MXPA05003324A

MXPA05003324A - Metodo para determinar las propiedades de los fluidos de formacion.

Info

Publication number: MXPA05003324A
Application number: MXPA05003324A
Authority: MX
Inventors: Robert Freedman
Original assignee: Schlumberger Technolgy B V
Priority date: 2004-04-30
Filing date: 2005-03-29
Publication date: 2006-07-10
Also published as: GB2413636B; GB0504911D0; NO20052121L; CA2500629A1; RU2005113185A; NO337163B1; BRPI0501232A; AU2005200959A1; CN1693893A; AU2005200959B2; RU2367981C2; NO20052121D0; GB2413636A; BRPI0501232B1; FR2869694B1; CN1693896B; US20050242807A1; US7091719B2; FR2869694A1

Abstract

Un metodo para determinar una propiedad de los fluidos en las formaciones que rodean un pozo de perforacion en tierra incluye los siguientes pasos: producir a partir de mediciones en una multiplicidad de muestras de fluidos una base de datos almacenados relacionada con los valores de capacitacion de la medicion de los fluidos almacenados; derivar a partir de la base de datos los parametros de una funcion de base radial; derivar los valores de medicion de los fluidos de la formacion; y determinar mediante la interpolacion de la funcion de base radial la propiedad de los fluidos de la formacion a partir de los valores de la base de datos, los parametros y los valores de medicion derivados de los fluidos de la formacion.

Description

MÉTODO PARA DETERMINAR LAS PROPIEDADES DE LOS FLUIDOS DE FORMACIÓN CAMPO DE LA INVENCIÓN Esta invención se refiere a técnicas para determinar las propiedades de las formaciones que rodean un pozo de perforación en tierra y principalmente a una técnica para determinar las propiedades de los fluidos de formación en tierra. La invención se puede usar, por ejemplo, para determinar la viscosidad y/o la composición molecular del petróleo crudo mediante la medición por resonancia magnética nuclear (RMN) en muestras de petróleo vivo obtenidos en condiciones de reservorio mediante una herramienta de muestreo en la profundidad del pozo.

ANTECEDENTES DE LA INVENCIÓN Las herramientas de muestreo de fluidos de formación en la profundidad de un pozo, a menudo denominadas herramientas de análisis de formación, operan para extraer y en ocasiones analizar las muestras de fluidos provenientes de formaciones. Se pueden realizar mediciones útiles en estas muestras de fluidos mientras la herramienta está en la profundidad del pozo y/o en muestras retenidas y arrastradas fuera del pozo.

Cuando se obtiene una muestra de fluidos en una zona portadora de hidrocarburos, puede ser muy útil determinar las propiedades de la muestra de hidrocarburos, por ejemplo la viscosidad y/o la composición molecular. No obstante, las técnicas existentes tienen limitada capacidad para determinar estas propiedades. Por ejemplo, se puede predecir la viscosidad mediante vaporización de un instrumento mecánico vibrante, pero dichas mediciones en la profundidad del pozo requieren que el dispositivo opere en un ambiente difícil, lo cual no conduce a la operación confiable y exacta del dispositivo. Se puede emplear una herramienta de resonancia magnética nuclear (RMN) en una herramienta de análisis de formación (ver, por ejemplo, patente de los Estados Unidos N° 6.111.408), y las medidas de RMN en los fluidos de formación pueden proporcionar información a partir de la cual se pueden inferir las propiedades de los fluidos. Dado que los fluidos de petróleo son mezclas complejas que contienen muchos tipos diferentes de moléculas de hidrocarburos, es difícil predecir con exactitud la viscosidad y la composición para una temperatura ( G) y una presión ( P) arbitrarias. Un enfoque consiste en usar modelos físicos o correlaciones que relacionan la propiedad física que se busca con mediciones de RMN a través de una ecuación que contiene parámetros determinados de manera empírica. Un ejemplo de una técnica para la predicción de la viscosidad de los fluidos de formación a partir de mediciones de RMN de las distribuciones del tiempo de relajación (Ti y T2) y del coeficiente de difusión (D) se basa en correlaciones empíricas (ver Morriss et al., SPWLA Annual Transactions , p. 1-24, junio 19-22, 1994; Freedman et al., SPE Journal (75325), diciembre de 2001; Lo et al., SPE Journal (77264) , Marzo de 2002) . Las correlaciones relacionan las medias logarítmicas de las distribuciones con la viscosidad a través del uso de constantes determinadas empíricamente. La exactitud de las viscosidades previstas a partir de estas correlaciones está limitada por tres factores: (1) no se tiene en cuenta la forma detallada de las distribuciones, (2) las constantes empíricas utilizadas en las correlaciones no son universales y pueden variar hasta en un factor de dos para distintos petróleos y (3) la forma supuesta para las ecuaciones de correlación no es estrictamente exacta. En general, la composición molecular se puede estimar en las herramientas de muestreo de fluidos en la profundidad de un pozo mediante el uso de mediciones de densidad óptica como función de la longitud de onda para la radiación en la región del infrarrojo cercano (ver Fujisawa et al., SPE 84092, presentado en la reunión 2003 de SPE ATCE) . La técnica utiliza el análisis de regresión del componente principal para predecir los agrupamientos moleculares, es decir, d, C2 - C5 y C6+. Se han propuesto modelos paramétricos basados en la física para predecir la composición molecular del petróleo crudo a partir de las mediciones por RMN de las distribuciones del tiempo de relajación y del coeficiente de difusión (ver Heaton y Freedman Publicación de la patente de los Estados Unidos N° 2003-0128032-A1 ) . No obstante, es difícil responder en forma correcta mediante modelos físicos a las distintas formas moleculares (por ejemplo moléculas de hidrocarburos aromáticos y alifáticos;, los efectos de la presión y la temperatura y los gases disueltos. Entre los objetos de la presente invención se cuenta el proveer un método para la determinación de las características de un fluido de la formación que supere las limitaciones de los enfoques del arte previo.

SÍNTESIS DE LA INVENCIÓN La presente invención está dirigida a un método para determinar una propiedad de los fluidos en las formaciones que rodean un pozo de perforación en tierra. Una forma de realización del método de la invención incluye los siguientes pasos: producir a partir de mediciones de una multiplicidad de muestras de fluidos, una base de datos de valores de capacitación de las propiedades de los fluidos almacenados relacionados con valores de capacitación de los fluidos almacenados; derivar a partir de dicha base de datos los parámetros de una función de base radial, tales como peso y amplitud; derivar los valores de medición de los fluidos de formación; y determinar mediante la interpolación de la función de base radial, dicha propiedad de los fluidos de la formación a partir de los valores de dicha base de datos, dichos parámetros, y dichos valores de medición derivados de los fluidos de la formación. En una forma de realización de preferencia de la invención, el paso de derivar a partir de dicha base de datos los parámetros de peso y amplitud en la función de base radial comprende la producción de una función de mapeo en la función de base radial; la producción de una función de costo mediante los valores de la base de datos y la 'función de mapeo; y la minimización de dicha función de costo para determinar dichos parámetros de peso y amplitud.

