CN1427254A - 用于通过核磁共振数据确定烃类混合物的分子特性的方法 - Google Patents

Abstract

一种用于确定烃类混合物中各种组分的分子特性的方法，其包括下述步骤：由对混合物进行测定得到的核磁共振数据推导出混合物中每种组分的至少一个动态参数；由每种组分的至少一个动态参数计算混合物中每种组分的分子特性。推导出至少一个动态参数的步骤可包括生成一个模型并对该模型成分进行反复迭代改进，以根据核磁共振数据优化该模型，其中的模型包括混合物组分中的多种成分。至少一个动态参数包括由下列这组参数中选出的一个参数：纵向驰豫时间，横向驰豫时间，纵向驰豫时间和横向驰豫时间的比率和扩散速率。

Description

用于通过核磁共振数据确定烃 类混合物的分子特性的方法

技术领域

本发明涉及用于油井测井和取样的数据处理方法领域。具体而言，本发明涉及到用于通过核磁共振(NMR)数据来确定烃类混合物特性和原油特性的方法，包括其分子组成、分子大小、分子量和分子中碳的数量。

背景技术

油井测并和取样工具包括核磁共振(NMR)设备。NMR设备可用于确定地层的特性，例如孔隙的相对体积(fractional volume)，充填在孔隙内的活动流体的相对体积和地层的孔隙度。此外，NMR数据还可用于估算地层中盐水和碳氢化合物(烃)的含量。NMR测井的常规背景技术如转让给本发明的受让人的美国专利6140817所述。

由核磁共振(NMR)测井工具测定的信号一般由存在于探测空间内的所选原子核产生。由于氢原子核最为丰富，而且易于检测，因此大部分NMR测井工具都致力于检测氢的共振信号(来自水或碳氢化合物)。这些氢核会随环境(例如化学结构及其所属的原子大小)的不同而具有不同的动力学特性(例如，扩散速率和滚动/转动速率)。这些原子核的不同动力特性表现在不同的核自旋驰豫时间(relaxationtime)(即，自旋晶格的驰豫时间(T1)和自旋间的驰豫时间(T2)；自旋晶格的驰豫被称为纵向弛豫，而自旋间的驰豫被称为横向弛豫)。例如，粘度油中的原子不会象轻油那样迅速地扩散或滚动。结果，它们就具有较短的驰豫时间。这些观察结果表明：NMR数据(例如驰豫时间)能够提供有关地层中碳氢化合物的分子特性的信息。

发明内容

本发明的一个方面涉及到用于通过NMR数据来预测混合物(如原油)中的分子特性的方法，例如组成、大小、碳的数量和重量。用于确定烃类混合物的分子特性的方法包括下述步骤：利用NMR工具或实验室的NMR设备测定混合物的NMR数据；由NMR数据推导出混合物中已观测到的每种成分的至少一个参数；根据至少一个参数，计算混合物中已观测到的每种成分的分子特性。根据本发明的一些实施例的方法利用了驰豫时间和原子特性之间的相互关系及/或扩散速率和分子特性之间的相互关系。

通过阅读下面的说明、附图和权利要求书，将会清楚本发明的其它方面。

附图说明

图1为位于一个穿过地层的井眼内的核磁共振工具的示意图；

图2为核磁共振工具的组成部件的示意图；

图3示出了用于产生RF脉冲并用于接收和存储旋转回声的NMR工具的电路图；

图4示出了用于测定NMR信号的横向驰豫时间和最终旋转回声的通用脉冲序列，其中旋转回声可用于推导出核磁信号的横向驰豫时间；

图5为包括在本发明的方法中的步骤的流程图；

图6示出了与气相色谱法相比，采用本发明的方法估算出的混合物中分子大小的结果。

本发明的详细说明

图1示出了一种用于勘测被一钻孔32穿过的地层31的核磁共振(NMR)测井工具30。该NMR测井设备30悬挂在一个在井眼32内铠装电缆33上，该电缆的长度基本确定了设备30的相对深度。电缆的长度由一个地面上的合适部件来控制，例如一个卷筒和绞车机构(未示出)。地面设备7可以是一种传统类型的装置，而且可包括一个处理器部件，该处理器部件可与包括NMR测井设备30在内的井下设备相互通讯。

NMR测井设备30可以是任何合适的核磁共振测井设备；其可以是一种能够用于图1所示的测井电缆测井领域中的装置，或者是一种能够在钻井的同时进行测井(LWD)的装置。该NMR测井设备30一般包括一个用于在地层中产生一个静磁场的部件和一个射频(RF)天线部件，该射频天线部件用于在地层中产生磁场脉冲并用于接收来自地层的自旋回声。用于产生静磁场的部件可包括一个永磁铁或磁铁组，用于产生磁场脉冲并接收地层中的自旋回声的RF天线部件可包括一个或多个RF天线。

