CN1896458B - 导出井下流体的流体性质及其不确定度的系统和方法 - Google Patents

Abstract

本发明提供了通过下述操作用于地层流体的井下分析的方法和系统：基于井下数据而导出流体性质及所预测的流体性质上的相关联的不确定度，并且基于流体性质上的差别产生感兴趣的答案结果。所测量的数据用于使用例如油基泥浆污染监控(OCM)算法计算井下流体的污染水平。预测流体的流体性质，并且导出所预测的流体性质上的不确定度。提供了一种统计框架，用于比较流体以实时地产生与地层流体和其储层相关的鲁棒的答案结果。通过优选的采样过程降低或消除了测量数据上的系统误差。

Description

导出井下流体的流体性质及其不确定度的系统和方法

技术领域

本发明涉及为了勘探和开发诸如油井或气井的产烃钻井的目的而评估和测试地质地层的地层流体分析。特别地，本发明针对从井下光谱测量导出地层流体的流体性质的系统和方法。

背景技术

井下流体分析(DFA)是一种通常用于确定具有烃沉积物的地质地层的特性和本性的重要有效的调查技术。DFA用在油田勘探和开发中，用于确定烃储层的岩石物理、矿物、和流体性质。DFA是包括井下流体的成分、流体性质和相态特性的一类储层流体分析，用于表征(characterizing)烃流体和储层。

典型地，在储层地层中的井下发现了诸如油、气、和水的流体的复杂混合物。井下流体(也称作地层流体)具有许多特性，包括压力、含气流体颜色(live fluid color)、脱气原油(dead-crude)密度、气油比(GOR)、及其他流体特性，这些特性用作表征烃储层的指示器。在这方面，部分基于储层中地层流体的流体性质来分析和表征烃储层。

为了评估和测试井眼(borehole)周围的地下地层，经常希望获得地层流体的样本以便表征流体。人们已经开发了允许在测井运行(logging run)中或钻井(drilling)期间从地层取出样本的工具。Schlumberger的储层地层测试器(Reservoir Formation Tester，RFT)和模块地层动力学测试器(Modular FormationDynamics Tester，MDT)工具是用于为表面分析而抽取地层流体的样本的采样工具的例子。

DFA的近期发展包括用于表征井孔(wellbore)或井眼中井下地层流体的技术。在这方面，Schlumberger的MDT工具可以包括一个或多个流体分析模块，诸如Schlumberger的成分流体分析仪(Composition Fluid Analyzer，CFA)和含气流体分析仪(Live Fluid Analyzer，LFA)，以在流体仍在井下时分析由工具采样的井下流体。

在上述类型的DFA模块中，要进行井下分析的地层流体流过传感器模块，诸如利用近红外(NIR)吸收光谱法分析流动的流体的分光计模块。共有的美国专利第6,476,384和6,768,105是与前述技术相关的专利的示例，其内容通过引用而全部合并在这里。地层流体也可以在与DFA模块相关联的样本室内被捕获，该样本室中嵌入有诸如压力/温度计的传感器，以测量所捕获的地层流体的流体性质。

钻杆测试(DST)是用于确定储层压力、渗透性、表皮或烃储层的生产率的井下技术。井下压力测量用于储层特性表征，并且DST串设计基于相同测试给出来自多个区域的储层信息用于储层建模。作为一种技术解决方案，DST是对探井中的划区(compartmentalization)进行测验的一种常规方法。但是，在深水或类似的背景中，DST可能是不经济的，其成本常常可与新井的成本相比。此外，在某些应用中，DST可能具有环境影响。因而，在一些实例中，DST不是用于表征烃储层特性的优选途径。

当前，烃储层中的划区是通过压力梯度度量来标识的。在这方面，假定地质地层中各层之间的压力传递建立了流传递的存在。但是，仅仅基于压力传递来为划区表征储层特性会造成问题，并因而常常获得无法接受的结果。此外，也需要针对流体成分梯度分析烃储层。

发明内容

由于上面所讨论的背景以及井下流体分析领域公知的其它因素，申请人发现了通过下述操作用于地层流体的实时分析的方法和系统：导出流体的流体性质以及基于所预测的流体性质的感兴趣的答案结果(answer product)。

在本发明的优选实施例中，来自井下测量的数据(诸如光谱数据)被用于计算污染水平。油基泥浆污染监控(OCM)算法用于确定井下流体中例如来自油基泥浆(OBM)滤液的污染水平。基于污染水平，而为井下流体预测流体性质，诸如含气流体颜色、脱气原油密度、气油比(GOR)、荧光性等等。从所测量数据的不确定度以及所预测污染的不确定度导出所预测的流体性质的不确定度。提供了统计框架，用于流体的比较，以产生与地层流体和储层相关的实时、鲁棒的答案结果。

申请人开发了通过流体性质比较而使能实时DFA的建模方法论和系统。例如，在本发明的优选实施例中，建模技术和系统用于处理与井下流体采样相关的流体分析数据(诸如光谱数据)，以及用于比较两个或多个流体以便基于比较的流体性质而导出分析结果。

申请人认识到，量化地层流体中的污染水平以及确定与所量化的流体污染水平相关联的不确定度的步骤将是导出油田勘探和开发中感兴趣的答案结果的有利步骤。

申请人还认识到，所量化的污染水平上和所测量数据上的不确定度可以被扩散为感兴趣的其它流体性质(诸如，含气流体颜色、脱气原油密度、气油比(GOR)、荧光性等等)上的对应不确定度。

申请人还认识到，量化地层流体的所预测流体性质上的不确定度将提供用于流体的实时比较的有利基础，并且对于数据中的系统误差不太敏感。

申请人还认识到，通过使用本发明的新颖采样过程降低或消除所测量数据中的系统误差将得到对井下数据测量中的误差不太敏感的、以所预测的流体性质为基础的地层流体的鲁棒且准确的比较。

根据本发明，一种从井下光谱数据导出井下流体的流体性质以及提供答案结果的方法包括下述步骤：接收至少两种流体的流体性质数据，其中至少一种流体的流体性质数据是从井眼中的设备接收的。与从井眼设备接收流体性质数据实时地，导出流体的相应流体性质；量化所导出的流体性质上的不确定度；以及提供与地质地层的评估和测试相关的一个或多个答案结果。该流体性质数据可以包括来自井眼中设备的光谱通道的光密度，以及本发明的实施例包括接收关于光密度的不确定度数据。在本发明的一个实施例中，基于流体的流体性质将井眼中的设备定位在某位置处。在本发明的优选实施例中，流体性质是含气流体颜色、脱气原油密度、GOR和荧光性中的一个或多个，以及答案结果是与地质地层的评估和测试相关的划区、成分梯度和最优采样处理中的一个或多个。一种从一种或多种井下流体的流体性质导出答案结果的方法，包括：接收来自至少两个源的井下流体的流体性质数据；确定对应于所接收数据的每个源的流体性质；以及量化与所确定的流体性质相关联的不确定度。流体性质数据可以是从井下光谱分析仪的颜色通道和甲烷通道接收的。可以量化井下流体的每个通道的污染水平及其不确定度；可以获得通道的污染水平的线性组合以及关于所组合的污染水平的不确定度；可以确定井下流体的成分；可以基于井下流体的成分以及所组合的污染水平而预测井下流体的GOR；以及可以导出与所预测的GOR相关联的不确定度。在本发明的一个优选实施例中，可以基于两种流体的所预测的GOR及相关联的不确定度来确定两种井下流体不同的概率。在本发明的另一优选实施例中，放置井下光谱分析仪，以获取该第一流体性质数据和第二流体性质数据。该第一流体性质数据是从井下光谱分析仪的第一站点接收的，而该第二流体性质数据是从该光谱分析仪的第二站点接收的。在本发明的另一方面，一种比较具有相同或不同污染水平的两种井下流体并且基于该比较产生实时井下流体分析的方法，包括：获取具有相同或不同污染水平的两种井下流体的数据；基于所获取的数据确定两种流体的每种的相应污染参数；基于该相应污染参数表征两种流体的特性；基于该两种流体的特性而统计上比较两种流体；以及基于该两种流体的统计比较而产生指示烃地质地层的井下流体分析。一种用于表征地层流体的特性以及基于该特性提供答案结果的本发明的系统，包括：井眼工具，其包括：具有光学单元的流送管，耦接到该流送管的泵，用于泵送地层流体通过光学单元，以及流体分析仪，其光学地耦接到该单元，并且被配置来产生关于被泵送通过该单元的地层流体的流体性质数据；以及耦接到井眼工具的至少一个处理器，其包括：用于接收来自井眼工具的流体性质数据、并且与接收数据实时地、从该数据确定流体的流体性质以及与所确定的流体性质相关联的不确定度以便提供与地质地层相关的一个或多个答案结果的器件。一种其上具有下述计算机可读程序代码的计算机可用介质，该计算机可读程序代码当被计算机执行时适于与井眼系统一起用来实时比较两种或多种流体以提供从该比较导出的答案结果，所述代码包括：接收至少两种井下流体的流体性质数据，其中至少一种流体的流体性质数据是从井眼系统接收的；以及与接收数据实时地，基于所接收的数据计算流体的相应流体性质以及与所计算的流体性质相关联的不确定度，以提供与地质地层相关的一个或多个答案结果。

本发明的其他优点和新颖特征将在后面的说明中阐述或者可以由本领域技术人员通过阅读这里的材料或者实践本发明而习得。本发明的优点可以通过所附权利要求陈述的器件来实现。

附图说明

附图图示了本发明的优选实施例并且是说明书的一部分。这些附图与下面的描述一起说明和解释了本发明的原理。

图1是本发明的示例性操作环境的横截面上的示意表示。

图2是根据本发明的用于比较地层流体的一个系统的示意表示。

图3是根据本发明的用于比较地层流体的一个流体分析模块装置的示意表示。

图4A到4E是描绘根据本发明比较井下流体并且导出其答案结果的优选方法的流程图。

图5是实验室中所获得的三种流体的光学吸收光谱的图形表示。地层流体A和B分别以蓝色和红色示出，而泥浆滤液以绿色示出。

图6A和6B用图形描绘了利用上面图5中所提及的流体A和B仿真A的结果。图6A示出了对于流体A作为时间函数的实际污染(黑色)和所估计的污染(蓝色)，图6B示出了对于流体B作为时间函数的实际污染(黑色)和所估计的污染(红色)。