En una forma de realización de la invención, dicho paso de producir a partir de mediciones en una multiplicidad de muestras de fluidos, una base de datos de los valores de capacitación de las propiedades de los fluidos almacenados relacionados con los valores de capacitación para la medición de fluidos almacenados, comprende la producción de una base de datos de los valores de capacitación de la viscosidad de los fluidos almacenados referidos a los valores de capacitación por resonancia magnética nuclear de los fluidos almacenados, y en donde dicho paso de derivar los valores de medición de los fluidos de la formación comprende la derivación de los valores de medición por resonancia magnética nuclear a partir de las muestras de fluidos de dichas formaciones, y donde dicho paso de determinar dichas propiedades de los fluidos de la formación -comprende la determinación de la viscosidad de ios fluidos de la formación . En otras formas de realización de la invención, la propiedad determinada de los fluidos de la formación comprende las relaciones gas-petróleo de ios fluidos de la formación, la composición molecular de los fluidos de la formación, la densidad fluida de los fluidos de la formación o el punto de presión de burbuja de los fluidos de la formación . La invención se aplica con ventaja a los dispositivos ubicados en pozos para el análisis de la formación por linea de cableado, que extraen fluidos de las formaciones en tierra, pero también se pueden utilizar en otras situaciones, por ejemplo la medición mientras se perfora o la medición mientras se traslada. Otras características y ventajas de la invención serán más fácilmente aparentes a partir de la siguiente descripción detallada, tomada en conjunción con los dibujos acompañantes.

BREVE DESCRIPCIÓN DE LOS DIBUJOS La Figura 1 es un diagrama parcial en forma de bloque de un dispositivo colocado para el análisis de una formación, de un tipo que se puede usar para poner en práctica las formas de realización de la invención. La Figura 2 muestra un corte axial de una porción de un dispositivo por R N de linea de flujo que se puede usar para poner en práctica las formas de realización de la invención.

La Figura 3 es un diagrama de la capacitación y el análisis de las distribuciones de un ejemplo simplificado con interpolación .

La Figura 4 es un diagrama que ilustra la interpolación de la función de base radial para tres parámetros de diferente amplitud. Las Figuras 5A y 5B son diagramas de flujo de los pasos de una rutina para poner en práctica una forma de realización de la invención. Las Figuras 6A y 6B son diagramas de flujo de una rutina para el bloque 510 de la Figura 5, referido a la adquisición de una base de datos de mediciones de entrada y salida. La Figura 7 es un gráfico de la amplitud como función de T2 de las distribuciones de capacitación y análisis para un ej emplo . La Figura 8 muestra, a partir de los datos del ejemplo de la Figura 7, la viscosidad prevista para la distribución de prueba mediante la ecuación (8), comparada con la viscosidad verdadera calculada a partir de la ecuación' (6) . Las Figuras 9A-P muestran gráficos de las distribuciones de T2 para dieciséis muestras de la Tabla 1, utilizadas en un ej emplo . La Figura 10 muestra un gráfico de la viscosidad prevista, mediante un enfoque de una forma de realización de la invención, versus la viscosidad medida para el ejemplo que utiliza las dieciséis muestras de la Tabla 1.

La Figura 11 muestra un gráfico de la viscosidad prevista, mediante un enfoque del arte previo, versus la viscosidad medida para el ejemplo que utiliza las dieciséis muestras ce la Taola 1. La Figura 12A muestra un gráfico de la composición molar versus el peso molecular para las composiciones verdaderas versus las previstas para un ejemplo que usa datos simulados.

Las Figuras 12bl-16 muestran gráficos para cada una de las dieciséis muestras del ejemplo, de la composición molar versus la cantidad de carbonos, para las composiciones previstas y para las composiciones liquidas obtenidas por flash de cromatografía de gas (CG) . Las Figuras 13A-P muestran gráficos de las sumas de ventana normalizadas para las dieciséis muestras del ejemplo. Las Figuras 14?-? muestran gráficos de porcentaje molar versus cantidad de carbonos para las composiciones previstas y las composiciones de líquidos por flash de cromatografía de gas (GC) . En este caso, las composiciones previstas se basan en las sumas de ventana normalizadas.