NMR测井设备30的某些组成部件如图2所示，图中示出了一个位于中央的第一磁铁或磁铁组36和一个RF天线37，该天线可以是定位在合适方向上的一个或多个线圈。图2还示出了紧密排列的圆筒形薄壳38-1，38-2...38-N，其可能是在多频率测井操作过程中选出的频率。这样的一种设备已在美国专利4710713中公开。在图2中还示出了另一磁铁或磁铁组39。当测井设备30沿箭头Z所示的方向在井眼内上升时，磁铁组39可用于对位于勘测区域前方的地层进行预先极化处理。这种装置的实例见美国专利5055788和3597681。

图3示出了用于产生RF脉冲并用于接收和存储自旋回声的NMR工具的电路示意图。本领域的技术人员应该知道：不偏离本发明的范围，还可以采用其它合适的电路。

在图3中，一个井下处理器210设置有相关的存储器、计时器、界面和外围设备(未单独示出)，这是本领域公知的。处理器部件210与遥测电路205相连接，以与地面上的一个处理器(未示出)通讯。脉冲形成电路包括一个变频振荡器220，该振荡器220在处理器210的控制下以所需的频率产生射频(RF)信号。振荡器220的输出端与一个移相器222相连接，接着又与一个调制器230相连接，而移相器222和调制器230均在处理器部件210的控制之下。可以本领域公知的方式对移相器222和调制器230进行控制，以产生所需的脉冲RF场，例如用于产生Carr-Purcell-Meiboom-Gill(CPMG)型序列或任何其它所需的NMR脉冲序列的90度和180度脉冲。调制器230的输出端通过一个功率放大器235与RF天线240相连接。可设置一个Q开关250，以用于阻尼RF天线系统，从而减小天线的阻尼振荡。天线240还通过一个天线转换开关265与一个接收器部分相连接，该天线转换开关的输出端与接收器的放大器270相连接。天线转换开关265防止接收器的放大器270在发射和衰减方式下受到流过RF天线240的大功率脉冲的作用。在接收模式下，天线转换开关265起到一个连接天线240和接收器的放大器270的小阻抗连接件的作用。接收器的放大器270之输出端与一个两相的敏感探测器275相连接，该探测器还接收由振荡器信号导出的信号，以之作为基准。测得的输出与一个模拟-数字转换器280相连接，该转换器280的输出是接收到的核磁共振信号的数字型式。尽管测井设备或工具30在图1中被表示为一个整体，但其也可以包括多个独立的部件，而且该工具还可与其它测井工具相互组合。另外，尽管图中示出了一个测井电缆，但其它形式的物理支持和通讯连接也可用于如在钻井的同时进行测量的装置上。

若干个NMR参数可被测定，从而利用这些NMR参数导出地层特性。大部分NMR测井操作测定氢原子核的自旋晶格(纵向)驰豫时间(T1)和/或自旋间(横向)驰豫时间(T2)。此外，一些NMR测井工具还可直接提供T1/T2的比率，其它NMR工具可提供扩散常数(D)。这些NMR数据(T1，T2，T1/T2和D)均可应用于本发明的实施例中，但在下面的说明中仅用T2驰豫时间来解释本发明。

有许多不同的脉冲序列可用于测定NMR驰豫时间。例如，T1驰豫可利用反相恢复(inversion-recovery)或简单的自旋回声脉冲序列或其任意导出物来测定。T2驰豫通常由一系列自旋回声测定，而这些自旋回声是随一系列脉冲，例如Carr-Purcell-Meiboom-Gill(CPMG)脉冲序列或其某些变型而产生的。CPMG脉冲序列在本领域内是公知的。(见Meiboom，S.，Gill，D.，1958，“Modified Spin Echo Methodfor Measuring Nuclear Relaxation Times”，Review of ScientificInstruments，29，688-91)。如图4所示，CPMG脉冲序列产生一系列自旋回声，其幅度作为时间的函数以指数规律衰变。指数衰变的寿命被称为横向驰豫时间T2。这样，T2的测量结果可通过对这样得到的自旋回声之幅度进行分析而完成。

如图4所示，在一个CPMG序列中，施加于天线(图2中的标记37)上的第一RF脉冲是一个90度的脉冲，该脉冲使氢原子核在一个垂直静磁场的平面(横向平面)内重新定向，其中静磁场是由永磁铁36产生的。在最初的90度脉冲后的短时间内，一系列180度的脉冲(两个连续的180度脉冲之间的衰减时间T180约为90度和第一个180度脉冲之间的初始衰变时间T90的两倍)会作用于天线(图2中的标记37)上。每个180度的脉冲都将产生一个自旋回声-测得的信号幅度增长和随后的衰减。在测量过程中，原子核在横向平面内的自旋幅度会由于自旋间的相互作用和其它驰豫机构的存在而逐渐减小。这样，每个连续自旋回声的幅度都会小于前一个自旋回声的幅度。因此，可通过对按指数规律衰减的曲线进行分析推导出T2驰豫时间(横向驰豫时间)。

