NO343131B1

NO343131B1 - Fremgangsmåte for å bestemme en formasjonsegenskap, og induksjonsbrønnloggeverktøy

Info

Publication number: NO343131B1
Application number: NO20083812A
Authority: NO
Inventors: Sheng Fang; Liming Yu; Leonty A Tabarovsky; Michael Rabinovich
Original assignee: Baker Hughes A Ge Co Llc
Priority date: 2006-03-06
Filing date: 2008-09-05
Publication date: 2018-11-19
Also published as: GB0816356D0; BRPI0708647B1; EA200801900A1; CA2644704A1; US20070208546A1; WO2007103285A3; WO2007103285A2; EA013708B1; US7496451B2; WO2007103285A8; NO20083812L; BRPI0708647A2; GB2451358A

Abstract

Et neuralt nettverk kan brukes til å bestemme og forutsi formasjonsfallvinkler og utføre kvalitetskontroll for data innsamlet med et flerkomponent induksjonsloggeverktøy som brukes til brønnlogging. Det neurale nettverktøyet kan benytte korrigerte, roterte og normaliserte data for å tilveiebringe forutsigelsene og vurderingene (520). Syntetiske data for bruk i forbindelse med forskjellige modeller, blir brukt til å trene det neurale nettverket. Oppfinnelsen sørger for bestemmelser i sann tid med en betydelig grad av nøyaktighet av resultatene.

Description

Bakgrunn for oppfinnelsen

1. Teknisk område

Den foreliggende oppfinnelse vedrører en fremgangsmåte for å bestemme en formasjonsegenskap, og et induksjonsbrønnloggeverktøy med flere komponenter. Oppfinnelsen er innen det området som gjelder tolkning av målinger tatt av brønnloggingsinstrumenter med det formål å bestemme egenskapene til grunnformasjoner. Det beskrives også teknikker for bestemmelse av formasjonsfall og asimutvinkler ved å bruke induksjonsmålinger.

2. Beskrivelse av beslektet teknikk

Elektromagnetiske induksjons- og bølgeforplantningsloggeverktøy blir vanligvis brukt til å bestemme elektriske egenskaper ved formasjoner som omgir et borehull. Disse loggeverktøyene gir målinger av tilsynelatende resistivitet (eller konduktivitet) for formasjonen som, når egenskapen blir tolket, er diagnostiske for de petrofysiske egenskapene til formasjonen og fluidene i denne.

I tynne, laminerte sandskifersekvenser eller skifer/-sand-formasjoner blir formasjonens elektriske anisotropi viktig når det gjelder å bestemme hydrokarbonmetning ut fra resistivitetsmålingene. På grunn av kompleksiteten til formasjonen, spesielt variasjonene i relativ fallvinkel mellom borehullsaksen og formasjonsfallet, kan bestemmelse av formasjonens elektriske anisotropi kompliseres. Avviket mellom brønnen og rotasjonen av verktøyet gjør bestemmelsene av anisotropi og andre størrelser vanskeligere.

Det er behov for avanserte fremgangsmåter for å tilveiebringe bestemmelser i sann tid av den relative rotasjonen til et måleverktøy og formasjonsfallvinkler, som forsyner brukere med informasjon for nærmere bestemmelse av formasjonsanisotropi. Fremgangsmåten bør fortrinnsvis konsistent tilveiebringe nøyaktige og pålitelige data og være beregningsmessig effektiv.

GB2340944 beskriver en metode for å generere estimater av horisontal konduktivitet, fallvinkel, og asimut og anisotropi-parametere for en jordformasjon penetrert av et borehull.

US2004098201 beskriver et induksjonsloggeverktøy som anvendes på en MWD-bunnhullsammenstilling.

WO0184189 beskriver at et neuralt nettverk (NN) anvendes for borehullkorreksjon av resistivitetloggdata.

Kort oppsummering av oppfinnelsen

Den foreliggende oppfinnelse vedrører således en fremgangsmåte for å bestemme en formasjonsegenskap, kjennetegnet ved at fremgangsmåten omfatter:

å bruke et verktøy til å samle inn et antall komponentmålinger fra formasjonen;

å utføre multifrekvensfokus-behandling (MFF-behandling) for i det minste enten å redusere eller eliminere nærborehullseffekter; og

å bruke et neuralt nettverk til å estimere formasjonsegenskapen, hvor utføringen av MFF behandlingen omfatter å løse et forhold som omfatter;

hvor:

K representerer en konstant som beskriver aspekter ved verktøyet;

H representerer magnetfeltdata; og

σ representerer konduktivitet.

Ytterligere utførelser er angitt i underkravene 2-11.

Det blir beskrevet en fremgangsmåte for å bestemme en formasjonsfallvinkel (θ) for målinger tatt med et verktøy for elektromagnetisk induksjonsbrønnlogging, hvor fremgangsmåten innbefatter: å bruke verktøyet, å samle inn måledata for et antall hovedkomponenter og et antall krysskomponenter; å behandle måledataene til enten å fjerne eller eliminere i det minst en av effektene nær borehullet og avstandsforspenning fra måledataene for å frembringe korrigerte komponenter; å beregne en rotasjonsvinkel (φ) for verktøyet ved å bruke de korrigerte komponentene; å rotere valgte korrigerte komponenter til en retning hvor en verdi for en av krysskomponentene blir lik null; å behandle de roterte komponentene for å tilveiebringe normaliserte komponenter; og å bruke minst et neuralt nettverk til å forutsi i det minste formasjonsfallvinkelen (θ) fra de korrigerte, roterte og normaliserte komponentene.

Det er også beskrevet en fremgangsmåte for trening av minst et neuralt nettverk som innbefatter: å velge en prosessor for drift av et neuralt nettverk; å laste minst en modell inn i prosessoren, hvor den minst ene modellen er utformet for å forutsi en formasjonsfallvinkel fra målingen tatt i et borehull med et induksjonsloggeverktøy med flere komponenter; å velge syntetiske data for den minst ene modellen, hvor modellen har parametre for å forutsi formasjonsfallvinkelen; og å laste de syntetiske dataene inn i prosessoren for å trene det minst ene neurale nettverket.

