CN111794744B - 一种井下实时监测地层水污染程度的方法 - Google Patents
一种井下实时监测地层水污染程度的方法 Download PDFInfo
- Publication number
- CN111794744B CN111794744B CN202010713025.1A CN202010713025A CN111794744B CN 111794744 B CN111794744 B CN 111794744B CN 202010713025 A CN202010713025 A CN 202010713025A CN 111794744 B CN111794744 B CN 111794744B
- Authority
- CN
- China
- Prior art keywords
- absorbance
- formation
- water
- wavelength point
- formation water
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000008398 formation water Substances 0.000 title claims description 76
- 238000012544 monitoring process Methods 0.000 title claims description 29
- 238000002835 absorbance Methods 0.000 claims abstract description 81
- 239000012530 fluid Substances 0.000 claims abstract description 75
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000003911 water pollution Methods 0.000 claims abstract description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 61
- 238000005086 pumping Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 239000000523 sample Substances 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 239000002002 slurry Substances 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 abstract description 3
- 238000002329 infrared spectrum Methods 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 abstract description 3
- 230000007704 transition Effects 0.000 description 5
- 238000011109 contamination Methods 0.000 description 4
- 239000000706 filtrate Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/005—Testing the nature of borehole walls or the formation by using drilling mud or cutting data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种井下实时监测地层水污染程度的方法,所述方法基于近红外光谱对井下地层水污染进行实时监测,通过地层水和水基泥浆在光谱水吸收峰的吸光度差异可以有效地区别这两种物质,准确实时定量地计算出各自的占比,进而确定取样流体的污染程度,提高取样效率。
Description
技术领域
本文涉及石油勘探和污染控制技术领域,尤指一种基于光谱分析技术的井下实时监测地层水污染程度的方法。
背景技术
井下地层水的取样过程中,往往会侵入大量的水基泥浆滤液,使地层流体受到了一定程度的污染。取样得到的流体性质参数是后续油气勘探开发的关键信息,因此如何取得纯净的地层流体显得至关重要。现有的地层流体取样技术无法区分地层水和水基泥浆,往往是通过现场工程师根据抽吸时间和参数的变化曲线,依靠经验判断取样时机,导致取不到纯净的地层水样。
发明内容