一旦收集到NMR数据(例如T1、T2驰豫时间，T1/T2的比率，或扩散速率)，那么就可以利用反相法(inversion method)进行分析，以导出地层信息。本领域内公知的任何反相法都是合适的。例如，授权给Freedman并转让给本发明的同一受让人的美国专利5291137，该专利公开了一种“窗口”处理方法。该“窗口”处理方法适用于大部分NMR的数据分析。

液体中的横向驰豫(T2)主要是通过偶极子之间的相互作用产生的，而且还受到分子(例如，扩散速率和分子的滚动速率)和流体(例如粘度)的动力学特性的影响。这样，NMR数据(尤其是T2)就可用于提供有关流体成分和成分特性(例如，分子尺寸)的信息。尽管NMR数据可用于提供有关各个成分及其特性的详细信息，但是大部分现有技术中的NMR数据分析方法仅致力于地层的宏观特性，例如烃和盐水区域所在的位置，地层的多孔性和孔隙的相对体积；很少有人致力于对一种特定流体内的各个成分的特性(例如，分子尺寸的分布状态)进行更加详细具体的分析。

如前所述，NMR驰豫速率决定于分子和流体的动态特性。这样，NMR数据就可用于推导分子的扩散速率和滚动速率。由于分子的扩散速率和滚动速率对分子的尺寸及流体的粘度很敏感，因此NMR数据可用于以原子尺寸的形式推导出有关原油组分的信息。由NMR数据确定出分子特性信息需要油层和/或井眼流体中烃部分的驰豫时间和/或扩散速率分布。用于得到有关包含烃和水的混合物的分布信息的合适技术就是磁共振流体(MRF)的特性表示方法，如授权给Freedman的美国专利6229308B1所述。

这种MRF方法采用了成分粘度模型(CVM)，这种模型将驰豫时间、扩散速度和成分的粘度联系在一起，而各个成分的粘度的几何平均数就等于宏观流体的粘度。CVM的正确性是通过Freedman等人利用有关含气的和重的混合物和原油的经验数据建立起来的。Freedman等人将这些结果公开在2000 Society of Petroleum Engineers AnnualTechnical Conference and Exhibition meeting上、题目为“A NewMethod of Fluid Characterization in Reservoir Rocks：Experimental Confirmation and Simulation Results”的第63214号论文中。

尽管这种MRF方法可被用作下述有关如何推导出各种成分的NMR参数的说明中的一个实例，但是本领域的技术人员应该知道：在本发明的范围内，还可采用其它类似的方法。当能够获得未被污染的碳氢化合物样本时，无需采用MRF方法就能够估算出NMR参数，例如驰豫时间和扩散速度的分布。

通过采用CVM，MRF方法就能够推导出含有原油的流体混合物中各种成分的粘度分布。各种成分的粘度与在大块原油样本上测得的NMR驰豫时间的分布直接有关，而且将原油的复杂成分反映成一种由许多不同类型的碳氢化合物分子组成的混合物。通过提供一组用于表示原油分布的整体驰豫时间和扩散常数，使得对各种成分的粘度的利用简化了反相过程(inversion)。这种MRF技术能够对标准MRF分析的所有方面提供改进，包括估算整体孔隙度、自由流体和约束流体的孔隙度、T2分布及页岩砂的渗透性。

在推导组分的粘度的过程中，MRF方法采用了一种一般的自旋回声驰豫模型，用于含有盐水、烃和油基泥浆滤液(OBMF)的地层。OBMF通常用于井眼中。如图4所示，在NMR测量结果中，自旋回声的幅度作为时间的函数以指数形式衰减。令A^p _j表示在测量结果p中得到的j-th回声的幅度。考虑下面的常规驰豫模型： $A_j^p=\underset{l=1}{\overset{N_s}{\mathrm{\Σ}}}{a}_l\exp (-\frac{j{*\mathrm{TE}}_p}{T_{2,l}^{+}\left(p\right)})(1-\exp (-\frac{W_p}{\mathrm{\ξ}{*T}_{2,l}}))+$ $\underset{k=1}{\overset{N_o}{\mathrm{\Σ}}}{b}_k\exp (-\frac{j{*\mathrm{TE}}_p}{T_{2,o}^{+}({\mathrm{\η}}_k,p)})(1-\exp (-\frac{W_p}{T_{1,o}\left({\mathrm{\η}}_k\right)}))+.....\left(1\right)$ $A_{\mathrm{OBMF}}\exp (-\frac{j*{\mathrm{TE}}_p}{T_{2,\mathrm{OBMF}}^{+}\left(p\right)})(1-\exp (-\frac{W_p}{T_{1,\mathrm{OBMF}}}))$

