一种实时定量测量井下流体含油率的方法及其模型技术

本申请公开了一种实时定量测量井下流体含油率的模型，所述模型通过以下方法建立：配制不同含油率的油水混合流体样本；使所述油水混合流体样本流经六个波长的光学通道，连续测试样本的瞬态近红外光谱，得到离散的瞬态近红外光谱数据；对得到的光谱数据进行稳态处理、连续化、预处理和波长筛选；选取样本并设定验证集和校正集；根据校正集中的光谱数据建立油水混合流体的校正模型；采用验证集中的光谱数据对所述校正模型进行验证。还公开了一种实时定量测量井下流体含油率的方法。本申请提供的模型能够实时、准确地测量井下流体的含油率，从而可有效区分地层原油与水基泥浆，提高储层流体的取样效率和质量。

A Method and Model for Real-time Quantitative Measurement of Downhole Fluid Oil Content

This application discloses a model for real-time quantitative measurement of oil content in downhole fluids. The model is established by the following methods: preparing oil-water mixture samples with different oil content; making the oil-water mixture samples flow through six wavelength optical channels, continuously testing the transient near infrared spectra of samples, and obtaining discrete transient near infrared spectra data; Steady-state processing, continuation, pretreatment and wavelength screening are carried out; samples are selected and verification set and correction set are set up; calibration model of oil-water mixtures is established based on spectral data of calibration set; calibration model is validated by spectral data of verification set. A method for real-time quantitative measurement of downhole fluid oil content is also disclosed. The model provided in this application can measure the oil content of downhole fluids in real time and accurately, thus effectively distinguishing formation crude oil from water-based mud, and improving the sampling efficiency and quality of reservoir fluids.

