RU2788999C1 - Method for detection of intervals of inflow and absorption of fluids in operating oil-gas wells - Google Patents
Method for detection of intervals of inflow and absorption of fluids in operating oil-gas wells Download PDFInfo
- Publication number
- RU2788999C1 RU2788999C1 RU2022120861A RU2022120861A RU2788999C1 RU 2788999 C1 RU2788999 C1 RU 2788999C1 RU 2022120861 A RU2022120861 A RU 2022120861A RU 2022120861 A RU2022120861 A RU 2022120861A RU 2788999 C1 RU2788999 C1 RU 2788999C1
- Authority
- RU
- Russia
- Prior art keywords
- noise
- wellbore
- intervals
- inflow
- along
- Prior art date
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 37
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title abstract description 4
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004861 thermometry Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 abstract 1
- 238000001228 spectrum Methods 0.000 description 28
- 230000003595 spectral Effects 0.000 description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 230000001373 regressive Effects 0.000 description 16
- 238000002372 labelling Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000035479 physiological effects, processes and functions Effects 0.000 description 4
- 230000005534 acoustic noise Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000005587 bubbling Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000875 corresponding Effects 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 230000004941 influx Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000000739 chaotic Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000003247 decreasing Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Abstract
Description
Изобретение относится к промыслово-геофизическим исследованиям, а именно, к способам выявления интервалов притока и поглощения флюидов в стволе скважины. Данная информация может быть использована для оценки профиля притока или поглощения по стволу скважины, планирования работ по стимуляции нерабочих зон или перекрытию нежелательного притока газа или воды в ствол нефтедобывающей скважины, планированию работ по ремонту скважины с целью ликвидации мест негерметичности.The invention relates to field geophysical surveys, namely, to methods for identifying intervals of inflow and loss of fluids in a wellbore. This information can be used to evaluate the inflow or loss profile along the wellbore, plan work to stimulate non-working zones or shut off unwanted gas or water inflow into the oil wellbore, and plan work to repair the well to eliminate leaks.
Известен метод скважинной шумометрии, основанный на измерении шума в скважине и интерпретации его характеристик. Данный метод используется в практике геофизических исследований начиная с 70-х годов прошлого столетия.A well-known method of downhole noise logging, based on the measurement of noise in the well and the interpretation of its characteristics. This method has been used in the practice of geophysical research since the 70s of the last century.
Традиционные методы шумометрии обычно регистрируют шум с частотами до 10 кГц и применяются как вспомогательные методы для локализации (распознавания) интервалов притока флюидов в скважине, обнаружения местоположения утечек в обсадных колоннах и заколонных перетоков.Traditional noise logging methods usually record noise with frequencies up to 10 kHz and are used as auxiliary methods for localization (recognition) of fluid inflow intervals in the well, location of casing leaks and behind-the-casing flows.
Развитие скважинной аппаратуры и усовершенствование методов цифровой обработки сигналов кардинально повысило надежность и уровень информативности пассивной шумометрии, что позволяет выделять шумы от различных источников (от высокоамплитудных шумов течения в скважине до слабых шумов, порождаемых фильтрацией флюида в породе пласта) и проводить их количественный анализ.The development of downhole equipment and the improvement of digital signal processing methods have dramatically increased the reliability and information content of passive noise logging, which makes it possible to isolate noise from various sources (from high-amplitude flow noise in the well to weak noise generated by fluid filtration in the formation rock) and conduct their quantitative analysis.
Из уровня техники известна заявка US 20150204184, в которой раскрыт способ и устройство скважинной шумометрии, включая способ идентификации источников акустического шума (поток флюидов в стволе скважины, поток через перфорации и элементы конструкции скважины, заколонный переток, фильтрационный поток в пласте, поток в трещине) по характерному частотному диапазону генерируемых акустических сигналов. Согласно данному документу, наиболее предпочтительно регистрировать и анализировать акустический шум в частотном диапазоне от 8 Гц до 60 кГц с частотой опроса не менее 120 кГц, а оцифрованные частотные данные предпочтительно должны состоять из 1024 дискретных частотных каналов.From the prior art, US 20150204184 is known, which discloses a method and device for downhole noise logging, including a method for identifying sources of acoustic noise (fluid flow in a wellbore, flow through perforations and well construction elements, behind-the-casing flow, filtration flow in a formation, flow in a fracture) according to the characteristic frequency range of the generated acoustic signals. According to this document, it is most preferable to record and analyze acoustic noise in the frequency range from 8 Hz to 60 kHz with a sampling rate of at least 120 kHz, and the digitized frequency data should preferably consist of 1024 discrete frequency channels.
Однако, предложенный в заявке US 20150204184 метод предусматривает автономную регистрацию шумов в скважине в ходе отдельной спуско-подъемной операции без синхронизации с другими измерениями, причем запись шума осуществляется на стоянках с некоторым шагом по глубине (во избежание появления сильных сторонних шумов, возникающих при движении сборки приборов и обусловленных скрежетом элементов сборки приборов о стенку скважины, ударами центраторов и прибора и неровности в стволе скважины и т.д.), что затрудняет проведение совместной интерпретации данных, в особенности применение алгоритмов совместной автоматизированной обработки.However, the method proposed in the application US 20150204184 provides for autonomous recording of noise in the well during a separate tripping operation without synchronization with other measurements, and the noise is recorded at stops with a certain depth step (to avoid the appearance of strong third-party noise that occurs when the assembly is moving tools and due to the grinding of tool assembly elements against the borehole wall, strikes of centralizers and tools and irregularities in the wellbore, etc.), which makes it difficult to conduct joint data interpretation, in particular, the use of joint automated processing algorithms.
Кроме того, описанный в US 20150204184 способ идентификации источников акустического шума основывается только на одном признаке - характерном частотном диапазоне генерируемых акустических сигналов.In addition, the method of identifying sources of acoustic noise described in US 20150204184 is based on only one feature - the characteristic frequency range of the generated acoustic signals.
Из уровня техники известны заявка США US 20200256834 A1 и патент США US 11215049, в которых раскрыт способ обнаружения событий в скважине на основе анализа набора признаков регистрируемых шумов в частотной области. Способ включает в себя систему сбора и обработки акустических измерений для идентификации события в скважине, состоящую из блока приемника, процессора и памяти. Способ обнаружения события в стволе скважины включает в себя получение данных измерений от датчика, расположенного в стволе скважины, определение множества характеристик регистрирумых сигналов в частотной области, сравнение полученного множества характеристик регистрируемых сигналов в частотной области с сигнатурой искомого события (или событий) и определение наличия события в стволе скважины основываясь на соответствии множества характеристик регистрирумых сигналов в частотной области пороговым значениям и диапазонам изменения характеристик известной сигнатуры искомого события. В качестве характеристик регистрируемых сигналов в частотной области в документах US 20200256834 A1 и US 11215049 указываются спектральный центроид - спектральный аналог «центра масс» выборки данных, спектральный разброс - стандартное отклонение от спектрального центроида, уровень спада - частота, выделяющая на спектре участок (от начала оси частот до полученного значения) заданной мощности, спектральная плоскостность (неравномерность) - характеристика равномерности распределения сигнала по частотному диапазону, спектральный эксцесс и асимметрия, спектральная разница - отражает спектральное изменение между двумя последующими по глубине спектрами, угол наклона спектра, автокорреляционная функция спектра и ряд других признаков.Known from the prior art is US 20200256834 A1 and US 11215049, which disclose a method for detecting events in a well based on the analysis of a feature set of recorded noise in the frequency domain. The method includes a system for collecting and processing acoustic measurements to identify an event in a well, consisting of a receiver unit, a processor, and a memory. The method for detecting an event in a wellbore includes obtaining measurement data from a sensor located in the wellbore, determining a set of characteristics of the recorded signals in the frequency domain, comparing the obtained set of characteristics of the recorded signals in the frequency domain with the signature of the desired event (or events), and determining the presence of the event in the wellbore based on the conformity of the set of characteristics of the recorded signals in the frequency domain to the threshold values and ranges of changes in the characteristics of the known signature of the desired event. As the characteristics of the recorded signals in the frequency domain, the documents US 20200256834 A1 and US 11215049 indicate the spectral centroid - the spectral analogue of the "center of mass" of the data sample, the spectral spread - the standard deviation from the spectral centroid, the level of decay - the frequency that highlights the section on the spectrum (from the beginning frequency axis to the obtained value) of a given power, spectral flatness (irregularity) - a characteristic of the uniformity of signal distribution over the frequency range, spectral kurtosis and asymmetry, spectral difference - reflects the spectral change between two subsequent spectra in depth, the slope of the spectrum, the autocorrelation function of the spectrum and the series other signs.