本申请提供了一种井下实时监测地层水污染程度的方法,具体为基于近红外光谱的地层水污染井下实时监测方法,通过地层水和水基泥浆在光谱水吸收峰的吸光度差异可以有效地区别这两种物质,准确实时定量地计算出各自的占比,进而确定取样流体的污染程度,提高取样效率。
本申请提供了一种井下实时监测地层水污染程度的方法,所述方法包括如下步骤:
1)在水基泥浆条件下,对地层流体进行泵抽,同时使用信号探测器采集地层流体吸光度OD(t);
在泵抽初期,所述信号探测器采集得到的所述地层流体吸光度为水基泥浆吸光度ODwbm,可选地,水基泥浆吸光度ODwbm为1450nm处的吸光度;
通过持续泵抽,所述地层流体吸光度随时间变化而变化,此时所述地层流体包括所述地层水和所述水基泥浆;根据所述地层流体吸光度建立动态神经网络模型,预测当所述地层流体为地层水时的吸光度,所述动态神经网络模型的建立包括:选取(t-1)时刻的多个波长点的所述地层流体吸光度,经过归一化处理后作为输入层;选取t时刻1450nm波长点的所述地层流体吸光度作为输出层,所述输入层和所述输出层样本数量设为20个以上,建立动态神经网络模型;并通过所述动态神经网络模型得到当t时刻足够大时的1450nm波长点的所述地层流体吸光度,即1450nm波长点的地层水吸光度ODfw;
2)通过OD(t)、ODwbm和ODfw的差异对地层水和水基泥浆进行区分,计算得到地层水所在地层流体的分率η,进而实时监测地层水污染程度,计算方法如下:
设置ΔOD(t),使得ΔOD(t)=OD(t)-OD(t-1) (2)
设置P(t),使得
可选地,公式(2)中n的值为9;
之后,设置阈值φ1和φ2,可选地,φ1的值为-0.05,φ2的值为0.08;
最后,根据P(t)与阈值φ1和φ2的关系带入下列公式;
当P(t)<φ1时,η(t)=0 (4)
当P(t)>φ2时
当φ1<P(t)<φ2时,
计算得到t时刻地层水所在地层流体的分率η(t),(1-η(t))×100%即为地层水污染程度。
可选地,所述井下实时监测地层水污染程度的方法由以上步骤组成。
在本申请提供的井下实时监测地层水污染程度的方法中,所述多个波长点包括第一波长点、第二波长点、第三波长点和第四波长点,所述第一波长点的取值为1380nm、所述第二波长点的取值为1420nm、所述第三波长点的取值为1500nm、所述第四波长点的取值为1620nm。
在本申请提供的井下实时监测地层水污染程度的方法中,所述归一化处理使用公式(1)
式(1)中,Si代表第i个点的吸光度值,为归一化后的吸光度值;
优选地,i=1,2,3,4,对应所述第一波长点、所述第二波长点、所述第三波长点和所述第四波长点。
在本申请提供的井下实时监测地层水污染程度的方法中,所述建立动态神经网络模型,包括以下步骤:
a)设置输入层节点数为4,隐含层节点数为6,输出层节点数为1;
d)选取S型双曲正切函数作为隐含层神经元的激励函数,选取S型对数函数输出神经元的激励函数;
可选地,设置网络参数,网络迭代次数为2000次,期望误差为0.0001;开始训练网络,当网络迭代次数为2000次或学习达到期望误差时,学习结束;
e)神经网络训练完成后,输入归一化处理后待测时刻t下地层流体吸光度中所述第一波长点、所述第二波长点、所述第三波长点和所述第四波长点的吸光度,预测OD(t+1),……,OD(t+n)(n→∞),得到的输出得到纯地层水的吸光度。
在本申请提供的井下实时监测地层水污染程度的方法中,使用包含取样探针、泵抽模块、光源、光学窗口和光谱仪的装置,实施所述井下实时监测地层水污染程度的方法。
在本申请提供的井下实时监测地层水污染程度的方法中,所述取样探针坐封于目标地层井壁上,泵抽模块通过管路与取样探针相连,所述泵抽模块与取样探针通过管路与光学窗口相连,所述光源发出的光通过光学窗口照射地层流体,穿过地层流体后进入光谱仪中;之后,所述泵抽模块将地层流体从出口排出到目标地层。
在本申请提供的井下实时监测地层水污染程度的方法中,所述装置为地层测压取样仪EFDT。
在本申请提供的井下实时监测地层水污染程度的方法中,所述泵抽初期,即开始抽吸的平台期(0-1000s),该时间段地层流体都是水基泥浆,吸光度基本相同。
本申请技术方案的有益效果:
本申请提供了一种基于光谱的地层水污染监测方法,能实时快速有效的区分地层流体中的水基泥浆和地层水的含量。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书和说明书附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为水基泥浆与地层水吸光度对比图。从图1中可以看出通过近红外光谱水吸收峰处的吸光度差异可有效区分地层水和水基泥浆两种物质。
图2为1450nm处地层流体吸光度随时间的变化曲线。从图2中可以看出,抽吸初期吸光度较高,井下流体以泥浆滤液为主,在抽吸若干时间后,吸光度迅速下降,井下流体逐渐向地层水过渡,直到抽吸到纯净的地层流体,吸光度也趋于平稳。因此可将取样抽吸过程分为三个阶段:水基泥浆侵入期、过渡期和地层水稳定期。
