(57) Реферат / Формула:
В настоящем документе описывается устройство и способ определения взаимодействия формация-жидкость для целевой формации и целевого бурового раствора. Способ может включать обучение искусственной нейронной сети с помощью обучающей выборки. Обучающая выборка может включать характеристики формации исходной формации и характеристики жидкости исходного бурового раствора. После обучения искусственной нейронной сети можно подавать в качестве входных данных характеристики формации целевой формации. Характеристики формации целевой формации могут соответствовать характеристикам формации исходной формации. Взаимодействие формация-жидкость для целевой формации и целевого бурового раствора можно определять с помощью значения, получаемого от искусственной нейронной сети.
2420-519620ЕА/061
СПОСОБЫ И УСТРОЙСТВА ДЛЯ МОДЕЛИРОВАНИЯ ХАРАКТЕРИСТИК ГЛИНИСТЫХ СЛАНЦЕВ В БУРОВЫХ РАСТВОРАХ НА ВОДНОЙ ОСНОВЕ С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ
ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННУЮ ЗАЯВКУ
По настоящей заявке испрашивается приоритет по патентной заявке США № 13/480245, поданной 24 мая 2012 года, включенной в настоящий документ в качестве ссылки.
УРОВЕНЬ ТЕХНИКИ
Настоящее изобретение в целом относится к моделированию характеристик формации, а более конкретно настоящее изобретение относится к способам и устройствам для моделирования характеристик глинистых сланцев в буровых растворах на водной основе с помощью искусственной нейронной сети.
Исторически нестабильность глинистых сланцев представляет собой большую сложность при бурении с использованием буровых растворов на водной основе (БРВ). Нестабильность глинистых сланцев приводит к осыпанию глинистых сланцев, обрушению бурового отверстия, прихвату колонны и измельчению сланцев, приводящему к увеличению фракции мелких частиц (твердых частиц). Увеличение фракции мелких частиц может вызвать сложности с регуляцией реологических характеристик и также повысить концентрацию твердых частиц малой плотности, что приведет к снижению скорости проходки. Эти проблемы, как правило, увеличивают время бурения и, следовательно, стоимость бурения.
Знание некоторых характеристик формации, включая нестабильность глинистых сланцев, может увеличить эффективность процесса бурения. В частности, знание характеристик глинистых сланцев формации можно использовать для оптимизации буровых растворов с целью минимизации проблем, которые могут возникнуть в процессе бурения. К сожалению, тесты для определения некоторых характеристик формации, таких как набухание глинистых сланцев и эрозия, могут являться времязатратными и требовать до 72 часов на проведение. В процессе оптимизации бурового раствора для конкретной формации часто необходимо провести
множество тестов. Эти тесты увеличивают время, необходимое для бурения, особенно, если тесты необходимо проводить периодически на всем протяжении процесса бурения. ОПИСАНИЕ ЧЕРТЕЖЕЙ
Некоторые конкретные варианты осуществления настоящего изобретения становятся понятными при рассмотрении, в частности, нижеследующего описания и прилагаемых чертежей.
На фигуре 1 показана примерная искусственная нейронная сеть в соответствии с аспектами настоящего изобретения.
На фигуре 2 показана примерная компьютерная система, с помощью которой можно реализовать искусственную нейронную сеть, в соответствии с аспектами настоящего изобретения.
На фигурах За и ЗЬ показаны примерные таблицы, содержащие примерные характеристики формации, в соответствии с аспектами настоящего изобретения.
На фигурах 4а и 4Ь показан примерный способ экстраполяции характеристик синтетической формации, в соответствии с аспектами настоящего изобретения.
На фигурах 5а и 5Ь показаны примерные кривые набухания как функции от времени для примерной формации, взаимодействующей с примерным буровым раствором, в соответствии с аспектами настоящего изобретения.
На фигуре ба показан примерный способ обучения искусственной нейронной сети для получения значения параметра взаимодействия формация-жидкость, в соответствии с аспектами настоящего изобретения.
На фигуре 6Ь показана примерная обучающая выборка для применения в примерном способе, показанном на фиг. ба, в соответствии с аспектами настоящего изобретения.
На фигуре бс показан способ получения значения параметра взаимодействия формация-жидкость для целевой формации, взаимодействующей с целевым буровым раствором, в соответствии с аспектами настоящего изобретения.
На фигуре 7 показан график, используемый для аппроксимации значения параметра взаимодействия формация-жидкость для учета концентрации солей в буровом растворе, в соответствии с
аспектами настоящего изобретения.
На фигуре 8а показан примерный способ обучения искусственной нейронной сети для получения значения параметра взаимодействия формация-жидкость в соответствии с аспектами настоящего изобретения.
На фигуре 8Ь показана примерная обучающая выборка для применения в примерном способе, показанном на фиг. 8а, в соответствии с аспектами настоящего изобретения.
На фигуре 8с показан способ получения значения параметра взаимодействия формация-жидкость для целевой формации, взаимодействующей с целевым буровым раствором, в соответствии с аспектами настоящего изобретения.
На фигуре 9а показан примерный способ обучения искусственной нейронной сети для получения значения параметра взаимодействия формация-жидкость в соответствии с аспектами настоящего изобретения.
На фигуре 9Ь показана примерная обучающая выборка для применения в примерном способе, показанном на фиг. 9а, в соответствии с аспектами настоящего изобретения.
На фигуре 9с показан способ получения значения параметра взаимодействия формация-жидкость для целевой формации, взаимодействующей с целевым буровым раствором, в соответствии с аспектами настоящего изобретения.