图7是对于在上面的图5和6A-6B中所提及的流体A(蓝色)和B(红色)的含气流体颜色比较的图形描绘。对于这两种流体，虚线指示所测量的数据，而实线示出了所预测的含气流体颜色以及所估计的不确定度。这两种流体统计上不同。

图8A和8B用图形描绘了利用流体C(蓝色)和D(红色)仿真B的结果，其示出了作为时间函数的实际污染(黑色)和所估计的污染(蓝色/红色)。

图9是对于在上面的图8A-8B中也曾提及的流体C(蓝色)和D(红色)的含气流体颜色的比较的图形表示。对于这两种流体，虚线指示所测量的数据，而实线示出了含气流体颜色以及误差直方图(error-bar)。就含气流体颜色而言，这两种流体统计上相似。

图10A用图形示出了烃的所测量的(虚线)和所预测的(实线)脱气原油光谱的示例，图10B表示了截止波长与脱气原油光谱之间的经验相关性。

图11A用图形比较了流体A(蓝色)和流体B(红色)的所测量的(虚线)和所预测的(实线)脱气原油光谱，图11B比较了流体C(蓝色)和流体D(红色)的所测量的(虚线)和所预测的(实线)脱气原油光谱。这些流体先前曾在上面提及。流体A和流体B统计上不同而流体C和流体D统计上相似。

图12以图形形式图示了作为体积污染的函数的逆向气(retrograde-gas)的GOR(单位是scf/stb)的变化。在较小的污染水平，GOR对体积污染非常敏感；污染上的较小不确定度可以导致GOR上较大的不确定度。

图13A用图形示出了作为体积污染的函数的流体A(蓝色)和B(红色)(流体A和B先前曾在上面提及)的GOR和对应的不确定度。流体A的最终污染是η_A＝5％而流体B的最终污染是η_B＝10％。图13B是作为污染的函数的K-S距离的图形表示。在用于区分两种流体的敏感度最大的η_B处最佳地比较两种流体的GOR，这可以归结为当污染水平是η_B时对两种流体的光密度的比较。

图14A用图形示出了对于流体A(蓝色)和B(红色)作为污染的函数的GOR；这些流体就GOR而言在统计上非常不同。图13B示出了对于流体C(蓝色)和D(红色)作为污染的函数的GOR；这些流体就GOR而言在统计上相同。这些流体在上面也曾提及。

图15用图形示出了三个站点A(蓝色)、B(红色)和D(品红色)的来自甲烷通道(在1650mm处)的光密度(OD)。对于所有三条曲线，以虚线黑色迹线示出由污染模型的拟合。对于三个站点A、B和D的在收集样本之前的污染分别是2.6％、3.8％和7.1％。

图16用图形图示了对于站点A(蓝色)、B(红色)和D(品红色)的所测量的OD(虚线迹线)和含气流体光谱(实线)的比较。站点D的流体更暗，并且在统计上不同于站点A和B。站点A和B处的流体统计上不同的概率是0.72。上述图15中提到了这些流体。

图17用图形示出了对于(上面也曾提到的)在站点A、B和D处的三种流体的含气流体光谱(虚线)和所预测的脱气原油光谱(实线)的比较。

图18用图形示出了对于(上面也曾提到的)在站点A、B和D处的三种流体的从脱气原油光谱获得的截止波长及其不确定度。在站点A(蓝色)、B(红色)和D(品红色)处的三种流体就截止波长而言在统计上类似。

图19是示出了(上面也曾提到的)在站点A、B和D处的所有三种流体的脱气原油密度接近于0.85g/cc的图。

图20A用图形图示了站点A(蓝色)和B(红色)处的流体的GOR在统计上是相似的，而图20B图示了站点B(红色)和D(品红色)处的流体的GOR在统计上也是相似的。这些流体先前曾在上面提到。

图21是来自站点A的、对应于流体A的光密度数据以及来自站点B的、对应于流体A和B的数据的图形表示。

图22用图形表示了分别在站点A和B处所测量的、来自流体A(蓝)和流体B(红)的颜色通道的数据(在图21中也曾提及)。黑线是利用油基泥浆污染监控(OCM)算法对所测量数据的拟合。在泵送的最后，流体A的污染水平是1.9％，并且流体B的污染水平是4.3％。

图23A用图形描绘了在站点B处对应于流体A的数据(请注意图21和22)的前沿，而图23B用图形描绘了站点B处的一个通道的数据的前沿并且示出了所测量的光密度(在测量的噪声范围内)几乎是恒定的。

图24(含气流体颜色的图形比较)示出了两种流体A和B(注意图21-23)不能基于颜色来区分。

图25(脱气原油光谱的图形比较)示出了两种流体A和B(注意图21-24)不能根据脱气原油颜色来区分。

在所有附图中，同样的附图标记指示类似的但不必等同的元件。虽然本发明容许各种改变和替换形式，但是特定示例在附图中作为示例示出，并且在本文中将详细描述。但是，应该理解，本发明并不意欲局限于所公开的特定形式。相反，本发明意欲覆盖落入所附权利要求定义的本发明范围内的所有修改、等价物和替代。

具体实施方式

下面描述本发明的图示性实施例和方面。为了清楚起见，在说明书中并没有描述实际实施的所有特征。当然，应该理解，在任何这样实际实施例的开发过程中，必需做出众多特定实施的决定以达到开发者的特定目标，诸如遵从系统相关和业务相关的限制，而这些限制将随各个实现而变化。此外，应该理解，这样的开发工作可能是复杂且耗时的，但是尽管如此，其仍将是从本公开获益的本领域普通技术人员的日常工作。

本发明适用于使用地层测试器工具(例如，模块化地层动态测试器(MDT))中的流体分析模块(诸如Schlumberger的成分流体分析器(CFA)和/或含气流体分析器(LFA)模块)、在例如缆线井下流体分析领域中的油田勘探和开发。如本文所使用的，术语“实时”指基本上与获取部分数据或全部数据同时(诸如，在井眼装置在井中或者在井站处从事测井或钻井操作时)的数据处理和分析；术语“答案结果”指关于油田勘探、开发和生产的感兴趣的中间和/或最终结果，其是通过处理和/或分析井下流体数据而导出或获取的；术语“划区”指防止烃储层被作为单个生产单位对待的流体流动的岩石壁垒；术语“污染”和“污染物”指在对储层流体采样时得到的不想要的流体，诸如油基泥浆滤液；以及术语“不确定度”指观测或计算值可能不同于真实值的估计量或百分比。

申请人对烃储层中划区的理解提供了本发明的基础。通常，地层中层间压力传递是用于标识划区的量度。但是，压力传递并不必然转化为层间的流传递，并且对压力传递必然转化为层间的流传递的假定可能导致错过的流划区。最近已建立了如下理论，即压力量度在估计储层划区和成分梯度中是不充分的。由于压力传递随着地质老化而发生，因而对于两个松散砂岩体可能存在压力传递，但是并不必然存在彼此的流传递。

申请人认识到，在标识划区上的错误见解可能导致生产参数(诸如泄油体积、流动速率、井布置、设施和完成设备(completion equipment)的大小)上的显著误差，以及导致生产预测上的误差。申请人还认识到当前需要为标识烃储层中的划区和成分梯度、以及其它感兴趣特性而应用鲁棒且准确的建模技术和新颖的采样过程。

目前，关于划区和/或成分梯度的决定是从地层中两个相邻区之间的流体性质诸如气油比(GOR)的直接比较而导出的。基于该流体性质的直接比较来做出作为划区标记的评价决定，诸如可能的GOR逆转或密度逆转。申请人认识到，当两个相邻区的流体性质具有明显的差别时，这样的方法是适当的，但是在其中的流体具有变动的污染水平、且流体性质之间的差别较小但是在分析储层上仍显著时，对地层中邻近区的流体性质的直接比较则不那么令人满意。

申请人还认识到，通常在某些地质背景(geological settings)下，流体密度逆转可能较小并且被投射到较小的垂直距离上。在其中密度逆转或等价地GOR梯度较小的背景下，当前的分析可能将所划区的储层错误地标识为单个流单元，而作为错误标识的结果则导致昂贵的生产后果。类似地，流体性质的空间变化的不准确评估可以扩散为关于地层流体生产的预测上的显著的不准确度。

考虑到前述方面，申请人理解，关键是确定和量化含有烃沉积物的地质地层中相邻层之间流体性质上的较小差别。此外，一旦储层已开始生产，通常必要的是从储层中的各区(sector)诸如层、断层石块等监控烃回收(recovery)。准确监控烃回收的关键数据是油田中不同区的烃成分和性质(诸如光学性质)、以及流体成分和性质上的差别。

由于申请人对这里所讨论因素的理解的缘故，本发明提供了使用鲁棒的统计框架比较井下流体的系统和方法，其比较具有相同或不同流体性质(例如泥浆滤液的污染的相同或不同水平)的两种或多种流体的流体性质。在这方面，本发明提供了用于使用节省成本的且有效的统计分析工具比较井下流体的系统和方法。着眼于表征烃储层，例如通过标识储层中的划区和成分梯度，而完成为井下流体所预测的流体性质的实时统计比较。申请人认识到，流体性质(例如，GOR、流体密度)作为所测量的深度的函数提供了储层特性的有利标记。例如，如果作为深度函数的GOR的导数是阶梯状的(step-like)即非连续的，则储层中的划区是有可能的。类似地，其它流体性质可以用作划区和/或成分梯度的指示符。