Videre er det beskrevet et datamaskinprogramprodukt lagret på et maskinlesbart medium omfattende anvisninger for forutsigelse av en formasjonsfallvinkel, hvor anvisningene innbefatter instruksjoner for: å bruke et induksjonsloggeverktøy med flere komponenter til å samle inn måledata fra innsiden av et borehull for et antall hovedkomponenter og et antall krysskomponenter; å behandle måledataene for enten å fjerne eller eliminere minst en av effektene nær borehullet og avstandsforspenning fra måledataene for å frembringe korrigerte komponenter; å beregne en rotasjonsvinkel (φ) for verktøyet ved å bruke de korrigerte komponentene; å rotere valgte, korrigerte komponenter til en retning hvor en verdi for en av krysskomponentene blir lik null; å behandle de roterte komponentene for å tilveiebringe normaliserte komponenter; og å bruke minst et neuralt nettverk til å forutsi i det minste formasjonsfallvinkelen (θ) fra de korrigerte, roterte og normaliserte komponentene.

Den foreliggende oppfinnelse vedrører også en induksjonsbrønnloggeverktøy med flere komponenter, kjennetegnet ved: et antall senderspoler og et antall mottakerspoler for å tilveiebringe resistivitetsmåledata, der hvert antall er koblet til elektronikk som også er koblet til en prosessor for å motta måledataene for hovedkomponenter og krysskomponenter for resistivitetsmålingene;

hvor prosessoren omfatter maskinlesbare instruksjoner for

å utføre multifrekvensfokus-behandling (MFF-behandling) av måledataene for i det minste enten å redusere eller eliminere nærborehullseffektene;

å rotere (530) hver av de korrigerte komponentene til en retning hvor én av krysskomponentene blir lik null;

å tilveiebringe normaliserte komponenter for hovedkomponentene og krysskomponentene;

å bruke et neuralt nettverk (110) til å estimere en formasjonsegenskap; og

å bestemme en kvalitet for estimater ved å sammenligne minst én av de korrigerte, roterte og normaliserte komponentene med en tilsvarende resistivitetsmåling; og

å bestemme kvaliteten av estimatet ved hjelp av sammenligningen;

hvor utføringen av MFF behandlingen omfatter å løse et forhold som omfatter;

hvor:

K representerer en konstant som beskriver aspekter ved verktøyet;

H representerer magnetfeltdata; og

σ representerer konduktivitet.

Ytterligere utførelser er angitt i underkrav 13.

Det beskrives et induksjonsbrønnloggeverktøy med flere komponenter som innbefatter: et antall senderspoler og et antall mottakerspoler, der hvert antall er koblet til elektronikk for drift av hver av antallene, idet elektronikken videre er koblet til en prosessor for å motta måledata som svarer til et antall hovedkomponenter og et antall krysskomponenter; hvor elektronikken er innrettet for å samle inn måledata for antallet hovedkomponenter og antallet krysskomponenter; og å levere måledataene til prosessoren for behandling; å behandle de målte dataene for enten å redusere eller eliminere minst en av effektene nær borehullet og avstandsforspenning; hvor prosessoren videre har instruksjoner for beregning av en rotasjonsvinkel (φ) for verktøyet ved å bruke de korrigerte komponentene; å rotere hver av de korrigerte komponentene til en retning hvor en av krysskomponentene blir lik null; å fremskaffe normaliserte komponenter for hver av hovedkomponentene og hver av krysskomponentene; og å bruke minst et neuralt nettverk til å forutsi i det minste formasjonsfallvinkelen (θ) fra de roterte og normaliserte komponentene.

De ovenfor angitte og andre trekk og fordeler ved foreliggende oppfinnelse vil bli erkjent og forstått av fagkyndige på området ut fra den følgende detaljerte beskrivelse og tegningene.

Kort beskrivelse av tegningene

Det vises nå til tegningene hvor like elementer er nummerert med like henvisningstall på de forskjellige figurene:

Fig. 1 skisserer aspekter ved et borehull;

fig. 2 skisserer aspekter ved et brønnloggingsinstrument; fig. 3A og fig. 3B, kollektivt referert til her som fig. 3, skisserer et jordkoordinatsystem og et formasjonskoordinatsystem;

fig. 4 skisserer et verktøykoordinatsystem;

fig. 5 er et flytskjema som skisserer virkemåten til et neuralt nettverk;

fig. 6 skisserer et eksempel på en prosess for å bestemme relativ rotasjon og formasjonsfallvinkler, samt for datakvalitetskontroll;

fig. 7 skisserer fortegnsendringer av Hxyog Hxzmed hensyn til rotasjonsvinkel φ;

fig. 8 er et histogram som skisserer statistisk feil i forutsigelser for fallvinkler;

fig. 9-14 skisserer resultater av beregninger og prediksjoner for treningsmodellen;

fig. 15-17 skisserer resultater av beregninger og prediksjoner for treningen som er utledet fra aktuelle målinger; og

fig. 18 tilveiebringer sammenligninger mellom formasjonsvinkler og relative fallvinkler mellom algoritmeeksemplet og en inverteringsteknikk.

Detaljert beskrivelse av oppfinnelsen

Det vises til fig. 1 hvor et elektromagnetisk induksjonsbrønnloggeverktøy 10 er vist anordnet i et borehull 2. Borehullet 2 er boret gjennom jorden 7 og gjennomtrenger formasjoner 4 som innbefatter forskjellige lag 4A-4E.

Verktøyet 10 blir vanligvis senket ned i og trukket opp fra borehullet 2 ved bruk av en armert elektrisk kabel 6 eller en lignende transportanordning som kjent på området. Verktøyet 10 er vanligvis sammensatt av tre delseksjoner; en ekstra elektronikkenhet 14 anordnet ved en ende av verktøyet 10; en spolestammeenhet 8 festet til den ekstra elektronikkenheten 14; og en elektronikkenhet 12 festet til den andre enden av spolestammeenheten 8, hvor elektronikkenheten 12 typisk er koblet til kabelen 6. Uttrykket brønnloggeverktøy 10 slik det brukes her, kan også refereres til som et ”instrument 10” eller et ”flerkomponentinduksjonsverktøy 10”.

Spolestammeenheten 8 innbefatter et sett med spoler som innbefatter induksjonssenderspoler og mottakerspoler. Settet med spoler som vil bli nærmere forklart, er for å indusere elektromagnetiske felter i formasjonene 4 og for å motta spenningssignaler som er indusert av virvelstrømmer som flyter i formasjonene 4 som et resultat av de elektromagnetiske feltene som induseres i disse.

Den ekstra elektronikkenheten eller hjelpeelektronikkenheten 14 inneholder typisk en mottaker, signalbehandlingskapasiteter og telemetrikapasiteter (ikke vist). Hjelpeelektronikkenheten 14 innbefatter vanligvis også en signalgenerator og kraftforsterkere (ikke vist) som får vekselstrømmer med valgte frekvenser til å flyte gjennom senderspolene i spolestammeenheten 8.

