FR3058456A1 - Classification de fluides de fond de puits automatisee en utilisant des donnees de composante de spectroscopie principale - Google Patents

Abstract

L'invention concerne un système et des procédés pour une classification de fluides de fond de puits. Des mesures sont obtenues à partir d'un ou de plusieurs capteurs de fond de puits situés le long d'une section actuelle d'un puits de forage à l'intérieur d'une formation de subsurface. Les mesures obtenues à partir de l'un ou des plusieurs capteurs de fond de puits sont transformées en des données de composante de spectroscopie principale (PSC). Un ou plusieurs types de fluides sont identifiés pour la section actuelle du puits de forage à l'intérieur de la formation de subsurface, en se basant sur des données de PSC et un modèle de classification de fluides. Le modèle de classification de fluides est affiné pour une ou plusieurs sections subséquentes du puits de forage à l'intérieur de la formation de subsurface, sur la base au moins en partie de l'un ou des plusieurs types de fluides identifiés pour la section actuelle du puits de forage.

Description

® RÉPUBLIQUE FRANÇAISE

INSTITUT NATIONAL DE LA PROPRIÉTÉ INDUSTRIELLE © N° de publication :

(à n’utiliser que pour les commandes de reproduction) (© N° d’enregistrement national

058 456

59228

COURBEVOIE © Int Cl⁸ : E 21 B 49/08 (2017.01)

DEMANDE DE BREVET D'INVENTION

A1

©) Date de dépôt : 03.10.17.	© Demandeur(s) : HALLIBURTON ENERGY SERVICES,
© Priorité : 04.11.16 IB WOUS2016060577.	INC. — US.
	@ Inventeur(s) : CHEN DINGDING, DAI BIN, JONES
	CHRISTOPHER M. et QUIREIN JOHN A..
(43) Date de mise à la disposition du public de la
demande : 11.05.18 Bulletin 18/19.
©) Liste des documents cités dans le rapport de
recherche préliminaire : Ce dernier n'a pas été
établi à la date de publication de la demande.
(© Références à d’autres documents nationaux	© Titulaire(s) : HALLIBURTON ENERGY SERVICES,
apparentés :	INC..
©) Demande(s) d’extension :	(© Mandataire(s) : GEVERS & ORES Société anonyme.

AUTOMATISEE EN UTILISANT DES DONNEES DE

FR 3 058 456 - A1

124) CLASSIFICATION DE FLUIDES DE FOND DE PUITS COMPOSANTE DE SPECTROSCOPIE PRINCIPALE.

(© L'invention concerne un système et des procédés pour une classification de fluides de fond de puits. Des mesures sont obtenues à partir d'un ou de plusieurs capteurs de fond de puits situés le long d'une section actuelle d'un puits de forage à l'intérieur d'une formation de subsurface.

Les mesures obtenues à partir de l'un ou des plusieurs capteurs de fond de puits sont transformées en des données de composante de spectroscopie principale (PSC). Un ou plusieurs types de fluides sont identifiés pour la section actuelle du puits de forage à l'intérieur de la formation de subsurface, en se basant sur des données de PSC et un modèle de classification de fluides. Le modèle de classification de fluides est affiné pour une ou plusieurs sections subséquentes du puits de forage à l'intérieur de la formation de subsurface, sur la base au moins en partie de l'un ou des plusieurs types de fluides identifiés pour la section actuelle du puits de forage.

Classification de fluides de fond de puits automatisée en utilisant

DES DONNEES DE COMPOSANTE DE SPECTROSCOPIE PRINCIPALE

DOMAINE DE LA DIVULGATION

La présente divulgation concerne généralement une analyse de fluides 5 dans des opérations de récupération d’hydrocarbure, et particulièrement pour une identification de fluides à l’intérieur de formations contenant des hydrocarbures de subsurface en utilisant des capteurs optiques de fond de puits.

CONTEXTE DE L’INVENTION

Une classification de fluides est essentielle pour une analyse de fluides de ίο fond de puits et est souvent la première étape dans des flux de travaux pour une caractérisation de fluide quantitative au cours d’un échantillonnage est un test de formation. Des classificateurs de fluides classiques déployés dans des testeurs de formation utilisent généralement des propriétés physiques de fluide en vrac et des données de mesure de composition pour classer différents types de fluides de fond de puits. Les données de composition utilisées pour la classification sont basées sur des mesures provenant de capteurs optiques de fond de puits, qui peuvent nécessiter un étalonnage complexe pour garantir la fiabilité des données. Cependant, la complexité d’un étalonnage basé sur capteur est souvent difficile à gérer compte tenu du nombre de permutations de propriétés physiques et chimiques qui sont traditionnellement mesurées à des fins de classification de fluides. En outre, la précision des classifications de fluides qui sont directement basées sur des mesures de capteur peut être limitée par la sensibilité des capteurs optiques utilisés pour détecter les différents types de fluides de fond de puits. Par exemple, les capteurs optiques d’un classificateur de fluides classique peuvent être trop sensibles à certains paramètres qui provoquent des données bruitées dans des systèmes du monde réel. Tandis que l’utilisation de capteurs multiples à partir de divers outils de fond de puits peut améliorer la qualité de la classification de fluides, la disponibilité de données de capteurs utiles et les coûts d’un étalonnage de capteur peuvent limiter ou décourager l’utilisation d’une telle approche multidisciplinaire dans de nombreuses applications liées au domaine des champs pétrolifères.

BRÈVE DESCRIPTION DES FIGURES

La figure IA est un schéma d’un système de puits illustratif dans lequel un classificateur de fluides de fond de puits peut être utilisé pour une analyse et une classification de fluides en se basant sur des données de composante de spectroscopie principale (PSC) obtenues par transformation de données de capteurs optiques au cours d’opérations d’un site de puits.

La figure IB est un schéma d’un système de ligne câblée illustratif pour un classificateur de fluides de fond de puits basé sur une PSC.

La figure 2 est un schéma de procédé d’un processus illustratif pour une analyse de fluide en utilisant un classificateur de fluides de fond de puits basé sur une PSC.

La figure 3 est un schéma d’une structure illustrative d’un convertisseur de réseau neuronal à entrées multiples et à sorties multiples (ΜΙΜΟ).

Les figures 4A et 4B sont des diagrammes de résultats d’étalonnage illustratifs io pour quatre capteurs optiques sur la base de la conversion de données ICE vers PSC.

La figure 5 est un dendrogramme montrant des résultats de regroupements de fluides non supervisés sur la base d’entrées PSC et de données de densité.

La figure 6 est un diagramme de types de fluides illustratifs sur la base de dix entrées de regroupement.

La figure 7 est un diagramme de vecteurs moyens illustratifs pour les différents types de fluides de la figure 6 après réduction du nombre d’entrées de regroupement de dix à cinq.

La figure 8 est un schéma de procédé d’un processus illustratif de regroupement non supervisé pour une classification de fluides basée sur des données PSC.

La figure 9 est un schéma d’une structure illustrative d’un modèle ANFIS avec cinq entrées et une seule sortie.

Les figures 10A et 10B sont des diagrammes de fonctions d’appartenance illustratives pour une première entrée PSC (PSC1) et une entrée de densité de fluide du modèle ANFIS de la figure 9, respectivement.

La figure 11 est un schéma de procédé d’un processus illustratif pour une classification de fluides de fond de puits en utilisant un modèle de système d’interférence neuroflou adaptatif (ANFIS).

La figure 12A est un diagramme de types de fluides illustratifs qui ont été classés sur la base d’un test de formation par pompage au niveau de différentes profondeurs de fond de puits.

La figure 12B est un diagramme d’une densité de fluide de référence au cours du test de formation par pompage de la figure 12A.

La figure 13A est un diagramme de types de fluides supplémentaires qui ont été classés sur la base d’un test de formation par pompage au niveau d’une seule profondeur.

La figure 13B est un diagramme d’une densité de fluide de référence au cours du test de formation par pompage de la figure 13 A.

La figure 14 est un schéma fonctionnel d’un système informatique illustratif dans lequel des modes de réalisation de la présente divulgation peuvent être mis en œuvre.

DESCRIPTION DES MODES DE RÉALISATION ILLUSTRATIFS

Des modes de réalisation de la présente divulgation concernent une analyse et une classification de fluides de fond de puits basées sur des données de composante de spectroscopie principale (PSC). Bien que la présente divulgation soit décrite ici en référence à îo des modes de réalisation illustratifs pour des applications particulières, Il est entendu que les modes de réalisation ne se limitent pas à ceux-ci. D’autres modes de réalisation sont possibles, et des modifications peuvent être apportées aux modes de réalisation dans l’esprit et la portée des présents enseignements et des domaines supplémentaires dans lesquels les modes de réalisation seraient d’une utilité significative.

Dans la présente description détaillée, des références à « un des modes de réalisation », « un mode de réalisation », « un exemple de mode de réalisation », etc., indiquent que le mode de réalisation décrit peut inclure une spécificité, une structure, ou une caractéristique particulière, mais tous les modes de réalisation n’incluent pas nécessairement la spécificité, la structure, ou la caractéristique particulière. De plus, de telles expressions ne font pas nécessairement référence au même mode de réalisation. En outre, lorsqu’une· spécificité, une structure, ou une caractéristique particulière est décrite en connexion avec un mode de réalisation, il est estimé que l’homme du métier dispose des connaissances pour mettre en œuvre une telle spécificité, structure, ou caractéristique en connexion avec d’autres modes de réalisation qu’ils soient explicitement décrits ou non.

II semblera également évident à l’homme du métier que les modes de réalisation, tel que décrit ici, peuvent être mis en œuvre dans de nombreux modes de réalisation différents de logiciels, de matériels, de micrologiciels, et/ou les entités illustrées dans les figures. Tout code de logiciel réel avec la commande spécialisée d’un matériel pour mettre en œuvre des modes de réalisation ne limite pas la description détaillée. Par conséquent, le comportement fonctionnel de modes de réalisation sera décrit étant entendu que des modifications et des variations des modes de réalisation sont possibles, compte tenu du niveau de détail présenté ici.

Des modes de réalisation de la présente divulgation peuvent être utilisés pour identifier différents types de fluides de fond de puits en se basant sur des données PSC. Des exemples de différents types de fluides qui peuvent être identifiés incluent, mais ne sont pas limités à, des huiles (par ex., des huiles lourdes, moyennes, légères et volatiles), des condensais et des gaz, de l’eau de formation, un filtrat de boue, et des mélanges. Dans un ou plusieurs modes de réalisation, les données PSC utilisées pour les techniques de classification de fluides de fond de puits divulguées ici peuvent être dérivées de mesures obtenues à partir d’un ou de plusieurs capteurs optiques de fond de puits. Par exemple, des mesures brutes obtenues à partir des capteurs optiques peuvent être transformées en données PSC puis fournies à titre d’entrées vers un classificateur de fluides de fond de puits. Comme cela sera écrit plus en détail cidessous, un tel classificateur de fluides basé sur une PSC peut utiliser une analyse de regroupement non supervisé ou un apprentissage machine supervisé ou une combinaison des deux pour classer des fluides de fond de puits le long de différentes sections d’un puits de forage à l’intérieur d’une formation contenant des hydrocarbures de subsurface. Etant donné que les données d’entrée de PSC utilisées pour la classification de fluides sont indépendantes du type de capteurs ou des données de capteurs originales, un tel classificateur de fluides basé sur une PSC peut-être utilisé sans avoir effectué l’étalonnage basé sur capteur qui est traditionnellement associé aux systèmes de classification de fluide classiques. De plus, contrairement aux techniques de classification de fluides optiques classiques, qui s’appuient sur une sélection à filtre à bande étroite ou à large bande basée sur capteur, les techniques de classification basées sur une PSC divulguées permettent l’utilisation d’un classificateur de fluides de fond de puits universel, indépendant des données. En conséquence, le classificateur de fluides basé sur une PSC divulgué peut être capable de gérer des entrées de données multivariées depuis des capteurs avec des configurations différentes sur une large gamme de longueurs d’ondes.