DESCRIPCIÓN DETALLADA La Figura 1 muestra el pozo de perforación 32 que se ha perforado en forma conocida con equipo de perforación, y se usó fluido o barro de perforación que formó una torta de barro representada en 35. Se muestra un aparato o dispositivo de análisis de la formación 100, y se pueoe usar al poner en práctica formas de realización de la invención. El aparato 100 se suspende en el pozo de perforación 32 mediante un cable armado multiconductor 33, cuya longitud determina sustancialmente la profundidad del dispositivo 100. Se provee un aparato de calibre de profundidad conocida (no mostrado) para medir el desplazamiento del cable sobre una rueda de polea (no mostrada) y en consecuencia, la profundidad del dispositivo colocado 100 en el pozo de perforación 32. El circuito 51, que se muestra en la superficie aunque en general las porciones correspondientes pueden estar en la profundidad del pozo, representa el circuito de conurol y comunicación para el aparato de la in estigación. En la superficie también se muestran el procesador 50 y el registrador 90. La herramienta 100 tiene un cuerpo elongado 105 que encierra la porción del aparato que va a la prcfundicad del pozo, los controles, las cámaras, los medios de mecición, etc. Se pueden montar uno o más brazos 123 sobre pistones 125 que se extienden, por ejemplo, bajo control desde la superficie, para fijar la herramienta. El dispositivo incluye una o más módulos de sonda, cada uno de los cuales incluye uno o más módulos de sonda, cada uno de los cuales incluye un ensamblado de sonda 210 que se puede mover con un accionador de sonda (no mostrado por separado) e incluye una sonda (no mostrada por separado) que se desplaza hacia fuera al ponerse en contacto con la pared del pozo de perforación, perfora la torta de barro y crea una comunicación con las formaciones. El equipamiento y los métodos para medir las presiones y obtener muestras de fluido de formación son bien conocidos en el arte, y el dispositivo de colocación 100 se provee con estas capacidades conocidas. Se puede hacer referencia, por ejemplo, a la patente de los Estados Unidos N° 3.934.468, 4.860. 81 y 6.346.813. Los modernos servicios disponibles" en el comercio, que utilizan por ejemplo un tester modular de la dinámica de la formación ("MDT" - marca comercial de Schlum.berge ) , pueden proporcionar diversas mediciones y muestras, dado que la herramienta posee módulos y se puede configurar de diversas maneras. Entre los ejemplos de algunos de los módulos empleados en este tipo de herramienta se cuentan los siguientes: por lo general se provee un módulo eléctrico. No tiene un elemento de tracción de linea de flujo o hidráulico, y en general es el primer módulo (superior) de la cadena. Un módulo hidráulico provee energía hidráulica a todos los módulos que la requieren, y dicha energía se puede propagar a través de un elemento de tracción hidráulico. Los módulos de sonda pueden ser sondas únicas o plurales e incluyen pistones para unir la(s) sonda (s) y lograr la comunicación fluida con las formaciones. Los módulos de muestra contienen cámaras de muestra para recolectar muestras de fluidos de formación, y se pueden conectar directamente con puntos de muestreo o conectar a través de una línea de flujo. Un módulo de bomba de extracción se puede usar para purgar los fluidos no deseados. Un módulo analizador utiliza el análisis óptico para identificar ciertas características de los fluidos. Se describen técnicas para el análisis de fluidos, por ejemplo, en la patente de los Estados Unidos N° 6.178.815 de Felling et al. y/o U4.994.671 de Safinya et al. También se provee capacidad para medir la temperatura y la presión. El módulo de empaque incluye elementos de empaque inflables que pueden sellar la circunferencia del pozo de perforación en toda la longitud de los elementos de empaque. Con los módulos anteriores y de otro tipo se puede configurar la herramienta para que realice diversos tipos de funciones. Tal como se describe en la Figura 1, la herramienta en la profundidad del pozo es una herramienta con línea de cableado. No obstante, se apreciará que se pueden utilizar diversas herramientas en la profundidad del pozo en conexión con la presente invención. Por ejemplo, también se puede utilizar perforadoras para la profundidad del pozo, tubuladuras arrolladas, pruebas del tronco de perforación u otras herramientas correspondientes adaptadas para la extracción de fluido. En la presente forma de realización se usan mediciones por RMN de linea de flujo que se pueden obtener con equipamientos del tipo descrito en la patente de los Estados Unidos N° 6.346.813. Como se describe allí y se muestra en la Figura 2, el fluido extraído de la formación fluye a través de un canal de flujo 221. El cabal está definido por un tubo de metal de paredes gruesas 224 capaz ce' soportar la presión de la formación. En la sección de la línea de flujo instrumentada por RMN, el canal está definido por el diámetro interno de un soporte de antena 222. El soporte de antena se fabrica de un material no conductor, por ejemplo material cerámico o polimérico duro. Mientras la Figura 1 describe las mediciones RMN, se aprec13 3 QUG SG pueden tomar diversas mediciones, tales como mediciones ópticas, en el infrarrojo cercano, en infrarrojo, acústicas, sónicas, de rayos X, de resistividad, por microondas y otras mediciones o parámetros físicos . La antena de RM 223 está encastrada en el soporte de antena e irradia un campo magnético en la frecuencia de Larmor. Este campo magnético radiado se denomina Bi por convención. La antena de RMN puede ser un arrollamiento solenoide que genera un campo magnético oscilatorio paralelo al eje del canal de flujo. El soporte de antena está rodeado por una porción aumentada del tubo de metal de paredes gruesas 224, para no obstruir el canal de flujo 221. El tubo 224 y el soporte de antena 222 pueden contener los fluidos de formación de alta presión en el canal de flujo. Los campos magnéticos de alta frecuencia no pueden penetrar los metales, por lo que la antena de RMN se coloca dentro del tubo metálico de la línea de flujo. Un conjunco de magnetos permanentes 225 se coloca por fuera del tubo de metálico de paredes gruesas. Los magnetos crean un campo magnético constante, denominado convencionalmente Bc, sustancialmente perpendicular al campo Bi generado por la antena. Todo el aparato de RMN está incluido en un soporte de sonda 226 que se puede adosar a otros soportes similares en una cadena de herramientas. También se proveen arrollamientos de gradiente (no mostrados) con el fin de realizar mediciones pulsadas de gradiente de campo de coeficientes de difusión y otras cantidades . Como es sabido en el arte, las mediciones obtenidas con el equipo de RMN se pueden procesar convencionalmente para obtener cantidades tales como densidad de spin (proporcional a la amplitud de señal de RMN), ios tiempos de relajación longitudinal Ti y los tiempos de relajación transversal T2, y sus distribuciones, además de los coeficientes de difusión y sus distribuciones. ? continuación se describe parte de la teoría utilizada en la invención. Considérese el problema de predecir las propiedades de un fluido a partir de una base de datos de ejemplos de capacitación. El problema se puede encarar como problema de regresión multivariable no lineal. Dado un conjunto de datos do entradas x¡ e R'" [es cecir, x¡ son vectores reales de m dimensiones) y un conjunto de salidas 'correspondientes v, e R" para i = \2....,N , donde N es la cantidad de muestras en la base de caros, hallar una función F(x) cal que, F(x¡ ) - y, + €¡ , (1) para cada par de entrada-salida, donde e¡ son errores de medición aleatorios. Mediante la teoría de interpolación de la función en base radial (S. Haykin, Neural Networks: A Comprehensive Foundation, Segunda edición, Capítulo 5) se puede escribir la función F en la siguiente forma donde { <p(\\ x — Xj ||) j = 1,2,... , N} son un conjunto de funciones no lineales denominadas funciones de base radial. La notación de doble barra ||«||denota una norma que usualmente es una norma L2. Los datos de entrada en la base de datos son los centros de las funciones de base radial y fw e ß" j = l,2,...,,V|- son un conjunto de vectores de peso elegidos de manera tal que se satisfagan las ecuaciones de regresión en Ec. (1) . Micchelli ("Interpolación of Scattered Data: Distance Matrixes and Conditionally Positive Definite Functions", Constructiva Approximation, v. 2, pp. 11 - 22, 1986) probó que la matriz Ode interpolación W-por-A con los elementos f(\\ x - x ¦ |j) es definida positiva para las funciones de Gauss y multicuadrática inversa, por lo que las ecuaciones de regresión tienen una solución bien ' definida de la forma dada por la Ec. 2. En el siguiente desarrollo se usan funciones de base radial multivariables de Gauss normalizadas para ilustrar un método de la presente y se escribe Ec . (2) en la forma En la Ec. 3, las amplitudes ( ) de las funciones de Gauss son parámetros que al igual que los vectores de peso (w-) se pueden determinar mediante la minimización de una función de costo. En las aplicaciones prácticas a menudo se obtienen buenos resultados mediante la aolicación de una única amplitud (s) para las funciones de Gauss de base radial. De modo similar, en ocasiones es útil seleccionar un subtipo ce los datos de entrada de la base de datos para que sean los centros de las funciones de base radial. Se puede referir a S. Haykin, supra, que analiza varios métodos para la selección criteriosa de los centros y los parámetros de amplitud . Se logra una comprensión intuitiva de cómo usar la Ec. 3 para predecir salidas exactas a partir de entradas que no constan en la base de datos de capacitación al considerar el estimador de regresión de Nadaraya-Watson (NWRE) (ver por ejemplo S. Haykin, supra) . La ecuación de la función NWRE o de mapeo tiene la misma forma que la Ec. 3, pero el vector peso se reemplaza por las salidas de la base de datos y se usa un único parámetro de amplitud, es decir, Se observa que la Ec. 4 satisface las condiciones de regresión de la Ec. 1 si las superposiciones de las funciones de Gauss son despreciables. En el limite de un s .muy grande, F(x) se acerca al valor de la media de todas las salidas de la muestra. En el limite de un s muy pequeño, ( ) se acerca al valor de salida y¡ correspondiente a la entrada x¡ más cercana a í . Nótese que el estimador es el promedio ponderado de las observaciones, por lo que las estimaciones están relacionadas con los valores observados de la muestra. El NWRE también se puede construir mediante funciones no gáussianas (ver, por ejemplo, D.F. Sprecht, IEEE Trans. on Neural Networks , vol. 2, no. 6, Nov. 1991) . Un ejemplo simple de Sprecht supra demuestra la potencia de la interpolación de la función de base radial incluso para una base de datos de entrada-salida escasa. La Figura 3 muestra la interpolación de una función lineal con forma de rampa (linea entera) determinada a partir de un. conjunto de cinco pares de entrada-salida (triángulos) . Los circuios son las salidas previstas (F(x)) dadas las entradas (x) . La Figura 4 muestra la sensibilidad a distintos parámetros de amplitud. Se obtiene una mejor aproximación que el N RE si un vector peso de n dimensiones ( w· ) determinado a partir de la minimización de la función de costo reemplaza los vectores de salida en Ec. 4. La función de costo es, La función de costo se puede minimizar respecto de los parámetros de pesos y de amplitud. Como alternativa, se puede minimizar mediante distintos valores fijos del parámetro de amplitud, donde el valor óptimo es el que genera el valor mínimo de la función oe costo. Es evidente que se puede usar una función de costo más general para determinar los valores óptimos de los centros, amplitudes y pesos en Ec . 3 (ver, por ejemplo, Haykin, supra, Capítulo 5) .