其中，第一、第二和第三项分别为盐水、烃和OBMF的信号。这个三相模型明确地计算出盐水和烃相中各种成分的贡献，但假定在OBMF相中仅取平均驰豫时间。简化的OBMF项是合理的，因为OBMF的实验结果已经表明：OBMF中的各种成分的NMR驰豫时间非常窄，而且能够由一个指数来表示。

在等式(1)中，模型化的三个相中的任何一相的明显横向(偶极子之间)驰豫都包括固有的横向驰豫和由于分子在静磁场梯度Gp中的自动扩散而产生的驰豫。对于在盐水中一个均匀的磁场梯度中无约束的扩散而言，明显的横向驰豫速率可被表示成下式， $\frac{1}{T_{2,l}^{+}\left(p\right)}=\frac{1}{T_{2,l}}+\frac{{\left({{\mathrm{\γ}}_H*G_p*\mathrm{TE}}_p\right)}^2}{12}{D}_w\left(T\right)......\left(2\right)$

这里，右侧第一项T_2，1为一组弛豫时间，这组弛豫时间表示盐水相的表面和整体弛豫之和。第二项为由于扩散而对弛豫速率的影响，其中γ_H＝2π*4258G^-1s^-1为质子回磁比，而D_w(T)是以cm²/s为单位并随温度而变化的水的自扩散系数。应该注意：等式(2)假定了一个无约束的扩散和一个均匀的磁场梯度G_p。本领域的技术人员应该知道：如果合适，可对约束扩散的作用D_w(T)和内部岩石梯度的影响G_p进行修正。

类似地，天然石油中的明显横向弛豫速度(T_2，o(η_k，p))可以下式表示： $\frac{1}{T_{2,o}({\mathrm{\η}}_k,p)}=\frac{1}{T_{2,o}\left({\mathrm{\η}}_k\right)}+\frac{{\left({{\mathrm{\γ}}_H*G_p*\mathrm{TE}}_p\right)}^2}{12}{D}_o\left({\mathrm{\η}}_k\right)......\left(3\right)$

其中T_2，o(η_k)为与烃的驰豫时间分布状态的幅度b_k有关的整体驰豫时间，而D_o(η_k)为与扩散常数有关的粘度。碳氢化合物(原油)通常为不润湿的相，而且不受表面弛豫的影响。原油是由许多不同类型的烃分子构成的混合物，这些烃分子具有不同的尺寸、形状和分子量。例如，见McCain，W.D.，The Properties Of Petroleum Fluids，PennWell Publishing Co.，第二版，第一章，1990年。分子级分布的成分粘度(η_k)假设存在于原油中。这种假设是以经验数据为基础的，这些经验数据包括原油中驰豫时间的分布状态。

测量的粘度(η_o)反映原油的宏观运输性能，而其宏观运输性能又决定着其流动特性，而且是用于流体动力学运输等式中的量，该流体动力学运输等式与Navier-Stokes等式相似。Morriss等人表示：对于一组重原油(dead crude oil，即不包含已溶解的溶解气的源油)而言，在其成分对数平均弛豫时间和测得的粘度之间存在一个很大的修正值。见Morriss等人在1994年的第35次年度会议上(35th AnnualMeeting Of The Society Of Professional Well Logging Analysis)发表的论文C，其名称为“Hydrocarbon Saturation And ViscosityFrom NMR Logging In The Belridge Diatomite”。实验表明：含气原油的宏观粘度(η₀)与横向驰豫时间的分布的对数平均数(( T_2，o)_logm)具有下述等式表示的关系： $\frac{1}{{\left({\stackrel{\‾}{T}}_{2,o}\right)}_{\log m}}=\frac{{\mathrm{a\η}}_{o}f\left(\mathrm{GOR}\right)}{T}{\≡\mathrm{c\η}}_o..........\left(4\right)$

其中a为通过实验确定的组分常数(constituent constant)，该常数已经被Morriss等人确定，约为250(即，a≌250Ks^-1cp^-1)，其中( T_2，o)_logm以秒为单位，η_o以厘泊为单位，T以开氏温度为单位。这样，c≡af(GOR)/T。通过实验推导出来的函数f(GOR)用于计算含气石油(包含已经溶解的溶解气体)，而且已经在Freedman等人于2000Society of Petroleum Engineers Annual Technical Conferenceand Exhibition meeting上发表，其题目为“A New NMR Method ofFluid Characterization in Reservoir Rocks：ExperimentalConfirmation and Simulation Results”。

等式(3)中的η_k为微观的粘度，其反应出原油的复杂成分。与上述等式类似，设定成分的粘度可通过同一等式与成分在驰豫时间分布方面发生联系。 $\frac{1}{T_{2,o}\left({\mathrm{\η}}_k\right)}=\frac{{\mathrm{a\η}}_{k}f\left(\mathrm{GOR}\right)}{T}{\≡\mathrm{c\η}}_k........\left(5\right)$

