology Corporation | Adaptive downhole acquisition system |
US10982526B2 (en) | 2018-05-22 | 2021-04-20 | Baker Hughes, A Ge Company, Llc | Estimation of maximum load amplitudes in drilling systems independent of sensor position |
US10969513B2 (en) | 2019-04-08 | 2021-04-06 | Halliburton Energy Services, Inc. | Temperature correction of NMR relaxation time distributions |
GB2604438B (en) | 2019-06-12 | 2023-05-24 | Baker Hughes Oilfield Operations Llc | Compressing data collected downhole in a wellbore |
WO2021101555A1 (en) | 2019-11-21 | 2021-05-27 | Halliburton Energy Services, Inc. | Downhole adaptive data compression and formatting |
-
2019
- 2019-09-27 WO PCT/US2019/053552 patent/WO2020069378A1/en active Application Filing
- 2019-09-27 US US17/279,617 patent/US11828900B2/en active Active
- 2019-09-27 CN CN201980071016.2A patent/CN112930427B/zh active Active
- 2019-09-27 EP EP19866591.1A patent/EP3857021A4/en active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5309098A (en) * | 1991-05-16 | 1994-05-03 | Numar Corporation | Nuclear magnetic resonance detection of geologic structures |
US6405798B1 (en) * | 1996-07-13 | 2002-06-18 | Schlumberger Technology Corporation | Downhole tool and method |
US6766254B1 (en) * | 1999-10-01 | 2004-07-20 | Schlumberger Technology Corporation | Method for updating an earth model using measurements gathered during borehole construction |
US20050257610A1 (en) * | 2001-08-13 | 2005-11-24 | Baker Hughes Incorporated | Automatic adjustment of NMR pulse sequence to optimize SNR based on real time analysis |
US20040267770A1 (en) * | 2003-06-25 | 2004-12-30 | Lee Shih-Jong J. | Dynamic learning and knowledge representation for data mining |
EP1591619A1 (en) * | 2004-04-28 | 2005-11-02 | Services Petroliers Schlumberger | Enhanced oil recovery method |
US20080270346A1 (en) * | 2007-04-30 | 2008-10-30 | Abhay Mehta | Estimating the static execution time of a database query |
US20090271233A1 (en) * | 2007-07-31 | 2009-10-29 | Schlumberger Technology Corporation | Valuing future information under uncertainty |
CN102016746A (zh) * | 2008-04-21 | 2011-04-13 | 埃克森美孚上游研究公司 | 储层开发计划的基于随机规划的决策支持工具 |
US20090314490A1 (en) * | 2008-06-23 | 2009-12-24 | Schlumberger Technology Corporation | Valuing future well test under uncertainty |
US20130325408A1 (en) * | 2011-01-28 | 2013-12-05 | Schlumberger Technology Corporation | Two dimensional nmr of diffusion and relaxation for material characterization |
CN103827957A (zh) * | 2011-09-22 | 2014-05-28 | 索尼电脑娱乐公司 | 图像处理装置、图像处理方法和图像文件的数据结构 |
CN203308456U (zh) * | 2012-01-05 | 2013-11-27 | 默林科技股份有限公司 | 钻柱通信系统及其中的设备、地面步行定位器、至少执行地下操作的系统及其通信系统 |
US20170235007A1 (en) * | 2014-09-16 | 2017-08-17 | Halliburton Energy Services, Inc. | Drilling Noise Categorization and Analysis |
EP3038049A1 (en) * | 2014-12-22 | 2016-06-29 | Thomson Licensing | Method for upscaling an image and apparatus for upscaling an image |
US20170032210A1 (en) * | 2015-07-31 | 2017-02-02 | Datalogic IP Tech, S.r.l. | Optical character recognition localization tool |
CN105069303A (zh) * | 2015-08-17 | 2015-11-18 | 中国海洋石油总公司 | 一种低渗透储层产能定量评价方法 |
US20170335662A1 (en) * | 2016-05-19 | 2017-11-23 | Repsol, S. A. | Computer implemented method for generating a field development plan (fdp) for the exploitation of oil and gas reservoirs |
US20180188403A1 (en) * | 2016-12-29 | 2018-07-05 | Thomas C. Halsey | Method and System for Regression and Classification in Subsurface Models to Support Decision Making for Hydrocarbon Operations |
CN107133670A (zh) * | 2017-04-21 | 2017-09-05 | 中国科学院大学 | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 |
CN107169463A (zh) * | 2017-05-22 | 2017-09-15 | 腾讯科技(深圳)有限公司 | 人脸检测方法、装置、计算机设备及存储介质 |
CN107590775A (zh) * | 2017-09-21 | 2018-01-16 | 大连理工大学 | 一种利用回归树场的图像超分辨率放大方法 |
Non-Patent Citations (5)
Title |
---|
Y.-Q. SONG等: "Real-time Optimization of Nuclear Magnetic Resonance Experiments", 《JOURNAL OF MAGNETIC RESONANCE》 * |
YIQIAO TANG等: "Elastic regression-tree learning in a heterogeneous computing environment", 《IEEE INTERNET OF THINGS JOURNAL》, vol. 6, no. 5, pages 8826 - 8834, XP055916699, DOI: 10.1109/JIOT.2019.2923884 * |
YIQIAO TANG等: "Elastic regression-tree learning in a heterogeneous computing environment", IEEE INTERNET OF THINGS JOURNAL, vol. 6, no. 5, pages 8826 - 8834, XP055916699, DOI: 10.1109/JIOT.2019.2923884 * |
丁世飞;张健;张谢锴;安悦;: "多分类孪生支持向量机研究进展", 软件学报, no. 01 * |
颜希超等: "随钻测井实时决策系统研究", 《石油钻采工艺》, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020069378A1 (en) | 2020-04-02 |
EP3857021A4 (en) | 2022-06-15 |
EP3857021A1 (en) | 2021-08-04 |
US20220035065A1 (en) | 2022-02-03 |
CN112930427B (zh) | 2024-03-19 |
US11828900B2 (en) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10760380B2 (en) | Well planning service | |
US20220099855A1 (en) | Seismic image data interpretation system | |
US11428077B2 (en) | Geological interpretation with artificial intelligence | |
US20230041525A1 (en) | Automatic model selection through machine learning | |
US20180058211A1 (en) | Joint inversion of downhole tool measurements | |
US11947069B2 (en) | Adaptive downhole acquisition system | |
US11493661B2 (en) | Downhole NMR system | |
CN112930427B (zh) | 弹性自适应井下采集系统 | |
EP3973140A1 (en) | Geologic model and property visualization system | |
US11774631B2 (en) | Geologic formation neutron porosity system | |
WO2023081113A1 (en) | Well log correlation system | |
US11294093B2 (en) | Nuclear magnetic resonance data acquisition system | |
US20240141773A1 (en) | Geologic pore system characterization framework | |
US20240175353A1 (en) | Borehole acquisition operation interval via stoneley wave | |
US20240211806A1 (en) | Sensor data framework | |
EP4381325A1 (en) | Geologic velocity modeling framework | |
WO2024137152A1 (en) | Downhole tool string movement sensor system | |
WO2024076620A1 (en) | Downhole instrument acquisition and telemetry system | |
WO2023004026A1 (en) | Drillstring equipment controller | |
EP4363695A1 (en) | Wellsite equipment controller | |
CA3239204A1 (en) | Machine learning model deployment, management and monitoring at scale | |
WO2024145433A1 (en) | Well chemical injection control |
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 |