图3为井下光谱仪示意图;
附图标记:1、泵抽模块,2、地层,3、取样探针,4、光源,5、光学窗口,6、光谱仪;
图4为污染率预测流程图;
图5为基于式(5)计算地层水样污染程度的流程图。
图6为使用本申请方法计算的地层水污染程度与实际测量得到的地层水污染程度对比示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下文中将结合附图对本申请的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
本申请实施例中提供了一种井下实时监测地层水污染程度的方法,所述方法包括如下步骤:
1)在水基泥浆条件下,对地层流体进行泵抽,同时使用信号探测器采集地层流体吸光度OD(t);
在泵抽初期,所述信号探测器采集得到的所述地层流体吸光度为水基泥浆吸光度ODwbm,可选地,水基泥浆吸光度ODwbm为1450nm处的吸光度;
通过持续泵抽,所述地层流体吸光度随时间变化而变化,此时所述地层流体包括所述地层水和所述水基泥浆;根据所述地层流体吸光度建立动态神经网络模型,预测当所述地层流体为地层水时的吸光度,所述动态神经网络模型的建立包括:选取(t-1)时刻的多个波长点的所述地层流体吸光度,经过归一化处理后作为输入层;选取t时刻1450nm波长点的所述地层流体吸光度作为输出层,所述输入层和所述输出层样本数量设为20个以上,建立动态神经网络模型;并通过所述动态神经网络模型得到当t时刻足够大时的1450nm波长点的所述地层流体吸光度,即1450nm波长点的地层水吸光度ODfw;
2)通过OD(t)、ODwbm和ODfw的差异对地层水和水基泥浆进行区分,计算得到地层水所在地层流体的分率η,进而实时监测地层水污染程度,计算方法如下:
设置ΔOD(t),使得ΔOD(t)=OD(t)-OD(t-1)(2)
设置P(t),使得
可选地,公式(2)中n的值为9;
之后,设置阈值φ1和φ2,可选地,φ1的值为-0.05,v2的值为0.08;
最后,根据P(t)与阈值v1和v2的关系带入下列公式;
当P(t)<v1时,η(t)=0(4)
当P(t)>v2时
当φ1<P(t)<φ2时,
计算得到t时刻地层水所在地层流体的分率η(t),(1-η(t))×100%即为地层水污染程度。
可选地,所述井下实时监测地层水污染程度的方法由以上步骤组成。
在本申请实施例中,所述多个波长点包括第一波长点、第二波长点、第三波长点和第四波长点,所述第一波长点的取值为1380nm、所述第二波长点的取值为1420nm、所述第三波长点的取值为1500nm、所述第四波长点的取值为1620nm。
在本申请实施例中,所述归一化处理使用公式(1)
式(1)中,Si代表第i个点的吸光度值,为归一化后的吸光度值;
优选地,i=1,2,3,4,对应所述第一波长点、所述第二波长点、所述第三波长点和所述第四波长点。
在本申请实施例中,所述建立动态神经网络模型,包括以下步骤:
a)设置输入层节点数为4,隐含层节点数为6,输出层节点数为1;
d)选取S型双曲正切函数作为隐含层神经元的激励函数,选取S型对数函数输出神经元的激励函数;
可选地,设置网络参数,网络迭代次数为2000次,期望误差为0.0001;开始训练网络,当网络迭代次数为2000次或学习达到期望误差时,学习结束;
e)神经网络训练完成后,输入归一化处理后待测时刻t下地层流体吸光度中所述第一波长点、所述第二波长点、所述第三波长点和所述第四波长点的吸光度,预测OD(t+1),……,OD(t+n)(n→∞),得到的输出得到纯地层水的吸光度。
在本申请实施例中,使用包含取样探针3、泵抽模块1、光源4、光学窗口5和光谱仪6的装置,实施所述井下实时监测地层水污染程度的方法。
在本申请实施例中,所述取样探针坐封于目标地层井壁上,泵抽模块通过管路与取样探针相连,所述泵抽模块与取样探针通过管路与光学窗口相连,所述光源发出的光通过光学窗口照射地层流体,穿过地层流体后进入光谱仪中;之后,所述泵抽模块将地层流体从出口排出到目标地层。
在本申请实施例中,所述装置为地层测压取样仪EFDT。
实施例1
本实施例以渤海某井为例,阐述水基泥浆条件下地层水污染率井下实时监测方法。
步骤1、采集水基泥浆在1450nm波长点处的吸光度ODwbm为0.68;
步骤2、采集地层流体吸光度OD(t)的曲线,其中t=(0-15000s),地层流体吸光度OD(t)的曲线(波长点为1450nm),如图2所示;
步骤3、实时计算水基泥浆侵入期、过渡期和地层水稳定期三个阶段的地层水污染程度:
当t在0-1820s时刻时,通过公式(2)计算ΔOD=OD(t)-OD(t-1);并将ΔOD带入公式(3)(n取9)中,得到P(t)的最大为0.03,小于阈值φ1,属于泵抽初期,水基泥浆大量侵入,管线中的流体以水基泥浆为主,根据公式(4)η=0,即地层流体中不包含地层水。