驰豫时间的对数平均数可被定义为： ${\left({\stackrel{\‾}{T}}_{2,o}\right)}_{\log m}={10}^{{\mathrm{\Σ}}_{k=1}^{N_o}{\stackrel{\‾}{b}}_k\log \left(T_{2,o}\left({\mathrm{\η}}_k\right)\right)}---\left(6\right)$ 其中 ${\stackrel{\‾}{b}}_k=\frac{b_k}{\underset{k=1}{\overset{N_o}{\mathrm{\Σ}}}{b}_k}$ ，其中b_k为原油的整体驰豫时间分布的幅度N_o。用等式(4)和(5)替换等式(6)将得出原油的微观粘度η_o，该微观粘度为各种微观粘度η_k的对数平均数， ${\mathrm{\η}}_o={10}^{{\mathrm{\Σ}}_{k=1}^{N_o}{\stackrel{\‾}{b}}_k\log \left({\mathrm{\η}}_k\right)}$

其中 b_k是粘度为η_k的混合物成分的“浓度”。根据“Arrenhiusmixing rule”(见A.Bondi，Physical Properties of MolecularCrystals，Liquids，and Glasses第348-349页，1968)，微观粘度η_o与混合物的粘度的高温极限相似。

在等式(4)和(5)中，驰豫时间对粘度和温度的依赖性与Bloembergen、Purcell和Pound的实验观察结果和理论预测相一致，具体见Relaxation Effects In Nuclear Magnetic ResonanceAbsorption，Physical Review，vol.73，no.7，pp.679-712，1948。

Stokes-Einstein的扩散理论预测：根据等式D＝kT/6πηR，扩散率与温度及粘度有关，其中k为Boltzmann常数，R为球形物体的半径，T为开氏温度。与Stokes-Einstein的等式相似，原油的自扩散常数D_o和原油组分的自扩散常数D_o(η_k)表现出对T/η_k具有同样的关系式。因此，对于原油而言， $D_o=\frac{\mathrm{bT}}{{\mathrm{\η}}_o}\×{10}^{-5}..........\left(7\right)$

其中b为常数，D_o为以cm²/s为单位的已测得的原油扩散常数，T为开氏温度。原油的经验组分常数b＝5.05×10^-3cm²s^-1cpK^-1是由Freedman等人在题目为“A New NMR Method of Fluid Characterization inReservoir Rocks：Experimental Confirmation and SimulationResults”的第63214号论文中给出的，这篇论文是在2000 Society ofpetroleum Engineers Annual Technical Conference andExhibition meeting上发表的。

与宏观扩散常数(D_o)和宏观粘度(η_o)之间的关系类似，原油混合物的微观成分扩散常数可根据下述等式与微观成分粘度(有效粘度)产生联系： $D_o\left({\mathrm{\η}}_k\right)=\frac{\mathrm{bT}}{{\mathrm{\η}}_k}\×{10}^{-5}..........\left(8\right)$

等式(8)暗示着在分子水平上，原油混合物中的扩散常数分布与驰豫时间的分布存在类似的关系。扩散常数和驰豫时间的分布可通过将等式(1)所示的模型迭代到美国专利6229308B1所公开的方法中使用的这些数据中而从测得的NMR数据中推导出来。

上述的MRF方法只是一种能够获得扩散常数和驰豫时间的分布的方法。当从混合的流体(例如水、钻探泥浆的滤出液和油)中获得NMR数据时，这种MRF方法尤其合适。如果石油样本未被其它流体(例如原油)所污染，那么就无需采用MRF方法来获得扩散常数和驰豫时间的分布。

一旦估算出扩散常数和驰豫时间的分布，那么根据本发明的实施例，这些数据就能够用于进一步推导出各种成分的分子特性。在本文中所用的分子特性是指分子的大小、碳数和分子量，即与分子的物理尺寸有关的那些特性。例如，假设一个球形分子的半径为R，那么根据Stokes-Einstein的等式：D_o＝kT/6πηR，使各个扩散常数与半径R(及分子的尺寸)发生联系，其中D_o为观测到的扩散常数，k为Boltzmann常数，T为开氏温度，η为以厘泊为单位的粘度。

因此，为了能够由NMR数据推导出分子大小，烃类混合物中各种分子(加上下标k)的驰豫时间(T_2k)和扩散速度(D_k)约等于： ${T2}_k=\frac{a^{\′}\left(T\right)}{{\mathrm{\η}}^{{\mathrm{\α}}^{\′}}f\left(\mathrm{GOR}\right)N_k^{{\mathrm{\β}}^{\′}}}..........\left(9\right)$ $D_k=\frac{b^{\′}\left(T\right)}{{\mathrm{\η}}^{{\mathrm{\φ}}^{\′}}{N}_k^{{\mathrm{\θ}}^{\′}}}...............\left(10\right)$