Des modes de réalisation illustratifs et des méthodologies liées de la présente divulgation sont décrits en référence aux figures 1A-13 comme ils pourraient être employés, par exemple, dans un système informatique pour une classification de fluides de fond de puits et une analyse basée sur des données de PSC. Dans certaines mises en œuvre, un tel système informatique peut être intégré à l’intérieur d’un outil d’analyse de fluides de fond de puits incluant un classificateur de fluides et un convertisseur de réseau neuronal pour une conversion de mesures de capteurs optiques en données de PSC, comme cela sera décrit plus en détail cidessous. D’autres spécificités et avantages des modes de réalisation divulgués seront ou deviendront évidents pour l’homme du métier après examen des figures suivantes et de la description détaillée. Il est prévu que toutes les spécificités supplémentaires et avantages de ce type soient inclus dans la portée des modes de réalisation divulgués. En outre, les figures illustrées ne sont données qu’à titre d’exemple et ne sont pas destinées à affirmer ou à impliquer une quelconque limitation relative à l’environnement, à l’architecture, à la conception ou au processus dans lesquels les différents modes de réalisation peuvent être mis en œuvre.

La figure IA est un schéma d’un système de puits illustratif pour une classification de fluides de fond de puits utilisant des données de PSC. Comme montré dans la figure IA, le système de puits inclut un train de forage 32 qui s’étend depuis une plateforme de forage 26 dans un puits de forage 60 à l’intérieur d’une formation contenant des hydrocarbures de subsurface. Une plateforme de forage 26 peut inclure un équipement pour monter et abaisser un tubage, un tube de forage, une tuyauterie enroulée, un tubage de production, d’autres types de tuyaux ou de trains de forage ou d’autres types de véhicules de transport, par ex., une ligne îo câblée ou un câble lisse, pour réaliser diverses opérations de fond de puits au niveau du site de puits. De telles opérations peuvent inclure, mais sans s’y limiter, un forage, une production, et des opérations de stimulation effectuées le long de différentes sections d’un puits de forage 60. De plus, comme montré dans la figure 1 A, un train de forage 32 inclut un trépan de forage 50, un ou plusieurs capteurs optiques 52 couplés à un outil de fond de puits 100. Dans un ou plusieurs modes de réalisation, un outil de fond de puits 100 peut être un testeur de formation par pompage incluant un ensemble pompe pour pomper des échantillons de fluide hors de la formation pour test et analyse. Bien que non montrés dans la figure 1 A, il sera compris qu’un train de forage 32 peut inclure d’autres types de capteurs en plus de capteurs optiques 52. Des exemples de tels autres capteurs incluent, mais sans s’y limiter, des capteurs de densité pour une mesure de densité de fluide et des capteurs d’emplacement pour une détermination de l’emplacement relatif ou d’une position, d’une direction, et d’une orientation azimutale du trépan de forage 50 ou d’un train de forage 32 à l’intérieur d’un puits de forage 60 et la formation de subsurface au cours d’opérations de fond de puits.

Dans un ou plusieurs modes de réalisation, des capteurs optiques 52 et d’autres capteurs de train de forage 32 peuvent être utilisés pour détecter et mesurer des caractéristiques de formation le long d’un puits de forage 60 au niveau d’une quelconque profondeur ou d’un emplacement souhaité à l’intérieur de la formation de subsurface. Par exemple, des capteurs optiques 52 et d’autres capteurs peuvent être utilisés pour mesurer des caractéristiques de fluides à proximité d’un trépan de forage 50 ainsi que d’autres paramètres d’environnement à l’intérieur de la formation entourant le trépan de forage 50. De tels paramètres d’environnement peuvent inclure, mais sans s’y limiter, une pression, une température, et un volume de fluides. Cependant, il sera compris que les modes de réalisation divulgués ne sont pas destinés à être limités à ceux-ci et que, bien que des capteurs optiques 52 soient montrés au-dessus d’un trépan de forage 50 dans la figure IA, des capteurs optiques 52 peuvent être positionnés à n’importe quel emplacement le long d’un train de forage 32. Par exemple, dans certaines mises en œuvre, des capteurs optiques 52 le long de surfaces internes ou externes d’un outil de fond de puits 100.

Dans un ou plusieurs modes de réalisation, des capteurs optiques 52 peuvent inclure un ou plusieurs cœurs d’élément informatique intégré (ICE) pour une détection de compositions chimiques particulières ou de propriétés de fluides de formation. Un tel cœur d’ICE peut utiliser un rayonnement électromagnétique émis depuis une source de lumière pour interagir optiquement avec un échantillon de fluide pour déterminer une ou plusieurs caractéristiques d’échantillon du fluide. L’échantillon peut être d’un fluide de puits de forage multiphasique (comprenant de l’huile, du gaz, de l’eau, et des solides, par exemple), pour lequel une variété de propriétés de fluide peut être détectée. Des exemples de telles propriétés incluent, mais sans s’y limiter, une concentration d’hydrocarbures en C1-C5, un rapport gaz/huile (GOR), une concentration de SARA (saturés, aromatiques, résines et asphaltènes), du CO2, de 1Ή2Ο, une concentration de fluide de forage synthétique (SDF), et une gravité spécifique.

Dans un ou plusieurs modes de réalisation, des mesures collectées par des capteurs optiques 52 et d’autres capteurs pour une section actuelle d’un puits de forage 60 à l’intérieur de la formation de subsurface peuvent être utilisées par un outil de fond de puits 100 pour un traitement en temps réel et une analyse qualitative et/ou quantitative de fluides de fond de puits. La section actuelle d’un puits de forage 60 peut correspondre, par exemple, à une position actuelle d’un trépan de forage 50 à l’intérieur d’un puits de forage 60, par ex., comme déterminé en utilisant des mesures de capteur d’emplacement. Comme cela sera décrit plus en détail ci-dessous, les résultats de l’analyse de fluide réalisée par un outil de fond de puits 100 peuvent être utilisés pour prendre des décisions opérationnelles en temps réel liées à l’opération de fond de puits en cours, par ex., en apportant des ajustements à une trajectoire actuelle d’un puits de forage 60 à travers la formation de subsurface pendant une opération de forage. Cependant, il sera compris que les techniques divulguées ici ne sont pas destinées à être limitées à des opérations de forage et que ces techniques peuvent être appliquées à d’autres types d’opérations de fond de puits.

Comme montré dans l’exemple de la figure IA, un outil de fond de puits 100 inclut un convertisseur de données 102, un classificateur de fluides 104, et une unité de commande 106. Dans un ou plusieurs modes de réalisation, un convertisseur de données 102 peut convertir ou transformer les mesures obtenues à partir de capteurs optiques 52 en données de PSC pour une utilisation par un classificateur de fluides 104. Par exemple, un convertisseur de données 102 peut transformer les signaux optiques bruts d’un ou de plusieurs cœurs ICE de capteurs optiques 52 à partir d’un espace de paramètre de capteur associé à des capteurs optiques 52 en un espace de paramètre de PSC associé au classificateur de fluides 104. Les données de PSC résultant des données d’ICE transformées peuvent ensuite être fournies à titre d’entrées vers un classificateur de fluides 104. Des mesures depuis d’autres capteurs non-optiques, par ex., des données de densité de fluide depuis des capteurs de densité couplés au train de forage 32, peuvent être fournies à titre d’entrées supplémentaires directement au classificateur de fluides 104, sans une quelconque conversion ou une transformation par un convertisseur de données 102. Dans un ou plusieurs modes de réalisation, un convertisseur de données 102 peut être un convertisseur de réseau neuronal qui utilise un ou plusieurs réseaux neuronaux pour effectuer la îo transformation de données. Comme cela sera décrit plus en détail ci-dessous, un tel convertisseur de réseau neuronal peut utiliser, par exemple, un ensemble réseau neuronal créé à partir d’une pluralité de réseaux neuronaux, qui ont été combinés pour produire une sortie souhaitée.

Dans un ou plusieurs modes de réalisation, un classificateur de fluides 104 15 peut utiliser les données de PSC depuis un convertisseur de données 102 pour identifier un ou plusieurs types de fluides pour la section actuelle d’un puits de forage 60 à l’intérieur de la formation de subsurface. Comme cela sera décrit plus en détail ci-dessous, la transformation de données de PSC effectuée par un convertisseur de données 102 permet aux entrées fournies au classificateur de fluides 104 depuis différents types de capteurs d’être standardisées quelle que soit la configuration de capteur particulière ou la conception d’élément. Ce qui permet ensuite au classificateur de fluides 104 d’être utilisé dans des outils d’analyse de fluides de fond de puits à titre de classificateur de fluides universel qui fonctionne indépendamment du type de capteurs ou de données de capteurs qui est utilisé.

Dans un ou plusieurs modes de réalisation, un outil de fond de puits 100 peut inclure un analyseur de composition de fluide (non montré) et une unité de commande 106 d’un outil de fond de puits 100 peut utiliser des informations obtenues à partir de l’analyseur de composition de fluide pour affiner la sortie du classificateur de fluides 104 pour les sections actuelles et/ou subséquentes d’un puits de forage 60. Dans un ou plusieurs modes de réalisation, de telles informations peuvent être utilisées de pair avec des types de fluides identifiés pour affiner un modèle de classification de fluides, qui peut être utilisé par un classificateur de fluide 104 pour réaliser une analyse de regroupement non supervisé ou un apprentissage machine supervisé, comme cela sera décrit plus en détail ci-dessous. Une unité de commande 106 peut inclure, par exemple, une unité de traitement de signaux (non montrée), une interface de communication (non montrée) et tous autres éléments de circuit nécessaires à la réalisation des objectifs de la présente divulgation, comme le comprendra le spécialiste ordinaire du domaine qui bénéficie de la présente divulgation. Dans un ou plusieurs modes de réalisation, une unité de commande 106 peut utiliser le dispositif de traitement de signaux pour envoyer des signaux de commande via l’interface de communication vers d’autres composants du train de forage 32 à des fins de commande ou d’apport d’ajustements adéquats à l’opération de fond de puits en cours. Les ajustements particuliers peuvent être basés sur les types de fluides identifiés par un classificateur de fluides 104 pour la section actuelle d’un puits de forage 60. Par exemple, de tels signaux de commande peuvent être utilisés pour commander ou ajuster la trajectoire d’un puits de forage 60 pour des sections de puits de forage subséquentes à forer à l’intérieur de la io formation de subsurface au cours d’une opération de forage. Une unité de commande 106 dans cet exemple peut envoyer des signaux de commande adéquats vers un ensemble moteur de fond de puits (non montré) à des fins de commande de la direction ou de l’orientation d’un trépan de forage 50 selon la trajectoire ajustée d’un puits de forage 60. La trajectoire ajustée peut être une qui a été déterminée pour être plus optimale pour une récupération d’hydrocarbure sur la base is des types de fluides identifiés (ou d’un profil de fluides) de la formation.

Dans un ou plusieurs modes de réalisation, une unité de commande 106 peut également transmettre les types de fluides identifiés par un classificateur de fluides 104 vers une unité de traitement de surface 19 située au niveau d’une surface 27 du site de puits. Comme montré dans la figure IA, une unité de traitement de surface 19 peut inclure un dispositif de calcul 18 couplé de manière communicative aux composants d’un train de forage 32, notamment un outil de fond de puits 100 et des capteurs optiques 52, via une trajectoire de communication 22. Un dispositif de calcul 18 peut stocker les types de fluides dans une mémoire locale ou une banque de données 17. En outre ou en variante, un dispositif de calcul 18 peut envoyer les types de fluides vers un autre dispositif de calcul d’une unité de traitement de données 12 via, par exemple, une connexion filée 16 ou une connexion sans fil établie entre des émetteurs-récepteurs et 10 d’unités de traitement de surface 19 et 12, respectivement. Une unité de traitement de données 12 peut être, par exemple, un stockage de données distant ou un système de base de données incluant un serveur de base de données qui est couplé de manière communicative au dispositif de calcul 18 via un réseau de communication. Un tel réseau de communication peut être, par exemple, un réseau local, un réseau moyen ou un réseau étendu, par ex., Internet. Les dispositifs de calcul des unités de traitement de données 12 et 19 peuvent être mis en œuvre en utilisant n’importe quel type de dispositifs de calcul, un exemple desquels sera décrit plus en détail ci-dessous par rapport à la figure 14.