Основным недостатком способов, описанных в US 20200256834 A1 и US 11215049 является то, что предложенные способы ограничиваются обработкой и анализом только измерений шумов в скважине без интеграции с данными иных промыслово-геофизических исследований. Другим недостатком указанных способов является ограничение набора характеристик регистрируемых сигналов только характеристиками ("признаками") в частотной области. Расширение набора характеристик за счет включения характеристик исходных сигналов (волновых форм) во временной области, таких как частота пересечений нуля или иного фиксированного уровня, коэффициенты эксцесса и асимметрии волновых форм, энтропия сигнала, например, выборочная энтропия или аппроксимированная энтропия (например, Richinan, J.S. and Moorman, J.R. Physiological time-series analysis using approximate entropy and sample entropy. American Journal of Physiology. Heart and Circulatory Physiology. 2000. 278(6): H2039-49) повышает надежность идентификации события (например, Eyben F. Real-time speech and music classification by large audio feature space extraction. 2016. Springer Theses). Дополнительную информацию о событии в стволе скважины позволяет получить анализ изменения трендов профилей интенсивности зарегистрированного шума вдоль ствола скважины в выбранных частотных диапазонах, трендов профилей иных характеристик зарегистрированного шума и трендов профилей других измерений комплекса ПГИ.The main disadvantage of the methods described in US 20200256834 A1 and US 11215049 is that the proposed methods are limited to processing and analyzing only noise measurements in the well without integrating with data from other geophysical surveys. Another disadvantage of these methods is the limitation of the set of characteristics of the recorded signals only characteristics ("features") in the frequency domain. Extending the feature set to include characteristics of the original signals (waveforms) in the time domain, such as zero or other fixed level crossing frequency, waveform kurtosis and skewness coefficients, signal entropy, such as sample entropy or approximated entropy (e.g., Richinan, J.S. and Moorman, J. R. Physiological time-series analysis using approximate entropy and sample entropy, American Journal of Physiology, Heart and Circulatory Physiology, 2000, 278(6): H2039-49) improves the reliability of event identification (e.g., Eyben F. Real-time speech and music classification by large audio feature space extraction, 2016. Springer Theses). Additional information about the event in the wellbore can be obtained by analyzing the changes in the trends in the intensity profiles of the recorded noise along the wellbore in the selected frequency ranges, the trends in the profiles of other characteristics of the recorded noise, and the trends in the profiles of other measurements of the PLT complex.
Технический результат, достигаемый при реализации изобретения, заключается в повышении точности и достоверности определения интервалов притока и поглощения флюидов в скважине, а также сокращении времени, необходимого для интерпретации данных промыслово-геофизических исследований, и повышении разрешающей способности вдоль ствола скважины за счет совместного проведения традиционных промыслово-геофизических исследований и широкополосной скважинной шумометрии и/или распределенных акустических измерений, выполненных с помощью оптоволоконного кабеля, спущенного в скважину, с последующей совместной автоматической обработкой измерений всех используемых методов.The technical result achieved by the implementation of the invention is to increase the accuracy and reliability of determining the intervals of inflow and absorption of fluids in the well, as well as to reduce the time required for interpreting the data of field logging surveys, and to increase the resolution along the wellbore due to the joint conduct of traditional field tests. - geophysical surveys and broadband downhole noise logging and / or distributed acoustic measurements performed using a fiber optic cable lowered into the well, followed by joint automatic processing of measurements of all methods used.
Указанный технический результат достигается тем, что в соответствии с предлагаемым способом выявления интервалов притока и поглощения флюидов в работающих нефтегазовых скважинах производят регистрацию шума вдоль ствола скважины посредством устройства для измерения шума, размещенного в скважине, и одновременно осуществляют промыслово-геофизические измерения, содержащие по меньшей мере термометрию, барометрию и механическую расходометрию, при этом осуществляют контроль положения устройства для измерения шума в поперечном сечении ствола скважины. Осуществляют анализ и обработку зарегистрированных шумов во временной области, в процессе которой идентифицируют и удаляют клиппированные части сигнала, а также резкие высокоамплитудные выбросы на волновых формах. Рассчитывают распределение интенсивности зарегистрированного шума вдоль ствола скважины по меньшей мере в двух частотных диапазонах и идентифицируют глубины, где происходят резкие (например, скачки более 0.1 размаха сигнала) изменения трендов профилей интенсивности зарегистрированного шума в выбранных частотных диапазонах и профилей других промыслово-геофизических измерений по стволу скважины. На основе идентифицированных глубин резкого изменения трендов профилей строят регрессивные профили для всех измерений по стволу скважины. Производят автоматическую разметку интервалов глубин по стволу скважины, где имеют место значимые изменения каждого анализируемого регрессивного профиля, и выявляют интервалы глубин по стволу скважины в качестве кандидатов на наличие притока и поглощения флюидов, где имеет место пересечение разметок интервалов глубин по меньшей мере одного промыслово-геофизического измерения и распределения интенсивности шума по меньшей мере в одном диапазоне частот. Выбирают набор характерных параметров шумов в частотной и временной области и строят профили характерных параметров шумов по длине скважины. Производят автоматическое разбиение интервалов глубин шумопроявления на несколько групп на основе выбранного набора признаков и идентифицируют природу шумов в полученных группах интервалов глубин. Выявляют интервалы притока и поглощения флюидов путем уточнения выявленных интервалов глубин по стволу скважины в качестве кандидатов на наличие притока и поглощения флюидов на основе идентифицированной природы шума в каждой группе.This technical result is achieved by the fact that, in accordance with the proposed method for detecting intervals of inflow and absorption of fluids in operating oil and gas wells, noise is recorded along the wellbore by means of a noise measurement device located in the well, and at the same time field geophysical measurements are carried out, containing at least thermometry, barometry and mechanical flow metering, while monitoring the position of the device for measuring noise in the cross section of the wellbore. The analysis and processing of the recorded noises in the time domain is carried out, during which the clipped parts of the signal are identified and removed, as well as sharp high-amplitude spikes in the waveforms. Calculate the intensity distribution of the recorded noise along the wellbore in at least two frequency ranges and identify the depths where abrupt (for example, jumps of more than 0.1 peak-to-peak) changes in the trends of the intensity profiles of the recorded noise in the selected frequency ranges and profiles of other production geophysical measurements along the wellbore are identified wells. Based on the identified breakout depths, regression profiles are built for all wellbore measurements. Automatic marking of depth intervals along the wellbore, where there are significant changes in each analyzed regression profile, and identification of depth intervals along the wellbore as candidates for the presence of inflow and absorption of fluids, where there is an intersection of the markings of depth intervals of at least one field geophysical measuring and distributing noise intensity in at least one frequency band. A set of characteristic noise parameters is selected in the frequency and time domain and profiles of the characteristic noise parameters are built along the length of the well. Produce automatic partitioning of the depth intervals of noise into several groups based on the selected set of features and identify the nature of the noise in the resulting groups of depth intervals. Fluid inflow and loss intervals are identified by refining the identified depth intervals along the wellbore as candidates for fluid inflow and loss based on the identified noise nature in each group.