在本发明的一个方面，来自井下工具(诸如MDT)的光谱数据用于比较具有相同或不同泥浆滤液污染水平的两种流体。在本发明的另一个方面，通过量化各种预测的流体性质的不确定度来比较井下流体。

本发明的系统和方法使用随时间渐近减少的泥浆滤液部分的概念。本发明在优选实施例中使用光密度的着色测量和气油比(GOR)光谱数据的近红外(NIR)测量，来导出关于采样的流体在两个或多个光谱通道处的污染水平。在下面的专利(其每个都在此全文引作参考)中详细讨论了这些方法：即美国专利第5,939,717号、第6,274,865号和第6,350,986号。

图1是本发明的示例性操作环境的横截面的示意表示。尽管图1描绘了以地面为基地的操作环境，但是本发明并不限于地面，而是具有以水面为基地的应用(包括储油层的深水开发)的适用性。此外，尽管这里的描述使用了油气勘探和生产背景，但相信本发明具有在其它背景诸如水储层中的适用性。

在图1中，服务车10位于井场(well site)，该井场具有井眼12，其中井眼工具20悬挂在缆线22的末端。典型地，井眼12包含流体诸如水、泥浆、地层流体等的组合。在示例性的布置中，如图1示意性所示出那样，一般相对于服务车10而建造和安排井眼工具20和缆线22。

图2公开了根据本发明的一个示例性系统14，其用于例如在服务车10位于井场(注意图1)时比较井下流体并且基于比较的流体性质而产生分析结果。井眼系统14包括用于测试土壤地层和分析从地层和/或井眼中抽取的流体成分的井眼工具20。在图1所示类型的地面背景中，典型地从缠绕在地层表面的绞盘(注意图1)上的多心测井电缆或缆线22的下端将井眼工具20悬挂在井眼12(再次注意图1)中。在典型的系统中，测井电缆12电耦接到表面电控制系统24，该表面电控制系统24具有用于控制井眼工具20的适当的电子和处理系统。

同样参考图3，井眼工具20包括伸长主体26，其中装有图2和3中示意性表示的各种电子组件和模块，用于为井眼工具串20提供必要的、希望的功能。可选择性扩展的流体准入构件28和可选择性扩展的工具锚定(tool-anchoring)部件30(注意图2)分别被安排在伸长主体26的对边上。流体准入构件28可操作来选择性地将井眼壁12的所选部分封住或者隔离，从而建立了相邻土壤地层的压力或流体传递。在这方面，流体准入构件28可以是(图3中所描绘的)单个探头模块29和/或(图3中同样示意性表示的)封装模块31。

在工具主体26中提供了一个或多个流体分析模块32。从地层和/或井眼获得的流体经由一个或多个流体分析模块32流过流送管(flowline)33，并且然后通过泵出(pumpout)模块38(注意图3)的端口排出。或者，可以将流送管33中的地层流体引导到一个或多个流体收集室34和36(诸如1、23/4或6加仑的样本室和/或6个450cc的多样本模块)，用于接收和保留从地层获得的流体以便传输到表面。

流体准入构件、一个或多个流体分析模块、流动路径和收集室、以及井眼工具串20的其它操作元件由电控制系统诸如表面电控制系统24(注意图2)控制。优选地，电控制系统24和位于工具主体26中的其它控制系统例如包括用于对于工具20中的地层流体导出流体性质、比较流体、并执行其它希望的或必需的功能的处理器能力，如下面所更详细描述的。

本发明的系统14在其各种实施例中优选地包括运转地与井眼工具串20连接的控制处理器40。控制处理器40在图2中被描绘为电控制系统24的元件。优选地，本发明的方法在处理器40(其位于例如控制系统24中)中运行的计算机程序中实施。在运行中，该程序被耦接来经由缆线电缆22例如从流体分析模块32接收数据，以及向井眼工具串20的操作元件发送控制信号。

计算机程序可以存储在与处理器40相关联的计算机可用存储介质42中，或者可以存储在外部计算机可用存储介质44中并且在需要时电耦接到处理器40以供使用。存储介质44可以是目前已知的存储介质(诸如适合磁盘驱动器的磁盘、光可读CD-ROM或任何其它类型的可读设备，包括通过交换电信链路耦接的远程存储设备)或者适于这里所描述的目的和目标的未来存储介质中的任何一个或多个。

在本发明的优选实施例中，这里所公开的方法和装置可以以Schlumberger的地层测试器工具、模块化地层动态测试器(MDT)的一个或多个流体分析模块实施。本发明有利地提供了具有用于井下分析和地层流体样本收集的增强功能的地层测试器工具(诸如MDT)。在这方面，地层测试器工具可以与井下流体分析结合而有利地用于采样地层流体。

申请人已认识到用于比较具有不同或相同污染水平的两种或多种流体的算法方案在井下流体分析中的潜在价值。

在本发明的一种方法的优选实施例中，基于至少部分从井眼装置20的流体分析模块32(如图2和3中所示例性示出的)获取的光谱数据对两种或多种流体中的污染水平及其相关联的不确定度进行量化。光谱测量(诸如光密度)上的不确定度和所预测的污染上的不确定度被扩散为流体性质(诸如含气流体颜色、脱气原油密度、气油比(GOR)和荧光性)上的不确定度。就预测的性质来实时比较目标流体。

有利的是，从所预测的流体性质和所获取的其差别来导出本发明的答案结果。在一个方面，感兴趣的答案结果可以直接从所预测的流体性质(诸如地层体积因子(B₀)、脱气原油密度及其它)以及它们的不确定度中导出。在另一方面，感兴趣的答案结果可以从所预测的流体性质上的差别(尤其是在所预测的流体性质在计算上接近的示例中)以及所计算的差别上的不确定度中导出。在另一方面，感兴趣的答案结果可以基于所计算的流体性质的差别提供关于目标地层流体和/或储层的推论或标记，即从比较的流体性质和其不确定度中导出的划区和/或成分梯度的似然性。

图4A到4E以流程图的形式表示了用于比较井下流体和基于该比较结果产生答案结果的、根据本发明的优选方法。为简明起见，这里的描述将主要针对于来自油基泥浆(oil-base mud，OBM)滤液的污染物。但是，本发明的系统和方法也易于适用于水基泥浆(water-base mud，WBM)或者合成的油基泥浆(synthetic oil-base mud，SBM)滤液。

                  污染及其不确定度的量化

图4A以流程图形式表示了根据本发明的用于量化污染和污染上的不确定度的优选方法。当开始流体分析模块32的操作(步骤100)时，探头28向外伸出以与地层接触(注意图2)。泵出模块38将地层流体汲取到流送管33中，并且将其排出到泥浆中，同时由模块32分析在流送管33中流动的流体(步骤102)。

油基泥浆污染监控(OCM)算法通过监控流体性质而量化污染，该流体性质清楚地将泥浆滤液与地层烃区别开。如果烃较重，例如为重油(dark oil)，则使用流体分析模块的颜色通道将假设无色的泥浆滤液与地层流体区分开。如果烃较轻，例如为气或挥发油，则使用流体分析模块的甲烷通道将假设没有甲烷的泥浆滤液与地层流体区分开。下面进一步描述如何能够从两个或多个通道(例如颜色通道和甲烷通道)量化污染不确定度。

污染不确定度的量化用于三个目的。首先，如下面进一步描述的，其使污染上的不确定度能扩散到其它流体性质中。第二，可以获得来自两个通道(例如颜色和甲烷通道)的污染的线性组合，从而作为结果得到的污染与来自两个通道的任一个的污染不确定度相比具有较小的不确定度。第三，由于不管流体流动模式或地层种类如何，都将OCM应用于泥浆滤液的所有清理工作中，所以量化污染不确定度提供了一种捕获由于OCM导致的基于模型的误差的手段。

在本发明的优选实施例中，获取来自两个或多个通道(诸如颜色和甲烷通道)的数据(步骤104)。在OCM中，利用幂律模型相对于时间t拟合光谱数据诸如在优选实施例中的所测量的光密度d(t)，

d(t)＝k₁-k₂t^-5/12                                       (1.1)

通过最小化数据与来自模型的拟合之间的差来计算参数k₁和k₂。假设

d＝[d(1)d(2)...d(t)...d(N)]^T，k＝[k₁k₂]^T                (1.2)且

$A=\left[\begin{array}{cc}|& |\\ 1& -t^{-\frac{5}{12}}\\ |& |\end{array}\right]{=\mathrm{USV}}^T---\left(1.3\right)$

其中，矩阵U、S和V从矩阵A的奇异值分解得到，而T表示向量/矩阵的转置。OCM模型参数及其以cov(k)表示的不确定度为

k＝VS^-1U^Td，cov(k)＝σ²VS^-2V^T                              (1.4)

其中σ²是测量中的噪声方差。典型地，假设泥浆滤液对颜色通道和甲烷通道中的光密度的作用可以忽略。在这种情况下，获得体积污染η(t)为(步骤106)

$\mathrm{\η}\left(t\right)=\frac{k_2}{k_1}{t}^{-\frac{5}{12}}---\left(1.5\right)$

对所预测的污染上的不确定度起作用的两个因素是光谱测量上的不确定度(其可以通过实验室或现场试验来量化)和用来计算污染的油基泥浆污染监控(OCM)模型中的基于模型的误差。由于测量数据上的不确定度而导致的、以σ_η(t)表示的、污染上的不确定度(在步骤108中导出)为

${\mathrm{\σ}}_{\mathrm{\η}}^2\left(t\right)=t^{-10/12}\left[\begin{array}{cc}\frac{-k_2}{k_1^2}& \frac{1}{k_1}\end{array}\right]\mathrm{cov}\left(k\right){\left[\begin{array}{cc}\frac{-k_2}{k_1^2}& \frac{1}{k_1}\end{array}\right]}^T---\left(1.6\right)$