其中N_k为kth(第k种)成分中碳原子的数量，a′(T)和b′(T)为温度T的函数，η为流体的粘度，α′、β′、φ′和θ′为未知的指数。应该注意：这些表达式是对用于液体中球形颗粒的扩散和自旋驰豫的Stokes-Einstein和Bloembergen关系式的概括。等式(9)包括一个表示气体/油的比率(GOR)的因子。其被包括在内的原因在于：GOR在根据粘度和温度确定驰豫时间方面是一个重要的参数。参见Lo等人在The Log Analyst，1998年11-12月第43-46页的论文“RelaxationTime And Diffusion Measurements of Methane And N-DecaneMixtures”；及美国专利6229308B1。

对于等式(9)和(10)中的近似值而言，其试图假设指数α′和φ′等于1，这样就使N_k和分子“半径”R之间加某些修正值模拟理想的球形颗粒表达式。这种假设使ηR和D、ηR³和T2之间形成了倒数关系。但是，这种方法不适用于混合物，因为这暗示着N_k分布的几何平均数与混合物的组分(details)无关。这种矛盾恰好在等式(4)和(7)中的表达式分别被代入组分等式(9)和(10)时出现。

通过结合有关粘度和驰豫时间、扩散速率的几何平均数之间关系的实验结果，即通过使T2_LM和D_LM与T/η成线性关系，可将等式(9)和(10)重新表述为： $N_k=\frac{a\left(T\right){T2}_{\mathrm{LM}}^{\mathrm{\α}}{\left[f\left(\mathrm{GOR}\right)\right]}^{\mathrm{\α}-1}}{{T2}_k^{\mathrm{\β}}}.........\left(11\right)$ $N_k=\frac{{b\left(T\right)D}_{\mathrm{LM}}^{\mathrm{\φ}}}{D_k^{\mathrm{\θ}}}........\left(12\right)$

应该注意：等式(11)和(12)是通过将经验表达式T2_LM＝a′T/ηf(GOR)和D_LM＝b′T/η代入等式(9)和(10)内，然后重新为变量排序并定义一组新的指数(无′)得到的。

等式(11)和(12)表明：如果指数α、β、φ和θ是已知的，那么可由T2和D(即T2_LM和D_LM)的几何平均数得到N_k(碳数)。由于等式(11)和(12)示出的关系并非决定于混合物中各种成分的精确特性，因此应当可以利用一个简单模型的混合物系统推导出α、β、φ和θ。一旦推导出这些指数，那么就可将其用于类似组分的其它系统中。

作为一个实例，可由三十碳六烯(C30)和己烷(C6)的试验混合物中推导出指数α、β、φ和θ的近似值，这在其它烃类混合物系统中是有用的。对于这种混合物，GOR＝0，而f(GOR)＝1。有关纯净的三十碳六烯(C30)和己烷(C6)及这两种成分在30℃时的三种混合物的数据如表1所示。应该注意到：任何合适的烃类样本，包括原油都可用于推导这些参数。

表1：己烷和三十碳六烯系统的驰豫时间和扩散速率

流体(％C6)	T2C30(ms)	T2C6(ms)	DC30(cm-2s-1)	DC6(cm-2s-1)	T2LM(ms)	DLM(cm-2s-1)	η(cp)
								0	300	-	1.0×10-6	-	300	1.0×10-6	11
38	900	4600	3.7×10-6	1.3×10-5	1670	6.0×10-6	1.7
								50	1180	5800	4.9×10-6	1.7×10-5	2610	9.1×10-6	1.2
69	1690	7500	9.9×10-6	3.0×10-5	4780	2.7×10-5	0.6
								100	-	9800	-	4.6×10-5	9800	4.6×10-5	0.3

一旦获得三十碳六烯(C30)和己烷(C6)的T2、T2_LM、D和D_LM的值，那么就可以将其代入等式(11)和(12)，从而得到指数α、β、φ和θ的近似值。从表1所示的数据集中可以确定合适的指数和预乘函数，而且等式(11)和(12)所示的有关N_k的表达式(在30℃下)可以简化为： $N_k\≈\frac{650{T2}_{\mathrm{LM}}^{1/2}}{{T2}_k}.......\left(13\right)$ $N_k\≈\frac{0.04\×D_{\mathrm{LM}}}{D_k^{3/2}}.........\left(14\right)$

等式(13)和(14)可用于估算类似混合物中各个组分的分子大小。利用等式(13)和(14)及表1所示的已测驰豫数据和扩散数据，可以给出表2所示的三十碳六烯和己烷系统的N_k值。