Изобретение поясняется чертежами, где на фиг. 1 приведены исходный профиль и регрессивный профиль интенсивности шума для интервала частот от 160 до 1280 Гц; на фиг. 2а показан исходный профиль и регрессивный профиль интенсивности шума для интервала частот от 5 до 10 кГц, на фиг. 2б показана разность исходного и регрессивного профилей, на фиг.2в показано медианное среднее модуля разности и его регрессивный профиль; на фиг. 3 показано определение оптимального количества кластеров; на фиг. 4 показан результат разбиения интервалов глубин шумопроявления на несколько кластеров и профили некоторых характеристик спектра и волновых форм; на фиг. 5а приведены типичные спектры шумов, зарегистрированных в интервале притока газа, выше зоны притока газа и значительно ниже зоны притока газа, где имеет место однофазное течение воды в скважине, на фиг.5б приведены волновые формы шумов, зарегистрированных в интервале притока газа, выше зоны притока газа и значительно ниже зоны притока газа, где имеет место однофазное течение воды в скважине; на фиг. 6а показаны спектры, а на фиг. 6б - волновые формы шумов, зарегистрированных в лабораторном эксперименте с притоком газа в заполненную водой емкость; на фиг. 7 показаны исходный профиль и регрессивный профиль расходомера, а также показана разность исходного и регрессивного профилей; на фиг.8 показаны исходный профиль и регрессивный профиль влагомера, а также разность исходного и регрессивного профилей; на фиг.9 приведены исходный профиль и регрессивный профиль датчика температуры, а также показана разность исходного и регрессивного профилей.The invention is illustrated by drawings, where in Fig. 1 shows the initial profile and the regressive noise intensity profile for the frequency range from 160 to 1280 Hz; in fig. 2a shows the original profile and the regressive noise intensity profile for the frequency range from 5 to 10 kHz, FIG. 2b shows the difference between the original and regression profiles, fig.2c shows the median mean of the modulus of the difference and its regression profile; in fig. 3 shows the determination of the optimal number of clusters; in fig. 4 shows the result of splitting the intervals of the depths of noise manifestation into several clusters and profiles of some characteristics of the spectrum and waveforms; in fig. 5a shows typical spectra of noise recorded in the gas inflow interval, above the gas inflow zone and significantly below the gas inflow zone, where there is a single-phase flow of water in the well, fig.5b shows the waveforms of noise recorded in the gas inflow interval, above the inflow zone gas and well below the gas inflow zone, where there is a single-phase flow of water in the well; in fig. 6a shows the spectra, and Fig. 6b - waveforms of noise recorded in a laboratory experiment with gas inflow into a container filled with water; in fig. 7 shows the initial profile and the regression profile of the flow meter, and also shows the difference between the initial and regression profiles; Fig. 8 shows the initial profile and the regressive profile of the moisture meter, as well as the difference between the initial and regressive profiles; figure 9 shows the original profile and the regressive profile of the temperature sensor, and shows the difference between the original and regressive profiles.
В соответствии с предлагаемым способом выявления интервалов притока и поглощения флюидов производят регистрацию шума по стволу скважины совместно с другими измерениями комплекса промыслово-геофизических исследований (включающими по меньшей мере термометрию, барометрию и механическую расходометрию), выполняемыми в соответствии со стандартными методиками, например, Ипатов А.И., Кременецкий М.И. Геофизический и гидродинамический контроль разработки месторождений углеводородов, М., НИЦ «Регулярная и хаотическая динамика», Институт компьютерных исследований, 2006, подглава 2.5.2, стр. 107-126.; Hill A.D. Production logging: theoretical and interpretive elements, SPE Monograph. Series 14, 1990, chapters 4, 6, 9, pages 19-36, 61-75, 90-111.In accordance with the proposed method for identifying intervals of inflow and loss of fluids, noise is recorded along the wellbore together with other measurements of the well logging complex (including at least thermometry, barometry and mechanical flow metering) performed in accordance with standard methods, for example, Ipatov A. .I., Kremenetsky M.I. Geophysical and hydrodynamic control of the development of hydrocarbon deposits, M., Research Center "Regular and Chaotic Dynamics", Institute for Computer Research, 2006, subchapter 2.5.2, pp. 107-126 .; Hill A.D. Production logging: theoretical and interpretive elements, SPE Monograph. Series 14, 1990,
В соответствии с одним из вариантов реализации изобретения регистрацию шума внутри ствола скважины производят с помощью скважинного прибора (шумомера), содержащего по меньшей мере один детектор шума. В процессе измерений осуществляют контроль положения скважинного прибора регистрации шума (шумомера) в поперечном сечении ствола скважины, что обеспечивается, например, использованием соответствующего количества и типа центраторов исходя из известной массы сборки приборов (предпочтительно обеспечение центрирования прибора вблизи оси скважины).In accordance with one embodiment of the invention, the registration of noise inside the wellbore is performed using a downhole tool (sound level meter) containing at least one noise detector. In the course of measurements, the position of the downhole noise recording device (sound level meter) in the cross section of the wellbore is monitored, which is ensured, for example, by using the appropriate number and type of centralizers based on the known mass of the instrument assembly (preferably ensuring that the device is centered near the axis of the well).
Предпочтительно, минимальная частота регистрируемого шума не превышает 150 Гц, а максимальная частота регистрируемого шума составляет не ниже 40 кГц.Preferably, the minimum recorded noise frequency does not exceed 150 Hz, and the maximum recorded noise frequency is not lower than 40 kHz.
Предпочтительно регистрацию шума в скважине осуществляют в режиме непрерывной протяжки (т.е. при движении связки приборов по стволу скважины) синхронно в связке с другими приборами, используемыми для проведения комплекса промыслово-геофизических исследований. При этом поддерживают стабильную скорость протяжки скважинных приборов (т.е. скорость движения связки приборов по стволу скважины), избегая резких скачков (что контролируется, например, скоростью вращения барабана геофизической лебедки).Preferably, the noise registration in the well is carried out in the continuous drawing mode (ie, when a bunch of tools move along the wellbore) synchronously in conjunction with other tools used to conduct a complex of field geophysical surveys. At the same time, a stable speed of pulling downhole tools is maintained (i.e., the speed of movement of a bunch of tools along the wellbore), avoiding sudden jumps (which is controlled, for example, by the speed of rotation of the geophysical winch drum).
Предпочтительно скорость протяжки скважинных приборов не превышает 300 м/ч.Preferably, the speed of pulling downhole tools does not exceed 300 m/h.
При регистрации шума в режиме непрерывной протяжки предпочтительно ряд измерений осуществляют на остановках для получения "референского" шума, т.е. шума в скважине без влияния сильных сторонних шумов, возникающих при движении связки приборов по стволу скважины. Предпочтительный шаг проведения записи на остановках по стволу скважины 50 метров.When recording noise in the continuous drive mode, preferably a number of measurements are taken at stops to obtain a "reference" noise, i.e. noise in the well without the influence of strong external noise arising from the movement of a bunch of tools along the wellbore. The preferred recording step at stops along the wellbore is 50 meters.
В соответствии с другим вариантом осуществления изобретения шум по стволу скважины регистрируют с помощью оптоволоконного кабеля, спущенного в скважину.In accordance with another embodiment of the invention, borehole noise is recorded using a fiber optic cable lowered into the borehole.
Регистрация шума с помощью оптоволоконного кабеля может осуществляться в дополнение к измерениям, выполненным с помощью скважинного шумомера.Noise recording with fiber optic cable can be performed in addition to measurements made with a downhole sound level meter.