I typiske utførelsesformer innbefatter elektronikkenheten 12 mottakerkretser (ikke vist) for å detektere spenninger indusert i mottakerspolene i spolestammeenheten 8, og kretser for behandling av disse mottatte spenningene (ikke vist) til signaler som er representative for konduktivitetene til forskjellige lag 4A-4E i formasjonene 4. For hensiktsmessighetens skyld innbefatter elektronikkenheten 12 vanligvis signaltelemetri for å sende konduktivitetsrelaterte signaler til jordoverflaten 7 via kabelen 6 for ytterligere behandling. Alternativt kan elektronikkenheten 12 lagre de konduktivitetsrelaterte signalene i en passende registreringsanordning (ikke vist) for behandling etter at instrumentet 10 er trukket opp fra borehullet 2.

Det vises til fig. 2 hvor en utførelsesform av settet med spoler 3 innbefatter senderspoler og mottakerspoler som vist. Tre senderspoler 101, 103 og 105, referert til som Tx-, Tz- og Ty-senderne er hovedsakelig ortogonalt orientert (zaksen er langs vertkøyets langsgående akse, som skissert på figuren). Senderspolene 101, 103 og 105 genererer magnetfelter for å fremskaffe målinger i formasjonene 4 som omgir borehullet 2.

Tilsvarende senderspolene 101, 103 og 105 er mottakerspoler 107, 109 og 111, referert til som henholdsvis Rx-, Rz-og Ry-mottakerne. Mottakerspolene 107, 109 og 111 måler aspekter ved de tilsvarende magnetfeltene, og er også hovedsakelig ortogonalt orientert i forhold til hverandre. Ytterligere mottakerspoler 113 og 115 kan være innbefattet og måler to krysskomponenter Hxyog Hxzfor magnetfeltet (H) som frembringes av x-komponentsenderen. Et ikke-begrensende eksempel på verktøyet 10 er 3DExplorer™-verktøyet som er et induksjonsloggeinstrument fremstilt av Baker Hughes, Houston, Texas.

Det skal bemerkes at fig. 2 skisserer en utførelsesform av brønnloggeverktøyet 10, og er ikke begrenset til denne. I andre utførelsesformer er for eksempel de ytterligere spolene 113, 115 ikke innbefattet. Ytterligere eksempler innbefatter utførelsesformer som har senderspoler og mottakerspoler med andre eller varierende orienteringer.

Brønnloggingsverktøyet 10 innbefatter typisk tilpasninger som kan være nødvendig for å sørge for drift under boring eller etter at en boreprosess er blitt foretatt.

Som diskutert her refererer henvisninger til verktøyet 10 og aspekter ved dette generelt til det ikke-begrensende utførelseseksemplet, nemlig 3DExplorer™-verktøyet 10. Mer informasjon vedrørende verktøyet 10 kan finnes i artikkelen ”A new Multicomponent Induction Logging Tool to Resolve Anisotropic Formations” av Kriegshäuser, m.fl., SPWLA<st>41. Annual Logging Symposium, 4-7 juni 2000, hvis innhold herved i sin helhet inkorporeres ved referanse.

Som diskutert her er det fire koordinatsystemer involvert i behandlingen av flerkomponent induksjonsloggedata. De fire koordinatsystemene innbefatter ett for hver av jorden 7, formasjonen 4, verktøyet 10 og spolene 3. I typiske utførelsesformer og som en foreliggende konvensjon har koordinatsystemet til jorden 7 en z-akse Z i gravitasjonsretningen, en x-akse X som peker til magnetisk nord og en yakse Y i retning av magnetisk øst. De andre tre koordinatsystemene er definert i forhold til jordens koordinatsystem 20, skissert på fig. 3A.

Det vises til fig. 3A hvor jordkoordinatsystemet 20 er vist med aksene som beskrevet i foregående avsnitt. Formasjonskoordinatsystemet 21 er også skissert og vist i forhold til jordkoordinatsystemet 20. En z-akse Z<f>for formasjonskoordinatsystemet 21 er normal til et lagdelingsplan 5, mens en x-akse X<f>og en y-akse Y<f>er på lagdelingsplanet 5 hvor hver av aksene (Z<f>, X<f>, Y<f>) er ortogonalt orientert. To formasjonsvinkler skissert som en formasjonsfallvinkel (θ’) og en formasjonsasimutvinkel (Φ) beskriver en relasjon mellom jordkoordinatsystemet 20 formasjonskoordinatsystemet 21.

Formasjonsfallvinkelen (θ’) og formasjonsasimutvinkelen (Φ) blir bestemt ved bruk av inverteringsbehandling. Verktøykoordinatsystemet er skissert på fig. 3B.

Det vises til fig. 3B hvor en z-akse Z<t>for verktøykoordinatsystemet 22 beskriver banen til borehullet 2 og er normal til et verktøyplan 9. x-aksen X<t>og y-aksen Y<t>for verktøykoordinatsystemet 22 er på verktøyplanet, der hver av aksene (Z<t>, X<t>, Y<t>) er ortogonalt orientert. Relasjonen mellom verktøykoordinatsystemet 22 og jordkoordinatsystemet 20 er beskrevet ved hjelp av en verktøyfallvinkel (ψ) og en verktøyasimutvinkel (Γ).

En kombinasjon av koordinatsystemer er skissert på fig.

4. Mer spesielt er formasjonskoordinatsystemet 21, verktøykoordinatsystemet 22 og spolekoordinatsystemet 23 skissert i forhold til hverandre. Det vises til fig. 4 hvor et fallplan 1 også er vist. Fallplanet 1 er beskrevet i spolekoordinatsystemet 23 og innbefatter en x-akse X<c>, en y-akse Y<c>og en zakse Z<c>. z-aksen Z<c>i spolekoordinatsystemet 23 deler samme zakse Z<t>som verktøykoordinatsystemet 22, mens y-aksen Y<c>i spolekoordinatsystemet 23 er forskjøvet fra y-aksen Y<f>i formasjonskoordinatsystemet 21 med formasjonsasimutvinkelen (Φ). En relativ verktøyrotasjonsvinkel (φ) (ikke vist på fig.

4) er beskrevet av x-aksen X<c>for spolekoordinatsystemet 23 i forhold til den øvre side av borehullet 2.