当t在1820-2240s时刻时,公式(2)计算ΔOD=OD(t)-OD(t-1);并将ΔOD带入公式(3)(n取9)中,得到P(t)的最小值为0.1,大于阈值φ1,属于过渡期,根据公式(5)/>计算时刻的地层水所在混合流体的分率η。
例如:当t为2006s时,OD(t)=0.94、ODwbm=0.68,取实验纯净水为预设值,ODfw=1.75,(过渡期的地层水的吸光度为预设值而不通过神经网络预测地层水吸光度)将上述参数带入公式(5)计算得出t时刻的η(t)=0.25;即地层流体中水的质量25wt.%。
当t在2050-15000s时刻时,公式(2)计算ΔOD=OD(t)-OD(t-1);将ΔOD带入公式(3)(n取9)中,得到P(t)的最小值为0.01,最大值为0.04,即P(t)的最小值大于阈值φ1且P(t)的最大值小于阈值φ2,此时地层流体经过过渡期,泥浆滤液占比逐渐减少,地层水逐渐增加,此时地层流体的吸光度逐渐向纯净地层水逼近,算法流程如图5所示。
为了尽可能取到纯净的地层流体,提高实时监测的精确度,本实施例通过动态神经网络模型计算得到地层水吸光度ODfw,具体步骤如下,
a)设置水物质特征峰对应的波长点的吸光度作为输出层;所述波长点为1380nm、1420nm、1500nm和1620nm;
b)设置输入层节点数为4,选取t时刻下OD(t-1)的1380nm、1420nm、1500nm和1620nm对应的吸光度作为输入层4个节点的输入;选取t时刻1450nm波长点的地层流体吸光度作为输出层,初始样本数设为20个,样本数量随时间动态增加;
c)将步骤b)中同一时刻的筛选的波长点对应的吸光度归一化后作为输入(即对t-1时刻下的1380、1420、1500和1620共4个波长点的进行归一化处理,处理后的4个数值作为输入),输入层节点数与波长点的数量对应,隐含层节点数为6,输出层节点数为1;
d)选取S型双曲正切函数作为隐含层神经元的激励函数,选取S型对数函数输出神经元的激励函数;
设置网络参数,网络迭代次数为2000次,期望误差为0.0001;开始训练网络,当网络迭代次数为2000次或学习达到期望误差时,学习结束;
e)神经网络训练完成后,输入待测时刻t下地层流体吸光度OD(t)中4个波长点的吸光度,预测OD(t+1),……,OD(t+n)(n→∞),得到的输出得到纯地层水的吸光度。
以t=8244s为例,将预测得到的纯地层水吸光度ODfw=1.62,以及t时刻的地层流体吸光度OD(t)=1.796和ODwbm=0.68带入公式(6) 计算得到t=8244时刻的地层水所在混合流体的分率η(t)为0.86;即地层流体中水的含量为86wt.%。
基于实施例1的方法预测时间点500s-14000s,计算值和测量值见下表:
表1
时间点 | 计算值 | 测量值 | 时间点 | 计算值 | 测量值 |
500 | 0 | 0 | 7000 | 0.85 | 0.88 |
2000 | 0.23 | 0.25 | 8000 | 0.87 | 0.88 |
2050 | 0.41 | 0.46 | 9000 | 0.91 | 0.89 |
2100 | 0.68 | 0.60 | 10000 | 0.94 | 0.92 |
3000 | 0.75 | 0.72 | 11000 | 0.94 | 0.95 |
4000 | 0.80 | 0.85 | 12000 | 0.96 | 0.96 |
5000 | 0.80 | 0.82 | 13000 | 0.98 | 0.98 |
6000 | 0.84 | 0.83 | 14000 | 0.98 | 0.97 |
由图6可以看出,3000-14000s中16个时间点预测的污染程度与实际污染程度基本一致。
虽然本申请所揭露的实施方式如上,但所述的内容仅为便于理解本申请而采用的实施方式,并非用以限定本申请。任何本申请所属领域内的技术人员,在不脱离本申请所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本申请的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种井下实时监测地层水污染程度的方法,所述方法包括如下步骤:
1)在水基泥浆条件下,对地层流体进行泵抽,同时使用信号探测器采集地层流体吸光度OD(t);
在泵抽初期,所述信号探测器采集得到的所述地层流体吸光度为水基泥浆吸光度ODwbm,水基泥浆吸光度ODwbm为1450nm处的吸光度;