Осуществляют анализ и обработку зарегистрированных шумов во временной области, в процессе которой идентифицируют и удаляют клиппированные части сигнала, а также резкие высокоамплитудные выбросы на волновых формах, вызванные, например, механическими ударами центраторов или шумомера или иных приборов, входящих в сборку, о стенки скважины.The recorded noise is analyzed and processed in the time domain, during which clipped parts of the signal are identified and removed, as well as sharp high-amplitude surges on waveforms caused, for example, by mechanical impacts of centralizers or a sound level meter or other devices included in the assembly against the borehole walls.
Предпочтительно делают дополнительную коррекцию относительных сдвигов датчиков по глубине для их привязки к единой глубине, обычно отсчет идет от крайнего прибора в связке.Preferably, an additional correction is made for the relative shifts of the sensors in depth to bind them to a single depth, usually the reading comes from the outermost device in the bundle.
Рассчитывают распределение интенсивности зарегистрированного шума вдоль ствола скважины не менее, чем в двух частотных диапазонах и автоматически идентифицируют глубины, где происходят резкие изменения трендов профилей интенсивности зарегистрированного шума в выбранных частотных диапазонах и профилей других измерений комплекса ПГИ по стволу скважины ("профилем" традиционно называют распределение некоторого параметра, например результата измерения некоторого прибора, вдоль ствола скважины).Calculate the intensity distribution of the recorded noise along the wellbore in at least two frequency ranges and automatically identify the depths where there are sharp changes in the trends of the intensity profiles of the recorded noise in the selected frequency ranges and profiles of other measurements of the PLT complex along the wellbore ("profile" is traditionally called the distribution some parameter, for example, the measurement result of some instrument, along the wellbore).
Основываясь на идентифицированных глубинах резкого изменения трендов профилей, автоматически строят регрессивные профили для измерений шумомера и других измерений комплекса ПГИ по стволу скважины. В качестве регрессивных профилей могут использоваться, например, кусочно-линейные профили с разрывами.Based on the identified depths of sharp change in profile trends, regression profiles are automatically built for sound level meter measurements and other measurements of the PLT complex along the wellbore. As regressive profiles, for example, piecewise linear profiles with discontinuities can be used.
При необходимости рассматривают разность исходного и регрессивного профиля, которая помимо случайного измерительного шума может содержать в себе и некоторый остаточный полезный сигнал. Для использования последнего в анализе эту разность можно отфильтровать от измерительного шума, например, осреднением, а затем построить вторичный регрессивный профиль для результата фильтрации.If necessary, consider the difference between the initial and regressive profile, which, in addition to random measurement noise, may also contain some residual useful signal. To use the latter in the analysis, this difference can be filtered from the measurement noise, for example, by averaging, and then a secondary regression profile can be built for the filtering result.
Производят автоматическую разметку интервалов глубин по стволу скважины, где имеют место события - значимые изменения каждого анализируемого регрессивного профиля. Под значимым изменением имеются в виду скачки профиля, скачки его наклона, и другие характерные аномалии графика профиля; список и количественные характеристики таких аномалий должен быть составлен заранее экспертами для каждого типа профиля (например, для регрессивного профиля расходомера аномалией может считаться скачок профиля более 0.05 размаха сигнала).Automatic marking of depth intervals along the wellbore is carried out, where events take place - significant changes in each analyzed regression profile. A significant change refers to profile jumps, jumps in its slope, and other characteristic anomalies in the profile graph; the list and quantitative characteristics of such anomalies should be compiled in advance by experts for each type of profile (for example, for a regressive flowmeter profile, a profile jump of more than 0.05 signal peak-to-peak can be considered an anomaly).
При этом тип профиля определяется как физикой измерений (термометрия, расходометрия, частотный диапазон шумометрии и т.д.), так и тем, является ли он вторичным (в смысле определения, приведенном в предыдущем пункте)In this case, the type of profile is determined both by the physics of measurements (thermometry, flow metering, frequency range of noise logging, etc.), and whether it is secondary (in the sense of the definition given in the previous paragraph)
Производят автоматическую локализацию интервалов глубин по стволу скважины в качестве кандидатов на наличие притока и поглощения флюидов, где имеет место пересечение разметок интервалов глубин хотя бы одного измерения ПГИ и распределения интенсивности шума хотя бы в одном диапазоне частот.Automatic localization of depth intervals along the wellbore as candidates for the presence of inflow and absorption of fluids, where there is an intersection of the markings of the depth intervals of at least one PLT measurement and the distribution of noise intensity in at least one frequency range.
Выбирают набор характерных параметров ('признаков') шумов в частотной и временной области, строят профили характерных параметров шумов по длине скважины. Количество признаков должно быть не менее трех, выбор признаков осуществляют исходя из их чувствительности (вариативности вдоль ствола скважины) и отсутствия сильной корреляции между отобранными признаками; подробное описание наиболее распространенных признаков, используемых для автоматического распознавания речи и классификации музыки можно найти, например в Eyben F. Real-time speech and music classification by large audio feature space extraction. 2016. Springer Theses.Select a set of characteristic parameters ('features') of noise in the frequency and time domain, build profiles of characteristic noise parameters along the length of the well. The number of features should be at least three, the selection of features is based on their sensitivity (variability along the wellbore) and the absence of a strong correlation between the selected features; a detailed description of the most common features used for automatic speech recognition and music classification can be found, for example, in Eyben F. Real-time speech and music classification by large audio feature space extraction. 2016. Springer Theses.
Производят автоматическое разбиение интервалов глубин шумопроявления на несколько групп (кластеров) на основе выбранного набора признаков, например, путем применения кластерного анализа.The noise depth intervals are automatically divided into several groups (clusters) based on the selected set of features, for example, by applying cluster analysis.
Идентифицируют природу шумов в выделенных группах интервалов глубин, например, путем сопоставления с набором признаков шумов типичных источников (шум многофазного течения в скважине, шум притока, шум в пласте, и т.д.), известных на основе моделирования или из лабораторных или полевых тестов.Identifies the nature of the noise in the identified groups of depth intervals, for example, by comparing with a set of noise features of typical sources (multiphase flow noise in the well, inflow noise, reservoir noise, etc.) known from simulations or from laboratory or field tests .
Производят автоматическое уточнение интервалов глубин по стволу скважины в качестве кандидатов на наличие притока и поглощения флюидов на основе идентифицированной на предыдущем шаге природы шума в каждой группе.Produce automatic refinement of depth intervals along the wellbore as candidates for the presence of inflow and absorption of fluids based on the nature of the noise identified in the previous step in each group.
Другим вариантом уточнения интервалов глубин по стволу скважины в качестве кандидатов на наличие притока и поглощения флюидов является выделения "уникальной" группы интервалов глубин, соответствующей одному или нескольким локализованным в узком интервале глубин откликам шума, что типично для интервалов притока и поглощения флюидов.Another option for refining depth intervals along the wellbore as candidates for fluid inflow and loss is to identify a "unique" group of depth intervals corresponding to one or more noise responses localized in a narrow depth interval, which is typical for fluid inflow and loss intervals.
При совместной обработке данных шумометрии и промыслово-геофизических исследований, записанных в горизонтальном стволе скважины (на этапе автоматической локализации интервалов глубин по стволу скважины на наличие интервалов притока и поглощения флюидов, где имеет место пересечение разметок интервалов глубин хотя бы одного измерения ПГИ и распределения интенсивности шума хотя бы в одном диапазоне частот), предпочтительно проводят автоматическую локализацию интервалов глубин, где имеет место изменение тренда графика глубины скважины (например, окрестности минимума, максимума, точек перегиба), для более надежного разделения откликов шумов и промыслово-геофизических измерений, обусловленных влиянием траектории, от откликов шумов и промыслово-геофизических измерений, вызванных наличием интервалов притока и поглощения флюидов.During joint processing of noise logging data and production logging data recorded in a horizontal wellbore (at the stage of automatic localization of depth intervals along the wellbore for the presence of fluid inflow and absorption intervals, where there is an intersection of the depth interval markings of at least one PLT measurement and noise intensity distribution in at least one frequency range), it is preferable to automatically localize depth intervals where there is a change in the trend of the well depth graph (for example, the vicinity of the minimum, maximum, inflection points), for a more reliable separation of noise responses and production geophysical measurements due to the influence of the trajectory , from noise responses and production logging measurements caused by the presence of fluid inflow and loss intervals.