Under drift måler verktøyet 10 koaksiale og koplanare komponenter kalt hovedkomponenter, og måler også krysskomponenter. Disse målingene gir informasjon for å bestemme blant annet resistivitet og anisotropi for formasjonen 4. Med denne informasjonen kan annen nyttig informasjon fremskaffes eller utledes. Med verktøyorienteringsdata kan for eksempel formasjonens fallvinkel (θ’) og formasjonsasimutvinkelen (Φ) fremskaffes. Som beskrevet her kan algoritmer basert på og virksomme i neurale nettverk med fordel brukes for å kontrollere datakvalitet og bestemme formasjonsfallvinkelen og formasjonsasimutvinkelen (Φ) i sann tid eller nesten sann tid.

Slik det brukes her blir generering av data i ”sann tid” satt til å bety generering av data med en hyppighet som er nyttig eller fordelaktig for å foreta beslutninger under eller samtidig med prosesser slik som produksjon, eksperimentering, verifisering og andre typer undersøkelser eller anvendelser som kan være fordelaktig for en bruker. Som et ikke-begrensende eksempel kan sanntidsmålinger og –beregninger forsyne brukere med informasjon som er nødvendig for å foreta nødvendige justeringer under boreprosessen. I en utførelsesform blir justeringer gjort mulig på kontinuerlig basis (ved borehastigheten), mens justeringer i andre utførelsesformer kan kreve periodisk opphør av boring for vurdering av data. Det skal følgelig innses at ”sann tid” skal settes i en sammenheng og ikke nødvendigvis indikerer umiddelbar bestemmelse av data, eller å foreta andre antydninger om tidsmessig hyppighet av databestemmelse.

Det som er beskrevet her sørger for en høy grad av kvalitetskontroll på dataene. Kvalitetskontrollen som oppnås, er basert på datakonsistens og blir typisk tilveiebrakt på en sanntidsbasis. Mer spesielt, ved å sammenligne krysskomponentene som er forutsatt (fra målte hovedkomponenter) med de målte krysskomponentene, kan datakonsistens bestemmes.

Brukeren kan fortrinnsvis anvende en ønsket kvalitetskontrolltoleranse for dataene, og dermed trekke en balanse mellom hurtighet for bestemmelse av dataene og en kvalitetsgrad for dataene.

I typiske utførelsesformer blir det neurale nettverket trent ved anvendelse av syntetiske data utledet fra en rekke modeller. De forskjellige modellene kan karakteriseres ved eller innbefatte varierende horisontale resistivitetsverdier for formasjonen 4, anisotropikoeffisienter, lagtykkelser, formasjonsfallvinkler (θ’), formasjonsasimutvinkler (Φ), verktøyfallvinkler (ψ), verktøyasimutvinkler (Γ), relative verktøyrotasjonsvinkler (φ) og andre innmatinger som kan anses relevante under trening av det neurale nettverket.

Det vises til fig. 5 hvor et eksempel på en oversikt over datakvalitetskontroll i sann tid og databestemmelse ved å bruke et neuralt nettverk 110 er tilveiebrakt. På fig. 5 blir verktøyet 10 brukt til å tilveiebringe målte data 51. De målte dataene 51 blir brukt av en datagenerator 101 som er en del av en prosessor 100, til å frembringe beregnede data 52 under bruk av teknikker som er kjent på området. De målte dataene 51 og de beregnede dataene 52 blir gruppert som datainnmatinger 50 og brukes av det neurale nettverket 110 til å frembringe en utgang 105.

Legg merke til at ”beregnede” slik det brukes i denne forbindelse, kan innbefatte estimerte og andre lignende teknikker for utledning av størrelser. Beregnede data 52 kan mer spesielt innbefatte data frembrakt ved minst en av beregning, estimering og anvendelse av neurale nettverk 110.

Uttrykket ”beregnede” slik det brukes i denne forbindelse, er følgelig ment å bety generering av data som kan være minst en av ytterligere data og redundante data. Beregnede data er følgelig ikke begrenset til beregningsmessige resultater fra aritmetiske prosesser og innbefatter slike ytterligere data og redundante data som beskrevet her eller som kan være opplagte for fagkyndige på området.

I typiske utførelsesformer innbefatter det neurale nettverket 110 data, instruksjoner og informasjon (som anses relevant av brukeren) for å tilveiebringe beregnede data 52. Det neurale nettverket 110 kan for eksempel innbefatte en empirisk utledet algoritme for å forutsi eller estimere de beregnede data 52 på grunnlag av målte data 51. Algoritmen kan være utledet ved hjelp av en rekke teknikker, innbefattende bruk av syntetiske data. I de utførelsesformer som gjør bruk av syntetiske data, blir data matet inn i det neurale nettverket 10. Utgangen fra det neurale nettverket 10 kan så fremskaffes, og algoritmen (også kalt en ”modell” her) blir justert slik at den ønskede utgangen blir oppnådd. Denne prosessen som omformer kalibrering (eller andre lignende uttrykk) kan brukes til å sørge for bestemmelse av ønskede størrelser. Det neurale nettverket 110 sørger typisk for implementering av optimaliseringsteorier og statistisk simulering. En fagkyndig på området vil forstå at slike teknikker også kan justeres for tilpasning til visse beregninger. Slike treningsteknikker kan videre forekomme under minst én av en prosessinnledning eller på pågående basis (det vil si der hvor det neurale nettverket 110 ”lærer”). Aspekter ved det neurale nettverket 110 blir diskutert mer detaljert i det følgende.

Aspekter ved utgangen 105 fra det neurale nettverket 110 blir sammenlignet med målte data 51 ved bruk av en QC-motor 111. Avhengig av tilbakekoblingen fra QC-motoren 111 kan det neurale nettverket 110 (eller behøver ikke) å omberegne de beregnede dataene 52. Det vil si at hvis det er en tilfredsstillende korrelasjon mellom de målte dataene 51 (krysskomponentene) og prediksjoner for krysskomponentene, så har de beregnede data 52 tilstrekkelig kvalitet. Hvis imidlertid de forutsagte krysskomponentene varierer på en uakseptabel måte fra de målte dataene 51 (krysskomponentene), så blir forutsigelsen eller prediksjonen typisk forfinet ved ytterligere bruk av det neurale nettverket 110.

Utgangen 105 kan med fordel brukes for minst en av hurtige vurderinger av aspekter ved formasjonen 4, og justering for produksjon. Som et ikke-begrensende eksempel kan utgangen 105 brukes til å utvikle og tilveiebringe kommandoer 115 for å styre bruk av verktøyet 10. Mer spesielt kan utgangen 105 forsyne operatører med informasjon som forårsaker generering av kommandoer 115 for, som et eksempel, å foreta justering av boreretningen.