通过持续泵抽,所述地层流体吸光度随时间变化而变化,此时所述地层流体包括所述地层水和所述水基泥浆;根据所述地层流体吸光度建立动态神经网络模型,预测当所述地层流体为地层水时的吸光度,所述动态神经网络模型的建立包括:选取(t-1)时刻的多个波长点的所述地层流体吸光度,经过归一化处理后作为输入层;选取t时刻1450nm波长点的所述地层流体吸光度作为输出层,所述输入层和所述输出层样本数量设为20个以上,建立动态神经网络模型;并通过所述动态神经网络模型得到当t时刻足够大时的1450nm波长点的所述地层流体吸光度,即1450nm波长点的地层水吸光度ODfw;
2)通过OD(t)、ODwbm和ODfw的差异对地层水和水基泥浆进行区分,计算得到地层水所在地层流体的分率η,进而实时监测地层水污染程度,计算方法如下:
设置ΔOD(t),使得ΔOD(t)=OD(t)-OD(t-1)(2)设置P(t),使得
公式(2)中n的值为9;
之后,设置阈值φ1和φ2,φ1的值为-0.05,φ2的值为0.08;
最后,根据P(t)与阈值φ1和φ2的关系带入下列公式;
当P(t)<φ1时,η(t)=0(4)
当P(t)>φ2时
当φ1<P(t)<φ2时,
计算得到t时刻地层水所在地层流体的分率η(t),(1-η(t))×100%即为地层水污染程度;
所述多个波长点包括第一波长点、第二波长点、第三波长点和第四波长点,所述第一波长点的取值为1380nm、所述第二波长点的取值为1420nm、所述第三波长点的取值为1500nm、所述第四波长点的取值为1620nm;
公式(5)中地层水的吸光度为预设值;
公式(6)中地层水的吸光度为神经网络预测地层水吸光度。
2.根据权利要求1所述的井下实时监测地层水污染程度的方法,其中,所述归一化处理使用公式(1)
式(1)中,Si代表第i个点的吸光度值,为归一化后的吸光度值;
i=1,2,3,4,对应所述第一波长点、所述第二波长点、所述第三波长点和所述第四波长点。
3.根据权利要求1或2所述的井下实时监测地层水污染程度的方法,其中,所述建立动态神经网络模型,包括以下步骤:
a)设置输入层节点数为4,隐含层节点数为6,输出层节点数为1;
d)选取S型双曲正切函数作为隐含层神经元的激励函数,选取S型对数函数输出神经元的激励函数;e)神经网络训练完成后,输入归一化处理后待测时刻t下地层流体吸光度中所述第一波长点、所述第二波长点、所述第三波长点和所述第四波长点的吸光度,预测OD(t+1),……,OD(t+n)(n→∞),得到的输出得到纯地层水的吸光度。
4.根据权利要求3所述的井下实时监测地层水污染程度的方法,其中,设置网络参数,网络迭代次数为2000次,期望误差为0.0001;开始训练网络,当网络迭代次数为2000次或学习达到期望误差时,学习结束。
5.根据权利要求3所述的井下实时监测地层水污染程度的方法,其中,使用包含取样探针、泵抽模块、光源、光学窗口和光谱仪的装置,实施所述井下实时监测地层水污染程度的方法。
6.根据权利要求5所述的井下实时监测地层水污染程度的方法,其中,所述取样探针坐封于目标地层井壁上,泵抽模块通过管路与取样探针相连,所述泵抽模块与取样探针通过管路与光学窗口相连,所述光源发出的光通过光学窗口照射地层流体,穿过地层流体后进入光谱仪中;之后,所述泵抽模块将地层流体从出口排出到目标地层。
7.根据权利要求6所述的井下实时监测地层水污染程度的方法,其中,所述装置为地层测压取样仪EFDT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713025.1A CN111794744B (zh) | 2020-07-22 | 2020-07-22 | 一种井下实时监测地层水污染程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713025.1A CN111794744B (zh) | 2020-07-22 | 2020-07-22 | 一种井下实时监测地层水污染程度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111794744A CN111794744A (zh) | 2020-10-20 |
CN111794744B true CN111794744B (zh) | 2023-08-15 |
Family
ID=72828431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010713025.1A Active CN111794744B (zh) | 2020-07-22 | 2020-07-22 | 一种井下实时监测地层水污染程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111794744B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112761631B (zh) * | 2021-01-12 | 2023-08-11 | 中国海洋石油集团有限公司 | 纯地层水的密度确定方法、取样方法和污染率的确定方法 |