В качестве примера реализации разработанный алгоритм был применен к набору полевых данных, замеренных в вертикальной скважине, преимущественно заполненной водой, с притоком газа в интервале от 380 до 394 футов и воды в интервалах от 522 до 534 футов и от 582 до 600 футов. На скважине проведен комплекс промыслово-геофизических исследований (ПГИ), включающий термометрию, барометрию, плотностеметрию, механическую расходометрию, а также широкополосную скважинную шумометрию. Регистрация шумов была выполнена индустриальным скважинным шумомером в диапазоне частот от 8 Гц до 60 кГц. Включение в сборку приборов центратора обеспечивало центрирование шумомера вблизи оси скважины (как показывают результаты численного моделирования, распределение спектра акустического давления значительно варьируется по сечению скважины, поэтому неконтролируемые смещения положения шумомера в сечении скважины значительно усложняют интерпретацию зарегистрированных шумов, например Мутовкин Н.В., Михайлов Д.Н., Софронов И.Л. Трехмерное моделирование акустического поля в скважине, возбуждаемого источником в пласте. Труды МФТИ. 2020. Vol.12, №1. Р. 143-153).As an example implementation, the developed algorithm was applied to a field dataset measured in a predominantly water-filled vertical well with gas inflow from 380 to 394 feet and water from 522 to 534 feet and from 582 to 600 feet. A complex of field geophysical surveys (PLT) was carried out at the well, including thermometry, barometry, density metering, mechanical flow metering, as well as broadband borehole noise logging. Noise registration was performed with an industrial downhole sound level meter in the frequency range from 8 Hz to 60 kHz. The inclusion of a centralizer in the assembly of devices ensured the centering of the sound level meter near the axis of the well (as the results of numerical simulation show, the distribution of the acoustic pressure spectrum varies significantly over the well section, so uncontrolled displacements of the position of the sound level meter in the well section significantly complicate the interpretation of the recorded noise, for example, Mutovkin N.V., Mikhailov D.N., Sofronov I.L. Three-dimensional modeling of the acoustic field in a well, excited by a source in the reservoir, Proceedings of the Moscow Institute of Physics and Technology, 2020, Vol.12, No. 1, pp. 143-153).
Та часть алгоритма, которая отвечает за анализ резкого изменения трендов профилей показаний различных приборов вдоль ствола скважины, использует выделение точек скачков графика исходного профиля для построения так называемых регрессивных профилей. Скачки графика какой-либо функции можно находить различными методами, например с помощью подхода PELT (Pruned Exact Linear Time), представленным в Killick R, Fearnhead P, Eckley IA: PELT Algorithm: Optimal detection of changepoints with a linear computational cost // 2012, The Journal of the Acoustical Society of America.The part of the algorithm that is responsible for the analysis of the sharp change in the trends of the reading profiles of various instruments along the wellbore uses the selection of jump points of the original profile graph to build the so-called regression profiles. Jumps in the graph of any function can be found using various methods, for example, using the PELT (Pruned Exact Linear Time) approach presented in Killick R, Fearnhead P, Eckley IA: PELT Algorithm: Optimal detection of changepoints with a linear computational cost // 2012, The Journal of the Acoustical Society of America.
В качестве регрессивных профилей измерений шумомера использовались кусочно-линейные профили с разрывами. Они получены автоматически с помощью PELT, выделяющего скачки, и последующего применения линейной регрессии между скачками.Piecewise linear profiles with discontinuities were used as regressive sound level meter measurement profiles. They are obtained automatically using PELT highlighting the jumps and then applying a linear regression between the jumps.
Для локализации интервалов притока воды анализировалась низкочастотная часть сигнала шумомера в трех-октавном интервале частот от 160 до 1280 Гц. На Фиг. 1 изображены исходный (пунктирная линия) и регрессивный (сплошная жирная линия) профили интенсивности шума в данном диапазоне частот.To localize the intervals of water inflow, the low-frequency part of the sound level meter signal was analyzed in the three-octave frequency range from 160 to 1280 Hz. On FIG. 1 shows the original (dashed line) and regressive (solid thick line) noise intensity profiles in a given frequency range.
Локализация в регрессивном профиле интервалов притока воды в местах скачков изменения уровня шума проводится, например, с использованием модели слабого контроля (WS, weak supervision), Ratner А., Sa C.D., Wu S., Selsam D., Re C. Data Programming: Creating Large Training Sets, Quickly, 2016. В этой вероятностной модели машинного обучения без учителя вместо традиционной экспертной разметки применяются наборы данных, получаемые в результате работы слабых разметочных функций (LFs, labelling functions). Последние могут представлять собой эмпирические или любые другие правила, которые по отдельности не обязаны быть точными, могут не охватывать множество всех возможных объектов для разметки и могут даже противоречить друг другу. В нашем примере мы используем для функций разметки выжимку из экспертных знаний, описанных в литературе, отчетах и т.п., имеющих отношение к анализируемому процессу (например, одним из таких правил является возрастание вниз по потоку уровня низкочастотного шума, генерируемого движением флюида в скважине в результате притока воды). Так как итоговое решение строится с оценкой неопределенности, не требуется жесткого контроля над качеством функций разметки - они должны быть просто достаточно адекватны с точки зрения эксперта. В модели слабого контроля наборы данных, генерируемые «неточными» разметочными функциями, описываются как «зашумленные». Соответственно, в процессе построения модели происходит избавление от этого шума благодаря учету корреляций между наборами данных; тем самым формируется итоговая разметка.Localization in the regressive profile of water inflow intervals in places of jumps in noise level change is carried out, for example, using the weak supervision model (WS, weak supervision), Ratner A., Sa C.D., Wu S., Selsam D., Re C. Data Programming: Creating Large Training Sets, Quickly, 2016. This probabilistic unsupervised machine learning model uses datasets resulting from the work of weak labeling functions (LFs, labeling functions) instead of traditional expert labeling. The latter may be empirical or any other rules that individually are not required to be exact, may not cover the set of all possible objects for markup, and may even contradict each other. In our example, we use for marking functions a squeeze of expert knowledge described in the literature, reports, etc., relevant to the analyzed process (for example, one of these rules is the increase downstream of the level of low-frequency noise generated by the movement of fluid in the well due to influx of water). Since the final solution is built with an estimate of the uncertainty, there is no need for strict control over the quality of the labeling functions - they just need to be adequate enough from the expert's point of view. In the weak control model, the datasets generated by "imprecise" labeling functions are described as "noisy". Accordingly, in the process of building a model, this noise is eliminated by taking into account correlations between data sets; thus forming the final markup.
Результатом применения алгоритма явилась итоговая разметка интервалов глубин в окрестности скачков интенсивности шума, отмеченных на Фиг. 1 точками А и Б, как кандидатов на притоки воды. Видно, что в этих местах происходит заметное возрастание уровня низкочастотного шума, генерируемого движением жидкости в скважине (поток в скважине идет в направлении уменьшения глубины), которое вызвано, скорее всего, притоками воды, усиливающими степень турбулентности потока в скважине.The result of the application of the algorithm was the final marking of the depth intervals in the vicinity of the jumps in the noise intensity, marked in Fig. 1 points A and B as candidates for water inflows. It can be seen that in these places there is a noticeable increase in the level of low-frequency noise generated by the movement of fluid in the well (the flow in the well goes in the direction of decreasing depth), which is most likely caused by water inflows, which increase the degree of turbulence of the flow in the well.