Хотя при рассмотрении примерных вариантов осуществления настоящего изобретения варианты осуществления настоящего изобретения показаны и описаны варианты осуществления настоящего изобретения, они не подразумевают каких-либо ограничений настоящего изобретения. Описанный объект изобретения допускает различные модификации, изменения и использование структурных и функциональных аналогов, как станет понятно специалистам в данной области техники после рассмотрения идей настоящего описания. Показанные и описанные варианты осуществления настоящего изобретения приведены только для примера и не ограничивают объем изобретения.
ПОДРОБНОЕ ОПИСАНИЕ
Настоящее изобретение в целом относится к моделированию
характеристик формации, а более конкретно настоящее изобретение относится к способам и устройствам для моделирования характеристик глинистых сланцев в буровых растворах на водной основе с помощью искусственной нейронной сети.
В настоящем документе подробно описаны иллюстративные варианты осуществления настоящего изобретения. В целях наглядности не все особенности фактической реализации могут указываться в настоящем подробном описании. Следует учитывать, что при разработке любого такого фактического варианта осуществления необходимо принять множество специфичных для данной реализации решений для достижения целей конкретной реализации, которые у разных реализаций могут различаться. Кроме того, следует понимать, что такой процесс разработки может быть сложным и времязатратным, но, однако, рутинным процессом для специалиста в данной области, использующего преимущества настоящего изобретения.
Для лучшего понимания настоящего изобретения далее приведены примеры некоторых вариантов осуществления. Нижеследующие примеры не следует рассматривать ограничивающими или определяющими объем изобретения. Варианты осуществления настоящего изобретения применимы для горизонтальных, вертикальных, наклонных или криволинейных стволов скважин в любом типе подземных формаций. Варианты осуществления можно применять к нагнетательным скважинам, а также к добывающим скважинам, включая углеводородные скважины.
В нижеследующем описании раскрыты система и способ моделирования подземной формации с помощью искусственной нейронной сети ("ИНС"). ИНС можно использовать для вычисления взаимодействия формация-жидкость между формацией и буровым раствором. Примерный способ может включать обучение ИНС с помощью обучающей выборки. Обучающая выборка может включать характеристики исходной формации и экспериментально установленное взаимодействие формация-жидкость между исходной формацией и исходным буровым раствором, как будет описано далее. Характеристики целевой формации, т. е. формации, для которой необходимо получить информацию о взаимодействии
формация-жидкость, можно подавать на вход обученной искусственной нейронной сети. Характеристики целевой формации могут соответствовать характеристикам исходной формации. Например, если общее содержание глины в исходной формации подается на вход ИНС во время обучения, то общее содержание глины в целевой формации можно подавать на вход ИНС. Искусственная нейронная сеть может выдавать значение, которое можно использовать для того, чтобы определить взаимодействие формация-жидкость между целевой формацией и целевым буровым раствором, таким как буровой раствор на водной основе. Взаимодействие формация-жидкость может включать, например, набухание глинистых сланцев или степень эрозии глинистых сланцев в целевой формации.
На фигуре 1 показана структура примерной ИНС 100, которую можно обучить для моделирования подземных формаций, в соответствии с аспектами настоящего изобретения. Подземные формации могут включать формации глинистых сланцев или другие формации, известные в данной области. Как описано далее, обученную ИНС 100 можно использовать для определения взаимодействия формация-жидкость между целевой формацией и целевым буровым раствором, для определения которого иначе потребовались бы времязатратные тесты. В некоторых вариантах осуществления, как описано далее, ИНС 100 можно обучить для получения выходных данных, позволяющих оценить набухание глинистых сланцев и эрозию глинистых сланцев в целевой формации глинистых сланцев.
Как можно видеть, ИНС 100 включает параллельные соединения между процессорными элементами 102а-п, 104а-п и 106, которые также обозначаются как нейроны. В некоторых вариантах осуществления каждый нейрон получает входные сигналы и на основании собственного вектора весов подает один выходной сигнал. Нейроны можно организовать в виде различных слоев. Например, на фиг. 1, ИНС 100 включает входной слой 110, содержащий нейроны 102а-п, один или несколько скрытых слоев 112, содержащих нейроны 104а-п, и выходной слой 114, содержащий нейрон 106. Как можно видеть, количество нейронов в каждом слое
может различаться в зависимости от количества входных переменных и количества выходных переменных ИНС 100. В соответствии с некоторыми вариантами осуществления характеристики формации можно подавать на вход ИНС 100, при этом каждую характеристику формации подают на соответствующий нейрон 102а-п входного слоя. После этого каждый нейрон 104а-п скрытого слоя 112 может получить значение от каждого нейрона 102а-п входного слоя 110 и сгенерировать сигнал, который подается на нейрон 106 выходного слоя 114, который генерирует выходной сигнал или значение. В некоторых других вариантах осуществления можно использовать несколько скрытых слоев с параллельными соединениями между скрытыми слоями. Кроме того, в некоторых вариантах осуществления можно использовать несколько выходных нейронов, в зависимости от количества выходных значений, вычисляемых с помощью ИНС 100.
В некоторых вариантах осуществления нейроны ИНС 100 можно изготавливать физически или моделировать на цифровом компьютере. Например, нейроны можно моделировать, используя процессорный элемент и запоминающее устройство одного компьютера, или альтернативно некоторые или все нейроны можно реализовать на разных компьютерах, связанных в сеть. Примерные компьютер 200 и сеть 250 показаны на фиг. 2. В частности, компьютер 2 00 включает процессор 2 02, связанный с по меньшей мере одним запоминающим устройством 204. Запоминающее устройство 2 04 может содержать компоненты программного обеспечения, управляющие процессором 2 02 для осуществления им функции нейрона ИНС. Дополнительно компьютер 2 02 может взаимодействовать с другими компьютерами 206 через сеть 250 посредством, например, последовательного соединения или сетевого соединения. Конфигурации компьютера и процессора, реализующих структуру ИНС, станут понятны специалисту в данной области при рассмотрении данного описания.