对许多现场数据集合的分析支持如公式1.1所指定的用于污染的简单幂律模型的真实性。然而，通常基于模型的误差可能比噪声上的不确定度导致的误差更具支配性。基于模型的误差的一个量度可以如下从数据与拟合之间的差获得，

${\mathrm{\σ}}^2=\frac{{\left|\right|d-\mathrm{Ak}\left|\right|}^2}{N}---\left(1.7\right)$

公式1.7的方差估计可以用于替代公式1.4中的噪声方差。当该模型提供了对数据的较好拟合时，预期公式1.7得到的方差与噪声方差匹配。另一方面，当模型提供了对数据的较差拟合时，基于模型的误差大得多，其反映了公式1.7中方差的较大值。这导致公式1.4中参数k的较大的不确定度，并从而导致了公式1.6中污染η(t)上较大的不确定度。

可以获得来自颜色和甲烷通道两者的污染的线性组合(步骤110)，从而作为结果得到的污染与从两个通道中任一个获得的污染相比具有较小的不确定度。假设在任意时间的来自颜色和甲烷通道的污染和不确定度分别表示为η₁(t)、σ_η1(t)和η₂(t)、σ_η2(t)。然后，可以如下获得污染的更“鲁棒”估计，

η(t)＝β₁(t)η₁(t)+β₂(t)η₂(t)                              (1.8)

其中

${\mathrm{\β}}_1\left(t\right)=\frac{{\mathrm{\σ}}_{{\mathrm{\η}}_2}^2\left(t\right)}{{\mathrm{\σ}}_{{\mathrm{\η}}_1}^2\left(t\right)+{\mathrm{\σ}}_{{\mathrm{\η}}_2}^2\left(t\right)},$ 且 ${\mathrm{\β}}_2=\frac{{\mathrm{\σ}}_{{\mathrm{\η}}_1}^2\left(t\right)}{{\mathrm{\σ}}_{{\mathrm{\η}}_1}^2\left(t\right)+{\mathrm{\σ}}_{{\mathrm{\η}}_2}^2\left(t\right)}$

由于该污染的估计是无偏差估计并且具有比两个估计η₁(t)和η₂(t)中任一个更小的不确定度，所以该污染的估计更鲁棒。公式(1.8)中污染η(t)的不确定度是：

${\mathrm{\σ}}_{\mathrm{\η}}\left(t\right)=\sqrt{{\mathrm{\β}}_1\left(t\right){\mathrm{\σ}}_{{\mathrm{\η}}_1}^2+{\mathrm{\β}}_2\left(t\right){\mathrm{\σ}}_{{\mathrm{\η}}_2}^2}$

$=\frac{{\mathrm{\σ}}_{{\mathrm{\η}}_1}\left(t\right){\mathrm{\σ}}_{{\mathrm{\η}}_2}\left(t\right)}{\sqrt{{\mathrm{\σ}}_{{\mathrm{\η}}_1}^2\left(t\right)+{\mathrm{\σ}}_{{\mathrm{\η}}_2}^2}\left(t\right)}$ (1.9)

本领域技术人员将理解可以将公式1.3到1.9修改成合并用于在不同时间对数据使用不同加权的加权矩阵的效果。

                     利用污染水平比较两种流体

图4B以流程图的形式表示了根据本发明的、用于比较两种流体的示例性流体性质的优选方法。在本发明的优选实施例中，四种流体性质被用于比较两种流体，即，含气流体颜色、脱气原油光谱、GOR和荧光性。为简明起见，相对于流体GOR来描述比较流体性质的一种方法。然而，所描述的方法也可应用于任何其它流体性质。

假设两种流体以A和B标示。对于流体A和B的污染数量和不确定度(在步骤112中导出，如上面结合图4A、步骤106和108所描述的)以及测量上的不确定度(在实验室或现场试验中通过硬件校准而获得)被扩散为GOR的数量和不确定度(步骤114)。假设μ_A，σ² _A和μ_B，σ² _B分别表示流体A和B的GOR的均值和不确定度。在缺少关于密度函数的任何信息的情况下，假定其为由均值和不确定度(或方差)指定的高斯曲线。从而，从两种流体的GOR上的均值和不确定度可以计算得到基础(underlying)的密度函数f_A和f_B(或等价的累积分布函数F_A和F_B)。假设x和y分别是从密度函数f_A和f_B取出的随机变量。流体B的GOR统计上大于流体A的GOR的概率P₁为

P₁＝∫f_B(y＞x|x)f_A(x)dx                                 (1.10)

  ＝∫[1-F_B(x)]f_A(x)dx

当概率密度函数是高斯曲线时，公式1.10成为：

$P_1=\frac{1}{\sqrt{8\mathrm{\π}}{\mathrm{\σ}}_A}\underset{-\∞}{\overset{\∞}{\∫}}\mathrm{erfc}\left(\frac{x-{\mathrm{\μ}}_B}{\sqrt{2}{\mathrm{\σ}}_B}\right)\exp \left(\frac{{-(x-{\mathrm{\μ}}_A)}^2}{2{\mathrm{\σ}}_A^2}\right)\mathrm{dx}---\left(1.11\right)$

其中erfc()表示互补(complementary)误差函数。概率P₁取0到1之间的值。如果P₁非常接近0或1，则两种流体统计上非常不同。另一方面，如果P₁接近0.5，则两种流体相似。

两种流体之间差别的替代且更直观的度量为(步骤116)：

P₂＝2|P₁-0.5|                                          (1.12)

参数P₂反映两种流体统计上不同的概率。当P₂接近于0时，两种流体统计上相似。当P₂接近于1时，两种流体统计上非常不同。可以将该概率与阈值比较，以使得能够对两种流体之间的相似性进行定性判断(步骤118)。

下文中，通过最初确定感兴趣流体的污染和污染上的不确定度(上面的步骤112)，而如图4C的流程图所示导出四种示例性流体性质和它们对应的不确定度。然后使用上面的公式1.12对两种或多种流体的流体性质的差别进行量化。

                     含气流体颜色的量和不确定度

假定泥浆滤液没有颜色，在任意时刻瞬间t的任意波长λ的含气流体颜色可以由所测量的光密度(OD)S_λ(t)获得，

$S_{\mathrm{\λ},\mathrm{LF}}\left(t\right)=\frac{S_{\mathrm{\λ}}\left(t\right)}{1-\mathrm{\η}\left(t\right)}---\left(1.13\right)$

含气流体颜色末尾(tail)的不确定度为，

${\mathrm{\σ}}_{S_{\mathrm{\λ},\mathrm{LF}}}^2\left(t\right)=\frac{{\mathrm{\σ}}^2}{{[1-\mathrm{\η}\left(t\right)]}^2}+\frac{{\mathrm{\σ}}_{\mathrm{\η}}^2\left(t\right)S_{\mathrm{\λ}}^2\left(t\right)}{{[1-\mathrm{\η}\left(t\right)]}^4}---\left(1.14\right)$

公式1.14中的两项分别反映由于测量S_λ(t)和污染η(t)上的不确定度而造成的贡献。一旦为所比较的每个流体计算得到含气流体颜色(步骤202)和相关联的不确定度(步骤204)，则可以多种方式比较这两种流体颜色(步骤206)。例如，可以以所选取的波长比较两种流体的颜色。公式1.14指示颜色上的不确定度在不同的波长处是不同的。这样，可以选取对流体比较最敏感的波长以最大化两种流体之间的区别。另一种比较方法是以参数形式捕获所有波长的颜色和相关联的不确定度。这样的参数形式的一个示例为，

                 S_λ，LF＝αexp(β/λ)。

在该示例中，可以使用上面的公式1.10到1.12比较两种流体之间的参数α、β以及它们的不确定度，以导出流体颜色不同的概率(步骤206)。

                         仿真示例1

图5中示出了在实验室中获得的三种流体的光学吸收光谱：GOR分别为500和1700scf/stb的地层流体A和B(蓝色迹线和红色迹线)、以及一种泥浆滤液(绿色迹线)。在第一仿真中，两种地层流体以递减的污染量被污染，以仿真地层流体的清理。对于两种流体使用了不同的污染模型。在几个小时的结尾，对流体A的真实污染是20％而对流体B的真实污染是2％，如图6A和6B中的黑色迹线所示。下文中，为进一步引用将该仿真称为“仿真A”。使用上面公式1.1到1.9中所述的污染OCM算法分析数据。

由于在分析期间所使用的污染模型非常不同于仿真中所使用的污染模型，所以该算法所估计的最终污染水平有偏差。如图6A和6B所示，流体A和B的最终污染分别被估计为10％和2％，不确定度约为2％。图7中示出了对于两种流体的所测量数据S_λ和所预测的含气流体光谱S_λ，LF。虚线形式的蓝色和红色迹线对应于所测量的光学密度。具有误差直方图的实线形式的蓝色和红色迹线对应于所预测的含气流体光谱。在任意波长，两种含气流体光谱不同的概率是1。这样，尽管污染算法没有正确地预测流体A的污染，但是所预测的含气流体颜色对于这两种流体非常不同，并且可以用于清楚地区分它们。

                         仿真示例2

在第二仿真(下文中称之为仿真B)中，利用不同的污染模型从相同的地层流体(来自先前仿真A的流体B)仿真两个数据集。分别将这两种新流体称为流体C和D。在几个小时的末端，对于流体C的真实的污染是9.3％，而对于流体D的真实的污染是1％，如图8A和8B中的黑色迹线所示。使用上面公式1.1到1.9中所述的污染OCM算法分析该数据。两种流体的最终污染水平分别被估计为6.3％和1.8％，不确定度约为2％。如前，由于用于分析的模型不同于用于对污染仿真的模型，所以污染模型提供了对污染的有偏差的估计。对于两种流体的所测量数据(虚线形式的蓝色和红色迹线)以及对应的预测含气流体光谱(实线形式的蓝色和红色迹线)及其不确定度在图9中示出。两种流体的含气流体光谱非常接近地匹配，这指示这两种地层流体统计上相似。