Для выделения интервалов притока газа использовалась высокочастотная часть сигнала шумомера в одно-октавном интервале частот от 5 до 10 кГц. На Фиг. 2а изображены исходный (пунктирная линия) и регрессивный (сплошная жирная линия) профили интенсивности шума в данном диапазоне частот, на Фиг. 2б - их разность, на Фиг. 2в - регрессивный профиль (жирная сплошная линия) для графика усредненного модуля разности (пунктирная линия) по окну шириной 16 м.The high-frequency part of the sound level meter signal in the one-octave frequency range from 5 to 10 kHz was used to identify the gas inflow intervals. On FIG. 2a shows the original (dashed line) and regressive (solid thick line) noise intensity profiles in a given frequency range, FIG. 2b - their difference, in Fig. 2c - regression profile (thick solid line) for the graph of the average difference modulus (dashed line) over a window 16 m wide.
Одним из экспертных правил для построения описанной выше модели слабого контроля для локализации притока газа в жидкость является повышение высокочастотной составляющей шумопроявления вниз по потоку (шум турбулентной газо-водяной смеси). Анализ в рассмотренном примере состоит из двух этапов: выделение привносимого высокочастотного шума из общего шума потока - Фиг. 2б, и нахождение интервала повышения этого шума - точка В на графиках 2в.One of the expert rules for constructing the weak control model described above for localizing the influx of gas into a liquid is to increase the high-frequency component of the downstream noise (noise of a turbulent gas-water mixture). The analysis in the considered example consists of two stages: separation of the introduced high-frequency noise from the total flow noise - Fig. 2b, and finding the interval for increasing this noise - point B on graphs 2c.
Отметим, что условное деление сигнала шумомера на частотные диапазоны в данном примере, например, низкочастотный 160-1280 Гц и высокочастотный 5-10 кГц, также представляют собой варианты экспертных правил. Они не являются жесткими, и могут быть заменены или дополнены аналогичными правилами с другими значениями диапазонов.Note that the conditional division of the sound level meter signal into frequency ranges in this example, for example, low-frequency 160-1280 Hz and high-frequency 5-10 kHz, are also variants of expert rules. They are not rigid, and can be replaced or supplemented by similar rules with other range values.
В данном примере в другой части алгоритма, которая отвечает за анализ характеристик зарегистрированных шумов в частотной и временной области для уточнения интервалов глубин притока, использовался следующий набор характерных параметров (признаков):In this example, in another part of the algorithm, which is responsible for analyzing the characteristics of the recorded noise in the frequency and time domain to refine the inflow depth intervals, the following set of characteristic parameters (features) was used:
1. Спектральный центроид - спектральный аналог «центра масс» выборки данных:1. Spectral centroid - spectral analogue of the "center of mass" of the data sample:
где K - количество частотных каналов в спектре, fk - значение частоты с индексом k, Xk - амплитуда спектра для k-го значения частоты.where K is the number of frequency channels in the spectrum, f k is the frequency value with index k, X k is the amplitude of the spectrum for the k-th frequency value.
2. Спектральная плоскостность (неравномерность) - характеристика равномерности распределения сигнала по частотному диапазону:2. Spectral flatness (irregularity) - a characteristic of the uniformity of the signal distribution over the frequency range:
F=(среднее геометрическое)/(среднее арифметическое) Высокая спектральная плоскостность указывает на то, что мощность спектра распределена равномерно во всем диапазоне частот (сигнал близок к белому шуму). Низкая спектральная плоскостность отражает тот факт, что мощность сигнала сосредоточена в относительно небольшом диапазоне частот.F=(geometric mean)/(arithmetic mean) High spectral flatness indicates that the power of the spectrum is distributed evenly over the entire frequency range (the signal is close to white noise). The low spectral flatness reflects the fact that the signal power is concentrated in a relatively small frequency range.
3. Угол наклона спектра - количественно характеризует основной угол спада спектра (например, в приближении степенной аппроксимации).3. Slope of the spectrum - quantitatively characterizes the main angle of decline of the spectrum (for example, in the approximation of a power-law approximation).
4. Количество пиков на спектре.4. The number of peaks in the spectrum.
5. Первые три кепстральные коэффициенты (СЕР) - вычисляются по формуле (например, Eyben F. Real-time speech and music classification by large audio feature space extraction. 2016. Springer Theses):5. The first three cepstral coefficients (CEP) are calculated by the formula (for example, Eyben F. Real-time speech and music classification by large audio feature space extraction. 2016. Springer Theses):
где FFT(x) - спектр шума.where FFT(x) is the noise spectrum.
6. Спектральный разброс - стандартное отклонение от спектрального центроида.6. Spectral spread - standard deviation from the spectral centroid.
7. Уровень спада - частота, выделяющая на спектре участок (от начала оси частот до полученного значения) заданной мощности. Рассматривались уровни спада сигнала 50% и 75%.7. Decline level - a frequency that selects a section on the spectrum (from the beginning of the frequency axis to the obtained value) of a given power. Signal decay levels of 50% and 75% were considered.
8. Спектральная энтропия:8. Spectral entropy:
9. Спектральная разница - отражает спектральное изменение между двумя последующими по глубине спектрами. Вычисляется как квадрат разности между значениями спектров на глубинах m и m-1: 
10. Коэффициент асимметрии волновых форм - третий центральный момент Дз, деленный на стандартное отклонение в третьей степени σ3:10. Coefficient of asymmetry of waveforms - the third central moment Dz, divided by the standard deviation to the third power σ 3 :
11. Коэффициент асимметрии спектра:11. Spectrum asymmetry coefficient:
где С - спектральный центроид.where C is the spectral centroid.
12. Коэффициент эксцесса - характеристика распределения вероятности, для волновых форм рассчитывающаяся как четвертый центральный момент μ4, деленный на стандартное отклонение (квадратный корень от дисперсии) в четвертой степени σ4 по формуле:12. Kurtosis coefficient - a characteristic of the probability distribution, for waveforms calculated as the fourth central moment μ 4 divided by the standard deviation (square root of the dispersion) to the fourth power σ 4 according to the formula:
13. Коэффициент эксцесса спектра:13. Spectrum kurtosis coefficient:
где С - спектральный центроид.where C is the spectral centroid.
14. Частота пересечений нуля:14. Frequency of zero crossings:
где sn - n-е значение сигнала, состоящего из N точек, 
15. Выборочная энтропия (sample entropy) - один из вариантов оценивания энтропии динамических систем и временных рядов данных (например, Richman, J.S. and Moorman, J.R. Physiological time-series analysis using approximate entropy and sample entropy. American Journal of Physiology. Heart and Circulatory Physiology. 2000. 278(6): H2039-49).15. Sample entropy is one of the options for estimating the entropy of dynamic systems and time series of data (for example, Richman, J.S. and Moorman, J.R. Physiological time-series analysis using approximate entropy and sample entropy. American Journal of Physiology. Heart and
В общем случае может быть использована лишь часть из описанных выше признаков или добавлены иные характеристики регистрируемых шумов в частотной и временной области. Подробное описание наиболее распространенных признаков, используемых для автоматического распознавания речи и классификации музыки можно найти, например в Eyben F. Real-time speech and music classification by large audio feature space extraction. 2016. Springer Theses.In the general case, only a part of the features described above can be used, or other characteristics of the recorded noise in the frequency and time domains can be added. A detailed description of the most common features used for automatic speech recognition and music classification can be found, for example, in Eyben F. Real-time speech and music classification by large audio feature space extraction. 2016. Springer Theses.