De acuerdo con un aspecto de la presente, se puede usar la interpolación de la función con base radial para predecir estimaciones de viscosidad más exactas que las correlaciones existentes. Primero se revisarán las correlaciones empíricas utilizadas por los métodos existentes (ver, por ejemplo, Freedman et al., supra) . Los métodos existentes se basan en las siguientes ecuaciones empíricas para estimar la viscosidad ( ? ) , a T y b T 7 \ 'LM Las Ec. 6 y 7 proveen estimaciones de la viscosidad a partir de mediciones por RMN del tiempo de relajación de magnetización transversal (T2) y las distribuciones de coeficiente de difusión (D), respectivamente. En la ecuación 6 se puede usar la distribución del tiempo de relajación de magnetización longitudinal 'Ti) en lugar de T2. T es la temperatura en grados K y f(gor) en Ec. 6 es una función empíricamente determinada de la relación" gas-petróleo. En ambas ecuaciones, la estimación de la viscosidad es inversamente proporcional a la media logarítmica de la distribución. En consecuencia, las correlaciones no explican el hecho de que las formas detalladas de las distribuciones puedan afectar la viscosidad. Además, las constantes empíricas a y b se determinan a partir de los "mejores ajustes" de la forma de la regresión supuesta para las ecuaciones. Las constantes empíricas de estas ecuaciones no son universalmente adecuadas para todos los petróleos crudos, y las varianzas de estas constantes pueden c usa significativos errores en las estimaciones de las viscosidades. Otra desventaja de estas correlaciones consiste en que no explican los efectos de la presión. En base a la teoría cabe destacar que las distribuciones de coeficiente de difusión deberían predecir mejor la viscosidad que las distribuciones de tiempo de relajación. Esto se debe, en parte, a que los coeficientes de difusión son una medida del movimiento de traslación de las moléculas, mientras que el tiempo ce relajación es una medida del movimiento de rotación. Además, en los petróleos crudos la presencia de iones paramagnéticos tales como níquel y vanadio puede acortar los tiempos de relajación medidos y en consecuencia generar una sobreestimación de la viscosidad en la Ec. 6.