【技术实现步骤摘要】
一种实时定量测量井下流体含油率的方法及其模型
本申请涉及但不限于石油测井领域，尤其涉及但不限于一种实时定量测量井下流体含油率的方法及其模型。
技术介绍
储层流体样品的物理及化学特性对制定高效的油田开发方案十分重要，这意味着在取样过程中要获得尽可能纯净的储层流体。然而，在实际取样过程中，水基泥浆滤液容易侵入原油带，从而给原油的采样造成阻碍。因此，实时监测地层含油率变化对收集纯净的地层流体样本十分重要。然而，由于油水不能互溶，在混合流体流动过程中，每一时刻的油水混合状态都不同，想要实时计算得到准确的含油率是目前测井行业里需要面对的一个技术难题。因此，有必要提出一种能够实时准确测量井下流体含油率的方法，以有效区分地层原油与水基泥浆，从而提高取样效率和质量。
技术实现思路
本申请提供了一种能够实时定量测量井下流体含油率的方法以及该方法所采用的模型，解决了目前无法实时准确地测量井下流体含油率的问题。具体地，本申请提供了一种实时定量测量井下流体含油率的模型，所述模型通过以下方法建立：采用原油和泥浆滤液配制不同含油率的油水混合流体样本；使所述油水混合流体样本以180-200ml/min的流速分别流经波长为810nm、1200nm、1300nm、1440nm、1720nm和1930nm的光学通道，分别在设定时间段内连续测试不同含油率的油水混合流体样本在所述光学通道内的瞬态近红外光谱，得到离散的瞬态近红外光谱数据；对所述离散的瞬态近红外光谱数据进行稳态处理，得到离散的稳态光谱数据；对所述离散的稳态光谱数据进行连续化；对经过连续化的光谱数据进行预处理，以降低噪声和减少干扰影响；对经过预处理后的光谱数据进行波长筛选，筛选出1100～1500和1600～1800两个波长范围内的经过预处理后的光谱数据；在1100～1500和1600～1800两个波长范围内的经过预处理后的光谱数据的特征空间中均匀地选取样本，并设定验证集和校正集；根据所述校正集中的光谱数据建立油水混合流体的校正模型，得出所述校正模型的回归系数；采用所述验证集中的光谱数据对所述校正模型进行验证。在本申请实施例中，所述对所述离散的瞬态近红外光谱数据进行稳态处理，得到离散的稳态光谱数据可以包括：采用滑动平均法对在所述设定时间段内连续测得的离散的瞬态近红外光谱数据取平均值，得到所述离散的稳态光谱数据，所述滑动平均法的公式如下：式中，t——所述设定时间段结束的时刻，也表示当前的时刻；n——平均点数，即每测试n次就取一次平均值，说明在所述设定时间段内测试了n次；t0——所述设定时间段开始的时刻；k——光学通道数；St，k——t时刻下k光学通道得出的瞬态近红外光谱数据；——所述设定时间段内连续测得的瞬态近红外光谱数据的平均值。在本申请实施例中，所述分别在设定时间段内连续测试不同含油率的油水混合流体样本在所述光学通道内的瞬态近红外光谱可以包括：每一个含油率的油水混合流体样本均取多个，测试它们的瞬态近红外光谱，取它们的瞬态近红外光谱数据的平均光谱数据，作为该含油率的油水混合流体样本的瞬态近红外光谱数据。在本申请实施例中，所述对所述离散的稳态光谱数据进行连续化采用的方法可以为Spline插值算法。在本申请实施例中，所述对经过连续化的光谱数据进行预处理可以包括：对经过连续化的光谱数据进行一阶微分、中心化和平滑。在本申请实施例中，在经过预处理后的光谱数据的特征空间中均匀地选取样本采用的方法可以为Kennard-Stone法。在本申请实施例中，所述建立油水混合流体的校正模型采用的方法可以为偏最小二乘PLS法。在本申请实施例中，采用偏最小二乘PLS法建立所述校正模型时，可以采用交互验证法选取主成分，并通过预测残差平方和PRESS值来确定主因子数。在本申请实施例中，所述采用所述验证集中的光谱数据对所述校正模型进行验证采用的方法可以为四组统计参数法。在本申请实施例中，所述模型可以通过以下方法建立：采用原油和泥浆滤液配制不同含油率的油水混合流体样本，并且每一个含油率的油水混合流体样本均设置多个；使所述油水混合流体样本以180-200ml/min的流速分别流经波长为810nm、1200nm、1300nm、1440nm、1720nm和1930nm的光学通道，分别在设定时间段内连续测试不同含油率的油水混合流体样本在所述光学通道内的瞬态近红外光谱，并且取多个相同含油率的油水混合流体样本的瞬态近红外光谱数据的平均光谱数据，作为该含油率的油水混合流体样本的瞬态近红外光谱数据，得到离散的瞬态近红外光谱数据；采用滑动平均法对在所述设定时间段内连续测得的离散的瞬态近红外光谱数据取平均值，得到所述离散的稳态光谱数据，所述滑动平均法的公式如下：式中，t——所述设定时间段结束的时刻，也表示当前的时刻；n——平均点数，即每测试n次就取一次平均值，说明在所述设定时间段内测试了n次；t0——所述设定时间段开始的时刻；k——光学通道数；St，k——t时刻下k光学通道得出的瞬态近红外光谱数据；——所述设定时间段内连续测得的瞬态近红外光谱数据的平均值；采用Spline插值算法对所述离散的稳态光谱数据进行连续化；对经过连续化的光谱数据进行一阶微分、中心化和平滑，以降低噪声和减少干扰影响；对经过预处理后的光谱数据进行波长筛选，筛选出1100～1500和1600～1800两个波长范围内的经过预处理后的光谱数据；采用Kennard-Stone法，在1100～1500和1600～1800两个波长范围内的经过预处理后的光谱数据的特征空间中均匀地选取样本，并设定验证集和校正集；根据所述校正集中的光谱数据，采用偏最小二乘PLS法建立油水混合流体的校正模型，建立模型时采用交互验证法选取主成分，并通过预测残差平方和PRESS值来确定主因子数，得出所述校正模型的回归系数；根据所述验证集中的光谱数据，采用四组统计参数法对所述校正模型进行验证。本申请还提供了一种实时定量测量井下流体含油率的方法，所述方法包括：测试待测井下流体的瞬态近红外光谱数据并对其进行稳态处理，得到所述待测井下流体的稳态近红外光谱数据，并根据下式计算得到其中的含油率的预测值：cun＝bSun式中，Sun——待测井下流体的稳态近红外光谱数据；b——如上所述的模型的回归系数；Cun——待测井下流体中的含油率的预测值。通常近红外光谱的测量对象都是静态均质的，所测量得到的光谱数据是稳定的。而本申请的测量对象是非稳态的井下流体，其中的油相和水相是不混溶的，这种非稳态的井下流体的近红外光谱数据是随机变化的，这样的情况下是无法进行分析的。为了成功将近红外光谱技术应用于测量井下流体的含油率，普遍的思路是首先将井下流体中的油、水两相转化为一相，然后测试该一相的含量，从而得出井下流体的含油率。本申请的专利技术人也尝试了该方法，但发现如此一来改变了井下流体的性质，测得的含油率不尽如人意。为了解决上述问题，本申请提出了首先在井下采用近红外光谱技术测量非稳态的井下流体的随机变化的瞬态光谱，然后将该瞬态光谱转换为稳态光谱，从而对其进行分析的思路，应用的是近红外光谱的投射原理。本申请提供的模型排除了油水混合状态不同带来的影响，实现了实时、准确地测量井下流体的含油率，从而可有效区分地层原油与水基泥浆，进而提高储层本文档来自技高网...