Bien que seul un convertisseur de données 102, un classificateur de fluides 104, et une unité de commande 106 sont montrés dans la figure IA, il sera compris qu’un outil de fond de puits 100 peut inclure des composants, des modules, et/ou des sous-composants supplémentaires comme cela est souhaité pour une mise en œuvre particulière. Il sera également compris qu’un convertisseur de données 102, un classificateur de fluides 104, et une unité de commande 106 peuvent être mis en œuvre dans un logiciel, un micrologiciel, un matériel, ou n’importe quelle combinaison de ceux-ci. En outre, il sera également compris que des modes de réalisation d’un convertisseur de données 102, d’un classificateur de fluides 104, et d’une unité de commande 106, ou de portions de ceux-ci, peuvent être mis en œuvre pour fonctionner sur io n’importe quel type de dispositif de traitement incluant, mais sans s’y limiter, un ordinateur, une station de travail, un système intégré, un dispositif en réseau, un dispositif mobile, ou un autre type de processeur ou de système informatique capable de réaliser la fonctionnalité décrite ici.

Dans certains modes de réalisation, la transformation de données et des fonctions de classification de fluides effectuées par un convertisseur de données 102 et un classificateur de fluides 104, respectivement, ainsi que les fonctions de commande effectuées par une unité de commande 106 d’un outil de fond de puits 100, comme décrit ci-dessus, peuvent être effectuées par un dispositif de calcul 18 au niveau de la surface. Par exemple, les mesures de fond de puits collectées par des capteurs optiques 52 et d’autres capteurs d’un train de forage 32 peuvent être transmises à un dispositif de calcul 18 via une trajectoire de communication 22.

Dans certains cas, des capteurs optiques 52 peuvent inclure un appareil de traitement de signaux pour une transmission des mesures de fond de puits sous la forme de signaux directement vers un dispositif de calcul 18 via une trajectoire de communication 22 le long d’un train de forage 32.

Comme décrit ci-dessus, des modes de réalisation de la présente divulgation peuvent être appliqués à une quelconque de diverses opérations de fond de puits. Par conséquent, bien que l’exemple de la figure IA soit décrit dans le contexte d’un train de forage 32 ou d’un ensemble de forage, il sera compris que les modes de réalisation divulgués peuvent être mis en œuvre en utilisant d’autres types d’ensembles de fond de puits ou de trains tubulaires. Par exemple, des capteurs optiques 52 et un outil de fond de puits 100 peuvent être déployés à l’intérieur d’un puits de forage 60 à titre de partie d’un ensemble de ligne câblée, comme cela sera décrit plus en détail ci-dessous par rapport à la figure 1 B.

La figure 1B est un schéma d’un système de ligne câblée illustratif pour un classificateur de fluides de fond de puits basé sur une PSC. Comme illustré dans la figure IB, un outil de fond de puits 100 peut être employé avec des systèmes de « ligne câblée » afin de réaliser une diagraphie ou d’autres opérations. Par exemple, au lieu d’utiliser le train de forage de la figure IA pour déployer un outil de fond de puits 100 à l’intérieur d’un puits de forage 60, un outil de fond de puits 100 peut être abaissé dans un puits de forage 60 par un moyen de transport de ligne câblée 130, comme montré dans la figure IB. Comme dans la figure IA, un outil de fond de puits 100 inclut un convertisseur de données 102 et un classificateur de fluides

104. Un outil de fond de puits 100 comme montré dans la figure IB intègre également des capteurs optiques 52 et d’autres capteurs non-optiques (non montrés).

Un moyen de transport de ligne câblée 130 comme montré dans la figure IB peut être ancré dans la plateforme de forage 129 ou un moyen portable tel qu’un camion. Un moyen de transport de ligne câblée 130 peut être un ou plusieurs fils, un câble lisse, des câbles, io ou analogues, ainsi que des moyens de transports tubulaires tels qu’une tuyauterie enroulée, un tube d’articulation, ou d’autres éléments tubulaires. Un moyen de transport de ligne câblée 130 peut fournir un support pour un outil de fond de puits 100 et aussi, permettre des communications entre l’outil et une unité de traitement de surface 118 au niveau de la surface. Dans l’exemple de la figure IB, un dispositif de calcul d’une unité de traitement de surface 118 peut effectuer les fonctions effectuées par une unité de commande 106 d’un outil de fond de puits 100 comme décrit ci-dessus par rapport à la figure IA. Un moyen de transport de ligne câblée 130 peut inclure un câblage à fibre optique pour réaliser des communications. De plus, un courant peut être apporté via un moyen de transport de ligne câblée 130 pour répondre aux exigences en courant d’un outil de fond de puits 100 et de ses composants. Pour des configurations à câble lisse ou à tubage enroulé, un courant peut être apporté en fond de puits à l’aide d’une batterie ou via un générateur de fond de puits.

Il convient de noter que, bien que les figures IA et IB représentent d’une manière générale une opération terrestre ou sur terre, les techniques décrites ici sont aussi applicables aux opérations offshore qui emploient des plateformes ou des appareils de forage flottants ou basés en mer, sans s’écarter de la portée de la présente divulgation. En outre, bien que les figures IA et IB représentent des puits de forage verticaux, la présente divulgation est également bien appropriée pour être utilisée dans des puits de forage ayant d’autres orientations, comme les puits de forages horizontaux, les puits de forage inclinés, les puits de forages multilatéraux ou équivalents. En outre, bien qu’un puits de forage 60 soit représenté dans les figures IA et IB comme un trou tubé, il sera compris qu’un outil de fond de puits 100 peut être également bien adapté à une utilisation dans des opérations à trou ouvert. Des détails supplémentaires liés au traitement de données en temps réel et aux techniques de classification de fluides divulguées ici, par ex., comme effectué par un outil de fond de puits 100 des figures 1A et IB, vont maintenant être décrits au moyen des figures 2-14.

La figure 2 est un schéma de procédé d’un processus 200 illustratif pour une analyse de fluide en utilisant un classificateur de fluides de fond de puits basé sur une PSC. À des fins de discussion, un processus 200 va être décrit en utilisant un outil de fond de puits 100 des figures IA et IB, comme décrit ci-dessus. Cependant, il n’est pas prévu que le processus

200 soit limité à celui-ci. Comme montré dans la figure 2, un processus 200 débute dans un bloc

202, qui inclut une obtention de mesures à partir d’un ou de plusieurs capteurs de fond de puits situés le long d’une section actuelle d’un puits de forage à l’intérieur d’une formation de subsurface. Les capteurs de fond de puits peuvent inclure, par exemple, un ou plusieurs capteurs optiques, par ex., des capteurs optiques 52 de la figure IA, comme décrit ci-dessus, et d’autres io capteurs non-optiques, par ex., des capteurs de densité de fluide, comme décrit ci-dessus. Les mesures peuvent être obtenues à partir des capteurs par un outil d’analyse de fluide de fond de puits, par ex., un outil de fond de puits 100 de la figure IA, comme décrit ci-dessus. Les mesures obtenues à partir des capteurs optiques peuvent inclure, par exemple, des données d’ICE collectées par un ou plusieurs cœurs ICE de l’un ou les plusieurs capteurs optiques.

Dans un bloc 204, les mesures de capteurs obtenues dans un bloc 202 peuvent être transformées en données de PCS pour un traitement par un classificateur de fluides, par ex., un classificateur de fluides 104 de la figure IA, comme décrit ci-dessus. Dans un ou plusieurs modes de réalisation, les mesures provenant des capteurs optiques et d’autres capteurs peuvent être pré-traitées avant la transformation. Le pré-traitement effectué sur de telles données de capteurs peut inclure, par exemple, une correction de la ligne de base des données de capteurs optiques, une normalisation de densité neutre et une mise à l’échelle d’étalonnage de réseau neuronal selon une quelconque de diverses techniques connues pour effectuer chaque type de pré-traitement. Dans un ou plusieurs modes de réalisation, la transformation de données d’ICE à partir des capteurs optiques en données de PSC peut être effectuée dans un bloc 204 en utilisant un convertisseur de réseau neuronal, par ex., un convertisseur de données 102 de la figure IA, comme décrit ci-dessus. Par exemple, les données d’ICE peuvent être appliquées à titre d’entrées multiples au convertisseur de réseau neuronal, qui transforme ensuite les données en sorties multiples de données de PSC, comme montré dans la figure 3.

La figure 3 est un schéma d’une structure à entrées multiples et à sorties multiples (ΜΙΜΟ) illustrative d’un convertisseur de réseau neuronal 300. Comme montré dans la figure 3, un convertisseur de réseau neuronal 300 peut inclure de multiples couches de nœuds de réseau neuronal (ou « neurones »). Les couches d’un convertisseur de réseau neuronal 300 peuvent inclure une couche d’entrée, une couche cachée, et une couche de sortie. Le nombre de nœuds d’entrée de la couche d’entrée d’un convertisseur de réseau neuronal 300 peut dépendre du nombre d’éléments de détection dans une configuration de capteur particulière. Par conséquent, pour l’exemple de la figure 3, le nombre de nœuds d’entrée d’un convertisseur de réseau neuronal 300 peut correspondre à un nombre de cœurs ICE allant de ICE01 à ICEOn du capteur optique utilisé pour acquérir les mesures en cours de transformation.

Dans un ou plusieurs modes de réalisation, un convertisseur de réseau neuronal 300 peut effectuer la transformation de données en utilisant une fonction de transfert non linéaire pour chaque neurone caché de la couche cachée et une fonction de transfert linéaire pour chaque neurone de sortie de la couche de sortie. Bien qu’une seule couche cachée ne soit montrée dans la figure 3, il convient de noter qu’un convertisseur de réseau neuronal 300 peut io inclure des couches cachées supplémentaires comme cela est souhaité pour une mise en œuvre particulière. Dans un ou plusieurs modes de réalisation, la fonction de transfert non linéaire peut être une fonction sigmoïde tangente hyperbolique. Pour la structure ΜΙΜΟ d’un convertisseur de réseau neuronal 300 comme montré dans la figure 3, la sortie de neurone pour les couches cachées et de sortie peut être calculée en utilisant les équations (1) et (2), respectivement :

.«ï |(»|) r* + e

P + B, (i) a 2 — «x» «j — WP 2 a_l + B 2 (2) où est la sortie de couche cachée, est la sortie de couche de sortie, ^w' et

2 sont des entrées de neurones vers la couche cachée et la couche de sortie, et , ^2 sont des paramètres représentant des coefficients de connexion d’un convertisseur de réseau neuronal 300, qui peuvent être optimisés à travers un entraînement au cours d’un étalonnage d’un convertisseur de réseau neuronal 300.

Dans un ou plusieurs modes de réalisation, des réseaux neuronaux multiples peuvent être utilisés pour construire un ensemble réseau neuronal (NNE), dans lequel chaque réseau neuronal membre peut être configuré avec un nombre différent de neurones dans sa couche cachée ou étalonné avec un nombre différent d’entrées dans sa couche d’entrée. L’étalonnage peut être effectué en utilisant un apprentissage machine pour minimiser la différence entre la sortie d’un convertisseur de réseau neuronal 300 (ou NNE de celui-ci) et des valeurs de PSC cibles utilisées pour un entraînement d’un convertisseur de réseau neuronal 300 au cours d’un étalonnage. De telles données cibles d’entraînement peuvent être calculées à partir d’une gamme complète ou sélectionnée de mesures par spectroscopie de transmission de fluides stockées dans une base de données de données de laboratoire de PVT (pression, volume, et température) optique. Par exemple, une telle base de données de PVT optique peut inclure des données de PSC générées à partir d’une application d’une quelconque de diverses techniques d’analyse de composante principale (PCA) à des mesures de laboratoire par spectroscopies de fluides sur une gamme ou des gammes complètes ou sélectionnées de longueurs d’ondes. De telles mesures par spectroscopie peuvent être obtenues en utilisant un ou plusieurs spectromètres de laboratoire à haute résolution. Les données de PSC pour différents types de fluides peuvent également être stockées dans la base de données de PVT optique pour un accès ultérieur et une extraction à des fins d’étalonnage d’un convertisseur de réseau neuronal 300. Par exemple, un îo convertisseur de réseau neuronal 300 peut accéder à une telle base de données pour extraire des données pour un nombre sélectionné de fluides de référence qui peuvent être représentatives de ces types de fluides attendus à l’intérieur de la formation. Des exemples de¹ tels fluides de formation incluent, mais sans s’y limiter, des huiles, de l’eau, de l’azote gazeux, du gaz d’hydrocarbures et des condensats. Les fluides de référence sélectionnés peuvent également is inclure certains fluides ne provenant pas d’un réservoir notamment, par exemple et sans limitation, du toluène, du dodécane et du pentanédiol. L’ajout de tels fluides de référence ne provenant pas d’un réservoir peut être utilisé pour améliorer la diversité de schémas de fluides qui peuvent être inclus à l’intérieur des données d’entrée d’ICE et combler des lacunes dans la gamme de données d’étalonnage.