В процессе работы нейроны примерной ИНС 100 можно инициализировать со случайными весами для каждого входного значения. ИНС 100 можно обучать, используя обучающую выборку, включающую значения, которые можно подавать на вход нейронов
входного слоя. В некоторых вариантах осуществления обучающая выборка может содержать характеристики формации, определенные у исходной формации, и характеристики жидкости, определенные у исходного бурового раствора, как будет описано далее. На основании случайных весов ИНС 100 может создать выходное значение. В некоторых вариантах осуществления обучающая выборка также может включать заранее определенное выходное значение для исходных формации и бурового раствора, такое как экспериментально установленное взаимодействие формация-жидкость. Веса каждого нейрона затем можно обучить, сравнивая получаемое выходное значение с заранее определенным выходным значением. За счет положительного подкрепления подходящих весов их можно уточнять, уменьшая ошибку ИНС 100 до тех пор, пока ошибка не достигнет заданного порогового значения. Хотя выше со ссылками на фиг. 1 описана примерная ИНС, другие конфигурации ИНС также возможны, как станет понятно специалистам в данной области при рассмотрении настоящего описания. Кроме того, другие способы обучения ИНС также можно использовать.
В соответствии с некоторыми вариантами осуществления настоящего изобретения создание обучающей выборки для обучения ИНС, такой как ИНС 100, с целью моделирования формации может включать определение характеристик исходной формации. Исходная формация может представлять собой, например, природную формацию, которая была вскрыта и образцы которой были отобраны во время бурения или других подземных работ. Характеристики могут включать значения, относящиеся к химическому составу исходной формации. На фиг. За и ЗЬ показаны примеры характеристик формации, определенные у различных формаций, включая лондонскую глину, глинистые сланцы Пирра, бентонит и Revdust. Характеристики могут включать состав формации в виде массовой доли конкретных элементов. Например, формация может характеризоваться массовыми долями смектита, иллита, натрия, кальция, общей глины и других элементов, как будет понятно специалистам в данной области при рассмотрении данного описания. Кроме того, формации могут характеризоваться своей катионообменной емкостью (СЕС) и относительной твердостью.
В некоторых вариантах осуществления исходная формация также может представлять собой синтетическую формацию. Характеристики синтетических формаций можно определить экстраполируя характеристики двух или более природных формаций. Как можно видеть на фиг. 4а и 4Ь, синтетическая формация может состоять на 2 0% из глинистых сланцов Пирра I, приведенных на фиг. 3, и на 8 0% из глинистых сланцов Пирра II, приведенных на фиг. 3. Содержание смектита в синтетической формации можно определить, вычислив взвешенную комбинацию содержаний смектита в двух природных формациях, как показано на фиг. 4а. Аналогично содержание иллита в синтетической формации можно определить, вычислив взвешенную комбинацию содержаний иллита в двух природных формациях, как показано на фиг. 4Ь. Схожие способы экстраполяции можно применять ко всем характеристикам формации, показанным на фиг. 3, а также к некоторым экспериментально установленным взаимодействиям формация-жидкость, описанным далее. Преимуществом является то, что, используя синтетические формации, можно расширить обучающую выборку, не проводя дополнительных экспериментов.
Примерная обучающая выборка может дополнительно включать характеристики жидкости, определенные у исходного бурового раствора. Подобно характеристикам формации, характеристики бурового раствора могут относиться к химическому и/или элементному составу исходного бурового раствора. Примерные характеристики бурового раствора могут включать предельное динамическое напряжение сдвига жидкости, тип ингибитора глинистых сланцев, используемого в жидкости, концентрацию ингибитора глинистых сланцев, тип солей в составе жидкости, концентрацию солей, концентрацию воды и концентрацию барита. Другие характеристики также можно использовать, как станет понятно специалистам в данной области при рассмотрении настоящего описания.
В соответствии с некоторыми вариантами осуществления настоящего изобретения создание обучающей выборки для обучения ИНС, такой как ИНС 100, с целью моделирования формации также может включать определение экспериментально устанавливаемого
взаимодействия формация-жидкость между исходной формацией и исходным буровым раствором. В некоторых вариантах осуществления экспериментально устанавливаемое взаимодействие формация-жидкость может включать экспериментально установленное набухание глинистых сланцев при взаимодействии исходной формации глинистых сланцев и исходного БРВ. В соответствии с некоторыми вариантами осуществления настоящего изобретения тестер линейного набухания (Linear Swell Meter) ("LSM") можно использовать для оценки набухания. Как станет понятно специалистам в данной области при рассмотрении настоящего описания определение набухания глинистых сланцев исходной формации глинистых сланцев может включать высушивание и измельчение образцов природных глинистых сланцев, просеивание частиц через сито, гомогенизацию образца в воде и помещение смеси в цилиндрическую форму. Образец можно подвергать воздействию исходного бурового раствора, такого как буровой раствор на водной основе, при заранее заданной температуре, такой как 150 градусов по Фаренгейту. Затем можно измерить степень набухания образца в зависимости от времени, используя компьютерное программное обеспечение, и из измерений на LSM можно оценить характерное взаимодействие формация-жидкость.