Prosessoren 100 som diskuteres her, innbefatter komponenter som er kjent på området for beregningssystemer. Prosessoren 100 kan for eksempel innbefatte eventuelle lagringssystemer, innmatingsanordninger, utmatingsanordninger, lagre, en systembuss, audio- og visningsanordninger og andre periferienheter. Disse komponentene er i og for seg kjent på området og er ikke en del av oppfinnelsen som beskrives her, slik at disse komponentene ikke blir beskrevet nærmere her.

Syntetiske data blir brukt til å utvikle og trene det neurale nettverket 110. Siden de syntetiske data blir simulert ved hjelp av en lagdelt, endimensjonal kode og feltdataene inneholder effekter nær borehullet, blir en multifrekvent fokuseringsteknikk (MFF-teknikk) anvendt på både syntetiske og feltdata for å minimalisere slike effekter. MFF-behandling er kjent på området. Det kan vises til det fullstendige dokumentet ”The Reduction Of Near Zone Effects On The Multi Component Induction Logging Tool” (av Yu m.fl., Society of Petroleum Engineers, Inc., 2003; såvel som et dokument med tittelen ”Enhanced Anisotropy Joint Processing Of Multi-Component And Multi-Array Induction Tools”, av Rabinovich m.fl., SPWLA 42. Annual Logging Symposium, 2001, idet det fullstendige innhold av disse dokumentene herved inkorporeres ved referanse.

Selv om rotasjon av verktøyet 10 i forhold til nord blir målt, er den relative verktøyrotasjonsvinkelen (φ) ukjent og avhenger av formasjonsstrøkretningen som kan variere fra dybde til dybde. Den relative verktøyrotasjonsvinkelen (φ) kan bestemmes ved bruk av en enkel formel.

Som beskrevet her blir den relative formasjonsfallvinkelen (θ) bestemt direkte fra verktøymåledata ved bruk av det neurale nettverket 110. Når det neurale nettverket 110 blir bygget ved bruk av valgte modeller, blir bestemmelsen av den relative formasjonsfallvinkelen (θ) modelluavhengig og meget hurtig. Datakvaliteten kan sikres før estimering av den relative verktøyrotasjonsvinkelen (φ) og den relative formasjonsfallvinkelen (θ) ved å sammenligne den målte krysskomponenten (Hxz) med krysskomponenten (Hxz) som er forutsagt fra de tre hovedkomponentene ved bruk av et annet trent neuralt nettverk 110. For det første er det viktig å diskutere aspekter ved verktøyet 10 for å forstå de tilveiebrakte data.

Det vises igjen til fig. 2 hvor det elektromagnetiske induksjonsbrønnloggeverktøyet 10 typisk (i det minste i de utførelsesformene som diskuteres her) innbefatter en rekke sendere 101, 103, 105 og en rekke mottakere 107, 109, 111. Under drift genererer verktøyet 10 et sett med magnetiske feltdata (H) som har ni komponenter. Fem av disse komponentene (Hxx,Hyy, Hzz,Hxy,Hxz) er unike for settet. Det kan vises til dokumentet ”A New Multicomponent Induction Logging Tool to Resolve Anisotropic Formations” av Kriegshäuser, B., m.fl., SPWLA 41. Annual Logging Symposium, 2000; som beskriver et multikomponent induksjonsloggeverktøy. Beskrivelsene i dette dokumentet blir herved i sin helhet inkorporert ved referanse.

Verktøyet 10 tilveiebringer typisk totalt femti målinger som innbefatter målinger for de fem unike komponentene (Hxx, Hyy, Hzz, Hxy, Hxz) ved å bruke ti separate eller skjelnbare frekvenser. I denne utførelsesformen er avstanden mellom den respektive senderen og mottakeren 1,6 m for de tre hovedkomponentene (Hxx, Hyy, Hzz), 2,0 m for (Hxz) og 2,4 m for (Hxy). Verktøyrotasjonsvinkelen (φ) kan variere fra 0 grader til 360 grader. Formasjonsfallvinkelen (θ) er mellom 0 grader og 90 grader.

For videre å gi en oversikt over aspekter ved den foreliggende beskrivelse, for å fjerne nærborehullseffekter, blir en multippelfrekvensfokusteknikk (MFF-teknikk) anvendt for hver komponent av magnetfeltet. Etter MFF-behandlingen kan en hvilken som helst nærborehullseffekt eller forspenning i dataene som skyldes avstand mellom rekkene med sendere 101, 103, 105 og rekkene med mottakere 107, 109, 111 reduseres eller fjernes. Enkle formler kan vanligvis brukes til å bestemme den relative rotasjonsvinkelen fra de korrigerte dataene som er et resultat av MFF-behandlingen. Når den relative verktøyrotasjonsvinkelen (φ) er bestemt, blir de korrigerte dataene rotert til hovedretningen (0 grader i forhold til verktøyrotasjonsvinkelen (φ)). Etter rotasjon blir den roterte krysskomponenten (Hxy’) lik null, mens hovedkomponenten (Hzz) forblir uendret. De gjenværende komponentene til målingene blir benevnt med tilsvarende hovedmerker (’).

Basert på de roterte komponentene (Hxx’), (Hyy’), (Hxz’) og den uendrede komponenten (Hzz) blir den relative formasjonsfallvinkelen (θ) forutsagt ved bruk av et trent neuralt nettverk 110. Det neurale nettverket 110 blir typisk trent ved bruk av en betydelig mengde data som innbefatter eller er utledet fra forskjellige modellparametre, innbefattende parametre slik som den horisontale resistiviteten, anisotropikoeffisienten og tykkelsen; så vel som ved bruk av et betydelig antall modeller (etter behov).

En normalisert verdi av krysskomponenten (Hxz’) blir behandlet fra de tre normaliserte hovedkomponentene (Hxx’), (Hyy’) og (Hzz). Ved å kontrollerekonsistensen mellom den målte normaliserte komponenten (Hxz’) og den forutsagte, normaliserte komponenten (Hxz’) kan kvaliteten av målingene bestemmes. Hvis konsistensen mellom målingene er god, så er datakvaliteten dermed også god.

I noen utførelsesformer, for å dekke vanlige situasjoner, blir modellparametre valgt hvor de horisontale resistivitetene er 1, 3, 9 og 27 Ohm-m; anisotropifaktorene er 1, 3 og 9 (som brukes til å utlede de tilsvarende vertikale resistivitetene); og tykkelsen av lagene 4A-4E er 1, 2 og 3 m.