表2：由驰豫时间(T2)和扩散速率(D)的测量结果估算三十碳六烯(C30)和己烷(C6)中的碳数

流体(％C6)	NC30(T2)	Nc30(D)	NC6(T2)	NC6(D)
					0	37	40	-	-
38	30	34	5.8	5.1
					50	28	34	5.7	5.2
69	27	34	6.0	6.6
					100	-	-	6.6	5.9

如表2所示，可利用驰豫时间或扩散速率得到N_k的合理数值。应该注意：等式(13)和(14)及本文所用的实例仅用于说明如何获得这些数值的基本构思，而不是对本发明的限制。本领域的技术人员应该知道：为简化起见，在上述实例中推导出来的指数都被圆整为简单的半整数系数(half-integer fractions)。当然，也可推导出其它能够更好地估算N_k的优化值。但是，尽管在上述的实例中已经对近似值进行了简化，但是仍可得到具有合理精度的N_k值。因此，在大部分情况下，所示的近似估算法就已经足够了。

等式(13)和(14)中的预乘系数650和0.04仅在测量温度为30℃的情况下有效。但是，温度与这些数值的相关性较弱(约为T^1/2，其中T为开氏温度)。因此，这些数值可用于约为30℃的温度范围内。对于原油而言，最佳指数和预乘系数可不同于由简单的两种组分的混合物推导出来的指数和预乘系数。等式(13)和(14)并非与CVM严格一致，因为T2_k和D_k对N_k和η有不同的依存关系。与等式(13)所示的驰豫时间T2_k相比，等式(14)所示的扩散常数D_k对N_k的依存性更差一些。该结果在定性上与理想的球形颗粒关系相一致。鉴于在这种模型中暗含了许多近似值和假设条件，因此所有最终的“碳数”(或分子大小)分布都应被认为是一个近似值，而不是对分子组成的确定和精确分解。

等式(9)至(12)应被视为该方法的具体实施。还可推导出使驰豫时间和扩散速度与分子大小、碳数或其它组分特性发生联系的另一数学表达式并对烃类混合物进行校准。还可以利用模型的独立图形识别方法例如神经网络，由测得的NMR数据确定分子特性。在该方法中，不存在模型的从属相关等式(例如等式13和14)。如果假定有关样本的NMR数据不在训练数据的范围内，分子特性对NMR和扩散特性的一个“训练数据组”可用于对神经网络进行训练，以预测分子特性。所有可以买到的神经网络软件(例如可通过 www.mathwork.com在Mathworks公司购买)均可用于确定分子特性，而且无需调用模型方程。这些方法还可结合来自其它测量结果例如NMR光谱学或光学分析导出的其它数据。

图5概括出了根据本发明的实施例用于估算烃类混合物中分子大小的分布情况的方法所包含的步骤。首先，收集NMR数据(图5中的步骤41)。这一步骤可用任何合适的NMR测井工具来完成。例如，本发明的实施例可应用于测井电缆和同时钻孔的NMR工具及所有合适的NMR模块取样工具上，例如Modular Formation Dynamics Tester(德克萨斯州修斯顿的Schlumberger Technology公司生产的MDT^TM)。实际上，在不存在流体和岩石相互作用的情况下，就会使测井电缆或LWD-NMR工具的MRF分析复杂化，将使该方法在取样模块或实验分析方面更为精确和更为可靠。

一旦收集到NMR数据，那么就可以利用求逆法对其进行分析，从而推导出各个组分的动态参数(例如T1、T2，T1/T2和扩散常数；图5中的步骤42)。如前所述，MRF方法或所有类似的方法均可应用到这方面。应该注意：本文中所述的MRF技术及其外延范围能够提供有关油层流体的实时信息(例如粘度、分子组分)，目前这些信息只能通过在实验室完成的冗长的压力-体积-温度(PVT)分析来提供。

最后，各个成分的动态参数(例如，T1，T2，T1/T2和扩散常数)可用于推导分子大小的信息(图5中的步骤43)。如上所述，分子大小可用根据方程式(11)和(12)得出的横向驰豫时间和扩散常数来校正。这些方程式中的指数可利用一种具有类似成分和/或特性并处于类似条件下(例如温度)的模型混合物(即碳氢化合物)来估算。这些组分的近似值(“经验参数”)就足够了。利用这些指数，可将等式(11)和(12)简化成等式(13)和(14)。在步骤42中推导出来的混合物的各种组分的动态参数(例如，T1，T2，T1/T2和扩散常数)可用于计算组分的分子大小(或其在混合物中的分布)。

图6A至6D示出了利用本发明的方法获得的结果与利用气相色谱学(GPC)得到的结果相比较的情况，其中气相色谱学通常用于做这种分析的PVT实验室。该实例还示出：除了井场应用外，本发明同样可以应用于原油样本的标准实验室分析中。