Примерный график степени набухания глинистых сланцев как функции от времени показан на фиг. 5а. График, показанный на фиг. 5А, получен экспериментально при помощи LSM для глинистых сланцев Пирра II в 11 ч/млн высокоэффективном БРВ составе (11 ч/млн High Performance WBM) . На фиг. 5b показана функция от времени, представленная на фиг. 5А, в сравнении с модельной кривой, полученной при использовании нижеследующего уравнения (1) :
уравнение (1): %S(t)=А(1-1/(еЛ(Bt)+cVt))
Уравнение (1) можно использовать для моделирования набухания глинистых сланцев как функции от времени в соответствии с аспектами настоящего изобретения. В уравнении (1) %S(t) обозначает набухание формации за время t, А обозначает максимальную степень набухания формации, В обозначает константу скорости набухания, протекающего как
реакция первого порядка, и С обозначает параметр водоотдачи. Как можно видеть из фиг. 5Ь, модельная кривая, полученная из уравнения (1), может приближать экспериментальную кривую с заданными значениями коэффициента детерминации RA2 и среднеквадратичной ошибки ("RMSE"). На фиг. 5Ь также показаны значения параметров А, В и С, найденных при аппроксимации экспериментально определенной кривой набухания с помощью уравнения (1). Аппроксимацию можно осуществлять, например, используя известные алгоритмы, понятные специалистам в данной области при рассмотрении настоящего описания. Каждый из этих параметров А, В и С, определенных при использовании полученных в эксперименте данных, можно включить в обучающую выборку.
В некоторых вариантах осуществления экспериментально определенное взаимодействие формация-жидкость может включать экспериментально определенную степень извлечения глинистых сланцев для исходной формации глинистых сланцев и исходного бурового раствора. В соответствии с некоторыми вариантами осуществления степень извлечения глинистых сланцев можно определять, тестируя эрозию глинистых сланцев. Тестирование эрозии глинистых сланцев может включать просеивание образца исходных глинистых сланцев для получения частиц, которые проходят через сито 5 меш (т. е. сито с 5 отверстиями на дюйм, т. е. 2,54 см), но удерживаются ситом 10 меш. Навеску некоторой массы, например 3 0 граммов, из частиц глинистого сланца можно поместить в исходный буровой раствор. Исходный буровой раствор затем можно перемешивать при заданной температуре, такой как 150°F, в течение заданного периода времени, такого как 16 часов, в емкости объемом в пинту (0,47 л) и затем просеять через сито 10 меш. Твердые частицы, удержанные ситом 10 меш, затем можно промыть, высушить и взвесить. Степень эрозии можно вычислить на основании измеренной потери массы.
В соответствии с некоторыми вариантами осуществления настоящего изобретения ИНС можно обучить для получения значений параметров А, В и С из уравнения (1) в ответ на введение характеристик целевой формации и/или целевого бурового
раствора, затем используя такую ИНС, можно определить кривую набухания для целевой формации и целевого бурового раствора, не проводя измерений на LSM. Например, как можно видеть на фиг. ба, ИНС 600 может получать на входные нейроны 602a-f характеристики исходной формации, включающие содержание смектита, содержание иллита, содержание натрия, содержание кальция, общее содержание глины и СЕС, соответственно, для каждой исходной формации из набора данных, и для каждого набора входных данных ИНС 60 0 может выводить вычисленное значение параметра А на выходной нейрон 60 6. Слой 604 может включать параллельно соединенные скрытые нейроны, аналогичные показанным на фиг. 1. Примерная обучающая выборка для параметра А показана на фиг. 6Ь. Хотя обучающая выборка, показанная на фиг. 6В, включает ограниченное количество прецедентов, обучающие выборки могут включать сотни прецедентов, соответствующих различным исходным формациям. Следует заметить, что вычисленный параметр А можно сравнивать с экспериментально определенным параметром А из обучающей выборки для нахождения правильного веса нейрона.
После обучения ИНС 60 0 с помощью обучающей выборки для параметра А, ИНС 60 0 можно использовать для вычисления параметра А для целевой формации. Характеристики целевой формации, соответствующие характеристикам исходной формации, используемым для обучения ИНС, можно подать на вход нейронам 602a-f. В частности, содержание смектита, содержание иллита, содержание натрия, содержание кальция, общее содержание глины и СЕС для целевой формации можно подать на вход тем же нейронам 602a-f, на вход которым подавали аналогичные характеристики исходной формации. После введения характеристик узел вывода 60 6 ИНС 600 может вывести значение параметра А, соответствующее целевой формации.
В некоторых вариантах осуществления, таких как вариант осуществления, показанный на фиг. ба, параметр А из уравнения кривой набухания (1) можно определить с помощью ИНС 60 0, не используя в качестве входных параметров характеристик бурового раствора. В таких вариантах осуществления экспериментально определенные значения параметра А для каждой исходной формации
можно получить, используя исходный буровой раствор с постоянной концентрацией солей, такой как 24%, в измерении на LSM. Обучение ИНС 600 с использованием таким образом экспериментально определенного значения параметра А может привести к тому, что вычисление параметра А с помощью ИНС 60 0 будет ограничено целевыми буровыми растворами с концентрацией солей 24%. Вычисленное значение параметра А затем можно пропорционально изменить, используя вычисленное линейное соотношение между буровыми растворами с разной концентрацией солей, как показано на фиг. 7. Например, значение параметра А, оцененное ИНС 600 для концентрации солей 24%, можно пропорционально изменить для определения значения параметра А при концентрации солей 0% следующим способом А(0%)=1,83*А(24%). Соответственно, можно определить параметр А для целевой формации и воздействующего на нее бурового раствора с концентрацией солей 0%. В некоторых других вариантах осуществления концентрацию солей в исходном буровом растворе можно включить в обучающую выборку и подавать на вход ИНС 60 0 в процессе обучения. В таком случае, при определении параметра А для целевой формации, взаимодействующей с целевым буровым раствором, можно подать на вход концентрацию солей целевого бурового раствора.