Ved å betrakte alle mulige kombinasjoner dannes derfor en dybdeprofil for en formasjon 4 som har 743 lag. Syntetiske responser blir generert for verktøyet 10 ved å bruke en endimensjonal kode (for eksempel DIPMAG) for forskjellige formasjonsfallvinkler (θ) og forskjellige relative verktøyrotasjonsvinkler (φ). I denne utførelsesformen er de brukte formasjonsfallvinklene (θ) 0, 15, 23, 30, 38, 45, 50, 54, 60, 65, 70, 75 grader med en 0 graders fast relativ verktøyrotasjonsvinkel (φ). Den relative verktøyrotasjonsvinkelen (φ) blir variert fra 0 grader til 360 grader med intervaller på 15 grader for fallvinklene på 30 grader og 60 grader.

Beroende på denne utformingen blir i denne utførelsesformen de fem samlokaliserte komponentene (Hxx), (Hyy), (Hzz), (Hxy) og (Hxz) og to krysskomponenter (Hxy) og (Hxz) med reell avstand blir så beregnet.

For bedre å forstå prosessen for å bestemme rotasjonsog fallvinkler 500, blir hvert trinn i prosessen nå forklart mer detaljert. Det vises til et eksempel på en prosedyre for det som beskrives her.

Det vises til fig. 6 hvor det er vist et eksempel på en prosedyre 500 for å bestemme den relative verktøyrotasjonsvinkelen (φ) og formasjonsfallvinkelen . Når dataene er blitt fremskaffet fra verktøyet 10, blir MFF-behandling 510 av de målte dataene 51 fullført. Deretter blir en rotasjonsvinkel-beregning (φ) 520 fullført. Den relative verktøyrotasjonsvinkelen (φ) blir så brukt til å rotere 530, formasjonsfallvinkel-forutsigelsen 540, Hxz’-forutsigelsen 550 og generere en utgang 560.

Fig. 6 skisserer også aspekter ved foreliggende oppfinnelse hvor prosedyren 500 påkaller bruk av det neurale nettverket 110, typisk under generering av utgangen 560, for å forutsi den normaliserte komponenten Hxz’/S. Kvalitetskontroll av dataene kan så foretas ved å sammenligne den forutsatte verdien for den normaliserte komponenten Hxz’/S med en målt verdi av den normaliserte komponenten Hxz’/S.

MFF-behandling 510

Borehullsinvasjonseffekter finnes alltid og påvirker i en viss utstrekning data innsamlet med verktøyet 10. I et utførelseseksempel blir MFF-behandling 510 utført på de målte responsene fra verktøyet 10 for i det minste enten å redusere eller å eliminere nærborehullseffektene slik at den endimensjonale, lagdelte modellen kan brukes. Hvis utgangen fra MFF-behandlingen 510 er konduktivitet (σ), så behøver en bruker å omforme utgangen tilbake til magnetfeltdataene (H) for ytterligere behandling for å bestemme den relative verktøyrotasjonsvinkelen (φ) og den relative formasjonsfallvinkelen (θ’). For multippelfrekvensfokus (MFF)-behandling 510 er derfor forholdet mellom konduktiviteten og magnetfeltdataene (H) gitt som en av:

og

hvor K er en konstant faktor for å beskrive aspekter ved verktøyet 10. MFF-behandlingen 510 blir videre typisk anvendt for å ta hensyn til og for enten å fjerne eller å eliminere forspenning i måledataene som stammer fra avstandsdifferanser mellom senderspolene 101, 103, 105 og mottakerspolene 107, 109, 111. MFF-behandling 510 slik begrep brukes her (og andre lignende teknikker for korrigering av måledata) frembringer korrigerte komponenter.

Rotasjonsvinkelberegning φ 520

Beregning av den relative verktøyrotasjonsvinkelen (φ) blir typisk fullført. Først blir det etablert en konvensjon hvor et merke blir brukt til å stå for de forskjellige komponentene ved null rotasjonsvinkel (φ). Ved enhver rotasjonsvinkel (φ) er følgende relasjon gitt:

hvor

og

Legg merke til at krysskomponentene relatert til yretningen har null-verdier. Dette er tilfelle når modellen er symmetrisk omkring et plan y=0. Når verktøyet 10 imidlertid er eksentrisk, er krysskomponentene for y-retningen ikke lik null. Etter MFF-behandling blir en ikke-symmetrisk egenskap nær borehullet fjernet og modellen kan sees som en endimensjonal modell som er symmetrisk. Ved å ekspandere ligning (3) fås:

som videre leder til:

hvor

Hxyrepresenterer en normalisert og korrigert krysskomponent;

Hxxrepresenterer en normalisert hovedkomponent i en X-retning; og

Hyyrepresenterer en normalisert hovedkomponent i en Y-retning.

Den relative verktøyrotasjonsvinkelen (φ) kan så beregnes fra ligning (8). Fordi den inverse verdien av tan(2φ) gir en vinkel innenfor området mellom negativ (π) og positiv (π) slik at den relative verktøyrotasjonsvinkelen (φ) bør justeres til en positiv verdi basert på fortegnene til (Hxy) og (Hxx-Hyy). Når den relative verktøyrotasjonsvinkelen (φ) er større enn 180 grader, er ligning (8) ikke lenger tilstrekkelig til entydig å bestemme den relative verktøyrotasjonsvinkelen (φ). I dette tilfellet kan estimeringen av den relative verktøyrotasjonsvinkelen (φ) tas hensyn til ved å kombinere den med fortegnene til (Hxz). Aspekter ved denne kombinasjonen er skissert på fig. 7.

Det vises til fig. 7 hvor det er vist fortegnsendringer for (Hxy) og (Hxz) med hensyn til den relative verktøyrotasjonsvinkelen (φ) og sinus og cosinusbølgeformer.

Teknikker for beregning 520 av relativ verktøyrotasjonsvinkel (φ) og rotering 530 er kjent. Eksempler på teknikker er beskrevet i et dokument med tittel ”Simultaneous determination on relative angles anisotropic resistivity using multi component induction logging data” av Zhang m.fl., SPWLA 42. Annual Logging Symposium, 2001; og et dokument med tittelen ”Foundations of Tensor Induction Well Logging” av Zhdanov m.fl., Petrophysics, november-desember 2001.

Beskrivelsen i disse dokumentene blir herved i sin helhet inkorporert ved referanse.