Для автоматического разбиения интервалов глубин шумопроявления на несколько групп (кластеров) на основе выбранных признаков применялся метод кластеризации К-средних (K-means), описание которого приведено, например в MacQueen, J.В. Some Methods for classification and analysis of multivariate observations. Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967. V. 1. University of California Press, 281-297.To automatically partition the intervals of noise manifestation depths into several groups (clusters) based on the selected features, the K-means clustering method was used, the description of which is given, for example, in MacQueen, J.V. Some Methods for classification and analysis of multivariate observations. Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967. V. 1. University of California Press, 281-297.
Особенностью метода K-средних является чувствительность к заданному количеству кластеров. В нашем примере оптимальное количество кластеров определялось на основе значений двух критериев:A feature of the K-means method is its sensitivity to a given number of clusters. In our example, the optimal number of clusters was determined based on the values of two criteria:
• инерция - близость точек данных, выделенных в один кластер, к центру кластера;• inertia - proximity of data points allocated in one cluster to the center of the cluster;
• силуэт - характеристика удаленности точек одного кластера друг от точек другого, а также близости точек в кластере.• silhouette - a characteristic of the remoteness of the points of one cluster from the points of another, as well as the proximity of the points in the cluster.
Оптимальному количеству кластеров соответствуют максимальное значение силуэта и точке излома кривой инерции. В представленном примере оптимальное количество кластеров - пять (Фиг. 3).The optimal number of clusters corresponds to the maximum value of the silhouette and the break point of the inertia curve. In the presented example, the optimal number of clusters is five (Fig. 3).
Результат разбиения интервалов глубин шумопроявления на несколько групп (кластеров) и профили некоторых характеристик спектра и волновых форм представлены на Фиг. 4.The result of splitting the intervals of noise manifestation depths into several groups (clusters) and the profiles of some characteristics of the spectrum and waveforms are shown in Fig. four.
Анализируя полученные профили характеристик шумов в частотной и временной области, а также разбиение интервалов глубин шумопроявления на кластеры, можно сделать вывод, что зонам притока соответствуют резкие скачкообразные (в некоторых случаях ступенчатые) изменения характеристик. В представленном примере зона притока газа соответствует резким изменениям всех семи устойчивых характеристик и выделяется в отдельный кластер №3.Analyzing the obtained profiles of noise characteristics in the frequency and time domains, as well as dividing the intervals of noise manifestation depths into clusters, we can conclude that sharp jumps (in some cases, stepwise) changes in characteristics correspond to inflow zones. In the presented example, the gas inflow zone corresponds to sharp changes in all seven stable characteristics and is allocated to a separate cluster No. 3.
Также автоматически выделяется участок ствола скважины (кластер №4) с пузырьковым течением газа в водяном потоке, реализующимся выше зоны притока газа. Данный режим течения может обеспечивать акустический сигнал в низко- и среднечастотном диапазоне (<10 кГц).Also, a section of the wellbore (cluster No. 4) with bubble gas flow in the water flow, which is realized above the gas inflow zone, is automatically allocated. This flow regime can provide an acoustic signal in the low and medium frequency range (<10 kHz).
Сравнение типичных спектров и волновых форм шумов, зарегистрированных в интервале притока газа, выше зоны притока газа и значительно ниже зоны притока газа, где имеет место однофазное течение воды в скважине, приведено на Фиг. 5а и Фиг. 5б.A comparison of typical noise spectra and waveforms recorded in the gas inflow interval, above the gas inflow zone and well below the gas inflow zone, where single-phase water flow in the well takes place, is shown in FIG. 5a and Fig. 5 B.
Природа шумов в выделенных кластерах замеров шумометрии в скважине (Фиг. 4) может быть идентифицирована путем сравнения с "референсными" спектрами и волновыми формами, например, для шумов, зарегистрированных в лабораторных эспериментах с контролируемыми условиями. В качестве примера на Фиг. 6 приведены спектры и волновые формы шумов, зарегистрированных в лабораторном эксперименте с притоком газа при различных расходах в заполненную водой большую емкость, внутренние стенки которой покрыты звукопоглощающим материалом. Записи шума произведены гидрофоном, находящемся внутри емкости с водой над точкой инжекции газа. На Фиг. 6а представлена типичная волновая форма, соответствующая малым расходам газа, когда газ движется через жидкость в виде отдельных свободно всплывающих пузырьков ("свободный барботаж"). На волновой форме четко прослеживаются одиночные импульсы, генерируемые отдельными пузырьками газа. На Фиг. 6б представлена типичная волновая форма шума при более высоких расходах газа, когда последовательно отрывающиеся от отверстия пузырьки соприкасаются друг с другом и поднимаются в жидкости в виде цепочки пузырьков ("цепной барботаж").The nature of the noise in the selected downhole sound log clusters (FIG. 4) can be identified by comparison with "reference" spectra and waveforms, for example, for noise recorded in controlled laboratory experiments. As an example, in FIG. Figure 6 shows the spectra and waveforms of noise recorded in a laboratory experiment with gas inflow at various flow rates into a large container filled with water, the inner walls of which are covered with sound-absorbing material. Noise recordings were made with a hydrophone inside a water tank above the gas injection point. On FIG. 6a shows a typical waveform corresponding to low gas flow rates, when the gas moves through the liquid in the form of individual free-floating bubbles ("free bubbling"). The waveform clearly shows single pulses generated by individual gas bubbles. On FIG. 6b shows a typical noise waveform at higher gas flow rates, when bubbles sequentially detached from the orifice touch each other and rise in the liquid in the form of a chain of bubbles ("chain bubbling").
Сопоставление волновых форм и спектров замеров шумометрии (Фиг. 5а и Фиг. 5б) в зоне притока газа (глубина 390 футов, кластер №3) и выше притока газа (глубина 365 футов, кластер №4) со спектрами и волновыми формами шумов, зарегистрированных в лабораторных эспериментах (Фиг. 6а и Фиг. 6б), позволяют идентифицировать природу шума в соответствующих кластерах - шум, генерируемый цепочкой пузырьков в зоне притока газа (кластер №3) и шум, генерируемый взаимодействием прибора с пузырьковым течением газа в водяном потоке в зоне выше притока газа (кластер №4). В частности, как для полевых, так и для лабораторных спектров шумов характерны максимумы в частотном диапазоне от 1 до 3 кГц и спад спектральной плотности с ростом частоты по степенному закону в частотном диапазоне от 5 до 20 кГц.Comparison of waveforms and spectra of sound level measurements (Fig. 5a and Fig. 5b) in the gas inflow zone (390 ft. depth, cluster #3) and above the gas inflow (365 ft. depth, cluster #4) with the spectra and waveforms of the noise recorded in laboratory experiments (Fig. 6a and Fig. 6b) make it possible to identify the nature of the noise in the respective clusters - the noise generated by a chain of bubbles in the gas inflow zone (cluster No. 3) and the noise generated by the interaction of the device with the bubble gas flow in the water flow in the zone above the gas inflow (cluster No. 4). In particular, both field and laboratory noise spectra are characterized by maxima in the frequency range from 1 to 3 kHz and a decrease in spectral density with increasing frequency according to a power law in the frequency range from 5 to 20 kHz.