La predicción de la viscosidad a partir de mediciones por RMN mediante la interpolación de la función con base radial se puede visualizar como la construcción de un mapa no lineal desde una entrada vectorial (por ejemplo, amplitudes en una distribución Ti, T2 o D) hasta una salida escalar (viscosidad) , dados un conjunto de ejemplos de entrada-salida. El siguiente ejemplo utiliza las distribuciones T2 para ilustrar la técnica, si bien se debe entender que se puede utilizar una metodología similar para las distribuciones D y Ti. Considérese una base de datos de pares de entrada-salida, cuyas entradas para cada muestra de petróleo incluye las amplitudes ( A¡ ) , las temperaturas ( i), las presiones (??), y las relaciones gas-petróleo (gori) de la distribución T2 y las correspondientes viscosidades de salida (?i) . La viscosidad de una muestra de petróleo crudo no proveniente de la base de datos se puede predecir mediante la ecuación, La viscosidad de un petróleo crudo se puede predecir mediante la Ec. 8 y las amplitudes {A), la temperatura ( T) , la presión ( P) , la relación gas-petróleo (gor) medidas para la distribución r2. La relación gas-petróleo también se puede predecir, siempre que se disponga de una base de datos de las mediciones que tienen gor como salidas. Una herramienta de muestreo de fluido de pozo de perforación equipada con sensores de presión y temperatura, y un sensor RMN, como en la Figura 1, provee las mediciones necesarias para predecir la viscosidad mediante la Ec . 8. La relación gas-petróleo está disponible en este ejemplo, dado que la herramienta de muestreo también está equipada con un analizador de fluido óptico (OFA) -para medir la densidad ótica del petróleo crudo en función de la longitud de onda en la región del infrarrojo cercano. La exactitud de las predicciones realizadas mediante la Ec. depende de contar ccn una base de datos con un espacio de entrada bien aceitado para las mediciones de petróleo en vivo. Los pesos y las amplitudes de la Ec. 8 se pueden determinar a partir de la minimización de una función de costo. Nótese que en la Ec . 8 sólo aparecen las amplitudes de la distribución T2 y no los tiempos de relajación. La ecuación no depende de las amplitudes siempre que todas las amplitudes del espectro de la ecuación tengan el mismo rango de valores T2 (por ejemplo, desde 0,1 a 10.000 m) . La ecuación 8 se generaliza con facilidad si la base de datos también incluye otras mediciones. Por ejemplo, si además de las amplitudes de la distribución T2 la base de datos incluye las distribuciones D y Tx, entonces los vectores de amplitud para estas mediciones aparecerán como factores de Gauss adicionales en Ec. 8. Respecto de la Figura 5, se muestra un diagrama de flujo de una rutina para controlar un procesador o procesadores, en la superficie del pozo o en la profundidad del pozo, de acuerdo con una forma de realización de la invención. Algunos de los pasos se llevarán a cabo, a priori, a distancia del sirio del pozo. El bloque 510 representa la adquisición de una base de daros de mediciones de entrada-salida ( .r( v, ) , un ejemplo de una rutina que se puede usar para adquirir esta base ce datos se describe con mayor detalle en conjunción con el diagrama de flujo de las Figuras 6A y 6B. En las Figuras 6A y 6B se realizan mediciones de muestras de petróleo en vivo, de preferencia, y se almacenan los valores de medición en la base de datos en conjunción con las condiciones de medición. En general, aunque no es necesario, las mediciones se harán en lo que se denomina un "laboratorio ?VT" . · Se entenderá que se puede compilar la base de datos y agregarle datos durante un periodo de tiempo sustancial, a fin de aumentar el volumen de datos que contiene. En el presente ejemplo, se mide cada muestra de petróleo en el laboratorio, con varias combinaciones de distintas temperaturas y presiones, con mediciones que incluyen, por ejemplo por RMN y ópticas, y la viscosidad como propiedad de fluido de "salida". No obstante, se entenderá que se pueden hacer diversas otras mediciones (por ejemplo sónicos, por rayos X, de resistividad, ópticos, en el infrarrojo cercano, en infrarrojo, acústicos, sónicos, por microondas, etc.) en conjunción con propiedades de fluidos de "salida" adquiridos con poste ioridad (por ejemplo composición por CG, presión de punto de burbuja, factor de volumen de formación de petróleo, composición de SARA (Saturados, Aromáticos, Resinas, Asfáltenos) , etc.) . En la Figura 6, el bloque 605 representa la iniciación de la primera muestra a analizar, y los bloques 610 y 615 representan respectivamente la iniciación de la primera temperatura y presión a probar. Luego se implementan la medición y el almacenamiento de la r.uestra corriente a la presión y la temperatura corriente, como se representa en los bloques 620, 625, 630 y 635. El bloque 620 representa la implementación de una medición con un sensor, por ejemplo densidad óptica, y el bloque 625 representa la implementación de mediciones por RMN que se pueden procesar para obtener las distribuciones Tlr T2 y/o D. El bloque 630 representa la implementación de una medición de viscosidad. El bloque 635 representa el almacenamiento del valor de medición de la viscosidad en la base de datos (como valor de "salida") en conjunción con los valores medidos por RMN y densidad óptica y los valores corrientes de presión y temperatura. Se averigua (bloque de decisión 640) si se ha procesado la última temperatura. En caso negativo se fija la próxima temperatura (bloque 648) y se efectúan y almacenan las mediciones, y continúa el asa 647 hasta considerar todas las temperaturas en un rango predeterminado. Luego se averigua (bloque de decisión 650) si se procesó la última presión. En caso negativo se fija la próxima presión (bloque 655) se reinicia la temperatura (bloque 657), y continúa el asa 659 (con el subasa 647) hasta que se hayan utilizado todas las combinaciones de presión y temperatura en los rangos predeterminados. Luego se averigua (bloque de decisión 660) si se ha analizado la última muestra. En caso negativo, se toma la última muestra a analizar (bloque 670) , se reingresa el bloque 610 y se continúa el asa 665 hasta que se han analizado todas las muestras y se ha compilado una fase de la base de datos. Volviendo a la Figura 5, mediante la base de datos se construye una función de mapeo de base radial, F(x), (bloque 520) de acuerdo con la ecuación (3) . Luego se construye una función de costo (bloque 525) mediante F(x¡) y y,, como en la ecuación (5) . Se minimiza la función de costo (bloque 530) para determinar los parámetros óptimos, tales como pesos y amplitudes . El bloque 540 representa el posicionamiento del dispositivo de análisis de la formación 100 en un nivel de profundidad de interés en el pozo de perforación (por ejemplo en una zona con probabilidad de contener hidrocarburos), y el bloque 545 representa la colocación del dispositivo y la incorporación de fluido de formación en la linea de flujo. Como es sabido en el arte, se puede implementar una prueba previa antes de extraer el fluido a analizar. Los bloques 551, 552 y 553 representan las medidas tomadas con fluidos incorporados en el dispositivo de análisis de la formación. En particular, el bloque 551 representa las mediciones tomadas de temperatura y presión, el bloque 552 representa las mediciones tomadas por RMN, por ejemplo mediante el aparato de RMN de linea de flujo de la Figura 2, y el bloque 552 representa las mediciones óticas tomadas, por ejemplo mediante el OFA antes descrito. El bloque 560 representa el procesamiento de las mediciones por RMN en la forma conocida, para obtener las distribuciones ??, T2 y/o D (coeficiente de difusión) . El bloque 570 representa el procesamiento de los datos ópticos en la forma conocida, para obtener la proporción gas-petróleo (gor) . Como se representa en el bloque 580, luego se determina una propiedad de los (viscosidad en este ejemplo) a partir de y= F(x); en este ejemplo se usa la ecuación (8) para determinar la viscosidad como función de la distribución T2 de amplitudes, temperatura, presión y gor mediante la base de datos y los parámetros determinados de pesos y amplitudes óptimos. El proceso se puede repetir como se desee, por ejemplo en otros niveles de profundidad, a fin de producir una entrada para la propiedad determinada 590. Para ilustrar la predicción de la viscosidad con un ejemplo simple que utiliza datos sintéticos, considérese una base de datos de capacitación de entrada-salida compuesta por entradas que son distribuciones T sintéticas con formas gaussianas. Estas corresponden a A¡ en Ec. 8. Las salidas de capacitación de base de datos son las viscosidades calculadas a partir de la media logarítmica mediante Ec . 6.

En este ejemplo, los petróleos son petróleos muertos para los cuales gor = 0 y la función f(gor) de la Ec. 3 es igual a uno. Para analizar la predicción de la viscosidad se usa un conjunto de convalidación (es decir, de prueba) de distribuciones ?-? sintéticas con forma de Gauss. Las distribuciones de capacitación y de prueba se muestran en la Figura . Nótese que las pruebas de capacitación y prueba tienen distintas formas (posiciones y amplitudes) . Se presupone que los datos de las pruebas de capacitación y prueba son a la misma temperatura y presión. La Figura 8 muestra la viscosidad prevista para cada distribución de prueba usa la Ec. 3 en comparación con la viscosidad verdadera calculada a partir de la Ec. 6. El método de predicción de la viscosidad de la presente, mediante las amplitudes de" la distribución T2, se puede aplicar también directamente a las distribuciones o Ti . Se usaría una base de datos de las distribuciones D o T-, y las correspondientes viscosidades medidas para construir las ecuaciones análogas a la Ec. 8. La predicción de viscosidad también se estudió mecíante la base de datos de las distribuciones T¿- y las correspondientes mediciones de viscosidad obtenidas en un conjunto de 16 muestras de petróleo crudo muerto a una temperatura de 3C LJC a presión atmosférica. Las viscosidades medidas se muestran en la Tabla 1. Las correspondientes distribuciones T2 medidas se muestran en las Figuras 9A-P, respecti amente .