                 脱气原油光谱及其不确定度

可用于比较两种流体的第二种流体性质是脱气原油光谱或者部分从脱气原油光谱导出的答案结果。脱气原油光谱基本上等于没有污染、甲烷和其它较轻质烃的光谱吸收的含气石油光谱。其可以如下计算。首先，可以利用本领域人员熟知的技术将光密度数据脱色，并且使用LFA和/或CFA反应矩阵计算流体的成分(步骤302)。接下来，可以使用状态方程(equation ofstate，EOS)计算在所测量的储层温度和压力下甲烷和轻质烃的密度。这使得能够计算较轻质烃的体积分数V_LH(步骤304)。例如，在CFA中，轻质烃的体积分数为：

V_LH＝γ₁m₁+γ₂m₂+γ₄m₄                                    (1.15)

其中m₁、m₂和m₄是使用主成分分析或者部分最小平方或等价算法计算得到的C₁、C₂-C₅和CO₂的部分密度。参数γ₁、γ₂和γ₄是在指定储层压力和温度下的三组密度的倒数。由于成分上的不确定度导致的体积分数的不确定度(步骤304)为：

${\mathrm{\σ}}_V^2=\left[\begin{array}{ccc}{\mathrm{\γ}}_1& {\mathrm{\γ}}_2& {\mathrm{\γ}}_4\end{array}\right]\mathrm{\Λ}\left[\begin{array}{c}{\mathrm{\γ}}_1\\ {\mathrm{\γ}}_2\\ {\mathrm{\γ}}_4\end{array}\right]---\left(1.16\right)$

其中，Λ是分别使用LFA和/或CFA的反应矩阵计算得到的成分C₁、C₂-C₅和CO₂的协方差矩阵。从所测量的光谱S_λ(t)，可以如下预测脱气原油光谱S_λ，dc(t)(步骤306)，

$S_{\mathrm{\λ},\mathrm{dc}}\left(t\right)=\frac{S_{\mathrm{\λ}}\left(t\right)}{1-V_{\mathrm{LH}}\left(t\right)-\mathrm{\η}\left(t\right)}---\left(1.17\right)$

脱气原油光谱上的不确定度(步骤306)为：

${\mathrm{\σ}}_{S_{\mathrm{\λ},\mathrm{dc}}}^2\left(t\right)=\frac{{\mathrm{\σ}}^2\left(t\right)}{{[1-V_{\mathrm{LH}}\left(t\right)-\mathrm{\η}\left(t\right)]}^2}+\frac{{\mathrm{\σ}}_V^2\left(t\right)S_{\mathrm{\λ}}^2\left(t\right)}{{[1-V_{\mathrm{LH}}\left(t\right)-\mathrm{\η}\left(t\right)]}^4}+\frac{{\mathrm{\σ}}_{\mathrm{\η}}^2\left(t\right)S_{\mathrm{\λ}}^2\left(t\right)}{{[1-V_{\mathrm{LH}}\left(t\right)-\mathrm{\η}\left(t\right)]}^4}---\left(1.18\right)$

公式1.18中的三项分别反映由于在测量S_λ(t)、轻质烃的体积分数V_LH(t)和污染η(t)中的不确定度而对脱气原油光谱的不确定度作出的贡献。可以对于任意波长的脱气原油光谱直接比较这两种流体。一种替代性且优选的方案是将所有波长上的不确定度捕获成参数形式。参数形式的一个示例为，

S_λ，LF＝αexp(β/λ)                                     (1.19)

可以将所有波长上的脱气原油光谱及其不确定度转化为参数α和β以及它们的不确定度。反过来，这些参数可以用于计算截止波长及其不确定度(步骤308)。

图10a示出了烃的所测量光谱(虚线)和所预测的脱气原油光谱(实线)的示例。可以用截止波长来参数化脱气原油光谱，该截止波长被定义为OD等于1处的波长。在本示例中，截止波长约为570nm。

通常，截止波长与脱气原油密度之间的相关性是已知的。图10B中示出了截止波长与脱气原油密度之间的全局相关性的示例。图10B帮助将截止波长的量和不确定度转化为脱气原油密度的量和不确定度(步骤310)。两种流体就脱气原油光谱或者其所导出的参数而言统计上不同的概率可以使用上面的公式1.10到1.12来计算(步骤312)。

脱气原油光谱及其不确定度的计算具有许多应用。首先，如本文所描述的，其允许两种流体之间的轻松比较。第二，CFA使用较轻质烃作为其主成分回归的训练集合；惯例上假定C₆₊成分具有约0.68g/cm³的密度，这对于干气、湿气和逆向气是相当准确的，但对于挥发油和黑油(black oil)是不准确的。这样，所预测的脱气原油密度可以用于修正CFA算法的C₆₊成分，以更佳地计算重组分的部分密度并且从而更佳地预测GOR。第三，作为对用户的有价值的答案结果的地层体积因子(B₀)是分析的副产品(步骤305)：

$B_0~\frac{1}{1-V_{\mathrm{LH}}}---\left(1.20\right)$

脱气原油密度与截止波长之间的所假定的相关性可以进一步用于约束和迭代计算B₀。该计算地层体积因子的方法是直接的，并且回避了使用相关方法计算地层体积因子的替代性的间接方法。显著地，使用EOS计算的轻质烃的密度对储层压力和温度的小扰动不敏感。这样，由于EOS的使用使得密度上的不确定度小到可以忽略。

                         仿真示例1

图11A比较上面仿真A中所使用的两种流体的脱气原油光谱。显然这两种流体就脱气原油光谱而言并且因而就密度而言非常不同。

                         仿真示例2

图11B比较上面仿真B中所使用的两种流体的脱气原油光谱。这两种脱气原油光谱重叠得非常好，并且这两种地层流体具有相同脱气原油光谱的概率接近于1。

                   气油比(GOR)及其不确定度

LFA和CFA中的GOR计算为本领域技术人员所熟知。为简明起见，这里的描述将使用用于CFA的GOR计算。根据成分而计算流送管中流体的GOR(步骤404)，

$\mathrm{GOR}=k\frac{x}{y-\mathrm{\βx}}\mathrm{scf}/\mathrm{stb}---\left(1.21\right)$

其中，标量k＝107285以及β＝0.782。变量x和y分别表示气相和液相的重量分数。假设[m₁m₂m₃m₄]表示在对数据脱色-即从NIR通道中去除颜色吸收贡献(color absorption contribution)(步骤402)-之后的四种组分C₁、C₂-C₅、C₆₊和CO₂的部分密度。假设C₁、C₂-C₅和CO₂完全处于气相而C₆₊完全处于液相，则

x＝α₁m₁+α₂m₂+α₄m₄且

y＝m₃其中

              α₁＝1/16，α₂＝1/40.1，α₄＝1/44。

公式1.21假设C₆₊处于液相，但是其蒸汽形成与液体保持动态平衡的气相部分。常数α₁、α₂、α₄和β通过假设C₂-C₅组中的分布而由C₁、C₂-C₅、C₆₊和CO₂的平均分子量来获得。

如果流送管流体污染η^*较小，则地层流体的GOR可通过从C₆₊的部分密度中减去污染而获得。在这种情况下，地层流体的GOR由公式1.21给出，其中y＝m₃-η^*ρ，其中ρ是OBM滤液的已知密度。实际上，在任意其它的污染水平η下，流送管中流体的GOR可以在y＝m₃-(η^*-η)ρ的条件下使用公式1.21来计算。GOR(在步骤404中导出)上的不确定度由下面的公式给出，

${\mathrm{\σ}}_{\mathrm{GOR}}^2=k^2\left[\begin{array}{cc}\frac{y}{{(y-\mathrm{\βx})}^2}& \frac{-x}{{(y-\mathrm{\βx})}^2}\end{array}\right]\left[\begin{array}{cc}{\mathrm{\σ}}_x^2& {\mathrm{\σ}}_{\mathrm{xy}}\\ {\mathrm{\σ}}_{\mathrm{xy}}& {\mathrm{\σ}}_y^2\end{array}\right]\left[\begin{array}{c}\frac{y}{{(y-\mathrm{\βx})}^2}\\ \frac{-x}{{(y-\mathrm{\βx})}^2}\end{array}\right]---\left(1.22\right)$

其中

${\mathrm{\σ}}_x^2=\left[\begin{array}{ccc}{\mathrm{\α}}_1& {\mathrm{\α}}_2& {\mathrm{\α}}_4\end{array}\right]\mathrm{\Λ}\left[\begin{array}{c}{\mathrm{\α}}_1\\ {\mathrm{\α}}_2\\ {\mathrm{\α}}_2\end{array}\right]---\left(1.23\right)$

Λ是组分m₁、m₂和m₃的协方差矩阵，并且由CFA分析而计算得到，并且

${\mathrm{\σ}}_y^2={\mathrm{\σ}}_{m_3}^2+{\mathrm{\ρ}}^2{\mathrm{\σ}}_{\mathrm{\η}}^2---\left(1.24\right)$

${\mathrm{\σ}}_{\mathrm{xy}}={\mathrm{\α}}_1{\mathrm{\σ}}_{m_1{m}_3}+{\mathrm{\α}}_2{\mathrm{\σ}}_{m_2{m}_3}+{\text{\α}}_4{\mathrm{\σ}}_{m_3{m}_4}25---\left(1.25\right)$

在公式1.24和1.25中，变量σ_xy表示随机变量x和y之间的相关性。

图12图示了相对于体积污染的逆向气的GOR(单位为scf/stb)的变化的示例。在小污染水平，所测量的流送管GOR对体积污染上的小变化非常敏感。因而，污染上的小不确定度可以导致GOR上的大不确定度。