Для анализа изменения трендов профилей показаний различных приборов ПГИ вдоль ствола скважины применяются те же алгоритмы, что и для анализа изменения трендов профилей интенсивности шума (Фиг. 1 и Фиг. 2). При этом нужно учитывать следующее. Вид регрессивных профилей и процедура их построения могут зависеть от типа измерения и даже от конструктивных особенностей прибора. Например, для влагомера могут применяться кусочно-постоянные профили, для температуры может оказаться полезным применение кусочно-линейных профилей с разрывами для производной сигнала датчика вдоль ствола скважины и т.д. После того как построены регрессивные профили для замеров рассматриваемых приборов, их совместный анализ выполняется, например, с использованием модели слабого контроля, в которой для функций разметки могут использоваться экспертные знания как для каждого регрессивного профиля в отдельности, так и совместного проявления значимых изменений в двух или более регрессивных профилях. Также при совместном анализе регрессивных профилей учитывается то, что для разных датчиков они могут иметь разные координаты скачков для одного и того же события, например притока, и то, что само событие имеет некоторую протяженность. Для этого вводится окно заданного размера, в котором событие рассматривается, и «непрерывная» траектория при разметке заменяется на оконные интервалы размером, например, 5 метров.The same algorithms are used to analyze the change in trends in the reading profiles of various PLT tools along the wellbore as for the analysis of changes in the trends in noise intensity profiles (Fig. 1 and Fig. 2). In doing so, the following should be taken into account. The type of regression profiles and the procedure for their construction may depend on the type of measurement and even on the design features of the instrument. For example, for a moisture meter piecewise constant profiles may be used, for temperature it may be useful to use piecewise linear profiles with discontinuities for the derivative of the sensor signal along the wellbore, etc. After the regression profiles for the measurements of the considered devices are built, their joint analysis is performed, for example, using a weak control model, in which expert knowledge can be used for labeling functions both for each regression profile separately and for the joint manifestation of significant changes in two or more regressive profiles. Also, in the joint analysis of regression profiles, it is taken into account that for different sensors they can have different jump coordinates for the same event, for example, an inflow, and that the event itself has some length. To do this, a window of a given size is introduced in which the event is considered, and the “continuous” trajectory during marking is replaced by window intervals of, for example, 5 meters.
Варианты построения регрессивных профилей для показаний датчиков расходомера, влагомера и температуры в связке приборов ПГИ в рассмотренном примере приведены на Фиг. 7-9.Options for constructing regression profiles for the readings of the sensors of the flow meter, moisture meter and temperature in the combination of PLT instruments in the considered example are shown in Fig. 7-9.
Пересечение интервалов глубин, где имеют место изменения регрессивных профилей измерений ПГИ, в нашем примере - показаний расходомера (Фиг. 7) и изменения регрессивного профиля интенсивности шума для интервале частот от 160 до 1280 Гц (Фиг. 1) позволяет выделить интервалы глубин от 522 до 534 футов и от 582 до 600 футов в качестве кандидатов на притоки флюида, а совместные изменения регрессивного профиля показаний расходомера (Фиг. 7) и регрессивного профиля интенсивности шума для интервала частот от 5 кГц до 10 кГц (Фиг. 2) в интервале глубин от 380 до 394 футов позволяет выделить в качестве кандидата на притоки флюида и это интервал.The intersection of the depth intervals where changes in the regressive profiles of PLT measurements take place, in our example - the readings of the flow meter (Fig. 7) and the change in the regressive profile of the noise intensity for the frequency range from 160 to 1280 Hz (Fig. 1) makes it possible to identify depth intervals from 522 to 534 feet and 582 to 600 feet as candidates for fluid inflows, and the combined changes in the regression profile of the flowmeter readings (Fig. 7) and the regression profile of the noise intensity for the frequency interval from 5 kHz to 10 kHz (Fig. 2) in the depth interval from 380 to 394 feet makes it possible to identify as a candidate for fluid inflows and this is the interval.
Автоматическое разбиение интервалов глубин шумопроявления на несколько групп (кластеров) на основе выбранного набора признаков (Фиг. 4) и идентификация природы шумов путем сравнения с "референсными" спектрами и волновыми формами, зарегистрированными в лабораторных экспериментах позволило уточнить, что интервал глубин от 380 до 394 футов соответствует притоку газа.Automatic division of noise depth intervals into several groups (clusters) based on a selected set of features (Fig. 4) and identification of the nature of noise by comparison with "reference" spectra and waveforms recorded in laboratory experiments made it possible to clarify that the depth interval from 380 to 394 feet corresponds to the inflow of gas.
Claims (17)
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2788999C1 true RU2788999C1 (en) | 2023-01-26 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7219762B2 (en) * | 2003-06-06 | 2007-05-22 | Schlumberger Technology Corporation | Method and apparatus for acoustic detection of a fluid leak behind a casing of a borehole |
| RU2499283C1 (en) * | 2012-04-23 | 2013-11-20 | ТиДжиТи Ойл энд Гэс Сервисиз ФЗЕ | Method and device for borehole spectral noise logging |
| RU2693087C2 (en) * | 2009-05-27 | 2019-07-01 | Оптасенс Холдингз Лимитед | Well monitoring |
| RU2752068C1 (en) * | 2020-04-03 | 2021-07-22 | Виктор Александрович Шель | Multiple sensor device with different parameters to monitor the reservoir flow profile by multiple methods |
| US11215049B2 (en) * | 2016-04-07 | 2022-01-04 | Bp Exploration Operating Company Limited | Detecting downhole events using acoustic frequency domain features |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7219762B2 (en) * | 2003-06-06 | 2007-05-22 | Schlumberger Technology Corporation | Method and apparatus for acoustic detection of a fluid leak behind a casing of a borehole |
| RU2693087C2 (en) * | 2009-05-27 | 2019-07-01 | Оптасенс Холдингз Лимитед | Well monitoring |
| RU2499283C1 (en) * | 2012-04-23 | 2013-11-20 | ТиДжиТи Ойл энд Гэс Сервисиз ФЗЕ | Method and device for borehole spectral noise logging |
| US20150204184A1 (en) * | 2012-04-23 | 2015-07-23 | Tgt Oil And Gas Services Fze | Method and apparatus for spectral noise logging |
| US11215049B2 (en) * | 2016-04-07 | 2022-01-04 | Bp Exploration Operating Company Limited | Detecting downhole events using acoustic frequency domain features |
| RU2752068C1 (en) * | 2020-04-03 | 2021-07-22 | Виктор Александрович Шель | Multiple sensor device with different parameters to monitor the reservoir flow profile by multiple methods |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2017230716B2 (en) | DAS method of estimating fluid distribution | |
| US20230003119A1 (en) | Low frequency distributed acoustic sensing hydraulic fracture geometry | |
| RU2709853C1 (en) | Method and system for detection in object of objects reflecting hydraulic signal | |
| RU2693087C2 (en) | Well monitoring | |
| US11740377B2 (en) | Spectral analysis and machine learning for determining cluster efficiency during fracking operations | |
| CA3034352A1 (en) | Method for fracturing activity and intensity monitoring and pressure wave resonance analysis | |
| Paleja et al. | Velocity tracking for flow monitoring and production profiling using distributed acoustic sensing | |
| DK179910B1 (en) | Fremgangsmåde til estimering af brøndproduktivitet langs en sektion af en brøndboring | |
| US10689970B2 (en) | Estimating pressure for hydraulic fracturing | |
| WO2021249643A1 (en) | Systems and methods for subterranean fluid flow characterization | |
| WO2021254633A1 (en) | Event model training using in situ data | |
| RU2788999C1 (en) | Method for detection of intervals of inflow and absorption of fluids in operating oil-gas wells | |
| US11021948B2 (en) | Method for the hydrodynamic characterization of multi-reservoir wells | |
| US20230054654A1 (en) | Fracture detection using distributed optical fiber sensing | |
| Borodin et al. | Real-time hydraulic fracture monitoring and wellbore characterization with distributed acoustic sensing of pumping noise | |
| RU2728123C1 (en) | Method of determining working intervals of depths of oil and gas formations | |
| RU2787265C1 (en) | Method for borehole acoustic noise logging | |
| US11939863B2 (en) | Distributed acoustic sensing systems and methods with dynamic gauge lengths | |
| RU2400622C2 (en) | Method for determining filtration parametres of bottomhole formation zone by method of high-frequency filtration pressure waves |