图6A示出了三种不同的重原油的T2驰豫时间的分布情况。表示样本1-3的曲线A1-A3的几何平均数T2_LM的值分别为105ms、239ms和603ms。这些测量是在温度为300°K的情况下获得的。

曲线A1-A3是利用本发明的方法进行分析的，最终的分子量分布分别如图6B-6D中的曲线B2-D2所示。这些结果是在方程式(11)中利用a(T)＝170，T＝300°K，α＝0.51，β＝0.90的情况下得出的。为对其进行比较，利用GPC分析法获得的相应分子量分布情况在图6B至6D中分别为重叠的曲线B1-D1。从图中可以清楚地看到：根据本发明的实施例的NMR方法能够提供与利用GPC方法相类似的结果。应该注意：GPC分析法需要花费若干个小时，而NMR测量方法仅需要几分钟。此外，GPC分析法依赖于组分的保持时间及其分子量，这样该方法就不会比本发明的方法更加可靠。NMR方法还具有下述优点：其不具破坏性，而且取样也相对简单。

尽管在图6的实例中采用了NMR横向驰豫时间(T2)，但本领域的技术人员应该知道：也可以利用其它的NMR参数(T1，T1/T2或扩散常数)。此外，尽管该实例采用了碳氢化合物的混合物(原油)，但本发明的方法还可应用于其它流体混合物。

尽管已参照有限的实例对本发明作出了说明，但是本领域的技术人员应该知道：在本发明的启示下，可以设计出其它不偏离本发明保护范围的方法。因此，本发明的保护范围仅由所附的权利要求书来限定。

Claims (17)

1、一种用于确定烃类混合物中各种组分的分子特性的方法，其包括下述步骤：

测定混合物的核磁共振数据；

由核磁共振数据推导出混合物中每种组分的至少一个动态参数；并且

由每种组分的至少一个动态参数计算混合物中每种组分的分子特性。

2、根据权利要求1所述的方法，其特征在于：所述推导出至少一个动态参数的步骤包括生成一个模型并对该模型成分进行反复迭代改进，以根据核磁共振数据优化该模型，其中所述的模型包括混合物组分中的多种成分。

3、根据权利要求1所述的方法，其特征在于：所述至少一个动态参数包括由下列这组参数中选出的一个参数：纵向驰豫时间，横向驰豫时间，纵向驰豫时间和横向驰豫时间的比率和扩散速率。

4、根据权利要求1所述的方法，其特征在于：所述烃类混合物存在于地层中。

5、根据权利要求1所述的方法，其特征在于：由至少一个动态参数计算出混合物中每种组分的分子特性的步骤包括用每种组分的有效粘度对每种组分的至少一个动态参数进行比校。

6、根据权利要求5所述的方法，其特征在于：所述比校步骤包括由一组碳氢化合物的样本中导出经验参数。

7、根据权利要求6所述的方法，其特征在于：所述碳氢化合物的样本组包括原油。

8、根据权利要求1所述的方法，其特征在于：所述计算分子特性的步骤包括应用神经网络。

9、根据权利要求1所述的方法，其特征在于：所述测定核磁共振数据的步骤包括应用一种选自下列工具组中的一种工具：测井电缆核磁共振工具、测井同时钻井的核磁共振工具和模块式地层动态测试器或实验室核磁共振设备。

10、一种测井方法，包括下述步骤：

沿井眼移动一核磁共振工具；

对烃类混合物作核磁共振测量；

由核磁共振的测量结果推导混合物中每种组分的至少一个动态参数；

由每种组分的至少一个动态参数计算混合物中每种组分的一分子特性。

11、根据权利要求10所述的方法，其特征在于：所述推导至少一个动态参数的步骤包括生成一个模型并对该模型成分进行反复迭代改进，以根据核磁共振测量结果优化该模型，其中所述的模型包括混合物组分中的多种成分。

12、根据权利要求10所述的方法，其特征在于：所述至少一个动态参数包括由下列这组参数中选出的一个参数：纵向驰豫时间，横向驰豫时间，纵向驰豫时间和横向驰豫时间的比率和扩散速率。

13、根据权利要求10所述的方法，其特征在于：由至少一个动态参数计算出混合物中每种组分的分子特性的步骤包括用每种组分的一个有效粘度对每种组分的至少一个动态参数进行比校。

14、根据权利要求13所述的方法，其特征在于：所述比校步骤包括由一组碳氢化合物的样本中导出经验参数。

15、根据权利要求14所述的方法，其特征在于：所述碳氢化合物的样本组包括原油。

16、根据权利要求10所述的方法，其特征在于：所述计算分子特性的步骤包括应用神经网络。

17、根据权利要求10所述的方法，其特征在于：所述核磁共振工具包括选自下列工具组中的一种工具：测井电缆核磁共振工具、测井同时钻井的核磁共振工具和模块式地层动态测试器。

Images