Tabla 1 : Medición de viscosidades de 16 petróleos crudos muertos Muestra Viscosidad medida (cp) 1 6, 30 2 13, 9 3 16, 4 ? 746, 0 5 5, 09 6 6, 36 7 6, 52 8 656, 0 9 5, 42 10 8, 47 11 980, 0 12 15, 5 13 8, 46 14 116, 0 15 132, 0 16 91,2 Nótese que las muestras 10 y 13 tienen viscosidades medidas casi iguales pero las distribuciones T2 tienen medias logarítmicas bastante disímiles. Por ejemplo, la muestra 10 tiene una media 174 ms, mientras que la muestra 13 tiene una media de 279 ms . Estas dos muestras ilustran una desventaja obvia del método del arte previo (ver Ec . 6) para predecir la viscosidad del petróleo a partir de las mediciones de las distribuciones T2 por R N. La Figura 10 muestra la predicción de la viscosidad en función de la base radial. La viscosidad de cada muestra se predijo a partir del uso de una base de datos que consiste de las 15 muestras restantes. Se observa que las predicciones de la viscosidad en función de la base radial concuerdan bien con los valores medidos. Las viscosidades de las muestras de la Tabla 1 también se estimaron a partir de las medias log de las distribuciones T2 que se muestran en la Figura 9. Se usó un valor a = 9,558 para correlacionar el parámetro de la Ec. 6. La comparación de las viscosidades previstas a partir de las medras log con las viscosidades medidas se muestra en la Figura 11. A partir de las Figs. 10 y 11 se puede ver que las viscosidades predichas mediante la técnica de la presente concuerdan mucho mejor con las viscosidades medidas que las predichas a partir de las medias loq. Otra ventaja de la técnica de la presente respecto de las Ees. 6 y 7 para predecir la viscosidad surge cuando se hacen las mediciones con temperaturas y presiones elevadas en petróleos vivos. Una forma de realización de la presente determina la composición molecular de las muestras de hidrocarburos extraídas de las formaciones de tierra. La predicción de la composición molecular de los petróleos crudos vivos a partir de mediciones por RMN mediante la interpolación de la función de base radial se puede visualizar como la construcción de un mapa no lineal a partir de una entrada vectorial (por ejemplo, distribuciones' T-L, ' T-¿ o D) para una salida vectorial (composición molecular) dados un conjunto de ejemplos de entradas-salidas (datos) . El ejemplo a seguir utiliza distribuciones T2 para ilustrar la técnica, si bien se debe entender que se puede aplicar la .misma metodología a las distribuciones D y Ti. Considérese una base de datos de pares de entradas-salidas cuyas entradas para cada muestra' de petróleo consiste de distribuciones T2 de amplitudes ( Al ) , temperaturas ( \), presiones ( P, ) , proporciones gas-petróleo (gor¿) y las correspondientes composiciones moleculares de salida ( M¡ ) . La composición molecular para una muestra de petróleo crudo que no está en la base de datos se puede predecir mediante la ecuación (9) La Ecuación 9 difiere sólo ligeramente de la Ec . 8 utilizada para estimar la viscosidad. La diferencia consiste en que las salidas previstas y los pesos son vectores. La composición molecular previsca ( M ) es un vector de n dimensiones cuyos elementes son, por ejemplo, fracciones molares correspondientes a los distintos pesos moleculares o números de carbonos de los constituyentes del petróleo crudo. Los pesos y las amplitudes de las funciones de base radial se pueden determinar mediante la minimi zación de una función de costo de la misma forma que la de la Ec . 5. La aproximación por NWRE, es decir, let w¡ = M¡ , se puede usar como estimación inicial del vector peso.