ИНС можно также обучать для выведения вычисленного значения параметра В. Например, как показано на фиг. 8а, ИНС 800 может принимать на входные нейроны 802a-f характеристики исходной формации, включающие содержание смектита, содержание иллита, содержание натрия, содержание кальция, общее содержание глины и СЕС соответственно. Кроме того, ИНС 8 00 может принимать на входные нейроны 8 02g-j характеристики исходного бурового раствора, включающие предельное динамическое напряжение сдвига исходного бурового раствора, содержание воды в исходном буровом растворе, содержание солей в исходном буровом растворе и содержание барита в исходном буровом растворе. Следует заметить, что каждую из характеристик исходной формации и характеристик исходного бурового раствора можно включить в обучающую выборку для параметра В, как показано на фиг. 8Ь.
Обучающая выборка для параметра В также может включать экспериментально установленное значение В, как описано выше, для каждой комбинации исходная формация/исходный буровой раствор в обучающей выборке. Слой 8 04 может включать параллельно соединенные скрытые нейроны, аналогичные показанным на фиг. 1. Для каждого набора входных параметров ИНС 8 00 может выводить вычисленное значение параметра В на выходной нейрон 806. Вычисленный параметр В можно сравнивать с экспериментально определенным параметром В из обучающей выборки для нахождения правильного веса нейрона. В некоторых вариантах осуществления ИНС 600 и ИНС 800 могут представлять собой одну и ту же ИНС, при этом ИНС вычисляет соответствующие параметры в зависимости от того, на какие из входных нейронов поступают входные данных.
После обучения ИНС 8 00 с помощью обучающей выборки для параметра В ИНС 800 можно использовать для вычисления параметра В для целевой формации и целевого бурового раствора. Характеристики, аналогичные характеристикам целевой формации и целевого бурового раствора, используемым для обучения ИНС, можно подавать на вход нейронам 802a-j, как описано выше в отношении ИНС 600. После введения характеристик узел вывода 806 ИНС 800 может вывести значения параметра В, соответствующее целевой формации и целевому буровому раствору. Преимуществом является то, что изменяя параметры целевого бурового раствора, подаваемые на вход ИНС 8 00, можно определить взаимодействие формация-жидкость во времени для целевой формациЬ и различных целевых буровых растворов, уменьшая количество времени и усилий, необходимых для оптимизации взаимодействия формация-жидкость . В некоторых вариантах осуществления значение параметра С в уравнении (1) может изменяться в пределах от 0 до 1, но в большинстве случаев этот параметр оказывает незначительное влияние на общий профиль линейного набухания заданного глинистого сланца. По сути, может отсутствовать необходимость в использовании ИНС для вычисления С.
В некоторых других вариантах осуществления ИНС можно обучить для определения степени эрозии (или степени извлечения глинистых сланцев) целевой формации глинистых сланцев при
воздействии на нее целевого бурового раствора. Например, как показано на фиг. 9а, ИНС 900 может получать на входные нейроны 902а-е характеристики исходного бурового раствора, включающие тип солей, концентрацию солей, тип ингибитора глинистых сланцев, концентрацию ингибитора глинистых сланцев и предельное динамическое напряжение сдвига. Кроме того, ИНС 900 может получать на входные нейроны 902f-g характеристики исходной формации глинистых сланцев, такие как твердость, а также значение взаимодействия формация-жидкость, такое как значение параметра максимального набухания А из уравнения (1) . Следует заметить, что параметр А может либо определяться экспериментально с помощью LSM, либо вычисляться с помощью обученной ИНС. Каждую из характеристик исходной формации, характеристик исходного бурового раствора и значений взаимодействия формация-жидкость можно включить в обучающую выборку для степени эрозии, как показано на фиг. 9Ь. Обучающая выборка для степени эрозии также может включать экспериментально определенное значение степени эрозии, как описано выше, для каждой комбинации исходная формация/исходный буровой раствор из обучающей выборки. Слой 904 может включать параллельно соединенные скрытые нейроны, аналогичные показанным на фиг. 1. Для каждого набора входных данных ИНС 900 может выводить вычисленную степень эрозии на выходной нейрон 906. Вычисленную степень эрозии можно сравнивать с экспериментально определенной степенью эрозии из обучающей выборки для нахождения правильного веса нейрона. В некоторых вариантах осуществления ИНС 600, ИНС 800 и ИНС 900 могут представлять собой одну и ту же ИНС, при этом ИНС вычисляет соответствующие параметры в зависимости от того, на какие из входных нейронов поступают входные данных.
После обучения ИНС 90 0 с помощью обучающей выборки для степени эрозии, ИНС 900 можно использовать для вычисления степени эрозии для целевой формации и целевого бурового раствора. Характеристики целевых формации и бурового раствора, а также значение взаимодействия формация-жидкость, соответствующие характеристикам исходных формации и бурового
раствора и значению взаимодействия формация-жидкость, используемым для обучения ИНС, можно подать на вход нейронам 902а-д, как описано выше в отношении ИНС 600. После введения характеристик узел вывода 906 ИНС 900 может вывести степень эрозии, соответствующую целевой формации и целевому буровому раствору. Преимуществом является то, что, изменяя параметры целевого бурового раствора, подаваемые на вход ИНС 900 (и вследствие этого меняя значение параметра А) , можно в режиме реального времени оптимизировать буровой раствор.