图13A示出这样的示例，用于说明申请人在本发明中所解决的问题，即什么是比较具有不同污染水平的两种流体的GOR的鲁棒方法？图13A示出了两种流体的作为污染的函数所绘制的GOR。在泵送数小时之后，流体A(蓝色迹线)具有不确定度为2％的污染η_A＝5％，而流体B(红色迹线)具有不确定度为1％的污染η_B＝5％。按照惯例，已知的分析方法通过使用上述公式1.21预测在零污染处的投影的地层流体的GOR来比较两种流体。但是，在小污染水平处，GOR上的不确定度对污染上的不确定度非常敏感，从而导致对于地层流体所预测的GOR的较大误差直方图。

一种更鲁棒的方法是在被优化以区分两种流体的污染水平处，比较这两种流体。如下找到最优污染水平。设μ_A(η)、σ² _A(η)和μ_B(η)、σ² _B(η)分别表示在污染η处的流体A和B的GOR上的均值和不确定度。在缺少关于密度函数的任何信息的情况下，假设其是由均值和方差指定的高斯曲线。这样，在指定的污染水平处，从两种流体的GOR的均值和不确定度可以计算得到基础的密度函数f_A和f_B或等价的累积分布函数F_A和F_B。Kolmogorov-Smirnov(K-S)距离提供了一种量化两种分布F_A与F_B之间距离的自然途径，

d＝max[F_A-F_B]                                               (1.26)

可以选取对于流体比较的最优污染水平以最大化K-S距离。由η~所表示的该污染水平在其对两种流体的GOR上的差别最敏感的意义上是“最优的”。图13B图示了两种流体之间的距离。在该示例中，该距离在η~＝η_B＝10％处最大。在这种情况下的GOR比较可以压缩(collapse)为对在污染水平η_B处的两种流体的光密度的直接比较。一旦确定了最优污染水平，则可以使用上面的公式1.10到1.12计算两种流体就GOR而言统计上不同的概率(步骤408)。K-S距离由于其简单而是优选的且不受再参数化(reparameterization)的影响。例如，K-S距离独立于使用GOR或GOR的函数(诸如log(GOR))。本领域技术人员将理解，也可以使用以Anderson-Darjeeling距离或Kuiper距离定义距离的替代性方法。

                         仿真示例1

在图14A中将上面的仿真A中两种流体的GOR及其相关联的不确定度描绘为污染的函数。在这种情况下，该两个GOR非常不同并且两种流体不同的概率P₂接近于1。

                         仿真示例2

在图14B中将上面的仿真B中两种流体的GOR及其相关联的不确定度描绘为污染的函数。在这种情况下，该两个GOR非常相似并且两种流体不同的概率P₂接近于0。

                       荧光性及其不确定度

通过测量在蓝色光激励之后在光谱的绿色和红色范围上的光发射，来执行荧光性分光。所测量的荧光性与原油中的多环芳香烃(polycyclic aromatichydromcarbon，PAH)的量相关。

荧光性测量的定量解释可能是挑战性的。所测量的信号并不必然与PAH的浓度成线性比例(没有等价的Beer-Lambert定律)。此外，当PAH的浓度很大时，由冷却可以减少量子产额。这样，该信号通常是GOR的非线性函数。尽管在理想情况下，预期仅地层流体具有荧光性所测量的信号，但是OBM滤液中的表面活性剂可能是对所测量信号起作用的因素。在WBM中，所测量的数据可能依赖于油和水的流态(flow regimes)。

在其中使用水基泥浆的某些地理区，CFA荧光性已经显示出是流体GOR、来自CFA的表观烃密度以及C₁和C₆₊的质量分率的良好指示器。这些发现也应用于其中所分析的样本中具有低OBM污染(＜2％)的具有OBM的情况。此外，荧光性信号的量看起来与脱气原油密度具有很强的相关性。在这些情况下，期望相对于荧光性度量比较两种流体。作为例证说明，这里描述CFA中相对于度量的比较。设F₀ ^A、F₁ ^A、F₀ ^B和F₁ ^B分别表示流体A和B(OBM污染分别为η_A、η_B)在550和680nm上的积分光谱(integrated spectra)。当污染水平小时，可以在污染校正之后比较积分光谱(步骤502)。这样，在由污染上的不确定度和荧光性度量上的不确定度所量化的不确定度范围(在步骤504中通过现场试验或实验室中的硬件校准而得到)内

$\frac{F_0^A}{1-{\mathrm{\η}}_A}\≈\frac{F_0^B}{1-{\mathrm{\η}}_B}$ 并且 $\frac{F_1^A}{1-{\mathrm{\η}}_A}\≈\frac{F_1^B}{1-{\mathrm{\η}}_B}.$

如果所述度量大大不同，这应该作为两种流体之间差别的可能指示而通过标志传达给操作员。由于几种其它因素诸如弄脏的窗口或工具方位或者流态也可能影响该度量，所以操作员可以选择进一步测试：该两种荧光性度量真实地反映了两种流体之间的差别。

作为算法中的最终步骤，就颜色(步骤206)、GOR(步骤408)、荧光性(步骤506)、和脱气原油光谱(步骤312)或者其导出的参数而言两种流体不同的概率由上面的公式1.12给出。例如，作为感兴趣的答案结果的这些概率与用户定义的阈值的比较使得操作员能够对成分梯度以及储层中的划区用公式表示并且做出判断。

                         现场示例

在同一井孔中在以A、B和D标示的三个不同站点处，现场运行CFA。表I中的第2列示出了从CFA获得的流送管流体的GOR。在该工作中，在表面闪燃(flash)该流体以重新计算第3列中所示的GOR。此外，使用气相色谱分析来量化污染(第4列)并且在最后的第5列中示出了经校正的井场GOR。第2列指示在储层中可能存在成分梯度。该假设没有被第3列所证实。

                              表I

	来自CFA的GOR(scf/stb)	井场GOR(照原样)	OBM％	经校正的并场GOR
					A	4010	2990	1	3023
B	3750	2931	3.8	3058
					D	3450	2841	6.6	3033

利用本发明的方法分析了该数据。图15示出了三个站点A、B和D的甲烷通道(蓝色、红色和品红色)。黑色迹线是由OCM获得的曲线拟合。在收集样本之前的最终体积污染水平分别估计为2.6％、3.8％和7.1％。这些污染水平与表I中在井场估计的污染水平相比相当好。

图16示出了三种流体的所测量数据(虚线)和所预测的含气流体光谱(实线)。很明显，在站点D处的流体暗得多，并且不同于站点A和B处的流体。站点D流体不同于A和B的概率很高(0.86)。站点B处的流体具有比站点A流体多的颜色。假定噪声标准偏差为0.01，则站点A和B处的两种流体不同的概率是0.72。

图17示出了含气流体光谱和所预测的脱气原油光谱以及不确定度。插图示出了三种流体的地层体积因子及其不确定度。图18示出了所估计的截止波长及其不确定度。图17和18说明了此三种流体就截止波长而言统计上不同。从图19可见，所有三种流体的脱气原油密度都是0.83g/cc。

可以以从公式1.12获得的概率P₂量化流体之间的统计相似性或差别。表II在含气流体颜色、脱气原油密度和GOR方面量化了三种流体的概率。在站点A和B处的流体在脱气原油密度方面统计上不同的概率较低(0.3)。类似地，站点B和D处的流体统计上不同的概率也较低(0.5)。图20A和20B示出了关于各污染水平的三种流体的GOR。与前面相同，基于GOR，三种流体在统计上并非不同。站点A流体统计上不同于站点B流体的概率较低(0.32)。站点B处的流体不同于D的概率接近于0。

                           表II

	含气流体颜色	脱气原油密度	GOR
				P2(A≠B)	0.72	0.3	0.32
P2(B≠D)	1	0.5	0.06

这些概率与用户定义阈值的比较使得操作员能够对储层中成分梯度和划区用公式表示和做出判断。例如，如果设置了阈值0.8，将推断出站点D处的流体在含气流体颜色方面一定不同于站点A和B处的流体。对于当前处理，已将噪声的标准偏差设置为0.01 OD。如果在光密度上噪声的标准偏差更小，则还可以进行站点A和B处的流体之间的进一步区分。

如上所述，本发明的各方面提供了与相对于感兴趣的井下流体计算得到的、从污染水平导出的流体性质差别相关的有利答案结果。在本发明中，申请人还提供了用于估计流体性质差别是否可以由OCM模型上的误差解释(注意图4C中的步骤120)的方法。在这方面，本发明通过提供下述技术而降低了得出不正确决定的风险，该技术用于确定光密度和所估计的流体性质的差别是否可以通过改变污染水平来解释(步骤120)。

表III比较对于三种流体的污染、地层流体的所预测的GOR、以及在647nm处的含气流体颜色。比较站点A和D处的流体，如果站点A流体的污染更低，则站点A处的地层流体的所预测GOR将更接近于D。但是，站点A与D之间在颜色上的差别将更大。这样，减少站点A处的污染将站点A与D之间的GOR的差别和颜色的差别驱向相反的方向。因而，推定不能通过改变污染水平来解释所估计流体性质的差别。

                         表III

	η	地层流体的GOR	在647nm处的含气流体颜色
				A	2.6	3748	0.152

B	3.8	3541	0.169
				D	7.1	3523	0.219

有利地，还可以实时计算流体性质不同的概率，从而使得操作员能够实时比较两种或多种流体以及基于由本发明使能的判断而修正正在进行的采样工作。

                       水基泥浆的分析

本发明的方法和系统可适用于分析其中污染来自水基泥浆滤液的数据。水信号的传统处理假定流态是分层的。如果水的体积分数不是非常大，则CFA分析预处理数据以计算水的体积分数。随后通过CFA算法处理该数据。该两个步骤的解耦(de-coupling)由大量水信号和流过CFA模块的水和油的未知流态来决定(mandate)。在流态分层的假设下，可以量化水的部分密度的不确定度。然后可以将该不确定度扩散为代表烃的经校正的光密度上的不确定度。该处理独立于LFA和/或CFA模块相对于泵出模块的位置而有效。