CN113392538B (zh) * | 2021-07-09 | 2022-08-23 | 中国海洋石油集团有限公司 | 水基泥浆条件下的地层水污染率的处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003102372A1 (en) * | 2002-06-04 | 2003-12-11 | Baker Hughes Incorporated | Method and apparatus for a high resolution downhole spectrometer |
CN101427114A (zh) * | 2006-02-23 | 2009-05-06 | 贝克休斯公司 | 用于基于可调滤光器的井下光谱仪的方法与装置 |
CN109765198A (zh) * | 2019-01-10 | 2019-05-17 | 中国海洋石油集团有限公司 | 一种实时定量测量井下流体含油率的方法及其模型 |
CN110056348A (zh) * | 2019-04-25 | 2019-07-26 | 中国海洋石油集团有限公司 | 一种测定地层流体组成和性质的方法和*** |
CN110905493A (zh) * | 2019-11-21 | 2020-03-24 | 中国海洋石油集团有限公司 | 一种测量井下地层流体污染率的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030223068A1 (en) * | 2002-06-04 | 2003-12-04 | Baker Hughes Incorporated | Method and apparatus for a high resolution downhole spectrometer |
US7966273B2 (en) * | 2007-07-27 | 2011-06-21 | Schlumberger Technology Corporation | Predicting formation fluid property through downhole fluid analysis using artificial neural network |
US10641091B2 (en) * | 2016-11-04 | 2020-05-05 | Halliburton Energy Services, Inc. | Automated downhole fluid classification using principal spectroscopy component data |
-
2020
- 2020-07-22 CN CN202010713025.1A patent/CN111794744B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003102372A1 (en) * | 2002-06-04 | 2003-12-11 | Baker Hughes Incorporated | Method and apparatus for a high resolution downhole spectrometer |
CN101427114A (zh) * | 2006-02-23 | 2009-05-06 | 贝克休斯公司 | 用于基于可调滤光器的井下光谱仪的方法与装置 |
CN109765198A (zh) * | 2019-01-10 | 2019-05-17 | 中国海洋石油集团有限公司 | 一种实时定量测量井下流体含油率的方法及其模型 |
CN110056348A (zh) * | 2019-04-25 | 2019-07-26 | 中国海洋石油集团有限公司 | 一种测定地层流体组成和性质的方法和*** |
CN110905493A (zh) * | 2019-11-21 | 2020-03-24 | 中国海洋石油集团有限公司 | 一种测量井下地层流体污染率的方法 |
Non-Patent Citations (1)
Title |
---|
Direct MID-IR Optical Measurement of Synthetic Drilling Fluid Filtrate Contamination During Formation-Tester Pumpouts;Ralph Piazza;SPWLA 60th Annual Logging Symposium * |
Also Published As
Publication number | Publication date |
---|---|