La Figura 12A compara las curvas de composición prevista y verdadera para los datos simulados. Las composiciones moleculares utilizadas para las salidas de datos de capacitación se calcularon a partir de las distribuciones T2 gaussianas de entrada mediante un modelo físico simple, es decir, T2¡ es el componente 1-ésimo del conjunto de valores de tiempos de rela]ación a espacios iguales (en una escala logarítmica) para los datos de capacitación y análisis de entradas. Las composiciones moleculares verdaderas graficadas en las Figs. 12bl-16, respectivamente, también se calcularon a partir de la Ec. 10 mediante las distribuciones de prueba T2. El ejemplo precedente muestra las curvas de composición molecular previstas versus las verdaderas, para los datos simulados. El presente ejemplo muestra los resultados de predecir las composiciones moleculares de 16 petróleos crudos muertos a partir de las distribuciones T2 medidas que se muestran en las Figs. 9. La base de datos consistió de pares de entradas-salidas de las distribuciones T2 medidas y las composiciones moleculares medidas mediante cromatografía de gas (CG) . La composición molecular para cada muestra se predijo a partir de la distribución T2 mediante la aproximación NWRE, después de extraer la muestra de la base de datos y luego predecir la composición molecular a partir de los otros 15 pares de entradas-salidas de la base de datos. Las composiciones previstas se comparan con las composiciones de líquido sometido a flash (es decir, petróleo muerto) mediante CG. Los resultados se muestran en las Figs. 12bl-16, respectivamente. Nótese la excelente concordancia global de las composiciones previstas por RMN con las mediante CG. Estes resultados tenderán a mejorar al aumentar el tamaño y 1 diversidad (por ejemplo, agregar petróleos más viscosos) de la base de datos. La técnica de la presente también se puede aplicar directamente a los datos por RMN de tiempo-dominio en lugar-de usar cantidades calculadas, tales corno las distribuciones T2 y D. Como entradas en la base de datos se pueden utilizar, por ejemplo, los ecos de spin de Carr-Purcell-Meiboom-Gill (CPMG) a partir de los cuales se calcularon las distribuciones T? de la Figura 12b. Entonces se pueden predecir las composiciones, por ejemplo, directamente a partir de los datos de tiempo-dominio de CPMG. Esto tiene sentido lógico, dado que las distribuciones T2 de la Figura 9 se calcularon a partir de los datos de CPMG. En consecuencia, la información de la composición del petróleo también debe estar contenida en los datos de CPMG data. Las distribuciones T2 que se muestran en la Figura 9 se calcularon a partir de los 16.000 ecos de spin adquiridos para cada muestra de petróleo de la Tabla 1. Las distribuciones T2 se calcularon mediante el método de "procesamiento de ventana" descrito en la patente de los Estados Unidos N° 5.291.137, que enseña que se pueden comprimir los datos de ecos spin por R N , sin pérdida de información, en una cantidad relativamente pequeña de sumas de ventana. En este caso se comprimieron los 16.000 en 16 sumas de ventana. Las 16 sumas ce ventana se utilizaron para calcular las distribucicnes T2 para cada muestra de petróleo mediante el método de procesamiento de la patente de los Estados Unidos N°5.291.317. ras le sumas de ventana o los 16.000 ecos deben contener al menos tanta información sobre las composiciones de petróleo como las distribuciones T2. Las sumas de ventana divididas por la cantidad de ecos de cada ventana se muestran en las Figuras 13.-.-P, reaoectivamente. Se denominan sumas de ventana normalizadas. Las composiciones de petróleo previstas a partir de las sumas ce ventana normalizadas para cada muestra mediante ia técnica de la presente se muestran en las Figuras 14A-P, respectivamente. Cabe destacar que las composiciones previstas en las Figuras 14A-P son esencialmente idénticas a las composiciones de la Figura 12b, que se predijo a partir de las distribuciones T2. Es evidente que las composiciones se podrían haber previsto a partir de los ecos de spin no comprimidos . También es evidente que aunque en este ejemplo se usaron datos CPMG para ilustrar la predicción de la composición, también se pueden usar otras secuencias por RMN, tales como conjuntos de ecos spin de difusión-peso, para predecir composiciones. Lo anterior centró la atención principalmente en el uso de mediciones por RMN para predecir propiedades de fluidos. ?1 método de función de base radial se puede aplicar a otras mediciones (es decir, no por RMN ) para las cuales existe un parrón reconocible en el mapeo que relaciona las mediciones con las propiedades de les fluidos. Por ejemplo, las mediciones de- densidad óptica de les petróleos vivos versus longitud de onda se llevan a cabo en la región del infrarrojo cercano. La densidad óptica ( D(] es un vector de n dimensiones donde n es el número de longitudes de onda medidas mediante espectrómetro óptico. La densidad óptica para un haz de radiación monocromét ica (longitud de onda simple) es (Skoog y West, Fundamentáis of ñnalytical Chemistry, pp . 505 - 511), Dn = loe — -a-c-b (11) donde P0 y F son la potencia incidente y transmitida de un haz de radiación que atravesó b centímetros de un medio absorbente que contiene c moles por litro de una sustancia absorbente con absortividad molar igual a ? . La igualdad de la parte derecha se conoce como ley de Beer. De acuerdo con otra forma de realización de la presente, la predicción de las propiedades de fluidos de los petróleos crudos vivos a partir de mediciones distintas de RM mediante la interpolación de la función de base radial se puede visualizar como la construcción de un mapeo no lineal a partir de una entrada vectorial (por ejemplo, Dn) hasta una salida vectorial o escalar (por ejemplo, composición o proporción gas-petróleo) dados un conjunto de ejemplos de entradas-s lidas (datos) . Considérese una base de datos de pares de entradas-salidas cuyas entradas para cada muestra de petróleo consiste, por ejemplo, de mediciones de densidad óptica ( Dai,i = ) , temperaturas ( G, ), presiones (P¿), y las correspondientes composiciones moleculares de salidas (M¡). La composición molecular para una muestra de petróleo crudo que no esté en la base de datos se puede predecir mediante la ecuación, Los vectores de peso óptimo y de amplitud de función de base radial se determinan mediante la minimización de una función de costo que es la suma de las diferencias cuadradas entre las composiciones moleculares previstas por las Ec . 12 y las de la base de catos del conjunto de capacitación. Si bien el ejemplo anterior utilizó mediciones de densidad óptica en el infrarrojo, se debe entender que también se pueden usar otras mediciones, tales como ópticas, de rayos X, acústicas, por microcndas, en el infrarrojo cercano, en el infrarrojo, sónicas, por resisti idad, etc., siempre que (1) exista una base de datos de pares de entrada-salida para un amplio rango de petróleos y (2) que exista una correlación entre las entradas y las salidas. El método también se puede aplicar a la predicción de propiedades petrofisicas del reservorio tales como permeabilidad, saturaciones de fluido, porosidad, fluido ligado, etc., a partir de una base de datos que consista, por ejemplo, de la situación del pozo de perforación, el análisis del núcleo y mediciones de muestras de fluidos. Tal como se destacó antes, se pueden usar múltiples mediciones para construir la función de mapeo. En consecuencia, se pueden combinar la densidad óptica y las mediciones por RMN, por ejemplo, para predecir la composición molecular. La combinación de dos o más mediciones añade información adicional que puede mejorar la exactitud de las propiedades del reservorio previstas.