本发明的系统和方法可以以自洽的方式应用于在站点处的流体分析模块测量(诸如LFA和CFA测量)的组合。例如，本发明用于流体比较的技术可以应用于来自LFA的电阻系数(resistivity)测量。当LFA和CFA跨装(straddle)在泵出模块上(如大多数情况那样)时，泵出模块可以导致两种流体(即LFA中的流体和CFA中的流体)的重力分离。这暗示CFA和LFA没有化验同样的流体，从而使得两个模块的同时解释很有挑战性。然而，CFA和LFA两者都可以独立地用于测量污染及其不确定度。对于每个模块，可以将该不确定度独立地扩散为流体性质的量和不确定度，从而，提供了用于对于每个模块比较流体性质的基础。

必须确保流体性质的差别不是由于光谱模块处的流体压力上的差别导致的。这可以通过几种途径来完成。现在描述估计光密度关于压力的导数的优选途径。当打开样本瓶子时，其建立了流送管中的压力瞬变(pressure transient)。从而，流体的光密度响应于该瞬变而改变。当压力瞬变量可以从压力计计算得到时，可以计算OD关于压力的导数。反过来，OD的导数可以用于确保在不同时间点化验的流体的流体性质的差别不是由于光谱模块处的流体压力上的差别而导致的。

本领域技术人员将理解，这里描述的所有流体参数的量和不确定度可在闭式(closed-form)下得到。从而，实质上在数据分析期间不存在计算开销(over-head)。

对流体参数的量和不确定度的量化可以有利地提供对烃储层中的地球化学充气过程(charging process)本性的洞察。例如，甲烷对其它烃的比率可以帮助区别源于生物的和源于热电的处理。

本领域技术人员还将理解，上述方法可以有利地与传统方法一起用于标识分区，诸如观察压力梯度、在潜在透性障(permeability barrier)间进行垂直干扰测试、或者标识可能指示潜在透性障的岩石特征，例如从缆线记录(诸如地层微图像仪或元素捕获光谱记录)中标识缝合岩面(styolites)。

本发明的上述技术提供了用于比较具有相同或不同污染水平的两种或更多种流体的流体性质的鲁棒统计框架。例如，标示为A和B的两种流体可以分别从站点A和B获得。可以基于所测量的数据对于这两种流体预测流体的流体性质，例如含气流体颜色、脱气原油密度和气油比(GOR)。可以从测量数据上的不确定度和污染上的不确定度(其从所测量数据中针对流体导出)计算得到流体性质上的不确定度。随机误差和系统误差都对由例如一个或多个井下流体分析模块所获得的测量数据(诸如光密度)上的不确定度有贡献。一旦量化了流体性质及其相关联的不确定度，就在统计框架下比较这些性质。从两种流体的对应流体性质的差别得到流体的差别流体性质。差别流体性质的量化上的不确定度反映了测量中的随机误差和系统误差，并且可能非常大。

申请人发现了新颖且有利的流体采样过程，其允许对应于两种或更多种流体的数据获取、采样和数据分析，从而差别流体性质对测量上的系统误差不敏感。

图4D以流程图形式表示了用于基于差别流体性质而比较地层流体的优选方法，该差别流体性质是从由本发明的优选数据获取过程获取的测量数据中导出的。在步骤602中，对应于流体A的在站点A处所获得的数据被处理，以计算体积污染η_A及其相关联的不确定度σ_ηA。该污染及其不确定度可以使用以下几种技术之一计算，诸如上面的公式1.1到1.9中的油基泥浆污染监控算法(OCM)。

典型地，当地层测试器工具的采样或扫描工作在站点A被视为完成时，井眼输出阀被打开。工具的内部与外部之间的压力相等，从而当将工具移到下一站点时避免了工具震动和工具崩塌。当打开井眼输出阀时，流送管中的流体与井眼中的流体之间的差别压力导致两种流体的混合。

申请人发现了使用例如地层测试器工具(诸如MDT)准确且鲁棒地比较地层流体的流体性质的有利过程。当站点A处的工作被视为完成时，当将工具从站点A移动到另一站点B时，保留在流送管中的流体被保持在流送管中待捕捉。

流体捕捉可以以多种方式实现。例如，当流体分析模块32(注意图2和图3)在泵出模块38下游时，泵出模块38中的止回阀可以用于防止泥浆进入流送管33。或者，当流体分析模块32在泵出模块38的上游时，具有在流送管33中捕捉的流体的工具20可以在其井眼输出阀关闭的情况下移动。

典型地，诸如MDT的井下工具被额定为容许高压差，从而可以在井眼输出关闭的情况下移动工具。或者，如果已经将感兴趣的流体采样并且存储在样本瓶中，则可以使瓶子的东西流过工具的光谱分析仪。

在站点B处，所测量的数据反映了流体A和B两者的性质。可以认为数据处于两个连续时间窗中。在初始时间窗中，随着来自站点A的流送管中所捕捉的流体流过工具的光谱模块，所测量的数据对应于流体A。后面的时间窗对应于流体B，该流体B是在站点B抽取的。这样，由同样的硬件在几乎相同的时间和同样的外部条件(诸如压力和温度)下，测量两种流体A和B的性质。这使得能够对流体性质上的差别进行快速和鲁棒的估计。

由于流体A不存在进一步的污染，所以流体A的流体性质在初始时间窗中保持恒定。利用在该时间窗中流体性质不变的这一性质，可以预处理该数据以估计测量中噪声的标准偏差σ_OD ^A(步骤604)。与来自站点A的污染(其在步骤602中导出)结合，可以使用先前所描述的技术，利用该数据来预测对应于流体A的流体性质，诸如含气流体颜色、GOR和脱气原油光谱(步骤604)。此外，使用上面的公式1.1到1.9中的OCM算法，可以将测量中的不确定性σ_OD ^A(其在步骤604中导出)与污染中的不确定度σ_ηA耦合在一起以计算所预测的流体性质上的不确定度(步骤604)。

随着流体B流过光谱模块，后面的时间窗对应于流体B。可以预处理该数据以估计测量中噪声σ_OD ^B(步骤606)。可以利用例如上面的公式1.1到1.9中的OCM算法来量化污染η_B及其不确定度σ_ηB(步骤608)。然后可以利用先前所描述的技术来分析该数据以量化对应于流体B的流体性质及其相关联的不确定度(步骤610)。

除了量化所测量的数据上的不确定度和污染之外，流体性质上的不确定度也可以通过对流送管中的地层流体系统地加压来确定。分析流体性质随压力的变化提供了关于所预测的流体性质的可信度。一旦量化了流体性质及其相关联的不确定度，则可以利用上面的公式1.12在统计框架下比较两种流体的性质(步骤612)。然后获得差别流体性质，作为利用上述技术对于两种流体所量化的流体性质之间的差。

在传统的采样过程(其中没有将来自一个站点的地层流体捕捉并且带到下一站点)中，流体上的不确定度反映了所测量数据中的随机误差和系统误差两者，并且可能相当大。相反，利用本发明的优选采样方法，测量中的系统误差可以抵消。从而，与其它采样和数据获取过程相比，获得流体性质上差别的本方法更鲁棒和准确。

在将井下分析和采样工具移动到不同站点的处理中，存在下述可能，即OBM滤液与储层流体之间的密度差可能导致所保持在流送管中的流体中的重力分离。在这种情况下，在下一站点处流体分析模块的放置可以基于被采样的储层流体的类型。例如，可以依赖于滤液是轻于还是重于储层流体，而将流体分析仪放置在工具串的顶部或底部。

                         示例

图21示出了从放置在泵出模块的下游的光谱模块(LFA)所获得的现场数据集合。在将工具从站点A移动到站点B时，将泵出模块中的止回阀关闭，从而捕捉并且从一个站点到另一站点移动流送管中的流体A。在t＝25500秒之前的数据的初始部分对应于站点A处的流体A。在时刻t＝25500秒之后的、数据的第二部分来自站点B。

在站点B，来自时间25600-26100秒的数据的前沿对应于流体A而数据的其余部分对应于流体B。不同的迹线对应于来自不同通道的数据。前两个通道具有大OD并且是饱和的。其余的通道提供有关流体A和B的颜色、成分、GOR和污染的信息。

流体性质的差别以及相关联的不确定度的计算包括下面的步骤：

步骤1：在站点A计算对应于流体A的体积污染。这可以通过许多方式完成。图22示出了颜色通道(蓝色迹线)和用于预测污染的OCM得到的模型拟合(黑色迹线)。在泵送处理的末端，确定污染为1.9％，其不确定度约为3％。

步骤2：图23A示出了对应于流体A的、在站点B的数据的前沿。图23B示出了在该时帧中对于通道之一的测量数据。由于流体A不存在进一步的污染，所以流体性质不随时间变化。从而，所测量的光密度几乎恒定。分析该数据以得到约0.003OD的噪声标准偏差σ_OD ^A。图23B中的数据中可见的、对应于探头的设置和预测试的事件在噪声统计的计算中没有被考虑在内。

利用步骤1得到的污染及其不确定度以及σ_OD ^A＝0.003OD，利用上面先前所描述的公式针对流体A计算含气流体颜色和脱气原油光谱及其相关联的不确定度。这些结果分别由图24和25中的蓝色迹线用图形示出。

步骤3：站点B处的数据的第二部分对应于流体B。图22示出了颜色通道(红色迹线)和通过用来预测污染的OCM得到的模型拟合(黑色迹线)。在泵送处理的末端，确定污染为4.3％，其不确定度约为3％。如上面先前所描述那样计算得到的针对流体B的预测含气流体颜色和脱气原油光谱由图24和25中的红色迹线示出。