Les figures 4A et 4B sont des diagrammes croisés illustrant les résultats de différents étalonnages sur la conversion par un convertisseur de réseau neuronal (NN) de données d’ICE en données de PSC. Les données de PSC délivrées en sortie par le convertisseur NN dans cet exemple peuvent être une prédiction des données de PSC attendues pour un ensemble donné d’entrées de données d’ICE à partir de chacun des quatre capteurs optiques.

Dans les deux figures 4A et 4B, les données de PSC prédites par le convertisseur NN sont représentées graphiquement par rapport à une cible d’entraînement pour les données de PSC attendues à partir des mesures de capteurs optiques dans cet exemple. Cependant, un diagramme croisé 400A dans la figure 4A montre un ensemble de données de PSC correspondant à une première composante de spectroscopie principale (PSC1) prédite par le convertisseur NN dans cet exemple par rapport aux données de PSC cibles pour quatre capteurs optiques étalonnés de manière différente. Par exemple, les entrées de données d’ICE pour chaque capteur peuvent avoir été étalonnées en utilisant un nombre différent de fluides de référence, par ex., 13 fluides de référence pour un capteur 1,10 pour un capteur 2, 12 pour un capteur 3, et 9 pour un capteur 4. Au contraire, un diagramme croisé 400B dans la figure 4B montre, avec une qualité similaire d’exactitude d’étalonnage, un autre ensemble de données de PSC prédites correspondant à une quatrième composante de spectroscopie principale (PSC4) par rapport à des données cibles d’entraînement pour les même quatre capteurs après qu’ils aient été étalonnés de la même façon, par ex., en utilisant le même nombre de fluides de référence. Pour améliorer davantage une classification de fluides pendant des opérations de fond de puits dans le domaine, le convertisseur d’ICE en données de PSC décrit ci-dessus peut également être étalonné sur un groupe de capteurs présentant la même configuration, ce qui peut améliorer la tolérance du convertisseur pour n’importe quelles données bruitées qui peuvent être présentes dans les mesures de capteurs.

w En se référant à nouveau à la figure 2, une fois que les mesures de capteurs optiques (par ex., des données d’ICE) ont été transformées en données de PSC dans un bloc 204, un processus 200 passe à un bloc 206, qui inclut une utilisation des données de PSC et d’un modèle de classification de fluides pour identifier un ou plusieurs types de fluides pour la section actuelle du puits de forage pour lequel les mesures ont été obtenues (dans un bloc 202). Dans un ou plusieurs modes de réalisation, les données de PSC peuvent être appliquées à titre d’entrées au modèle de classification de fluides d’un classificateur de fluides, par ex., un classificateur de fluides 104 de la figure IA, comme décrit plus haut. Les données d’entrée de PSC fournies au classificateur de fluides peuvent être dans un format de données de PSC standardisé qui permet au classificateur de fluide d’effectuer l’identification de type de fluide indépendamment du type particulier de capteurs ou de données de capteurs. Dans un ou plusieurs modes de réalisation, le modèle de classification de fluides dans un bloc 206 peut être utilisé pour effectuer une analyse de regroupement non supervisé pour identifier l’un ou les plusieurs types de fluides à partir des données de PSC appliquées, comme cela sera décrit plus en détail ci-dessous par rapport aux figures 5-8. Autrement, le modèle de classification peut être un modèle de système d’interférence neuro-flou adaptatif (ANFIS) pour une identification du ou des types de fluides en utilisant un apprentissage machine supervisé, comme cela sera décrit plus en détail ci-dessous par rapport aux figures 9-11.

Les figures 5-8 seront utilisées pour décrire un exemple de regroupement non supervisé appliqué aux données de PSC de fluide et à des données de densité. Aux fins de cet exemple, il est supposé que les entrées de PSC pour une analyse de regroupement de fluides incluent des données de spectroscopie de transmission à haute résolution sur la gamme de 1 2003 350 nanomètres (nm) comme mesuré pour approximativement 250 fluides (3 900 spectres). Les données de spectroscopie pour les fluides peuvent être extraites à partir d’une base de données de fluides, par ex., une base de données de PVT optique, comme décrit ci-dessus. Les données extraites peuvent ensuite être traitées en utilisant une quelconque de diverses techniques d’analyse de composante principale (PCA) pour obtenir des données de PSC.

Dans cet exemple, les données pour les neuf premières entrées de PSC qui capturent 97,8 % des variations de données de spectroscopie peuvent être combinées avec des données de densité de fluide disponibles dans la base de données pour former des entrées de regroupement à dix dimensions. Une quelconque de diverses techniques d’analyse de regroupement non supervisé peut être utilisée à cette fin pour séparer l’ensemble de données donné non-étiqueté en un ensemble fini et discret de sous-groupes, de telle sorte que la similarité entre des objets à l’intérieur d’un sous-groupe est plus importante que la similarité entre des io objets appartenant à différents sous-groupes. Un regroupement basé sur une distance euclidienne peut être utilisé dans cet exemple pour mesurer le degré de similarité entre des objets pour chaque type de fluide et des dissimilitudes entre les types de fluides dans les regroupements, par ex., en utilisant une échelle normalisée (de -1 à +1 pour chaque entrée). Les regroupements peuvent être générés en utilisant, par exemple, un quelconque de divers algorithmes de liaison de regroupements notamment une liaison moyenne de groupe, une liaison médiane, une liaison centroïde et la méthode de Ward. Dans cet exemple, un ensemble de 30 regroupements peut être généré à l’aide de la méthode de Ward ou d’un autre algorithme de liaison pour produire des regroupements à variance minimale intra-catégorie et maximale inter-catégories qui sont plus solides pour des données de PSC et sont, de ce fait moins sensibles aux bruits et aux valeurs aberrantes. Les regroupements peuvent être organisés dans une structure arborescente hiérarchique ou « dendrogramme », comme montré dans la figure 5. Cependant, il sera compris que des modes de réalisation ne sont pas destinés à être limités à ceux-ci et les regroupements peuvent être générés en utilisant une carte topologique auto-adaptative (SOFM) des regroupements de types de fluides ou une autre technique de regroupement en utilisant diverses mesures basées sur une distance.

La figure 5 est un dendrogramme 500 montrant des résultats de regroupements de fluides non supervisés sur la base d’entrées de PSC et de données de densité. La distance mesurée le long de l’axe y du dendrogramme 500 peut être une distance relative entre les feuilles, des branches et des racines du dendrogramme 500 et peut représenter la similarité ou la dissimilarité relative entre les regroupements correspondants. Il convient de noter que les numéros de regroupements 1 à 30 dans le dendrogramme 500 ne sont pas nécessairement représentatifs de la similarité entre les différents regroupements numérotés. Au contraire, le nombre attribué à chaque regroupement peut représenter la position de ce regroupement dans une séquence de données utilisée pour organiser les regroupements pendant une analyse de regroupements. L’indice de regroupement le long de l’axe x du dendrogramme 500 peut être utilisé pour grouper différents types de fluides. Par exemple, le dendrogramme 500 peut être utilisé pour organiser des types de fluides par indice de regroupement à partir du côté gauche vers le côté droit de l’axe x dans les groupes suivants : huile lourde à moyenne, huile s moyenne à légère, huile légère à condensais, et condensais à gaz dans différents regroupements comme attendu.

Certains fluide ne provenant pas d’un réservoir dans la base de données de fluides et n’importe quel fluide pour lequel il peut y avoir un degré d’incertitude élevé à partir de mesures par spectroscopie et par conséquent, de données de PSC peuvent également être séparés io en des regroupements différents. Par exemple, les types de fluides dans des regroupements 13, 17 et 14 peuvent être groupés comme des types similaires d’huiles lourdes et moyennes (HMO). Un regroupement 1 peut inclure tous les échantillons d’eau fraîche et d’eau salée (WAT). Les échantillons d’eau sont généralement très différents des échantillons d’huile en termes de PSC. Cependant, la densité de l’eau peut être très similaire à celle d’une huile lourde. Des regroupements 5, 22, 11, et 6 peuvent être des huiles moyennes et légères (MLO). Des regroupements 4, 10, 18, et 20 peuvent être représentatifs de fluides ne provenant pas d’un réservoir. Un regroupement 4 peut être un fluide de forage synthétique (SDF), par ex., un SDF principalement composé d’accolade. Un regroupement 18 peut être une huile de silicone, et un regroupement 20 peut inclure du pentanédiol fluidique. Il peut y avoir une variation relativement petite dans des schémas de données de PSC entre les fluides ne provenant pas d’un réservoir à l’intérieur de chaque groupe. Cependant, de tels fluides ne provenant pas d’un réservoir peuvent être assez différents en comparaison avec les fluides de réservoir dans des regroupements adjacents 5, 22, 11 et 6. Dans la seconde moitié du dendrogramme 500, des regroupements 25, 26, 29 et 23 peuvent être des exemples de condensais et de gaz d’hydrocarbures (CGS). Des regroupements 7, 12, 8, 15, 27 et 28 peuvent être interprétés comme des huiles légères et des condensais (LOC). Des regroupements 2, 24 et 19 peuvent être des échantillons d’azote (NIT) et de dioxyde de carbone (CO2).

La figure 6 est un diagramme 600 de types de fluides illustratifs identifiés en utilisant un regroupement non supervisé sur la base de dix entrées de regroupement (par ex.,

PSC1 à PSC9 et une densité de fluide) et des schémas de fluides de HMO, MLO, LOC, CGS, WAT, SDF, NIT et AUTRES, par ex., certains fluides ne provenant pas d’un réservoir et des fluides à incertitude élevée dans des mesures, comme décrit plus haut.

Dans un ou plusieurs modes de réalisation, les résultats de regroupements préliminaires peuvent être davantage affinés en vérifiant la cohérence avec des mesures de gravité API de fluide et de rapport gaz/huile (GOR), par ex., comme stockées dans la base de données de fluides, et en fusionnant des spécificités ou des schémas sémantiquement similaires dans chaque type de fluide d’intérêt. Les cinq entrées de regroupement les plus efficaces (par ex., PSC1 à PSC4 et une densité de fluide) présentant la sensibilité de type de fluide la plus élevée peuvent être sélectionnées pour une reconnaissance de schémas appliquée au cours d’une opération sur le terrain, comme montré dans la figure 7. La figure 7, un diagramme 700 de vecteurs moyens est montré pour les différents types de fluides de la figure 6 après réduction du nombre d’entrées de regroupements de dix à cinq.

Dans un ou plusieurs modes de réalisation, le classificateur de fluides ou un îo modèle de classification de fluides de celui-ci utilise des vecteurs de support moyens de regroupements pour identifier l’un ou les plusieurs types de fluides à partir des données de PSC appliquées. Pour chaque regroupement, le vecteur moyen et un écart standard d’échantillon par rapport à la distance échantillon-moyenne peuvent être calculés et stockés à titre de vecteurs de support de type de fluide. Dans un ou plusieurs modes de réalisation, les vecteurs de support moyens de regroupements résultants pour l’un ou les plusieurs types de fluides peuvent être des schémas représentatifs des regroupements générés par regroupement des données de PSC sur la base d’une similarité ou d’une dissimilarité de spécificités dans des distances mesurées à l’intérieur et entre des types de fluides correspondants.

La figure 8 est un schéma de procédé d’un processus 800 illustratif d’utilisation de vecteurs de support moyens de regroupements pour une classification de fluides en se basant sur des données de PSC. Le processus 800 peut être effectué, par exemple, par un classificateur de fluides 104 de la figure IA, comme décrit ci-dessus. Dans un bloc 802, une distance d’échantillon par rapport à chaque vecteur moyen est mesurée. Dans un bloc 804, le regroupement le plus approprié avec une distance minimale est trouvé. Dans un bloc 806, le type de fluide est déterminé sur la base d’une attribution de regroupement. Dans un bloc 808, des fluides inconnus et d’autres fluides (par ex., de la boue) sont détectés en évaluant une incertitude ou en déterminant que la distance mesurée au regroupement voisin le plus proche est significativement plus grande que l’écart standard d’échantillon de ce regroupement dans la base de données de fluides.