Преимуществом является то, что после обучения ИНС для моделирования конкретных формаций и вычисления значений параметров А и В из уравнения (1) и степени эрозии для комбинации конкретная целевая формация/целевой буровой раствор, ИНС можно использовать для оптимизации целевых буровых растворов. Например, во время бурения достигаются природные формации глинистых сланцев. Глинистые сланцы можно проанализировать для нахождения характеристик глинистых сланцев, используемых как входные данные для обученной ИНС. Кроме того, характеристики различных целевых жидкостей можно подать на вход ИНС. ИНС может вычислить параметры А и В, а также степень эрозии для каждой комбинации формация/целевая жидкость, и после этого можно выбрать целевую жидкость, минимизирующую набухание природной формации глинистых сланцев. Преимуществом является то, что все вычисления могут проходить в режиме реального времени, и характеристики целевого бурового раствора легко можно изменять, пока не будет найден оптимальный буровой раствор. Напротив, оптимизация бурового раствора при использовании современных способов тестирования может занять несколько суток.
Таким образом, настоящее изобретение позволяет достичь упомянутых целей и преимуществ, а также целей и преимуществ, связанных с упомянутыми. Конкретные варианты осуществления, описанные выше, приведены только для иллюстрации, настоящее изобретение можно модифицировать и применять различными, но соответствующими способами, очевидными специалистам в данной области после рассмотрения идей, описанных в настоящем
документе. Кроме того, в настоящем описании не предполагается никаких ограничений на подробности структуры или дизайна объекта настоящего изобретения, за исключением описанных в нижеследующей формуле изобретения. Таким образом, очевидно, что конкретные иллюстративные варианты осуществления, описанные выше, можно изменять или модифицировать, и все такие изменения охватываются объемом и сущностью настоящего изобретения. Кроме того, термины, используемые в формуле изобретения, имеют свои обычные, общепринятые значения, если иное явно и четко не указано патентообладателем. При указании в формуле изобретения объекта в единственном числе подразумевается один или несколько таких объектов.
ФОРМУЛА ИЗОБРЕТЕНИЯ
1. Способ обучения искусственной нейронной сети с целью моделирования характеристик глинистых сланцев, включающий:
определение характеристик исходной формации;
определение экспериментально устанавливаемого
взаимодействия формация-жидкость между исходной формацией и исходным буровым раствором;
подачу характеристик на вход искусственной нейронной сети;
получение от искусственной нейронной сети вычисленного взаимодействия формация-жидкость между исходной формацией и исходным буровым раствором; и
сравнение вычисленного взаимодействия формация-жидкость с экспериментально установленным взаимодействием формация-жидкость .
2. Способ по п. 1, в котором характеристики включают по меньшей мере одну из характеристик, таких как содержание смектита, содержание иллита, содержание натрия, содержание кальция, общее содержание глины, катионообменная емкость и твердость.
3. Способ по п. 2, в котором определение экспериментально устанавливаемого взаимодействия формация-жидкость включает определение экспериментального значения набухания исходной формации с помощью тестера линейного набухания.
4. Способ по п. 3, в котором определение экспериментально устанавливаемого взаимодействия формация-жидкость дополнительно включает аппроксимацию кривой набухания нижеследующим уравнением:
%S(t)=А(1-1/(ел(Bt)+cVt) ) ; где %S (t) обозначает набухание исходной формации за время t, А обозначает максимальную степень набухания исследуемой формации, В обозначает константу скорости набухания, протекающего как реакция первого порядка, и С обозначает параметр водоотдачи.
5. Способ по п. 4, в котором получение от искусственной нейронной сети вычисленного взаимодействия формация-жидкость включает получение вычисленного значения по меньшей мере одного
5.
из параметров А, В и С.
6. Способ по п. 1, дополнительно включающий стадию подачи на вход искусственной нейронной сети характеристик жидкости, определенных у исходного бурового раствора.
7. Способ по п. б, в котором характеристики жидкости включают по меньшей мере одну из характеристик, таких как предельное динамическое напряжение сдвига, тип ингибитора глинистых сланцев, концентрация ингибитора глинистых сланцев, тип солей, концентрация солей, концентрация воды и концентрация барита.
8. Способ по п. 7, в котором определение экспериментально устанавливаемого взаимодействия формация-жидкость включает определение экспериментального значения степени извлечения глинистых сланцев из исходной формации с помощью тестирования эрозии глинистых сланцев.
9. Способ по п. 8, в котором получение вычисленного взаимодействия формация-жидкость включает получение от искусственной нейронной сети вычисленного значения степени извлечения глинистых сланцев.
10. Способ определения взаимодействия формация-жидкость для целевой формации, включающий:
обучение искусственной нейронной сети с помощью обучающей выборки, где обучающая выборка включает характеристики глинистых сланцев исходной формации глинистых сланцев и характеристики жидкости исходного бурового раствора;
подачу на вход искусственной нейронной сети характеристик глинистых сланцев целевой формации глинистых сланцев, где характеристики глинистых сланцев целевой формации глинистых сланцев соответствуют характеристикам глинистых сланцев исходной формации глинистых сланцев; и
определение взаимодействия формация-жидкость для целевой формации глинистых сланцев с помощью значения, полученного от искусственной нейронной сети.
11. Способ по п. 10, в котором образец формации глинистых сланцев включает по меньшей мере один из образцов, таких как лондонская глина, глинистые сланцы Пирра, бентонит и
11.
синтетический сланец.