通过对数据进行低通滤波以及估计高频分量的标准偏差而计算的该噪声标准偏差为σ_OD ^B＝0.005OD。噪声和污染的不确定度被分别反映为图24和25中的流体B的预测含气流体颜色和脱气原油光谱(红色迹线)。如图24和25所示，两种流体A和B的含气和脱气原油光谱重叠，并不能在两种流体中区分。

除了含气流体颜色和脱气原油光谱之外，两种流体A和B的GOR及其相关联的不确定度利用上面先前所讨论的公式计算得到。流送管中流体A的GOR是392±16scf/stb。在污染为1.9％的情况下，去除污染的GOR是400±20scf/stb。流送管中流体B的GOR是297±20scf/stb。在污染为4.3％的情况下，去除污染的GOR是310±23scf/stb。这样，两种流体之间的差别GOR是显著的，并且两种流体A和B不同的概率接近于1。

相反，忽略站点B处的数据的前沿并且比较直接来自站点A和B的流体A和B导致测量中大的不确定度。在这种情况下，σ_OD ^A和σ_OD ^B将捕获测量中的系统误差和测量误差两者，并因而将相当大。例如，当σ_OD ^A＝σ_OD ^B＝0.01OD时，就GOR而言两种流体A和B不同的概率是0.5。这意味着差别GOR并不显著。换言之，根据GOR不能够区分两种流体A和B。

本发明的方法提供了对差别流体性质实时的、准确的和鲁棒的测量。用于确定感兴趣地层流体的流体性质上的差别的、本发明的系统和方法是用于标识烃储层中的划区和成分梯度的有用且节省成本的工具。

本发明的方法包括分析所测量的数据和计算两种流体(例如，分别在两个对应站点A和B获得的流体A和B)的流体性质。在站点A，利用上面所讨论的算法量化流体A的污染及其不确定度。有利地，在将工具移到其中通过流送管泵送流体B的站点B的同时，捕捉流送管中的地层流体。在站点B所测量的数据具有唯一的、有利的性质，这使得能够实现流体性质上的差别的改进测量。在这方面，数据的前沿对应于流体A而数据的后面部分对应于流体B。这样，在同一站点即站点B处的测量数据反映了流体A和B两者的流体性质。如此获得的差别流体性质是两种流体之间的差别的鲁棒且准确的度量，并且对测量中的系统误差没有其它流体采样和分析技术那么敏感。有利地，本发明的方法可以扩展到多个流体采样站点。

本发明的方法可以有利地用于确定从各种传感器设备获得的流体性质(诸如密度、粘度、成分、污染、荧光性、H₂S和CO₂的量、同位素比率和甲烷-乙烷比率)上的任何差别。这里所公开的基于算法的技术可容易地推广到多个站点以及在同一站点处的多种流体的比较。

申请人认识到，这里所公开的系统和方法使得能够做出对标识储层中的划区和/或成分梯度以及关于烃地层的感兴趣的其它特性的实时判断。

申请人还认识到，这里所公开的系统和方法将有助于优化用于确认或反驳预测(诸如储层中的梯度)的采样处理，这反过来又将有助于通过捕获最有代表性的储层流体样本而优化该处理。

申请人还认识到，这里所公开的系统和方法将有助于标识储层中感兴趣的烃是如何被侵蚀流体(例如，注入储层中的水和气)冲刷的，和/或将提供关于烃储层是否被以均匀或划区的方式耗尽的有利数据。

申请人还认识到，这里所公开的系统和方法将潜在地提供对于储层中地球化学充气过程的本性的更好理解。

申请人还认识到，这里所公开的系统和方法可能潜在地指导下一代分析和硬件以降低所预测的流体性质中的不确定度。从而，可以降低与油田勘探和开发相关的决策所涉及的风险。

申请人还认识到，在假定连续的储层中，预期随着根据储层成分等级的深度，而出现流体性质上的一些变化。这些变化是由众多因素诸如热梯度和压力梯度以及生物降解导致的。流体性质上的差别的量化可以帮助提供对成分梯度的本性和起源的洞察。

申请人还认识到，本发明的建模技术和系统将可以以自洽的方式应用于来自不同井下流体分析模块(诸如Schlumberger的CFA和/或LFA)的光谱数据。

申请人还认识到，本发明的建模技术和系统可应用到具有油基泥浆(OBM)、水基泥浆(WBM)或合成油基泥浆(SBM)污染的地层流体。

申请人还认识到，这里所描述的建模框架将可适用于较广范围的流体性质的比较，所述流体性质诸如含气流体颜色、脱气原油密度、脱气原油光谱、GOR、荧光性、地层体积因子、密度、粘度、可压缩性、烃成分、同位素比率、甲烷-乙烷比率、H₂S和CO₂的量等等，以及相包络，例如，气泡点、露点、沥青质成阻(onset)、PH等等。

给出前述说明仅用以图示和描述本发明以及其实现的某些示例。其并不意欲是穷举式的或者将本发明局限于所公开的任何精确形式。按照上面的教导，许多修改和改变是可能的。

选取并描述了优选方面，以便最佳解释本发明的原理及其实际应用。前述描述意欲使得本领域其它技术人员能够以各种实施方式和方面、以及通过适于预期的具体应用的各种修改来最佳地利用本发明。本发明的范围意欲由以下权利要求来限定。

相关申请数据

本申请要求于2005年1月11日提交的发明人为L.Venkataramanan等的美国临时申请序列号60/642781(代理人卷号60.1601)的优先权，其全部内容在此为各种目的而引作参考。

Claims (17)

1.一种从井下光谱数据导出井下流体的流体性质以及提供答案结果的方法，所述方法包括：

从井下光谱接收至少两种流体的流体性质数据，其中至少一种流体的流体性质数据是从井眼中的设备接收的；

与从井眼设备接收流体性质数据实时地，导出流体的各个流体性质；

量化所导出的流体性质上的不确定度；以及

基于所导出的流体性质和所导出的流体性质的不确定度，评估和测试地质地层。

2.如权利要求1所述的方法，其中

所述流体性质数据包括来自井眼中设备的光谱通道的光密度；

所述方法还包括：

接收关于光密度的不确定度数据。

3.如权利要求1所述的方法，还包括：

基于流体的流体性质将井眼中的设备定位在某位置处。

4.如权利要求1所述的方法，其中

所述流体性质是含气流体颜色、脱气原油密度、GOR和荧光性中的一个或多个。

5.如权利要求1所述的方法，其中

所述答案结果是与地质地层的评估和测试相关的划区、成分梯度和最优采样处理中的一个或多个。

6.如权利要求1所述的方法，还包括：

对流体性质数据脱色；

确定流体的各成分；

导出每种流体的轻质烃的体积分数；以及

提供每种流体的地层体积因子。

7.如权利要求1所述的方法，其中

所述答案结果基于为流体导出的相应流体性质而包括由井眼设备进行的采样优化。

8.一种从一种或多种井下流体的流体性质导出答案结果的方法，所述方法包括：

接收来自至少两个源的井下流体的流体性质数据；

确定对应于所接收数据的每个源的流体性质；以及

量化与所确定的流体性质相关联的不确定度。

9.如权利要求8所述的方法，其中

所述流体性质数据是从井下光谱分析仪的甲烷通道和颜色通道接收的。

10.如权利要求8所述的方法，还包括

获得通道的污染水平的线性组合以及关于所组合的污染水平的不确定度。

11.如权利要求10所述的方法，还包括

确定井下流体的成分；

基于井下流体的成分以及所组合的污染水平预测井下流体的GOR；以及

导出与所预测的GOR相关联的不确定度。

12.如权利要求11所述的方法，还包括

量化另一井下流体的至少两个数据源中的每个的污染水平及其不确定度；

获得该另一井下流体的两个数据源的污染水平的线性组合以及关于所组合的污染水平的不确定度；

确定该另一井下流体的成分；

基于该另一井下流体的成分以及所组合的污染水平预测该另一井下流体的GOR；

导出与该另一井下流体的所预测的GOR相关联的不确定度；以及

确定井下流体不同的概率。

13.如权利要求8所述的方法，其中

所述流体性质数据包括所述井下流体的第一流体性质数据以及另一井下流体的第二流体性质数据。

14.如权利要求13所述的方法，还包括

放置井下光谱分析仪，以获取该第一流体性质数据和第二流体性质数据，

其中，该第一流体性质数据是从井下光谱分析仪的第一站点接收的，而该第二流体性质数据是从该光谱分析仪的第二站点接收的。

15.一种使用具有流体分析仪的井眼工具分析来自地下地层的流体的方法，所述方法包括：

使用具有流体分析仪的井眼工具，进行地层流体的井下测量；

接收来自至少两个源的地层流体的数据，其中所述两个源中的至少一个包括井下测量；

使用所接收的数据确定地层流体的污染水平；

导出与所确定的污染水平相关联的不确定度；以及

基于所确定的地层流体的污染水平、和所导出的与所确定的污染水平相关联的不确定度，生成对地层流体的实时流体性质分析。

16.如权利要求15所述的方法，其中

进行地层流体的井下测量的步骤包括在对甲烷和油中至少一种的存在敏感的波长下，进行光谱测量；以及

接收数据的步骤包括接收相对于甲烷和油中至少一种的光谱测量。

17.一种用于表征地层流体的特性以及基于该特性而提供答案结果的系统，该系统包括：

井眼工具，其包括：

具有光学单元的流送管，

耦接到该流送管的泵，用于泵送地层流体通过该光学单元，以及

流体分析仪，其光学地耦接到该单元，并且被配置来产生关于被泵送通过该单元的地层流体的流体性质数据；以及

耦接到井眼工具的至少一个处理器，其包括：

用于接收来自井眼工具的流体性质数据的器件；以及与接收所述数据实时地，

用于量化两种流体的每个的其不确定度水平的器件；并且

其中基于流体性质数据和流体性质的不确定度，评估和测试地质地层。

Images