Rotering 530

Når den relative verktøyrotasjonsvinkelen (φ) er blitt bestemt, blir rotering 530 av korrigerte komponenter utført. Bruk av den relative verktøyrotasjonsvinkelen (φ) som en innmating, gir følgende relasjoner som kan brukes:

og

Når (φ) = 90 grader eller 270 grader, er (Hxz’) ubestemt og kan ikke brukes som inngang for neurale nettverksforutsigelser. Ved typisk brønnlogging er imidlertid den relative verktøyrotasjonsvinkelen (φ) vanligvis ikke opprettholdt ved 90 grader eller 270 grader. Analyse av dybdepunkter kan derfor utelates. I tilfeller hvor den relative verktøyrotasjonsvinkelen (φ) = 45 grader (2n+1), blir ligningene (10) og (11) vanligvis ikke brukt. I slike tilfeller kan (Hxx’) og (Hyy’) fremskaffes ved å løse følgende minste kvadraters tilnærmelse:

hvor (Hxy”) svarer til det avstandskorrigerte feltet. Selv om ligning (12) kan brukes for enhver rotasjonsvinkel (φ), vil en viss feil bli innført fra (Hxy”). Det blir derfor ikke anbefalt at ligning (12) skal brukes for en generell rotasjon. Bruk av ligningene (9)-(11) gir vanligvis mindre feil i roteringen 530 for de korrigerte komponentene.

Fallvinkelforutsigelse 540

Bestemmelse av formasjonsfallvinkelen (θ) blir vanligvis fullført ved bruk av det neurale nettverket 110 som trenes for å avspeile relasjonen mellom formasjonsfallvinkelen (θ) og de korrigerte komponentene bestemt under MFF-behandlingen 510. Det neurale nettverket 110 blir typisk trenet ved å bruke syntetiske MFF-responser for komponenter (Hxx’), (Hyy’), (Hzz), (Hxz’) for forskjellige endimensjonale modeller. Disse modellene er typisk valgt for null relativ verktøyrotasjonsvinkel (φ) og forskjellige formasjonsfallvinkler (θ), typisk i området mellom omkring 0 grader til omkring 75 grader.

Bruk av neurale nettverk er fordelaktig av en rekke grunner. Selv om det for et tykt formasjonslag 4 finnes en tilnærmelse, påvirker eller ødelegger sidebergartseffektene vanligvis nøyaktigheten av bestemmelsen av formasjonsfallvinkelen (θ). Samtidig har invertering av den relative formasjonsfallvinkelen og resistivitetsmålingene vist seg å være en tidkrevende løsning. Invertering krever dessuten valg av et riktig vindu for inverteringen.

Når det gjelder bruk av neurale nettverk og et ønske om å minimalisere virkningene av konduktivitet i modellene som brukes, blir de komponentene som er normalisert med invariant rotasjonssummering (Hxx’)+(Hyy’)+(Hzz) brukt som innmatinger. Det er viktig å legge merke til at summeringen forblir avhengig av formasjonsfallvinkelen (θ) siden den relative posisjonen til senderspolene 101, 103, 105 og mottakerspolene 107, 109, 111 endres med endringer i formasjonsfallvinkelen (θ). En trelags neural nettverksmodell med ti skjulte neuroner i et skjult lag blir følgelig brukt. I dette tilfellet er innmatingen til det neurale nettverket de fire korrigerte MFF-behandlede komponentene. Utgangen fra det neurale nettverket 110 vil være formasjonsfallvinkelen (θ). Virkningene av trening kan evalueres ved å kontrollere feilene mellom de forutsagte formasjonsfallvinklene (θ) og de virkelige formasjonsfallvinklene (θ).

Det vises til fig. 8 hvor et histogram for feilen er vist. Histogrammet skisserer at en hoveddel av den statistiske feilen mellom den forutsagte formasjonsfallvinkelen (θ) og den aktuelle formasjonsfallvinkelen (θ) er innenfor omkring en grad.

Fig. 9 til fig. 14 skisserer resultater for beregninger og forutsigelser for treningsmodellen. Det vises til fig. 9 hvor resultater av beregning og prediksjoner for treningsmodellen med formasjonsfallvinkel (θ) ved omkring 30 grader og den relative verktøyrotasjonsvinkelen (φ) ved omkring 0 grader, er vist. Det vises til fig. 10 hvor resultater av beregning og forutsigelser for treningsmodellen med formasjonsfallvinkel (θ) på omkring 60 grader og rotasjonsvinkelen (φ) ved omkring 0 grader, er vist. Det vises til fig. 11 hvor resultater av beregning og prediksjoner for treningsmodellen med formasjonsfallvinkel (θ) på omkring 75 grader og rotasjonsvinkelen (φ) på omkring 0 grader, er vist.

Det vises til fig. 12 hvor resultater av beregning og prediksjoner for treningsmodellen med formasjonsfallvinkel (θ) på 60 grader og rotasjonsvinkel (φ) på omkring 30 grader, er vist. Det vises til fig. 13 hvor resultater av beregning og prediksjoner for treningsmodellen med formasjonsfallvinkel (θ) på 60 grader og rotasjonsvinkel (φ) på omkring 150 grader, er vist. Til sist skisserer fig. 14 resultater av beregning og forutsigelser for treningsmodellen med formasjonsfallvinkel (θ) på 60 grader og rotasjonsvinkel (φ) på omkring 240 grader.

For å validere prosessen ble flere tester utført. Den første testen brukte den samme modellprofilen som den for treningen. I den første testen ble imidlertid en annen formasjonsfallvinkel brukt. Resultater av den første testen er skissert på fig. 15. Den andre testen brukte en modellprofil utledet fra aktuelle brønnloggedata. Den andre testen brukte en konstant formasjonsfallvinkel og en konstant rotasjonsvinkel. Resultater fra den andre testen er skissert på fig. 16. Den tredje testen brukte den samme modellprofilen som i den andre testen, men varierte rotasjonsvinklene mellom omkring 0 grader til omkring 360 grader. I den tredje testen ble formasjonsfallvinklene (θ) også variert fra omkring 30 grader til omkring 45 grader. Resultater for den tredje testen er skissert på fig. 17. En endelig test anvendte hele algoritmen på de aktuelle brønnloggedataene. Resultater fra anvendelsen av algoritme-eksemplet er sammenlignet med de fra inverteringsteknikkene og er vist på fig. 18. Både formasjonsasimutvinkel (Φ) og formasjonsfallvinkelen (θ) er hovedsakelig eller generelt i overensstemmelse med hverandre (se tadpolplottinger skissert i det første sporet). De relative formasjonsfallvinklene (θ) som er frembrakt av løsningen med det neurale nettverket og ved inverteringsteknikken viser også en utmerket overensstemmelse. Disse resultatene er skissert i grafen under den første kolonnen.