12. Способ по п. 11, в котором синтетический сланец включает комбинацию двух природных формаций глинистых сланцев, характеристики которой можно получить с помощью линейной комбинации характеристик двух природных формаций.
13. Способ по п. 12, в котором значение, получаемое от искусственной нейронной сети, представляет собой значение по меньшей мере одного из параметров А, В и С из нижеследующего уравнения:
%S(t)=А(1-1/(еЛ(Bt)+cVt));
где %S (t) обозначает набухание исходной формации за время t, А обозначает максимальную степень набухания формации, В обозначает константу скорости набухания, протекающего как реакция первого порядка, и С обозначает параметр водоотдачи.
14. Способ по п. 13, в котором определение взаимодействия формация-жидкость включает определение кривой набухания для целевой формации глинистых сланцев с помощью уравнения.
15. Способ по п. 14, дополнительно включающий стадию
подачи на вход искусственной нейронной сети характеристик
жидкости целевого бурового раствора, где характеристики
жидкости целевого бурового раствора соответствуют
характеристикам жидкости исходного бурового раствора.
16. Способ по п. 15, дополнительно включающий стадию подачи на вход искусственной нейронной сети значения степени максимального набухания целевой формации глинистых сланцев.
17. Способ по п. 16, в котором взаимодействие формация-жидкость включает степень извлечения глинистых сланцев из целевой формации глинистых сланцев в условиях, когда целевая формация глинистых сланцев подвергается воздействию целевого бурового раствора.
18. Устройство для определения взаимодействия формация-жидкость для целевой формации, включающее:
по меньшей мере один процессор;
по меньшей мере одно запоминающее устройство, связанное с процессором, где по меньшей мере один элемент программного обеспечения регулирует по меньшей мере один процессор для:
получения обучающей выборки, где обучающая выборка включает характеристики глинистых сланцев исходной формации глинистых сланцев и характеристики жидкости исходного бурового раствора;
получения в качестве входных данных характеристик глинистых сланцев целевой формации глинистых сланцев, где характеристики глинистых сланцев целевой формации глинистых сланцев соответствуют характеристикам глинистых сланцев исходной формации глинистых сланцев; и
вычисления взаимодействия формация-жидкость для целевой формации глинистых сланцев для случая, когда целевая формация глинистых сланцев подвергается воздействию целевого бурового раствора.
19. Устройство по п. 18, в котором взаимодействие формация-жидкость включает набухание целевой формации глинистых сланцев в условиях, когда целевая формация глинистых сланцев подвергается воздействию целевого бурового раствора.
20. Устройство по п. 19, в котором взаимодействие формация-жидкость включает степень извлечения глинистых сланцев из целевой формации глинистых сланцев в условиях, когда целевая формация глинистых сланцев подвергается воздействию целевого бурового раствора.
По доверенности
519620ЕА
200
Фиг. 2
тз > ш DC со
00 to
> ш DC со
ю со см
о со со ю
ю со со
c\i
CNI
CM т- Ю
Ю Ю
CO CM
CO CM CM
CO D.
00 CM
00 CO
CO CL
00 CO CM со
CO CL -3-co
CD CM о
CO CL
CM CM
CM Ю
CM CM 00 CM
CO CO
CN CM
о о
о с. о
со S о о
о о о о о о
ш S
е- 9
о. ш о ш о то
Тип глинистого сланца
PSI
PSII
Содержание смектита
массовая доля в глинистом сланце №11
0.2
0.8
Вычисленное содержание смектита
27*0.2 + 43*0.8 = 39.8%
Экспериментально установленное содержание смектита
42%
Фиг. 4А
Тип глинистого сланца
PSI
PSII
Содержание иллита
Массовая доля в глинистом сланце №11
0.2
0.8
Вычисленное содержание иллита
26*0.2 + 21*0.8 = 22%
Экспериментально установленное содержание иллита
20%
Фиг. 4В
40 35 30 -? 25 -20 -
ю 15 аз