En se référant à nouveau au processus 200 de la figure 2, la classification de fluides dans un bloc 206 peut être effectuée en utilisant un modèle ANFIS à titre d’alternative à un regroupement non supervisé, comme décrit ci-dessus. Un exemple d’application d’un tel modèle ANFIS pour une classification de fluides va désormais être décrit par rapport aux figures 9-11. Bien qu’un regroupement non supervisé permette à un type de fluide ou à un regroupement de se voir attribuer un nombre entier aléatoire (par ex., entre 1-30, comme dans l’exemple de la figure 5 décrit ci-dessus), les nombres qui peuvent être attribués à titre de cibles d’entraînement à des types de fluides pour un apprentissage non supervisé doivent minimiser une erreur standard d’étalonnage. Dans un ou plusieurs modes de réalisation, un nombre cible de 1 peut être attribué à un NIT puis, incrémenté pour des types de fluides ou des schémas de types de fluides supplémentaires, comme la densité de fluide associée à chaque type de fluide supplémentaire augmente. Par exemple, un nombre de cibles de 2 peut être attribué à CGS, 3 à LOC, 4 à MLO, 5 à SDF, 6 à HMO, 7 à WAT, et 8 à AUTRES (par ex., de la boue). Un apprentissage machine supervisé peut être utilisé pour affiner ces nombres de cibles sur la base îo d’une composition et d’informations de propriétés de fluide supplémentaires stockées à l’intérieur d’une base de données de PVT optique, comme décrit ci-dessus. De tels nombres de cibles peuvent ensuite être utilisés pour un entraînement du modèle ANFIS, comme il sera décrit ci-dessous par rapport à la figure 9.

La figure 9 est un schéma d’une structure illustrative pour un modèle ANFIS

900 avec cinq entrées et une seule sortie. Comme montré dans la figure 9, un modèle ANFIS

900 met en correspondance chacune des entrées 91, 92, 93, 94, et 95 avec trois fonctions d’appartenance d’entrée (MF), comme cela sera décrit plus en détail ci-dessous. Les combinaisons données à titre d’exemple de fonctions d’appartenance pour chaque entrée sont mises en correspondance avec des règles 910, 920, 930, et 940. Des règles 910, 920, 930, et 940 sont mises en correspondance avec des fonctions d’appartenance de sortie 915, 925, 935, et 945, respectivement. Tandis que seules des règles 910, 920, 930, et 940 et des fonctions d’appartenance 915, 925, 935, et 945 sont montrées dans la figure 9, il sera compris que des modes de réalisation ne sont pas limités à ceux-ci, et que des règles et des fonctions d’appartenance de sortie supplémentaires peuvent être utilisées comme cela est souhaité pour une mise en œuvre particulière. Des fonctions d’appartenance de sortie de 915, 925, 935, et 945 dans cet exemple sont à leur tour mises en correspondance avec une seule sortie agrégée 990 ou une sortie clarifiée 995. À travers un entraînement, une validation et un test d’ensembles de données, un modèle ANFIS 900 peut apprendre à partir de données avec des paramètres de fonction d’appartenance ajustés en utilisant un algorithme de rétro-propagation en combinaison avec un procédé du type des moindres carrés pour minimiser l’erreur d’étalonnage.

Chacune des entrées 91, 92, 93, 94, et 95 du modèle ANFIS 900 peut représenter un paramètre d’entrée à l’intérieur d’un espace de paramètre de PSC qui est lié à une propriété de fluide qui peut être mesurée par un capteur de fluide (par ex., des capteurs optiques 52 et un capteur de densité de fluide d’un outil de fond de puits 100 des figures IA et IB, comme ίο décrit ci-dessus) ou trouvée dans une base de données (par ex., la base de données de PVT optique, comme décrit ci-dessus). Par exemple, dans la figure 9, les entrées 91, 92, 93, et 94 peuvent représenter quatre paramètres d’entrée PSC (PSC1, PSC2, PSC3, et PSC4) et une entrée 95 peut représenter un paramètre d’entrée de densité de fluide. Trois fonctions d’appartenance sont sélectionnées pour chacune des entrées 91, 92, 93, 94, et 95 pour définir des variables linguistiques basses, moyennes, et élevées. Par exemple, une entrée 91 est mise en correspondance avec des fonctions d’appartenance 91a, 91b, et 91c. Une entrée 92 est mise en correspondance avec des fonctions d’appartenance 92a, 92b, et 92c. Une entrée 93 est mise en correspondance avec des fonctions d’appartenance 93a, 93b, et 93c. Une entrée 94 est mise en correspondance avec des fonctions d’appartenance 94a, 94b, et 94c. Une entrée 95 est mise en correspondance avec des fonctions d’appartenance 95a, 95b, et 95c. Les fonctions d’appartenance « a », « b », et « c » pour chaque entrée peuvent définir une linguistique basse, moyenne, et élevée, respectivement. Tandis que chaque entrée est mise en correspondance avec trois fonctions d’appartenance dans cet exemple, des modes de réalisation ne sont pas destinés à être limités à ceux-ci et chaque entrée peut être mise en correspondance avec n’importe quel nombre de fonctions d’appartenance comme cela est souhaité pour une mise en œuvre particulière. Pour une variable d’entrée x, la fonction d’appartenance μ(χ) avec un degré maximum égal à 1 et un degré minimum égal à 0, également appelée « ensembles d’entrées floues », peut être calculée en utilisant l’équation (3) :

/z(x) = + |(x - c) / a ι2Λ (3) où a, b, et c peuvent être des paramètres non-linéaires.

Dans la figure 9, il y a 15 nœuds représentant toutes les fonctions d’appartenance pour des entrées 91-95. Le nombre de paramètres non-linéaires de a, b, et c dans l’équation (3) ci-dessus pour des fonctions d’appartenance peut être 45, ce qui peut également être optimisé par un entraînement.

Les figures 10A et 10B sont des graphiques 1000A et 1000B, donnés à titre d’exemple, montrant trois fonctions d’appartenance résultantes pour PSC 1 (par ex., une entrée 91) et une densité (entrée 95), respectivement. La gamme de données efficace normalisée dans cet exemple va de -1 à 1. Bien que cet exemple utilise des fonctions d’appartenance en forme de cloche, dans d’autres exemples, d’autres fonctions d’appartenance peuvent être utilisées, par exemple, des fonctions d’appartenance à courbes gaussiennes, des fonctions d’appartenance triangulaires, ou n’importe quelles autres fonctions d’appartenance adaptées. Pour une structure de modèle ANFIS de 5 entrées avec 3 fonctions d’appartenance pour chaque entrée, il y a un total de 3⁵, ou 243, combinaisons différentes d’ensembles flous qui peuvent être codées à titre d’antécédent pour élaborer des règles floues. Par exemple, un code [21213] peut représenter l’antécédent ou une « instruction si » d’une règle 920 d’un modèle ANFIS 900 dans la figure 9, qui peut être interprétée comme suit : si (entrée 91 est MF 91b) et (entrée 92 est MF 92a) et (entrée 93 est MF 93b) et (entrée 94 est MF 94a) et (entrée 95 est MF 95c). Par conséquent, si une PSC1 moyenne, une PSC2 faible, une PSC3 moyenne, une PSC4 faible, et une densité de fluide élevée sont toutes vraies avec un degré de certitude élevé, un code [21213] peut indiquer une huile lourde et moyenne (HMO), ce qui est lié à une règle 920. Dans un autre exemple, un code [3 2 3 1 1] représente l’antécédent ou une instruction si d’une règle 930 d’un io modèle ANFIS 900, qui peut être interprétée comme suit : si (entrée 91 est MF 91c) et (entrée est MF 92b) et (entrée 93 est MF 93c) et (entrée 94 est MF 94a) et (entrée 95 est MF 95a). En d’autres termes, si une PSC1 élevée, une PSC2 moyenne, une PSC3 élevée, une PSC4 faible, et une densité de fluide élevée sont toutes vraies avec un degré de certitude élevé, un code [3 2 3 1

1] peut indiquer la présence de gaz ou de condensais gazeux, ce qui est lié à une règle 930.

La conséquence ou « instruction alors » des règles 920 et 930 peut être la fonction d’appartenance de sortie (MF de sortie) correspondant au même nombre de règles, c.-àd., une MF de sortie 925 et une MF de sortie 935 d’un modèle ANFIS 900, respectivement, comme montré dans la figure 9. Il peut s’agir d’une combinaison linéaire d’entrées calculée en utilisant, par exemple, les équations (4) et (5) comme suit :

₂₀ fno ⁼ <§920 ^x Input9\ + h₉₂₀ x Input92 + k_92Xj x Input93 + ρ_92β x Input94 + q₉₂₀ x Input95 + r₉₂₀ (4) /930 - &930 ^x Input9\ + ù₉₃₀ x Input92 + k_9M x Input93 + p₉₃₀ x Input94 + î/₉₃₀ x Input95 + r₉₃₀ (5)

Dans les équations (4) et (5) ci-dessus, les six paramètres g, h, k, p, q, et r pour chaque règle peuvent être optimisés par un entraînement. Dans cet exemple, il y a 1458 (243 x 6) paramètres linéaires possibles. Il peut y avoir un nombre total de 1503 paramètres globaux, incluant à la fois les paramètres non-linéaires et linéaires, qui peuvent être mis en œuvre dans un processeur après une élaboration d’un modèle ANFIS 900.

La sortie agrégée 990 d’un modèle ANFIS 900 dans la figure 9 peut être calculée comme , où w, peut être calculé en utilisant l’équation (6) ci-dessous :

w,. = μ_Αι (Input9ï) x p_Bi (Input92) x μ_α (Input93) x μ_α (Input94) x μ_β (Input95) (6) où Pai.Pbi. PCi. Rdi. et peî sont des degrés d’appartenance pour des entrées 91, 92, 93, 94, et 95, respectivement, subordonnés à l’antécédent de chaque règle. La sortie clarifiée 995 d’un modèle ANLIS 900 dans la figure 9 est une moyenne pondérée, par ex., comme exprimé par l’équation (7) ci-dessous :

'=’ (7)

Dans la figure 9, des règles 910 , 920, 930, et 940 peuvent représenter des règles floues qui sont subordonnées aux antécédents, lorsqu’aucune règle est partagée avec plus d’un antécédent. Certains antécédents, par ex., une règle 940, lorsque toutes les entrées 91-95 présentent des ML élevées (91c, 92c, 93c, 94c, et 95c), présenteront un degré très faible dans l’équation (7) et, par conséquent, apporteront une faible contribution à la sortie clarifiée 995. Dans un ou plusieurs modes de réalisation, un modèle ANLIS 900 peut être utilisé pour une modélisation de systèmes non-linéaires par des modèles linéaires multiples d’interpolation. Cependant, afin d’améliorer la capacité de généralisation du modèle, il peut être important d’avoir un nombre plus important de points de données d’entraînements que le nombre de paramètres à estimer.

La figure 11 est un schéma de procédé d’un processus 1100 pour une classification de fluides en utilisant un modèle ANLIS étalonné. Dans un bloc 1102, des entrées de modèle sont rendues floues en utilisant des paramètres de fonction d’appartenance étalonnés. Bien que des fonctions d’appartenance en forme de cloche aient été utilisées dans l’exemple décrit ci-dessus par rapport aux figures 10A et 10B, il sera compris que d’autres types de fonctions d’appartenance, par ex., des fonctions d’appartenance à courbes gaussiennes ou triangulaires, peuvent également être utilisés pour un entraînement du modèle ANLIS.