Generelt blir det ansett at når krysskomponenten (Hxy) er nær null, kan den relative verktøyrotasjonsvinkelen (φ) være vanskelig å bestemme. For eksempel når roteringen blir vilkårlig valgt i et tykt isotropt lag i formasjonen 4. For et slikt tilfelle kan brukeren enten utelate et tilknyttet datapunkt eller akseptere den tidligere relative rotasjonsvinkelen (φ) som verdien for datapunktet. Det innses også at når krysskomponenten (Hxz) er nær null, kan rotasjonsvinkelen (φ) bestemmes med en usikkerhet på 180 grader. Når den relative formasjonsfallvinkelen (θ’) og den relative verktøyrotasjonsvinkelen (φ) er bestemt, kan brukeren fremskaffe formasjonsfallvinkelen (θ) og formasjonsasimutvinkelen (Φ) ved hjelp av følgende formler:

hvor:

og

hvor

DEV representerer avvik i borehullet,

DAZ representerer asimutdrift i borehullet,

(θ’) representerer den relative formasjonsfallvinkelen, og

(φ) representerer den relative verktøyrotasjonsvinkelen.

Etter at de ovennevnte beregningene er fullført, kan formasjonens horisontale og vertikale resistiviteter fremskaffes ved bruk av programvare for å utføre

inverteringer.

Syntetiske modellstudier viser at den relative verktøyrotasjonsvinkelen (φ) kan bestemmes innenfor en nøyaktighet på omkring 0,5 grader, mens den relative formasjonsfallvinkelen (θ) kan bestemmes innenfor en nøyaktighet på omkring 2 grader, med unntak som nevnt ovenfor. Både syntetiske og reelle dataeksempler demonstrerer at datakvalitet kan overvåkes bra ved prediksjon av krysskomponentene fra

hovedkomponentene.

Claims

P a t e n t k r a v 1. Fremgangsmåte for å bestemme en formasjonsegenskap, k a r a k t e r i s e r t v e d at fremgangsmåten omfatter: å bruke et verktøy (10) til å samle inn et antall komponentmålinger (51) fra formasjonen; å utføre multifrekvensfokus-behandling (MFF-behandling) (510) for i det minste enten å redusere eller eliminere nærborehullseffekter; og å bruke et neuralt nettverk (110) til å estimere formasjonsegenskapen, hvor utføringen av MFF behandlingen omfatter å løse et forhold som omfatter;

hvor: K representerer en konstant som beskriver aspekter ved verktøyet; H representerer magnetfeltdata; og σ representerer konduktivitet.
2. Fremgangsmåte ifølge krav 1, hvor formasjonsegenskapen omfatter i det minste én av en horisontal resistivitet for en formasjon, en anisotropikoeffisient for en formasjon, en formasjonsfallvinkel, en rotasjonsvinkel for et verktøy og en tykkelse for en formasjon.
3. Fremgangsmåte ifølge krav 1, videre omfattende: å rotere (530) korrigerte komponenter til en retning hvor en verdi for én av krysskomponentene blir lik null.
4. Fremgangsmåte ifølge krav 3, hvor rotering omfatter å løse en relasjon som omfatter:

hvor: Hxy” representerer en normalisert og korrigert Hxy-krysskomponent; Hxxrepresenterer en normalisert hovedkomponent i en X-retning; Hyyrepresenterer en normalisert hovedkomponent i en Y-retning; (φ) representerer rotasjonsvinkelen; Hxx’ representerer en rotert Hxx-komponent; og Hyy’ representerer en rotert Hyy-komponent.
5. Fremgangsmåte ifølge krav 3, videre omfattende: å behandle de roterte komponentene for å tilveiebringe normaliserte komponenter.
6. Fremgangsmåte ifølge krav 5, videre omfattende å bestemme en kvalitet for estimatet ved: å sammenligne minst en av de korrigerte, roterte og normaliserte komponentene med en tilsvarende komponentmåling; og å bestemme kvaliteten av estimatet ved hjelp av sammenligningen.
7. Fremgangsmåte ifølge krav 1, hvor måledataene omfatter et antall frekvensmålinger.
8. Fremgangsmåte ifølge krav 1, hvor en rotasjonsvinkel (φ) for verktøyet blir bestemt fra en relasjon som omfatter:

hvor: Hxy’’ representerer en normalisert og korrigert Hxy-krysskomponent; Hxxrepresenterer en normalisert hovedkomponent i en X-retning; og Hyyrepresenterer en normalisert hovedkomponent i en Y-retning.
9. Fremgangsmåte ifølge krav 1, hvor en innmating til det neurale nettverket omfatter en normalisering med en rotasjonsinvariant summering som omfatter relasjonen: (Hxx’)+(Hyy’)+(Hzz); hvor Hxx’ representerer en rotert Hxx-komponent; Hyy’ representerer en rotert Hyy-komponent; og Hzzrepresenterer en normalisert hovedkomponent i en Z-retning.
10. Fremgangsmåte ifølge krav 1, omfattende å bruke det neurale nettverket på en sanntidsbasis.
11. Fremgangsmåte ifølge krav 1, omfattende å tilveiebringe estimatet under boring av et borehull (10).
12. Induksjonsbrønnloggeverktøy med flere komponenter, k a r a k t e r i s e r t v e d: et antall senderspoler (101, 103, 105) og et antall mottakerspoler (107, 109, 111, 113, 115) for å tilveiebringe resistivitetsmåledata, der hvert antall er koblet til elektronikk som også er koblet til en prosessor (100) for å motta måledataene for hovedkomponenter og krysskomponenter for resistivitetsmålingene; hvor prosessoren omfatter maskinlesbare instruksjoner for å utføre multifrekvensfokus-behandling (MFF-behandling) (510) av måledataene for i det minste enten å redusere eller eliminere nærborehullseffektene; å rotere (530) hver av de korrigerte komponentene til en retning hvor én av krysskomponentene blir lik null; å tilveiebringe normaliserte komponenter for hovedkomponentene og krysskomponentene; å bruke et neuralt nettverk (110) til å estimere en formasjonsegenskap; og å bestemme en kvalitet for estimater ved å sammenligne minst én av de korrigerte, roterte og normaliserte komponentene med en tilsvarende resistivitetsmåling; og å bestemme kvaliteten av estimatet ved hjelp av sammenligningen; hvor utføringen av MFF behandlingen omfatter å løse et forhold som omfatter;

hvor: K representerer en konstant som beskriver aspekter ved verktøyet; H representerer magnetfeltdata; og σ representerer konduktivitet.
13. Verktøy ifølge krav 12, omfattende tilpasninger for bruk under minst én av brønnboring og brønnlogging.