Claims

REIVI DICACIONES 1. Un método para determinar una propiedad de los fluidos en las 'formaciones que rodean un pozo de perforación en tierra, que comprende los pasos de: producir, a partir de mediciones en una multiplicidad de muestras de fluidos, una base de datos de valores de capacitación de propiedades de fluidos almacenados, relacionados con los valores de capacitación de la medición de los fluidos almacenados; derivar, a partir de dicha base de datos, parámetros de función de base radial; derivar valores de medición de los fluidos de la formación; y determinar, mediante interpolación ce la función de base racial, dicha propiedad de los fluidos de la formación a partir de los valores de dicha base de datos, dichos parámetros, y dichos valores de medición derivados de los fluidos de la formación.
2. El método de acuerdo con la reivindicación i, en donde dicho paso de derivar a partir di dicha base de datos los parámetros de la función de base radial comprende producir una función de mapeo de la función de base radial; producir una función de costo mediante los valores de la base de datos y la función de mapeo; y minimizar dicha función de costo para determinar dichos parámetros.
3. El método 'de acuerdo con la reivindicación 1, en donde dichos parámetros son pesos y amplitudes.
4. El método de acuerdo con la reivindicación 3, en donde dichos parámetros de pesos se determinan a partir de vectores de salida derivados de dicha base de datos.
5. El método de acuerdo con la reivindicación 1, en donde dicho paso derivar los valores de medición de los fluidos de formación comprende derivar los valores de medición mediante resonancia magnética nuclear a partir de muestras de fluidos de dichas formaciones.
6. El método de acuerdo con la reivindicación 5, en donde dicho paso de derivar valores de medición de fluidos de formación además comprende derivar valores de medición de la temperatura de dichos fluidos de la formación.
7. El método de acuerdo con la reivindicación 5, en donde dicho paso de derivar los valores ae medición de los fluidos de formación además comprende derivar valores de medición de la presión de dichos fluidos de la formación.
8. El método de acuerdo con la reivindicación 5, en donde dicho paso de derivar los valores de medición de los fluidos de formación además comprende derivar valores de medición de la proporción de gas-petróleo de dichos fluidos de la formación.
9. El método de acuerdo con las reivindicaciones 1, 5 o 8, en donde dicha propiedad de los fluidos de la formación comprende la viscosidad de los fluidos de la formación.
10. El método de acuerdo con la reivindicación 1, en donde dicha propiedad de los fluidos de la formación comprende la proporción gas-petróleo de los fluidos de la formación .
11. El método de acuerdo con la reivindicación 1, en donde dicha propiedad de los fluidos de la formación comprende la composición molecular de los fluidos de la formación . ¦
12. El método de acuerdo con la reivindicación 1, en donde dicha propiedad de los fluíaos de la formación comprende la densidad de fluido de los fluidos de la formación .
13. El método de acuerdo con la rei indicación 1, en donde dicha propiedad de los fluíaos de la formación comprende la presión de punto de burbuja de ios fluidos de la formación .
14. El método de acuerdo con la reivindicación 1, en donde dicha propiedad de los fluidos de la formación comprende el factor volumen de la formación de petróleo de los fluidos de la formación.
15. El método de acuerdo con la reivindicación 1, en donde dicha propiedad de los fluidos de la formación comprende SARA.
16. El método de acuerdo con la reivindicación 1, en donde dicho paso de derivar los valores de medición de los fluidos de formación comprende derivar mediciones ópticas a partir de muestras de fluidos de dichas formaciones.
17. El método de acuerdo con la reivindicación 1, en donde dicho paso de derivar los valores de medición de los fluidos de formación comprende derivar mediciones de la proporción de gas-petróleo a partir de nuestras de fluidos de dichas formaciones.
18. El método de acuerdo con la reivindicación 1 , en donde dicho paso de derivar los valores de medición de los fluidos de formación comprende derivar valores de mediciones por resonancia magnética nuclear mediante un dispositivo de resonancia magnética nuclear colocado en dicho pozo de perforación.
19. El método de acuerdo con la reivindicación 5, en donde dicho paso de derivar valores de medición por resonancia magnética nuclear mediante un dispositivo a resonancia magnética nuclear colocado en dicho pozo de perforación comprende la extracción de fluido del pozo de perforación, y derivar dichos valores de medición por resonancia magnética nuclear a partir de mediciones en el fluido extraído del pozo de perforación.
20. ?1 método de acuerdo con la reivindicación 1, en donde dicho paso de producir a partir de mediciones en una multiplicidad de muestras de fluidos una base de datos de los valores de capacidad de las propiedades de los fluidos almacenados relacionados con los valores de capacitación de la medición de los fluidos almacenados comprende producir una base de datos de los valores de capacitación de la viscosidad de los fluidos almacenados relacionados con los valores de capacitación por resonancia magnética nuclear de los fluidos almacenados, y en donde dicho paso de derivar los valores de medición de los fluidos de la formación comprende derivar los valores de medición por resonancia magnética nuclear a partir de muestras de fluidos provenientes de dichas formaciones, y en donde dicho paso de determinar dicha propiedad de los fluidos de la formación comprende determinar la viscosidad de los fluidos de la formación.
21. El método de acuerdo con las reivindicaciones 2 o 4, en donde dicho paso de producir a partir de mediciones de una multiplicidad de muestras de fluidos una base de datos de los valores de capacitación de las propiedades de los fluidos almacenados relacionados con los valores de capacitación de la medición de los fluidos almacenados comprende producir una base de datos de los valores de capacitación de la viscosidad de los fluidos almacenados relacionados con los valores de capacitación por resonancia magnética nuclear de los fluidos almacenados, y en donde dicho paso de derivar los valores de medición de los fluidos de la formación comprende derivar los valores de medición por resonancia magnética nuclear a partir de muestras de fluidos provenientes de dichas formaciones, y en donde dicho paso de determinar dicha propiedad de los fluidos de la formación comprende determinar la viscosidad de los fluidos de la formación.
22. F,l método de acuerdo con la reivindicación 1, en donde dicha propiedad de los fluidos de la formación se representa mediante un vector con una pluralidad de dimensiones .
23. El método de acuerdo con las reivindicaciones 1 o 21, en donde ' dichos valores de medición de fluidos se representan mediante un vector con una pluralidad de dimensiones .
24. bl método de acuerdo con la reivindicación 1, que además comprende repetir ios pasos ce dicho método para los valores de medición de los fluidos de la formación derivados a distintos niveles de profundidad de dicho pozo de perforación, y producir una entrada de dicha propiedad según se determina en dichos distintos niveles de profundidad.
25. El método de acuerdo con la reivindicación 1, en donde dicha propiedad de los fluidos de la formación es la composición molecular.
26. Un método para determinar una propiedad de los fluidos a partir de las formaciones que rodean un pozo de perforación en tierra, que se han extraído en un dispositivo de entrada en el pozo de perforación, que comprende los pasos de : producir de antemano, a partir de mediciones en una multiplicidad de muestras de fluidos, una base de datos de los valores de capacitación de las propiedades de los fluidos almacenados relacionados cor: los valores de capacitación de la medición de los fluidos almacenados; derivar a partir ce dicha base de datos parámetros de función de base radial; derivar a partir de mediciones en dichos fluidos incorporados a dicho dispositivo colocado, los valores de medición de los fluidos de la; y determinar mediante la interpolación de la función de base radial, dicha propiedad de los fluidos de la formación a partir de valores de dicha base de datos, dichos parámetros y dichos valores de medición derivados de los fluidos de la formación.
27. El método de acuerdo con la reivindicación 26, en donde dicho paso de derivar los valores de medición de los fluidos de la formación comprende derivar valores de medición por resonancia magnética nuclear a partir de las muestras de fluidos de dichas formaciones.
28. El método de acuerdo con la reivindicación 26, en donde dicha propiedad de los fluidos de formación comprende la viscosidad de los fluidos de la formación.
29. El método de acuerdo con la reivindicación 26, en donde dicha propiedad de los fluidos de la formación comprende la composición molecular de los fluidos de la formación.
30. El método de acuerdo con la reivindicación 26, en donde dichos parámetros son pesos y amplitudes.
31. El método de acuerdo con la reivindicación 26, en donde dicha propiedad de los fluidos de la formación comprende SARA de los fluidos de la formación.
32. Un método para determinar una propiedad de los fluidos de las formaciones que rodean un pozo de perforación en tierra a partir de una base de datos de los valores de capacitación de las propiedades de los fluidos almacenados, que comprende los pasos de: derivar a partir de dicha base de datos, los parámetros de la función de base radial; derivar los valores de medición de los fluidos de la formación; y determinar mediante la interpolación de la función de base radial, dicha propiedad de los fluidos de la formación a partir de los valores de dicha base de datos, dichos parámetros y dichos valores de medición derivados de los fluidos de la formación.