10 -5 -0
Экспериментально определенное набухание
0.5
1 1.5 Время (дни)
2.5
Фиг. 5А
40 35 30 25 20
|г 15
Аппроксимирующая кривая,
заданная уравнением [1]
Экспериментально определенное
набухание
RMSC
35.6
4.4
0.7
0.99
0.55
0.5
1 1.5 Время (дни)
2.5
Фиг. 5В
600
Выбуренная порода №
Смектит, мас.%
Иллит, мас.%
СЕС
мг-экв./ЮОг
Na мг/ЮОг
Са мг/ЮОг
Общее содержание глины г/100 г
А @
24%NaCI
54.6
18.6
33.4
596.5
375.6
76.4
31.0
53.6
20.2
35.8
665.9
393.4
77.0
33.0
45.2
22.8
28.6
536.2
338.5
72.0
27.8
36.8
25.4
21.4
406.5
283.7
67.0
22.6
48.2
19.4
30.0
640.4
291.1
70.4
27.4
65.0
14.2
44.4
899.8
400.8
80.4
37.8
42.2
26.2
27.2
432.0
385.9
73.6
28.2
33.8
28.8
20.0
302.3
331.1
68.6
23.0
30.8
32.2
18.6
198.1
378.5
70.2
23.4
27.8
35.6
17.2
93.9
425.9
71.8
23.8
39.8
22.0
22.8
510.7
236.3
65.4
22.2
73.4
11.6
51.6
1029.5
455.7
85.4
43.0
42.0
23.8
27.4
452.9
336.8
69.4
24.0
33.6
26.4
20.2
323.2
282.0
64.4
18.8
30.6
29.8
18.8
219.0
329.4
66.0
19.2
53.4
17.8
36.0
686.8
344.3
72.8
28.8
45.0
20.4
28.8
557.1
289.4
67.8
23.6
50.4
21.2
34.6
582.6
391.7
74.4
29.2
27.6
33.2
17.4
114.8
376.8
67.6
19.6
36.6
23.0
21.6
427.4
234.6
62.8
18.4
61.8
15.2
43.2
816.5
399.1
77.8
34.0
27.4
30.8
17.6
135.6
327.7
63.4
15.4
33.4
24.0
20.4
344.0
232.9
60.2
14.6
50.2
18.8
34.8
603.4
342.6
70.2
25.0
30.4
27.4
19.0
239.8
280.3
61.8
15.0
600
Входные данные
Смектит, иллит, СЕС, натрий, кальций, общее содержание глины
Выходные данные
А % (итоговое изменение объема при набухании) при 24% NaCI
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Фактический %
10 15 20 25 30 35 40 45
Фактический %
Са мг/ЮОг
LO CO
Is-
Is-
^1-Is-
x- CO
X- 00
oo to
00 LO
CO LO
"3-
Is-
Is-
Is-
o Is-
O X-
Na мг/ЮОг
cn о
Is-
о to
см о
о to
CO CT>
00 CO
CO CD
CO CO
00 CD
CO CO
Is-1^
Is-
Is-
LO CM
LO LO
00 CO
00 CO
00 CO
Общее содержание глины г/100 г
Is-
Is-
LO LO
CO CD
CO CD
CO CD
LO LO
LO LO
LO Ю
Is-
CD CD
Is-
CD CD
CD CD
Is-
СЕС мг-экв./ЮО г
CO x-
о со
о со
CO X-
Nf CM
CD CO
Is-LO
Is-to
Иллит, мас.%
CO CM
CO CM
CO CM
CO CM
CD CM
CO CM
x- CM
CO CD
к-"
Is-
Is-
Is-
Is-
Is-
Is-
CO CO
Смек мае"!
CD m
Is-
Is-
Is-
to"
Предельно' напряжен" j сдвига |
¦St-
LO CM
LO CM
CO CO
Is-
Is-
x- CO
CO CO
x- CO
CD CM
CM CO
x- CM
Барит -ppb
00 CO
00 CO
¦si" o
CD CO
CO CO
00 LO
CO x-
CO CM
00 CM
LO CO
00 CO CO
о Is-
CD CM
о Is-
d Is-
¦^f
LO LO
CO x-
NaCI - ppb
Is-
ai oo
CM CD
Is-
oo oo
CD 00
LO CO
LO LO
LO CD
CD 00
CD 00
CD 00
CD CO
CD x-
Вода -ppb
Is-
Is-' oo
00 CD CM
CO CO CM
to о
CD CM
CO X- CO
CO X- CO
X- CO
CD CM
Is-
00 CM
CD CO
Is-
LO CM
CO CO
LO CM
CO CD CM
CO 00 CM
x- CO
Выбуренн порода N!
Is-
Is-
Твердость
г-ю
Is-Ю
Is-
Is-ю
Is-
оо о'
со о
со см
оо см
со см
Is-
о' со
а> см
CD \-
ю со
¦sr
LO X-
со ю
со ю
со ю
¦ эрозия
со 3"
(О ~
^ 2
Is-
Is-
% Извлечен
° о
= ш
0 Э
S > .
1 о s 3
ц -2-
ю о
CD О
CD CD
CD CD
Is-
т- 00
CD LO
Is-
CD CD
Is-
см со
Is-' Is-
Is-
см Is-
об CD
Предельное напряя ; сдвига
о см
Is-'
Т(tm)"
ю см
ю см
¦sf
¦sf
ее са
О i ш
(qdd)
_i О ОТ
1- <
ас О
а: ш а.
инистых слан!
биторы mi
<
Ш СЛ
ИНГИ1
> - -1 о
г-^
о и
NaCI-ppb
а> оо
¦с-
о о'
о о'
о о
со об
о о
сэ сэ
о сэ
о о
о сэ
о сэ
о о"
о сэ
о о
о о
о о
о о
о о
Выбуренная порода №
Is-
Is-
о см
см см
со см
ю см
1/16
1/16
Фиг. 1
Фиг. 1
2/16
3/16
Фиг. ЗВ
Фиг. ЗА
2/16
3/16
Фиг. ЗВ
Фиг. ЗА
2/16
3/16
Фиг. ЗВ
Фиг. ЗА
2/16
3/16
Фиг. ЗВ
Фиг. ЗА
2/16
3/16
Фиг. ЗВ
Фиг. ЗА
2/16
3/16
Фиг. ЗВ
Фиг. ЗА
2/16
3/16
Фиг. ЗВ
Фиг. ЗА
5/16
5/16
5/16
5/16
5/16
5/16
5/16
5/16
5/16
5/16
6/16
6/16
Фиг. 6А
Фиг. 6А
7/16
7/16
Фиг. 6В
Фиг. 6В
8/16
8/16
Фиг. 6С
Фиг. 6С
9/16
9/16
Фиг. 7А
Фиг. 7А
10/16
10/16
Фиг. 7В
Фиг. 7В
11/16
11/16
Фиг. 8А
Фиг. 8А
12/16
12/16
Фиг. 8B
Фиг. 8B
13/16
13/16
Фиг. 8С
Фиг. 8С
900
14/16
900
14/16
Фиг. 9А
Фиг. 9А
15/16
15/16
Фиг. 9В
Фиг. 9В
16/16
16/16
Фиг. 9С
Фиг. 9С