Dans un bloc 1104, des opérateurs flous sont appliqués pour obtenir les résultats de l’antécédent pour chaque règle. Comme dans l’équation (6) plus haut, l’antécédent de chaque règle peut être un produit de degrés d’appartenance d’entrées multiples. L’équation (6) peut également être remplacée par un opérateur minimum (« MIN ») pour un entraînement du modèle ANLIS avec un degré minimum d’appartenance à titre de résultat de l’antécédent pour chaque règle. Dans un bloc 1106, la conséquence de chaque règle utilisant les paramètres de fonction d’appartenance de sortie spécifiés par un modèle ANLIS est calculée, par ex., en utilisant les équations (4) et (5) plus haut. Dans un bloc 1108, la sortie du modèle ANLIS est agrégée et clarifiée, par ex., en utilisant l’équation (7) plus haut. La sortie de modèle ANFIS peut également être arrondie à son entier de type de fluide le plus proche.

En se référant à nouveau à la figure 2, une fois que l’un ou les plusieurs types de fluides ont été identifiés dans un bloc 206 en utilisant soit un regroupement non supervisé (par ex., un processus 800 de la figure 8, comme décrit ci-dessus) soit un apprentissage supervisé avec un modèle ANFIS (par ex., un processus 1100 de la figure 11, comme décrit ci-dessus), un processus 200 passe à un bloc 208. Dans un bloc 208, le classificateur de fluides utilisé pour effectuer la classification de fluides pour la section actuelle du puits de forage est affiné pour une ou plusieurs sections subséquentes du puits de forage à l’intérieur de la formation de subsurface, io sur la base de l’un ou des plusieurs types de fluides identifiés pour la section actuelle du puits de forage.

Dans un ou plusieurs modes de réalisation, les types de fluides identifiés peuvent être utilisés pour affiner un modèle de fluide de composition sélectionné à des fins de caractérisation quantitative d’huile et de gaz. Les résultats d’un typage de fluides peuvent également être utilisés pour identifier des fluides complexes ou inconnus y compris, par exemple, un fluide multiphasique, des mélanges de fluides ou des fluides en émulsion. De tels fluides ne sont généralement pas inclus dans des bases de données de fluides de spectroscopie standard. Une fois que les signatures optiques de fluides complexes sont identifiées par conversion NN, les nouvelles données de PSC peuvent être utilisées conjointement avec des données de PSC existantes pour modifier le modèle de classification de fluides actuel en incluant les types de fluides supplémentaires identifiés en utilisant les données de PSC transformées à titre d’entrées d’entraînement.

Les figures 12A-B et les figures 13A-B montrent des sorties de classificateur de fluides illustratives et une densité de fluide de référence mesurée résultant d’opérations de test et d’échantillonnage de formation. Pendant l’opération sur le terrain, les données de mesure sont généralement collectées à l’aide d’un pompage de fluide, qui démarre généralement par un filtrat de boue et devient graduellement un fluide propre, en fonction de la structure de testeur de formation, les paramètres de fonctionnement ou une stratégie d’échantillonnage. La figure 12A est un diagramme 1200A montrant des exemples de sorties de classificateur de fluides d’un test de formation par pompage au niveau de deux profondeurs. Un ensemble de mesures, par ex., les 1 050 premières mesures, peut être collecté au niveau de la première profondeur, et le reste des mesures peut être collecté au niveau de la seconde profondeur. A chaque profondeur, les remontées de fluides peuvent être classées comme un filtrat de boue (fluide de type 8), puis comme condensât ou gaz (fluide de type 2) sur une période de test plus longue. La figure 12B est un diagramme 1200B montrant une densité de fluide de référence mesurée par un capteur de densité pendant la même période de test que dans la figure 12A, indiquant des types de fluides qui concordent bien. Les figures 13A et 13B sont des diagrammes 1300A et 1300B, respectivement, qui montrent un autre exemple de test de formation au niveau d’une seule profondeur. La remontée des premières 125 mesures dans cet exemple peut être classée comme boue, et les mesures après un point d’indice d’échantillon 150 peuvent être classées comme des huiles moyennes ou légères, comme montré dans la figure 13A. De même, les données de densité de fluide de référence mesurées, comme montré dans la figure 13B, sont également cohérentes avec des types de fluides.

io La figure 14 est un schéma de principe d’un exemple de système informatique

1400 dans lequel des modes de réalisation de la présente divulgation peuvent être mis en œuvre. Par exemple, des processus 200, 800, et 1100 des figures 2, 8, et 11, respectivement, comme décrit plus haut, peuvent être mis en œuvre en utilisant un système 1400. Un système 1400 peut être un ordinateur, un téléphone, un PDA, ou n’importe quel autre type de dispositif is électronique. Dans certaines mises en œuvre, un tel dispositif électronique peut être spécialement adapté à un fonctionnement à titre d’outil de fond de puits, par ex., un outil de fond de puits 100 des figures IA et IB, comme décrit ci-dessus, ou un composant de celui-ci. Un tel dispositif électronique comprend divers types de supports lisibles par ordinateur et d’interfaces pour divers autres types de supports lisibles par ordinateur. Comme montré dans la figure 14, le système 1400 comprend un dispositif de stockage permanent 1402, une mémoire système 1404, une interface de dispositif de sortie 1406, un bus de communication système 1408, une mémoire morte (ROM) 1410, une ou plusieurs unités de traitement 1412, une interface de dispositif d’entrée 1414, et une interface de réseau 1416.

Un bus 1408 représente collectivement tous les bus systèmes, périphériques et de jeu de puces qui connectent de manière communicative les nombreux dispositifs internes du système 1400. Par exemple, un bus 1408 connecte de manière communicative une ou des unités de traitement 1412 avec une ROM 1410, une mémoire système 1404 et un dispositif de stockage permanent 1402.

À partir de ces diverses imités de mémoire, une ou des unités de traitement

1412 extraient des instructions à exécuter et des données à traiter afin d’exécuter les processus de la présente divulgation. Une ou des unités de traitement peuvent être un unique processeur ou un processeur multi-cœur dans différentes mises en œuvre.

Une ROM 1410 stocke des données et des instructions qui sont nécessaires pour une ou des unités de traitement 1412 et d’autres modules d’un système 1400. Par ailleurs, un dispositif de stockage permanent 1402 est un dispositif de mémoire à lecture et écriture. Ce dispositif est une unité de mémoire non volatile qui stocke des instructions et des données même quand un système 1400 est hors tension. Certaines mises en œuvre de la présente divulgation utilisent un dispositif de stockage de masse (comme un disque magnétique ou optique et son lecteur de disque correspondant) comme dispositif de stockage permanent 1402.

D’autres mises en œuvre utilisent un dispositif de stockage amovible (comme une disquette, un disque à mémoire flash et son lecteur de disque correspondant) comme dispositif de stockage permanent 1402. Tout comme un dispositif de stockage permanent 1402, une mémoire système 1404 est un dispositif de mémoire à lecture et écriture. Cependant, io contrairement au dispositif de stockage 1402, la mémoire système 1404 est une mémoire volatile à lecture et écriture, telle qu’une mémoire vive. Une mémoire système 1404 stocke certaines des instructions et des données dont le processeur a besoin au moment de l’exécution. Dans certaines mises en œuvre, les processus de la présente divulgation sont stockés dans une mémoire système 1404, un dispositif de stockage permanent 1402 et/ou une ROM 1410. Par is exemple, les diverses unités de mémoire incluent des instructions pour une conception de train de tuyaux assistée par ordinateur sur la base de conceptions de trains existantes selon certaines mises en œuvre. À partir de ces diverses unités de mémoire, une ou des unités de traitement

1412 extraient des instructions à exécuter et des données à traiter afin d’exécuter les processus de certaines mises en œuvre.

Un bus 1408 se connecte également à des interfaces de dispositif d’entrée et de sortie 1414 et 1406. Une interface de dispositif d’entrée 1414 permet à l’utilisateur de communiquer des informations et de sélectionner des commandes au système 1400. Des dispositifs d’entrée utilisés avec une interface de dispositif d’entrée 1414 comprennent, par exemple, un clavier alphanumérique, QWERTY ou T9, des microphones et des dispositifs de pointage (également appelés « dispositifs de commande de curseur »). Des interfaces de dispositif de sortie 1406 permettent, par exemple, l’affichage d’images générées par le système 1400. Des dispositifs de sortie utilisés avec une interface de dispositif de sortie 1406 incluent, par exemple, des imprimantes et des dispositifs d’affichage, tels que des écrans à tube cathodique (CRT) ou à cristaux liquides (LCD). Certaines mises en œuvre comprennent des dispositifs, tels qu’un écran tactile, jouant le rôle à la fois de dispositifs d’entrée et de sortie. Il sera compris que des modes de réalisation de la présente divulgation peuvent être mis en œuvre en utilisant un ordinateur incluant un quelconque de divers types de dispositifs d’entrée et de sortie pour permettre une interaction avec un utilisateur. Une telle interaction peut comprendre une rétroaction vers ou à partir de l’utilisateur sous différentes formes de rétroaction sensorielle telles que, mais sans s’y limiter, une rétroaction visuelle, une rétroaction auditive ou une rétroaction tactile. En outre, une entrée provenant de l’utilisateur peut être reçue sous n’importe quelle forme telle que, mais sans s’y limiter, une entrée acoustique, vocale ou tactile. En outre, une interaction avec l’utilisateur peut inclure une transmission et une réception de différents types d’informations, par exemple sous la forme de documents, vers ou depuis l’utilisateur par l’intermédiaire des interfaces décrites ci-dessus.

De plus, comme montré dans la figure 14, un bus 1408 couple également un système 1400 à un réseau public ou privé (non montré) ou à une combinaison de réseaux par l’intermédiaire d’une interface réseau 1416. Un tel réseau peut inclure, par exemple, un réseau local (« LAN »), comme un intranet, ou un réseau étendu (« WAN »), comme Internet. Tout ou une partie des composants d’un système 1400 peut être utilisée conjointement avec la présente divulgation.

Ces fonctions décrites ci-dessus peuvent être mises en œuvre dans un circuit électronique numérique, dans un logiciel informatique, un micrologiciel ou un matériel. Les techniques peuvent être mises en œuvre en utilisant un ou plusieurs produits de programme informatique. Des processeurs et ordinateurs programmables peuvent être inclus dans des dispositifs mobiles ou conditionnés sous la forme de dispositifs mobiles. Les processus et les flux logiques peuvent être effectués par un ou plusieurs processeurs programmables et par un ou plusieurs circuits logiques programmables. Des dispositifs informatiques et des dispositifs de stockage à application générale ou spécifique peuvent être interconnectés par l’intermédiaire de réseaux de communication.

Certaines mises en œuvre comprennent des composants électroniques, comme des microprocesseurs, un stockage et une mémoire qui stockent des instructions de programme informatique sur un support lisible par une machine ou un ordinateur (désigné autrement par support de stockage lisible par ordinateur, support lisible par une machine, ou support de stockage lisible par une machine). Certains exemples de tels supports lisibles par ordinateur comprennent une RAM, une ROM, des disques compacts à lecture seule (CD-ROM), des disques compacts enregistrables (CD-R), des disques compacts réinscriptibles (CD-RW), des disques numériques polyvalents à lecture seule (par exemple, un DVD-ROM, un DVD-ROM double couche), divers DVD enregistrables/réinscriptibles (par exemple, un DVD-RAM, un DVD-RW, un DVD+RW, etc.), une mémoire flash (par exemple, des cartes SD, des mini-cartes SD, des micro-cartes SD, etc.), des disques durs magnétiques et/ou à l’état solide, des disques Blu-Ray® à lecture seule et enregistrables, des disques optiques à ultra-densité, n’importe quel autre support optique ou magnétique, et des disquettes. Le support lisible par ordinateur peut stocker un programme informatique qui est exécutable par au moins une unité de traitement et qui inclut des ensembles d’instructions pour effectuer diverses opérations. Des exemples de programmes informatiques ou de codes informatiques incluent un code machine, tel que produit par un compilateur, et des fichiers comprenant un code de niveau plus élevé qui sont exécutés par un ordinateur, un composant électronique, ou un microprocesseur utilisant un interprète.

Bien que la discussion ci-dessus fasse principalement référence à un microprocesseur ou à des processeurs multi-cœur qui exécutent un logiciel, certaines mises en œuvre sont effectuées par un ou plusieurs circuits intégrés, comme des circuits intégrés à application spécifique (ASIC) ou des circuits intégrés prédiffusés programmables (FPGA). Dans certaines mises en œuvre, de tels circuits intégrés exécutent des instructions qui sont stockées sur le circuit lui-même. En conséquence, des processus 200, 800, et 1100 des figures 2, 8, et 11, respectivement, comme décrit ci-dessus, peuvent être mis en œuvre en utilisant un système 1400 ou n’importe quel système informatique ayant un circuit de traitement ou un produit de programme informatique incluant des instructions stockées sur celui-ci qui, lorsqu’exécutées par au moins un processeur, amènent le processeur à effectuer des fonctions en rapport avec ces procédés.

Tels qu’utilisés dans le présent mémoire et dans Tune quelconque des revendications de la présente demande, les termes « ordinateur », « serveur », « processeur », et « mémoire » font tous référence à des dispositifs électroniques ou à d’autres dispositifs technologiques. Ces termes excluent les personnes ou les groupes de personnes. Tels qu’utilisés ici, les termes « support lisible par ordinateur » et « supports lisibles par ordinateur » font généralement référence à des supports électroniques de stockage tangibles, physiques, et non transitoires qui stockent des informations sous une forme qui peut être lue par un ordinateur.

Des modes de réalisation du sujet décrit dans le présent mémoire peuvent être mis en œuvre dans un système informatique qui inclut un composant d’arrière-plan, par ex., un serveur de données, ou qui inclut un composant intergiciel, par ex., un serveur d’application, ou qui inclut un composant frontal, par ex., un ordinateur client ayant une interface utilisateur graphique ou un navigateur Web grâce auquel un utilisateur peut interagir avec une mise en œuvre du sujet décrit dans le présent mémoire, ou n’importe quelle combinaison d’un ou de plusieurs de ces intergiciels, composants d’arrière-plan, ou frontaux. Les composants du système peuvent être interconnectés par n’importe quelle forme ou n’importe quel support de communication de données numérique, par exemple un réseau de communication. Des exemples de réseaux de communication comprennent un réseau local (« LAN ») et un réseau étendu (« WAN »), un inter-réseaux (par exemple, Internet) et des réseaux pair-à-pair (par exemple, des réseaux pair-à-pair ad hoc).

Le système informatique peut inclure des clients et des serveurs. Un client et un serveur sont généralement éloignés l’un de l’autre et interagissent traditionnellement par l’intermédiaire d’un réseau de communication. La relation entre le client et le serveur découle de programmes informatiques fonctionnant sur les ordinateurs respectifs et présentant une relation client-serveur l’un par rapport à l’autre. Dans certains modes de réalisation, un serveur transmet des données (par ex., une page web) à un dispositif client (par ex., à des fins d’affichage de données pour et recevoir une entrée utilisateur provenant d’un utilisateur interagissant avec le îo dispositif client). Des données générées au niveau du dispositif client (par ex., un résultat de l’interaction utilisateur) peuvent être reçues depuis le dispositif client au niveau du serveur.

Il est entendu que n’importe quel ordre ou hiérarchie spécifique d’étapes dans les processus divulgués est une illustration d’exemples d’approches. Sur la base de préférences de conception, il est entendu que l’ordre ou la hiérarchie spécifique des étapes dans les processus peut être réarrangé, ou que toutes les étapes illustrées peuvent être effectuées. Certaines de ces étapes peuvent être effectuées simultanément. Par exemple, dans certaines circonstances, un traitement multitâche et parallèle peut être avantageux. De plus, il doit être compris que la séparation des divers composants des systèmes dans les modes de réalisation décrits ci-dessus n’est pas nécessaire dans tous les modes de réalisation, et il doit être compris que les composants de programme et les systèmes décrits peuvent généralement être intégrés ensemble dans un unique produit logiciel ou conditionnés dans de multiples produits logiciels.

De plus, les exemples de méthodologies décrits ici peuvent être mis en œuvre par un système incluant un circuit de traitement ou un produit de programme incluant des instructions qui, lorsqu’exécutées par au moins un processeur, amènent le processeur à effectuer une quelconque des méthodologies décrites ici.

Comme décrit ci-dessus, des modes de réalisation de la présente divulgation sont particulièrement utiles pour une classification de types de fluides solide sur la base de la nature intrinsèque de fluides de formation représentés par des entrées de PSC qui sont indépendantes du type de capteurs et de données. En conséquence, des avantages de la présente divulgation peuvent inclure une fourniture d’une capacité à migrer des données historiques obtenues à partir de différents outils optiques de fond de puits dans divers champs pétrolifères puis, une intégration de ces données avec des données de laboratoire dans une seule base de données générique pour des applications étendues. En minimisant le nombre d’entrées optiques qui est nécessaire et également, en intégrant des entrées non-optiques, telles qu’une densité de fluide, un point de barbotage et une compressibilité, à la fois pour une analyse de données non supervisée et supervisée et une modélisation, les techniques divulguées permettent à une classification de fluides d’être simplifiée et plus efficace pour une prise de décision améliorée, plus solide et en temps réel pendant des opérations de fond de puits.

Des modes de réalisation de la présente divulgation incluent un procédé pour une classification de fluides de fond de puits qui inclut : une obtention de mesures à partir d’un ou de plusieurs capteurs de fond de puits situés le long d’une section actuelle d’un puits de forage à l’intérieur d’une formation de subsurface ; une transformation des mesures obtenues à partir de l’un ou des plusieurs capteurs de fond de puits en des données de composante de îo spectroscopie principale (PSC) ; une identification d’un ou de plusieurs types de fluides pour la section actuelle du puits de forage à l’intérieur de la formation de subsurface, en se basant sur des données de PSC et un modèle de classification de fluides ; et un affinement du modèle de classification de fluides pour une ou plusieurs sections subséquentes du puits de forage à l’intérieur de la formation de subsurface, sur la base au moins en partie de l’un ou des plusieurs is types de fluides identifiés pour la section actuelle du puits de forage. En outre, un support de stockage lisible par ordinateur avec des instructions stockées dans celui-ci a été décrit, dans lequel les instructions lorsqu’exécutées par un ordinateur amènent l’ordinateur à effectuer une pluralité de fonctions, incluant des fonctions pour : obtenir des mesures à partir d’un ou de plusieurs capteurs de fond de puits situés le long d’une section actuelle d’un puits de forage à l’intérieur d’une formation de subsurface ; transformer les mesures obtenues à partir de l’un ou des plusieurs capteurs de fond de puits en des données de composante de spectroscopie principale (PSC) ; identifier un ou plusieurs types de fluides pour la section actuelle du puits de forage à l’intérieur de la formation de subsurface, en se basant sur les données de PSC et un modèle de classification de fluides ; et affiner le modèle de classification de fluides pour une ou plusieurs sections subséquentes du puits de forage à l’intérieur de la formation de subsurface, sur la base au moins en partie de l’un ou des plusieurs types de fluides identifiés pour la section actuelle du puits de forage.

Dans un ou plusieurs des modes de réalisation qui précèdent, l’un ou les plusieurs capteurs de fond de puits peuvent inclure un ou plusieurs capteurs optiques et un ou plusieurs capteurs non-optiques disposés à l’intérieur du puits de forage. Par exemple, l’un ou les plusieurs capteurs de fond de puits peuvent être des composants d’un outil d’analyse de fluide de fond de puits disposé à l’intérieur du puits de forage. L’un ou les plusieurs capteurs de fond de puits peuvent inclure au moins un capteur optique présentant un élément informatique intégré (ICE) pour une mesure d’une ou de plusieurs propriétés de fluide. Les capteurs non-optiques peuvent inclure un capteur de densité de fluide pour une mesure d’une densité de fluide de fond de puits. Des capteurs non-optiques supplémentaires peuvent être inclus pour une mesure d’un point de barbotage et une compressibilité de fluide. Les données de PSC peuvent être appliquées à titre d’entrée au modèle de classification de fluides, et l’un ou les plusieurs types de fluides sont identifiés en se basant sur des données de PSC appliquées. Le modèle de classification de fluides peut être un modèle de système d’interférence neuro-flou adaptatif (ANFIS) utilisé pour identifier l’un ou les plusieurs types de fluides à partir des données de PSC appliquées. Autrement, le modèle de classification de fluides peut utiliser des vecteurs de support moyens de regroupements pour identifier l’un ou les plusieurs types de fluides à partir des données de PSÇ îo appliquées. Les vecteurs de support moyens de regroupements résultants pour l’un ou les plusieurs types de fluides peuvent être des schémas de fluides représentatifs générés par regroupement des données de PSC sur la base de distances mesurées entre des spécificités de types de fluides correspondants. Le regroupement peut être basé sur une arborescence hiérarchique de regroupements de types de fluides. Le regroupement peut être basé sur une carte topologique auto-adaptative (SOFM) de regroupements de types de fluides. L’un ou les plusieurs types de fluides peuvent être choisis dans le groupe constitué : d’huile lourde et moyenne ; d’huile moyenne et légère ; d’huile légère et des condensais ; des condensais et du gaz ; de l’eau ; d’un fluide de forage synthétique ; et d’un filtrat de boue. La transformation des mesures obtenues à partir de l’un ou des plusieurs capteurs de fond de puits peut être effectuée en utilisant un convertisseur de réseau neuronal incluant un ou plusieurs réseaux neuronaux. La transformation basée sur un réseau neuronal peut être étalonnée sur des fluides de référence avec des données de mesure de capteur optique et des mesures de laboratoire à titre d’entrées et des données de PSC à titre de sorties.

Des modes de réalisation de la présente divulgation incluent en outre un système, qui inclut au moins un processeur et une mémoire couplée au processeur qui présente des instructions stockées dessus, qui lorsqu’exécutées par le processeur, amène le processeur à effectuer des fonctions, notamment des fonctions pour : obtenir des mesures à partir d’un ou de plusieurs capteurs de fond de puits situés le long d’une section actuelle d’un puits de forage à l’intérieur d’une formation de subsurface ; transformer les mesures obtenues à partir de l’un ou des plusieurs capteurs de fond de puits en des données de composante de spectroscopie principale (PSC) ; identifier un ou plusieurs types de fluides pour la section actuelle du puits de forage à l’intérieur de la formation de subsurface, en se basant sur les données de PSC et un modèle de classification de fluides ; et affiner le modèle de classification de fluides pour une ou plusieurs sections subséquentes du puits de forage à l’intérieur de la formation de subsurface, sur la base au moins en partie de l’un ou des plusieurs types de fluides identifiés pour la section actuelle du puits de forage.

Dans un ou plusieurs modes de réalisation du système qui précède, l’un ou les plusieurs capteurs de fond de puits peuvent inclure un ou plusieurs capteurs optiques et un ou plusieurs capteurs non-optiques disposés à l’intérieur du puits de forage. Par exemple, l’un ou les plusieurs capteurs de fond de puits peuvent être des composants d’un outil d’analyse de fluide de fond de puits disposé à l’intérieur du puits de forage. L’un ou les plusieurs capteurs de fond de puits peuvent inclure au moins un capteur optique présentant un élément informatique intégré (ICE) pour une mesure d’une ou de plusieurs propriétés de fluide. Les capteurs non-optiques io peuvent inclure un capteur de densité de fluide pour une mesure d’une densité de fluide de fond de puits. Des capteurs non-optiques supplémentaires peuvent être inclus pour une mesure d’un point de barbotage et une compressibilité de fluide. Les données de PSC peuvent être appliquées à titre d’entrée au modèle de classification de fluides, et l’un ou les plusieurs types de fluides sont identifiés en se basant sur des données de PSC appliquées. Le modèle de classification de fluides peut être un modèle de système d’interférence neuro-flou adaptatif (ANFIS) utilisé pour identifier l’un ou les plusieurs types de fluides à partir des données de PSC appliquées. Autrement, le modèle de classification de fluides peut utiliser des vecteurs de support moyens de regroupements pour identifier l’un ou les plusieurs types de fluides à partir des données de PSC appliquées. Les vecteurs de support moyens de regroupements résultants pour l’un ou les plusieurs types de fluides peuvent être des schémas de fluides représentatifs générés par regroupement des données de PSC sur la base de distances mesurées entre des spécificités de types de fluides correspondants. Le regroupement peut être basé sur une arborescence hiérarchique de regroupements de types de fluides. Le regroupement peut être basé sur une carte topologique auto-adaptative (SOFM) de regroupements de types de fluides. L’un ou les plusieurs types de fluides peuvent être choisis dans le groupe constitué : d’huile lourde et moyenne ; d’huile moyenne et légère ; d’huile légère et des condensais ; des condensais et du gaz ; de l’eau ; d’un fluide de forage synthétique ; et d’un filtrat de boue. La transformation des mesures obtenues à partir de l’un ou des plusieurs capteurs de fond de puits peut être effectuée en utilisant un convertisseur de réseau neuronal incluant un ou plusieurs réseaux neuronaux. La transformation basée sur un réseau neuronal peut être étalonnée sur des fluides de référence avec des données de mesure de capteur optique et des mesures de laboratoire à titre d’entrées et des données de PSC à titre de sorties.

Bien que des détails spécifiques sur les modes de réalisation sus-mentionnés aient été décrits, les descriptions précédentes de matériel et de logiciel sont simplement des exemples de modes de réalisation et ne sont pas destinées à limiter la structure ou une mise en œuvre des modes de réalisation divulgués. Par exemple, bien que de nombreux autres composants internes du système 1400 ne soient pas montrés, le spécialiste ordinaire du domaine comprendra que ces composants et leur interconnexion sont bien connus.

De plus, certains aspects des modes de réalisation divulgués, comme indiqué ci-dessus, peuvent être mis en œuvre dans un logiciel qui est exécuté en utilisant une ou plusieurs unités/composants de traitement. Des aspects de programme de la technologie peuvent être pensés comme des « produits » ou des « articles de manufacture » traditionnellement sous la forme d’un code exécutable et/ou de données associées qui sont portés ou mis en œuvre dans un îo type de support lisible par machine. Des supports de type « stockage » non transitoires tangibles incluent tout ou une partie de la mémoire ou d’un autre dispositif de stockage pour les ordinateurs, des processeurs ou analogues, ou des modules associés de ceux-ci, tels que diverses mémoires à semi-conducteur, des lecteurs de bande, des lecteurs de disques, des disques optiques ou magnétiques, et analogues, qui peuvent fournir un stockage à tout moment pour la programmation de logiciel.

De plus, le schéma de procédé et les schémas fonctionnels dans les figures illustrent l’architecture, la fonctionnalité, et le fonctionnement de mises en œuvre possibles de systèmes, de procédés et de produits de programme d’ordinateur selon divers modes de réalisation de la présente divulgation. Il convient également de noter que, dans certaines mises en œuvre alternatives, les fonctions notées dans le bloc peuvent survenir dans un ordre différent de celui noté dans les figures. Par exemple, deux blocs montrés à la suite peuvent, en réalité, être exécutés sensiblement en même temps, ou les blocs peuvent parfois être exécutés en ordre inverse, en fonction de la fonctionnalité concernée. Il conviendra également de noter que chaque bloc des schémas fonctionnels et/ou des schémas de procédé illustratifs, et des combinaisons de blocs dans les schémas fonctionnels et/ou des schémas de procédé illustratifs, peuvent être mis en œuvre par des systèmes basés sur un matériel spécialisé qui effectue les fonctions ou actions spécialisées, ou des combinaisons de matériel spécialisé et d’instructions d’ordinateur.

Les exemples de modes de réalisation spécifiques ci-dessus ne sont pas destinés à limiter la portée des revendications. Les exemples modes de réalisation peuvent être modifiés par inclusion, exclusion, ou combinaison d’une ou de plusieurs spécificités ou fonctions décrites dans la divulgation.

Telles qu’utilisées ici, les formes singulières « un » ou « une », « le » et « la » sont également destinées à inclure les formes plurielles sauf si le contexte indique clairement le contraire. Il sera en outre entendu que les termes « comprend » et/ou « comprenant », lorsqu’utilisés dans le présent mémoire et/ou les revendications, indiquent la présence de spécificités, d’entiers, d’étapes, d’opérations, d’éléments et/ou de composants indiqués, mais n’empêchent pas la présence ou l’ajout d’une ou de plusieurs autres spécificités, entier, étapes, opérations, éléments, composants, et/ou groupes de ceux-ci. Les structures, les matériaux, les actions correspondantes, et les équivalents de tout moyen ou étape plus éléments de fonction dans les revendications plus bas sont destinés à inclure toute structure, matériau, ou action pour effectuer la fonction en combinaison avec d’autres éléments revendiqués comme spécifiquement revendiqués. La description de la présente divulgation a été présentée à des fins illustratives et descriptives, mais elle n’est pas destinée à être exhaustive ou à se limiter aux modes de io réalisation dans la forme divulguée. De nombreuses modifications et variations seront évidentes pour le spécialiste ordinaire du domaine sans s’éloigner de la portée et de l’esprit de la divulgation. Les modes de réalisation illustratifs décrits ici sont fournis pour expliquer les principes de la divulgation et l’application pratique de ceux-ci, et pour permettre à d’autres hommes du métier de comprendre que les modes de réalisation divulgués peuvent être modifiés comme cela est souhaité pour une mise en œuvre ou une utilisation particulière. La portée des revendications est destinée à couvrir largement les modes de réalisation divulgués et toute modification de ce type.

Claims (21)

1. REVENDICATIONS

   LES REVENDICATIONS PORTENT SUR CE QUI SUIT :

   1. Procédé de classification de fluides de fond de puits, le procédé

   5 comprenant :

   une obtention de mesures à partir d’un ou de plusieurs capteurs de fond de puits situés le long d’une section actuelle d’un puits de forage à l’intérieur d’une formation de subsurface ;

   une transformation des mesures obtenues à partir de l’un ou des plusieurs io capteurs de fond de puits en des données de composante de spectroscopie principale (PSC) ;

   une identification d’un ou de plusieurs types de fluide pour la section actuelle du puits de forage à l’intérieur de la formation de subsurface, en se basant sur des données de PSC et un modèle de classification de fluides ; et un affinement du modèle de classification de fluides pour une ou plusieurs is sections subséquentes du puits de forage à l’intérieur de la formation de subsurface, sur la base au moins en partie de l’un ou des plusieurs types de fluides identifiés pour la section actuelle du puits de forage.
2. 2. Procédé selon la revendication 1, dans lequel l’un ou les plusieurs capteurs 20 de fond de puits sont des composants d’un outil d’analyse de fluide de fond de puits disposé à l’intérieur du puits de forage.
3. 3. Procédé selon la revendication 1, dans lequel l’un ou les plusieurs capteurs de fond de puits incluent au moins un capteur optique présentant un élément informatique intégré

   25 (ICE) pour une mesure d’une ou de plusieurs propriétés de fluide.
4. 4. Procédé selon la revendication 1, dans lequel les données de PSC sont appliquées à titre d’entrée vers le modèle de classification de fluides, et l’un ou les plusieurs types de fluides sont identifiés en se basant sur des données de PSC appliquées.
5. 5. Procédé selon la revendication 4, dans lequel le modèle de classification de fluides est un modèle de système d’interférence neuro-flou adaptatif (ANFIS) utilisé pour identifier l’un ou les plusieurs types de fluides à partir des données de PSC appliquées.
6. 6. Procédé selon la revendication 4, dans lequel le modèle de classification de fluides utilise des vecteurs de support moyens de regroupements pour identifier l’un ou les plusieurs types de fluides à partir des données de PSC appliquées.
7. 7. Procédé selon la revendication 6, dans lequel les vecteurs de support moyens de regroupements pour l’un ou les plusieurs types de fluides sont des schémas de fluide représentatifs générés par regroupement des données de PSC sur la base de distances mesurées entre des spécificités de types de fluides correspondants.
8. 8. Procédé selon la revendication 7, dans lequel le regroupement est basé sur une arborescence hiérarchique de regroupements de types de fluides.
9. 9. Procédé selon la revendication 7, dans lequel le regroupement est basé sur une carte topologique auto-adaptative (SOFM) des regroupements de types de fluides.
10. 10. Procédé selon la revendication 1, dans lequel l’un ou les plusieurs types de fluides sont choisis dans le groupe constitué : d’huile lourde et moyenne ; d’huile moyenne et légère ; d’huile légère et des condensais ; des condensais et du gaz ; de l’eau ; d’un fluide de forage synthétique ; et d’un filtrat de boue.
11. 11. Procédé selon la revendication 1, dans lequel une transformation des mesures obtenues à partir de l’un ou des plusieurs capteurs de fond de puits peut être effectuée en utilisant un convertisseur de réseau neuronal incluant un ou plusieurs réseaux neuronaux.
12. 12. Système comprenant :

    au moins un processeur ; et une mémoire couplée au processeur présentant des instructions stockées dessus, qui lorsqu’exécutées par le processeur, amènent le processeur à effectuer des fonctions, notamment des fonctions pour :

    obtenir des mesures à partir d’un ou de plusieurs capteurs de fond de puits situés le long d’une section actuelle d’un puits de forage à l’intérieur d’une formation de subsurface ;

    transformer les mesures obtenues à partir de l’un ou des plusieurs capteurs de fond de puits en des données de composante de spectroscopie principale (PSC) ;

    identifier un ou plusieurs types de fluides pour la section actuelle du puits de forage à l’intérieur de la formation de subsurface, en se basant sur des données de PSC et un modèle de classification de fluides ; et affiner le modèle de classification de fluides pour une ou plusieurs sections subséquentes du puits de forage à l’intérieur de la formation de subsurface, sur la base au moins en partie de l’un ou des plusieurs types de fluides identifiés pour la section actuelle du puits de forage.
13. 13. Selon la revendication 12, dans lequel l’un ou les plusieurs capteurs de fond de puits incluent un ou plusieurs capteurs optiques et un ou plusieurs capteurs non-optiques disposés à l’intérieur du puits de forage.
14. 14. Système selon la revendication 13, dans lequel l’un ou les plusieurs capteurs optiques de fond de puits incluent au moins un capteur optique présentant un élément informatique intégré (ICE) pour une mesure d’une ou de plusieurs propriétés de fluide.
15. 15. Système selon la revendication 12, dans lequel les fonctions effectuées par le processeur incluent en outre des fonctions pour :

    appliquer les données de PSC à un modèle de système d’interférence neuroflou adaptatif (ANFIS) ; et identifier l’un ou les plusieurs types de fluides en se basant sur des données de

    PSC appliquées.
16. 16. Système selon la revendication 12, dans lequel les fonctions effectuées par le processeur incluent en outre des fonctions pour :

    générer des vecteurs de support moyens de regroupements en se basant sur des données de PSC, les vecteurs de support moyens de regroupements représentant des schémas de fluide générés par regroupement des données de PSC sur la base de distances mesurées entre des spécificités de types de fluides correspondants ; et identifier l’un ou les plusieurs types de fluides sur la base des vecteurs de support moyens de regroupements.
17. 17. Système selon la revendication 16, dans lequel les vecteurs de support moyens de regroupements sont générés sur la base d’une arborescence hiérarchique de regroupements de types de fluides.

    5
18. 18. Système selon la revendication 12, dans lequel l’un ou les plusieurs types de fluides sont choisis dans le groupe constitué : d’huile lourde et moyenne ; d’huile moyenne et légère ; d’huile légère et des condensais ; des condensais et du gaz ; de l’eau ; d’un fluide de forage synthétique ; et d’un filtrat de boue.

    îo
19. 19. Système selon la revendication 12, dans lequel la transformation des mesures obtenues à partir de l’un ou des plusieurs capteurs de fond de puits est effectuée en utilisant un ou plusieurs réseaux neuronaux.
20. 20. Support de stockage lisible par ordinateur ayant des instructions stockées is dans celui-ci, qui lorsqu’exécutées par un ordinateur amènent l’ordinateur à effectuer une pluralité de fonctions, incluant des fonctions pour :

    obtenir des mesures à partir d’un ou de plusieurs capteurs de fond de puits situés le long d’une section actuelle d’un puits de forage à l’intérieur d’une formation de subsurface ;

    20 transformer les mesures obtenues à partir de l’un ou des plusieurs capteurs de fond de puits en des données de composante de spectroscopie principale (PSC) ;

    identifier un ou plusieurs types de fluides pour la section actuelle du puits de forage à l’intérieur de la formation de subsurface, en se basant sur des données de PSC et un modèle de classification de fluides ;
21. 25 affiner le modèle de classification de fluides pour une ou plusieurs sections subséquentes du puits de forage à l’intérieur de la formation de subsurface, sur la base au moins en partie de l’un ou des plusieurs types de fluides identifiés pour la section actuelle du puits de forage.

    1/14