【技术保护点】
1.一种实时定量测量井下流体含油率的模型，所述模型通过以下方法建立：采用原油和泥浆滤液配制不同含油率的油水混合流体样本；使所述油水混合流体样本以180‑200ml/min的流速分别流经波长为810nm、1200nm、1300nm、1440nm、1720nm和1930nm的光学通道，分别在设定时间段内连续测试不同含油率的油水混合流体样本在所述光学通道内的瞬态近红外光谱，得到离散的瞬态近红外光谱数据；对所述离散的瞬态近红外光谱数据进行稳态处理，得到离散的稳态光谱数据；对所述离散的稳态光谱数据进行连续化；对经过连续化的光谱数据进行预处理，以降低噪声和减少干扰影响；对经过预处理后的光谱数据进行波长筛选，筛选出1100～1500和1600～1800两个波长范围内的经过预处理后的光谱数据；在1100～1500和1600～1800两个波长范围内的经过预处理后的光谱数据的特征空间中均匀地选取样本，并设定验证集和校正集；根据所述校正集中的光谱数据建立油水混合流体的校正模型，得出所述校正模型的回归系数；采用所述验证集中的光谱数据对所述校正模型进行验证。

【技术特征摘要】
1.一种实时定量测量井下流体含油率的模型，所述模型通过以下方法建立：采用原油和泥浆滤液配制不同含油率的油水混合流体样本；使所述油水混合流体样本以180-200ml/min的流速分别流经波长为810nm、1200nm、1300nm、1440nm、1720nm和1930nm的光学通道，分别在设定时间段内连续测试不同含油率的油水混合流体样本在所述光学通道内的瞬态近红外光谱，得到离散的瞬态近红外光谱数据；对所述离散的瞬态近红外光谱数据进行稳态处理，得到离散的稳态光谱数据；对所述离散的稳态光谱数据进行连续化；对经过连续化的光谱数据进行预处理，以降低噪声和减少干扰影响；对经过预处理后的光谱数据进行波长筛选，筛选出1100～1500和1600～1800两个波长范围内的经过预处理后的光谱数据；在1100～1500和1600～1800两个波长范围内的经过预处理后的光谱数据的特征空间中均匀地选取样本，并设定验证集和校正集；根据所述校正集中的光谱数据建立油水混合流体的校正模型，得出所述校正模型的回归系数；采用所述验证集中的光谱数据对所述校正模型进行验证。2.根据权利要求1所述的模型，其中，所述对所述离散的瞬态近红外光谱数据进行稳态处理，得到离散的稳态光谱数据包括：采用滑动平均法对在所述设定时间段内连续测得的离散的瞬态近红外光谱数据取平均值，得到所述离散的稳态光谱数据，所述滑动平均法的公式如下：式中，t——所述设定时间段结束的时刻，也表示当前的时刻；n——平均点数，即每测试n次就取一次平均值，说明在所述设定时间段内测试了n次；t0——所述设定时间段开始的时刻；k——光学通道数；St，k——t时刻下k光学通道得出的瞬态近红外光谱数据；——所述设定时...

【专利技术属性】
技术研发人员：孔笋，沈阳，尤国平，张小康，褚晓冬，秦小飞，马俊全，
申请(专利权)人：中国海洋石油集团有限公司，中海油田服务股份有限公司，
类型：发明
国别省市：北京,11