CN111794744A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101223529B (zh) | 估计流体特征的方法和设备 | |
CN111794744B (zh) | 一种井下实时监测地层水污染程度的方法 | |
US7966273B2 (en) | Predicting formation fluid property through downhole fluid analysis using artificial neural network | |
CN102313796B (zh) | 一种污水处理生化需氧量软测量方法 | |
CN110056348B (zh) | 一种测定地层流体组成和性质的方法和*** | |
CN111539867A (zh) | 一种针对地下水氯代烃污染的环境调查方法 | |
CN116629643B (zh) | 一种基于数据融合的污染地块地下水评估方法 | |
Mannina et al. | Receiving water quality assessment: comparison between simplified and detailed integrated urban modelling approaches | |
Zhu et al. | Online recognition of drainage type based on UV-vis spectra and derivative neural network algorithm | |
CN1896458B (zh) | 导出井下流体的流体性质及其不确定度的***和方法 | |
US8099241B2 (en) | Method and apparatus for real time oil based mud contamination monitoring | |
CN112761631B (zh) | 纯地层水的密度确定方法、取样方法和污染率的确定方法 | |
CN113051844B (zh) | 一种海洋及开阔水域环境污染事件识别与精准溯源方法 | |
CN112651428A (zh) | 一种用于远程拉曼矿物识别的深度学习模型多分类方法 | |
CN110017136B (zh) | 一种基于视水层电阻率的水淹层识别与产水率预测方法 | |
Tiwari et al. | Geomorphology-wavelet based approach to rainfall runoff modeling for data scarce semi-arid regions, Kolar River catchment, India | |
Zhou et al. | Application of water quality control charts to spring monitoring in karst terranes | |
Russo et al. | A stormwater management framework for predicting first flush intensity and quantifying its influential factors | |
Arubi et al. | Well Test Analysis and Interpretation: The use of Artificial Neural Network | |
CN118380066A (zh) | 基于梯度提升集成学习算法与三维荧光的水质氨氮快速检测方法及设备 | |
CN115309845B (zh) | 基于水系编译器与机器学习处理的水污染溯源方法及*** | |
Furey et al. | A top-down model to generate ensembles of runoff from a large number of hillslopes | |
Damasceno et al. | Source rock evaluation from rock to seismic: Integrated machine learning based workflow | |
Sansom et al. | State-space modeling of intra-seasonal persistence in daily climate indices: a data-driven approach for seasonal forecasting | |
Wang et al. | A COD measurement method with turbidity compensation based on Multilayer perceptron |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |