NO331999B1 - Fremgangsmate for bestemmelse av en rekke parametre i en undergrunnsformasjon som omgir et borehull - Google Patents

Abstract

Et nervenett (NN) benyttes for borehullkorreksjon (205) av resistivitetsloggdata (201). Fremgangsmåten omfatter to hovedtrinn. I første hovedtrinn (fig. 3) blir det hele utvalg av muligheter for grunnmodeller angående borehullkompensasjon samplet, og det genereres et sett av verktøy responser (105, 107) med og uten borehullet. Et bredt utvalg av verktøyresponser omfattende borehulleffektene er inputdata for NN- nettet, og NN-nettet blir trenet (113) til å frembringe den tilsvarende borehullfrie respons. I andre hovedtrinn (fig. 4) blir NN-nettet verifisert ved å bruke som inputdata verktøyresponser (omfattende borehulleffekter), hvilke ikke ble benyttet ved treningen av NN-nettet, og ved å sammenligne utdataen for NN-nettet med den tilsvarende borehullfrie respons. Ved bra samsvar, erkjennes NN-nettet som verifisert og kan deretter brukes til å prosessere ervervete data som omfatter borehulleffekter.

Description

Oppfinnelsens område

Den foreliggende oppfinnelse angår prosessering av resistivitetslogger, og spesielt en fremgangsmåte for korrigering av loggmålinger for borehulleffekter ved bruk av en nervenett-(NN)-implementering. Dette muliggjør oppnåelsen av en hurtig korreksjon for borehulleffekter før inversjon av resistivitetsdataene.

Bakgrunn for oppfinnelsen

En alminnelig brukt teknikk for evaluering av formasjoner som omgir et borehull, er resistivitetslogging. Porøse formasjoner med høy resistivitet indikerer generelt tilstede-værelsen av hydrokarboner, mens porøse formasjoner med lav resistivitet er som regel vannmettet. Det finnes mange kjente metoder for bestemmelse av resistiviteten i undergrunns-formasjoner ved bruk av resistivitetsloggeverktøy.

De fysiske prinsippene for elektromagnetisk induksjonsresistivitetslogging i brønner, er for eksempel beskrevet i H. G. Doll, "Introduction to Induction Logging and Application to Logging of Wells Drilled with Oil Based Mud", Journal of Petroleum Technology, volume 1, page 148, Society of Petroleum Engineers, Richardson Tex. (1949). Mange forbedringer og modifikasjoner av induksjonsresistivitetsinstrumenter er blitt gjort siden offentliggjøringen av Dolls referanse, nevnt ovenfor. Eksempler på slike modifikasjoner og forbedringer kan for eksempel finnes i US-patent nr. 4.837.517, US-patent nr. 5.157.605 utstedt til Chandler m.fl. og US-patent nr. 5.452.761 utstedt til Beard m.fl.

En begrensning på instrumenter for elektromagnetisk induksjonsresistivitetslogging i brønner, som er kjent på området, er at det er typisk for dem å omfatte senderspoler og mottakerspoler som er viklet slik at de magnetiske momenter av disse spolene er hovedsakelig parallelle kun med aksen for instrumentet. Virvelstrømmer blir indusert i grunnformasjonene av magnetfeltet som genereres av senderspolen, og i induksjonsinstrumentene som er kjent på området, har disse virvelstrømmene en tendens til å flyte i grunnsløyfer som hovedsakelig er perpendikulære på aksen for instrumentet. Spenninger blir deretter indusert i mottakerspolene i forhold til størrelsen av virvelstrømmene. Visse grunnformasjoner består imidlertid av tynne lag av elektrisk ledende materialer som er interfoliert med tynne lag av hovedsakelig ikke-ledende materiale. Responsen til det typiske instrument for elektromagnetisk induksjonsresistivitetslogging i brønner, vil i høy grad være avhengig av konduktiviteten i de ledende lagene når lagene er hovedsakelig parallelle med virvelstrømmenes flyteretning. De hovedsakelig ikke-ledende lagene er imidlertid de som typisk er hydrokarbonrike og er av høyest interesse for instrumentbrukeren. Noen grunnformasjoner som kan være av kommersiell interesse, kan derfor bli oversett ved tolking av en brønnlogg fremskaffet ved å bruke de instrumentene for elektromagnetisk induksjonsresistivitetslogging i brønner, som er kjent på området.

US-patent nr. 5.999.883 utstedt til Gupta m.fl. (Gupta-patentet) hvis innhold herved i sin helhet inntas ved referanse, beskriver en fremgangsmåte for bestemmelse av den horisontale og den vertikale konduktiviteten i anisotropiske grunnformasjoner. Elektromagnetiske induksjonssignaler som er indusert av induksjonssendere anbrakt langs tre innbyrdes ortogonale akser, blir målt. En av de innbyrdes ortogonale aksene er hovedsakelig parallell med loggingsinstrumentets akse. De elektromagnetiske induksjonssignaler blir målt ved å bruke første mottakere som hver omfatter et magnetisk moment parallelt med en av de ortogonale aksene og ved å bruke andre mottakere som hver omfatter et magnetisk moment som er perpendikulært på en av de ortogonale aksene og som også er perpendikulært på instrumentaksen. En relativ rotasjonsvinkel for den perpendikulære av de ortogonale aksene, blir beregnet fra mottakersignalene som er målt perpendikulært på instrumentaksen. En mellomliggende måletensor beregnes ved å rotere mottakersignalenes størrelser gjennom en negativ av rotasjonsvinkelen. En relativ hellingsvinkel for den av de ortogonale aksene som er parallell med instrumentaksen, blir beregnet fra de roterte størrelser med hensyn til en retning av den vertikale konduktiviteten. De roterte størrelser blir rotert gjennom en negativ av hellingsvinkelen. Horisontal konduktivitet beregnes fra mottakersignalenes størrelser etter det andre trinn av rotasjon. En anisotropisk parameter beregnes fra mottakersignalstørrelsene etter det andre trinn av rotasjon. Vertikal konduktivitet beregnes fra den horisontale konduktiviteten og den anisotropiske parameteren.

Et problem med inversjonen av elektromagnetiske data er at området som umiddelbart omgir borehullet, kan invaderes av borehullsfluid eller slamfiltrat, og har forskjellig resistivitet fra den i den uberørte formasjonen. Dette gjør den såkalte lD-inversjon til 2D-inversjon. For å ta seg av dette problemet er det velkjent å bruke resistivitets-loggeanordninger med en rekke undersøkelsesdybder for å fremskaffe informasjon om egenskapene til den uberørte formasjonen, den invaderte sone og borehullet.

Ved å foreta målinger ved lave frekvenser ved å bruke induksjonsloggeinstrumenter i et vertikalt borehull, blir borehulleffektene lineært addert til verktøyresponsen. I en slik situasjon, kan borehullkorreksjonen enkelt utføres ved bare å ta i betraktning responsen til et fluidfylt borehull i en homogen formasjon. Etter at borehullkorreksjonen er utført, blir de borehullkorrigerte data invertert for å frembringe en lagmodell av formasjonene omkring borehullet.

Ved å foreta målinger ved å bruke galvaniske instrumenter, induksjonsloggeverktøy ved ikke-nullfrekvenser eller propageringsresistivitetsverktøy ved ikke-nullfrekvenser, blir borehulleffekten ikke lenger additiv. I disse tilfeller blir problemet ikke-lineært, og borehullkorreksjonene blir en funksjon av egenskapene til formasjonen i tillegg til egenskapene til borehullet. Den fundamentale grunn til ikke-lineariteten i alle disse situasjoner er oppsamlingen av elektriske ladninger ved grenseflatene mellom formasjons-lagene. Følgelig oppstår ikke-linearitetsproblemet også ved lave frekvenser i induksjonslogging av avvikende borehull, hvor borehullaksen ikke er normal til underlagsplatene i formasjonen og i induksjonslogging ved bruk av transversale spoler. Druserom i borehullet fører dessuten til indusering av strømmer ved hjelp av induksjonsspolen som krysser borehull-veggen, noe som fører til endret oppsamling og den ledsagende ikke-linearitet.

US-patent nr. 5.900.733 til Wu m.fl. beskriver en brønnloggingsmetode og apparat for å bestemme med forbedret nøyaktighet borehullkorrigert formasjonsresistivitet, borehullsdiameter og resistivitet for borehullsfluid (-slam) ned i hullet. En loggeanordning i borehullet sender elektromagnetisk energi fra en sender, hvilken energi mottas av mottakere på loggeanordningen. Fasen og amplituden til den mottatte energien måles ved mottakerne, og faseforskyvning, fasegjennomsnitt og svekking forbindes med avstanden mellom senderen og mottakerne. Prosessen blir deretter gjentatt for en rekke av ytterligere sendere som har forskjellige avstander fra mottakerne. En formasjons- og borehullmodell som har modellverdier av borehullkorrigert formasjonsresistivitet, borehullsdiameter og resistivitet for borehullsfluid, oppnås ved inversjon av de målte data. Deretter bestemmes verdier av borehullkorrigert formasjonsresistivitet, borehullsdiameter og resistivitet for borehullsfluid som danner en modellfase-forskyvning, fasegjennomsnitt og svekking tilsvarende de målte verdiene av disse parametere.

US-patent nr. 5.867.806 til Strickland m.fl. omhandler en metode hvor en eller flere kontrolldybder ved en eller flere steder for hver av en rekke detekterte underlag i formasjonen. Bestemmelsen av kontrolldybdene baseres på bestemte underlags-grenser. Metoden beregner deretter resistiviteten i hvert underlag kun ved de valgte kontrolldybder for å fremskaffe en beregnet resistivitet i underlagene. Metoden kalkulerer dessuten en simulert loggverdi ved hver kontrolldybde ved å bruke et inneværende estimat for resistiviteten i underlagene. Den kalkulerte simulerte logg sammenlignes deretter med de aktuelle loggdata ved hver kontrolldybde, og resistiviteten i hvert underlag blir justert ved å bruke differansen mellom de aktuelle og simulerte verdier ved kontrolldybdene. Den ovennevnte metode blir iterativt gjentatt mange ganger til den simulerte logg hovedsakelig blir lik den aktuelle logg ved kontrolldybdene.

US 5.862.513 A til Mezzatesta m.fl. beskriver en fremgangsmåte for dannelse av syntetiske verktøyresponser for et borehullsloggeverktøy for en geologisk formasjon, hvor fremgangsmåten omfatter: generering av borehullsloggedata for en bestemt del av en geologisk formasjon med et borehullsloggesystem, dannelse av en geologisk utgangsmodell av en den geologiske formasjonen basert på borehullsloggedataene, samt innføring av den geologiske utgangsmodell i et trent kunstig nervenett, jf. sammendraget.

De tidligere kjente metoder for korreksjon for borehulleffekter forutsetter generelt enkle modeller for disse borehulleffekter. Borehulleffekten blir typisk modellert ved å bruke en enkelt invadert sone, og borehullaksen antas å være normal til underlagsgrensene. Til tross for at modellen er så forenklet, er det svært tidkrevende å kompensere for borehulleffekter og skulderlageffekter.

Det er et behov for en metode for korrigering av resistivitetsloggdata for de effekter av fluidinvasjon og skulderlag i kompliserte arbeidsmiljø. En slik metode skal helst være enkel og skal fortrinnsvis være i stand til sanntidsgjennomføring, slik at resistivitetsmålinger kan korrigeres for borehulleffekter før ytterligere prosessering. Den foreliggende oppfinnelse tilfredsstiller dette behovet.

Oppsummering av oppfinnelsen

Den foreliggende oppfinnelse angår en fremgangsmåte for borehullkorreksjon av resistivitetsloggdata. Fremgangsmåten omfatter to hovedtrinn. I første hovedtrinn blir det hele utvalg av muligheter for grunnmodeller angående borehullkompensasjon samplet, og det genereres et sett av verktøy-responser med og uten borehullet. Et bredt utvalg av verktøy-responser omfattende borehulleffektene er inputdata for et nervenett (NN), og NN-nettet blir trenet til å frembringe den tilsvarende borehullfrie respons. Når NN-nettet er blitt trenet (i et sett av vekttallkoeffisienter), i andre hovedtrinn blir NN-nettet verifisert ved å bruke som inputdata verktøyresponser (omfattende borehulleffekter), hvilke ikke ble benyttet ved treningen av NN-nettet, og ved å sammenligne utdataen for NN-nettet med den tilsvarende borehullfrie respons. Ved bra samsvar, erkjennes NN-nettet som verifisert og kan deretter brukes til å prosessere ervervete data som omfatter borehulleffekter. Ved dårlig samsvar, så blir NN-nettet trenet opp igjen med forskjellig sampling av grunn-modellen.

Kort beskrivelse av tegningene

Fig. 1 (kjent teknikk) viser et induksjonsinstrument anordnet i et borehull som penetrerer grunnformasjoner. Fig. 2 viser et loggingsinstrument anordnet i et hellende borehull, hvor formasjonen er blitt invadert av borehullsfluid. Fig. 3 illustrerer noen av trinnene for trening av nervenettet

(NN) ifølge den foreliggende oppfinnelse.

Fig. 4 er et produksjonsdiagram som illustrerer bruken av et trenet nervenett (NN) for oppnåelse av borehullkorrigerte resistivitetsmålinger. Fig. 5 (kjent teknikk) viser et eksempel på et lite NN-nett

med tre lag av enheter.

Beskrivelse av den foretrukne utførelsesform

Fig. 1 (kjent teknikk) viser et instrument 10 for elektromagnetisk induksjonsbrønnlogging, som er anordnet i et borehull 2 som er boret gjennom grunnformasjoner. Grunnformasjonene er generelt vist ved henvisningstallet 4. Instrumentet 10 kan bli senket ned i og trukket ut av borehullet 2 ved hjelp av en armert elektrisk kabel 6 eller et lignende transportmiddel som er kjent på området. Instrumentet 10 kan settes sammen av tre deler: en hjelpeelektronikkenhet 14 anordnet på den ene ende av instrumentet 10; en spole-spindelenhet 8 festet til hjelpeelektronikkenheten 14; og en mottaker/signalprosessering/telemetri-elektronikkenhet 12 festet på den annen ende av spolespindelenheten 8, idet denne enheten 12 vanligvis blir festet til kabelen 6.

Spolespindelenheten 8 omfatter induksjonssender- og mottakerspoler, som senere vil bli nærmere forklart, for indusering av elektromagnetiske felter i grunnformasjonene 4 og for mottak av spenningssignaler indusert av virvelstrømmer som flyter i grunnformasjonene 4 som en følge av de elektromagnetiske felter som er indusert der.

Hjelpeelektronikkenheten 14, som senere vil bli nærmere forklart, kan omfatte en signalgenerator og kraftforsterkere som får vekselstrømmer med utvalgte frekvenser til å flyte gjennom senderspoler i spolespindelenheten 8.

Mottaker/signalprosessering/telemetri-elektronikkenheten 12 kan omfatte mottakerkretser for bestemmelse av spenninger indusert i mottakerspoler i spolespindelenheten 8, og kretser for prosessering av disse mottatte spenninger til signaler som er representative for konduktivitetene i forskjellige lag, vist ved 4A til 4F, i grunnformasjonene 4. Av bekvemmelighets-hensyn for systemdesigneren kan mottaker/signalprosessering/ telemetri-elektronikkenheten 12 innebære signaltelemetri for å sende de konduktivitet-relaterte signalene til jordoverflaten langs kabelen 6 for videre prosessering, eller alternativt kan den lagre de konduktivitet-relaterte signalene på en egnet registreringsanordning (ikke vist) for prosessering etter at instrumentet 10 er blitt trukket ut av borehullet 2. Detaljer om driften av verktøyet kan finnes i Gupta-patentet. En må legge merke til at den foreliggende oppfinnelse kan brukes sammen med et hvilket som helst passende resistivitets-loggeverktøy, og at anordningen som er angitt i Gupta-patentet, er kun for eksemplifiseringsformål.

På fig. 2 vises verktøyet 10 som anordnet i et hellende borehull 2, hvor borehullaksen er skrånet ved en hellingsvinkel 0 i forhold til normalen til underlaget 4A. Med henblikk på den foreliggende oppfinnelse, er formasjonen 4A kjennetegnet ved horisontal og vertikal konduktiviteter oh og av, eller likeledes ved en vertikal resistivitet Rt og en anisotropisk faktor A. Det spesielle tilfelle hvor A=l, representerer en isotropisk formasjon og er også beregnet på å være innenfor rammen av den foreliggende oppfinnelse. Formasjonen 4A har en tykkelse "Thick" vist ved 22. Borehullsdiameteren BHD er vist på fig. 2, samt med en verktøyavstand 20. Verktøyavstanden er avstanden mellom verktøyaksen og borehullaksen, og i denne søknaden skal en henviste til den ved STAN.

Borehullet 2 er fylt med et slam som har en resistivitet Rm, eller likeledes konduktivitet oh. Som regel invaderer borehullslammet formasjonen, særlig gjennomtrengelige formasjoner. Denne invasjonen er vanligvis modellert ved hjelp av to soner, en invasjonssone (vist på fig. 2 med en lengde 22) og en overgangssone (vist på fig. 2 med en tilsvarende lengde 24). I en utførelsesform av oppfinnelsen er invasjonssonen og overgangssonen kjennetegnet ved resistiviteter Rxoog Ran- I en alternativ utførelsesform av oppfinnelsen kan resistiviteten i invasjonssonen og overgangssonen også være anisotropisk.

Den foreliggende oppfinnelse kan hovedsakelig anses som omfattende to hovedtrinn. I første hovedtrinn blir et NN-nett trenet til å frembringe borehullkorrigerte data basert på sampling av mulige borehull- og formasjonsparametere som kan forekomme i feltoperasjoner. Dette kan bli gjort offline, og de NN-parametrene lagres i en prosessor som er plassert i brønnhullsverktøyet ved et passende sted, som for eksempel i mottaker/signalprosessering/telemetri-elektronikkenheten 12. Strukturen og treningen av NN-nettet er drøftet nedenfor under henvisning til fig. 5. Det andre hovedtrinn i den foreliggende oppfinnelse er å bruke det trenete NN-nettet og prosess-målingene ned i borehullet, fortrinnsvis i sanntid, for derved å frembringe borehullkorrigerte resistivitetsdata som deretter kan bli viderebehandlet, for eksempel ved invertering av dataene.

På fig. 3 vises trinn som omfatter det første hovedtrinn i oppfinnelsen. Det første hovedtrinnet starter ved 101, og det første trinn er å sample grunnmodellparametrene for å danne et treningsmønster for NN-nettet. I en foretrukket utførelsesform av oppfinnelsen omfatter parametrene følgende: 1. Rt, formasjonsresistiviteten. Dette er den resiproke verdi av den vertikale konduktiviteten ov på fig. 2. I en foretrukket utførelsesform av oppfinnelsen er Rt samplet fra 0,01 Qm til 10.000 Qm ved å sample 3 til 4 stikk-prøver pr. tiår.

2. Rxo, resistiviteten i invasjonssonen. Dette er resistiviteten i sonen 22 på fig. 2. I en foretrukket utførelsesform av oppfinnelsen har denne en isotropisk egenskap, selv om i en alternativ utførelsesform av oppfinnelsen kan den også være anisotropisk, slik at invasjonssonen kjennetegnes ved to resistiviteter. Rx0samples fra 0,01 Qm til 10.000 Qm ved å sample 3 til 4

stikkprøver pr. tiår.

3. Ran/resistiviteten i overgangssonen. Dette er resistiviteten i sonen 22 på fig. 2. I en foretrukket utførelsesform av oppfinnelsen har denne en isotropisk egenskap, selv om i en alternativ utførelsesform av oppfinnelsen kan den også være anisotropisk, slik at invasjonssonen kjennetegnes ved to resistiviteter. Ran samples fra 0,01 Qm til 10.000 Qm ved å sample 3 til 4

stikkprøver pr. tiår.

4. Rm, slamresistiviteten. Dette er den resiproke verdi av den slamkonduktiviteten om på fig. 2. I en foretrukket utførelsesform av oppfinnelsen er Rmsamplet fra 0,01 Qm

til 10.000 Qm ved å sample 3 til 4 stikkprøver pr. tiår.

5. Lxo, invasjonssonens lengde. Dette er lengden til sonen 22 på fig. 2. I en foretrukket utførelsesform av oppfinnelsen blir Lxolineært samplet fra 0 til 254 cm (100

tommer) med en avstand av 12,7 cm (5 tommer) mellom hver.

6. Lan, overgangssonens lengde. Dette er lengden til sonen 24 på fig. 2. I en foretrukket utførelsesform av oppfinnelsen blir Lanlineært samplet fra 0 til 254 cm (100

tommer) med en avstand av 12,7 cm (5 tommer) mellom hver. 7. BHD, borehullsdiameteren vist ved BHD på fig. 2. Dette er diameteren til borehullet 2. I en foretrukket utførelses-form av oppfinnelsen blir BHD samplet fra 15,2; 20,3;

25,4; 30,48; 40,64 og 50,8 cm (6, 8, 10, 12, 16 og 20

tommer).

8. Helling: hellingsvinkelen 9 er vist på fig. 2 og i en foretrukket utførelsesform av oppfinnelsen blir den lineært samplet mellom 5°, 10°, 15°, 20°, 25°, 30°, 40°, 50°, 60°, 70°, 75°, 80°, 85° og 90°, dvs. mindre tettsamplet

rundt 45°-helling.

9. Den anisotropiske grad A definert som forholdet mellom den horisontale og den vertikale konduktiviteten i formasjonen. I en foretrukket utførelsesform av oppfinnelsen er dette samplet ved: 1; 1,2; 1,4; 1,6; 1,8; 2; 2,2; 2,4; 2,8; 3; 3,5; 5 og 10. 10. Stan: avstanden eller adskillelsen 20 mellom verktøyaksen og borehullaksen. I en foretrukket utførelsesform av oppfinnelsen er dette samplet ved: 0; 2,54; 5,08; 7,62;

10,16; 12,70; 15,24; 20,32 og 25,4 cm (0, 1, 2, 3, 4, 5,

6, 8 og 10 tommer).

11. "Thick" er lagtykkelsen vist ved 26 på fig. 2. I en foretrukket utførelsesform av oppfinnelsen blir lagtykkelsen samplet ved: 15; 30; 60; 91; 152; 305; 366;

457; 518; 610; 762; 914; 1067; 1219; 1372; 1524 og 2540 cm (0,5; 1; 2; 3; 5; 10; 12; 15; 17; 20; 25; 30; 35; 40;

45; 50 og 100 fot).

En fagmann vil innrømme at sampling av alle mulige kombinasjoner av den ovennevnte listen vil være upraktisk. Eksempelvis for vertikal lD-inversjon, er kun fire parametere nødvendig: Rt, Rm, BHD og Thick. I et slikt tilfelle er det maksimale antall modeller i det 4D-rommet som defineres av disse parametere, 24 x 20 x 6 x 17 = 48960. Den angitte listen er i denne sammenheng et anbefalt utgangspunkt. Det kan bli nødvendig med noen forandringer hvis NN-nettet ikke kan bli verifisert, som nærmere omtalt nedenfor.

Verktøyresponsene Rbhfor et bredt utvalg av formasjons-og borehullparametere bestemmes 105 deretter ved å bruke et eller annet passende forovermodelleringsprogram. Slike forovermodelleringsprogrammer vil være kjent for de fagkyndige på området. I en foretrukket utførelse av oppfinnelsen skal verktøyresponsene omfatte det som på området er kjent som grunne og dype data. De grunne data tilsvarer verktøy-konfigurasjoner og/eller -freksvenser som primært reagerer på de forhold som er i nærheten av borehullet, og de dype data tilsvarer verktøykonfigurasjoner og/eller -frekvenser som primært reagerer på de forhold som er lenger bort fra borehullet. De grunne data blir typisk oppnådd ved korte sender-mottaker-mellomrom og høyere frekvenser, mens de dype data blir oppnådd ved lange sender-mottaker-mellomrom og lavere frekvenser. De formasjons- og borehullsparametrene som benyttes for generering av denne verktøyrespons, blir henvist til som treningssettet.

Verktøyresponsene Rf for treningssettet bestemmes deretter uten å ta hensyn til borehull- og nær-borehull-parametrene 107, dvs. for å sette invasjonssonens og overgangssonens lengder lik null. Disse verdier av Rf er de ønskede (dvs. borehullkorrigerte) utdataene som tilsvarer de målte verdiene av Rbnved 105. Av den grunn, i trinn 109 og 111, virker verdiene av Rbnog Rf stimulerende på input-laget av NN-nettet og respektivt på den ønskede utdataen for NN-nettet. Ved 113 blir NN-nettet trenet ved å bruke verdiene av Rbhog andre lett målbare parametere som inputdata for NN-nettet, og verdiene av Rf som den ønskede utdataen for NN-nettet. De lett målbare parametrene er slamresistiviteten, den BHD og verktøy-avstanden. Treningen av NN-nettet er drøftet nedenfor under henvisning til fig. 5. Når treningen av NN-nettet er fullført, dvs. etter at alle samplene i treningssettet er blitt brukt til å trene NN-nettet, blir NN-nettet verifisert ved 115.

Når målingene er fullført med et array-induksjons-loggeverktøy slik som en HDIL, omfatter de verktøyresponsene med og uten borehulleffekter en rekke av målte spenninger og en rekke av spenningsdifferanser. I en foretrukket utførelse av oppfinnelsen blir forskjellig NN-nett bestemt for hver enkelt måling av flertallet målinger. For eksempel, hvis tallet på spenningene og spenningsdifferansene er 32, så vil 32 nervenett bestemmes, hvori inputdataen for hvert av NN-nettene er de 32 målingene omfattende borehulleffekter, og utdataen for hvert NN-nett er en av de 32 målingene uten borehulleffekter. For et transversalt induksjonsloggeverktøy som omtalt i Gupta-patentet, vil målingene på tilsvarende måte omfatte spenninger og spenningsdifferanser. De fagkyndige på området vil innse at når den foreliggende oppfinnelse blir brukt med propageringsresistivitetsverktøy, så vil målingene omfatte en rekke av amplitude- og fasedifferanser (eller likeledes de reelle og imaginære deler av svekkingene) for en rekke sender-mottaker-kombinasjoner. Treningen av et forskjellig NN-nett for hver av de utgangsmålingene er et rent spørsmål om bekvemmelighet. I en alternativ utførelse av oppfinnelsen blir et mer komplisert NN-nett trenet ved å bruke en rekke inputdata og en rekke utdata. I prinsippet følger treningen, verifiseringen og bruken av et slikt NN-nett etter den samme prosessen som for et enkelt NN-nett, idet den eneste forskjellen er kompleksiteten av NN-nettet. Drøftingen av oppfinnelsen vil heretter begrenses til et enkelt NN-nett, selv om det er en forutsetning at et flertall av NN-nett kan bli involvert.

Verifiseringsprosessen omfatter:

1. Definering av et testmønster som ikke har overlapping med treningsmønsteret brukt ved 105, for derved å frembringe verktøyresponser for testmønsteret. 2. Bestemmelse av verktøyresponsen for testmønsteret uten borehullet. 3. Bestemmelse av utdataen for NN-nettet når verktøyresponsene fra trinn (1) benyttes som inputdata, og 4. Sammenligning av utdataen for NN-nettet fra trinn (3)

med verktøyresponsen for testmønsteret fra trinn (2).

Ved bra samsvar med trinn (4) av verifiseringsprosessen, blir de NN-strukturen og -parametrene lagret og kan benyttes i hovedtrinn II. Ved dårlig samsvar ved 117, så blir grunn-modellen samplet igjen med et forskjellig sett av verdier 121, og prosessen går tilbake til 103. Trinnene fra 103 til 117 gjentas til et verifisert NN-nett blir oppnådd.

Når verifiseringen av NN-nettet er fullført, kan dets struktur og parametere lagres i en prosessor som er plassert i elektronikkenheten 12 eller på et annet egnet sted ved brønn-hullsverktøyet 10. NN-nettet kan da brukes til å prosessere, fortrinnsvis i sanntid, målinger utført av loggeanordningen. Alternativt kan NN-nettet lokaliseres i en prosessor (ikke vist) oppfor borehullet, og målinger som telemetreres oppfor borehullet fra loggesonden, blir prosessert deri for å frembringe borehullkorrigerte målinger. Dette er beskrevet under henvisning til fig. 4.

På fig. 4 vises trinn som omfatter bruken av det trenete NN-nettet for prosessering av resistivitetsdata. Feltresisti-vitetslogger innsamles 203 ved å bruke kjente metoder. Disse skal fortrinnsvis omfatte både grunne og dype resistivitetsmålinger som beskrevet ovenfor. Som nevnt ovenfor i drøftingen av treningen av NN-nettet, omfatter inputdataen for NN-nettet i tillegg til verktøyresponsene slamresistiviteten, borehullsdiameteren og verktøyavstanden. Slamresistivitetsmålingen oppnås ved å bruke tradisjonelle anordninger, og borehullsdiameteren og verktøyavstanden oppnås fra kalibermålinger. Formasjons- og slamresistivitetsmålingene og kalibermålingene innsamles 203, og inputdata 205 for det verifiserte NN-nettet oppnås som beskrevet ovenfor. For hver dybde er utdataen for NN-nettet en borehullkorrigert måling. Som nevnt ovenfor, vil et flertall av nervenett frembringe for et induksjons-loggeverktøy en rekke av spenninger og spenningsdifferanser.

I en foretrukket utførelsesform av oppfinnelsen blir den Stuttgard-nervenett-simulator brukt for treningen av NN-nettet. De grunnleggende prinsipper og terminologi for nervenett er kort diskutert her.

Et nett består av enheter og rettede, veide linker (forbindelser) mellom dem. Som analog med aktivisering forbigående i biologiske nevroner, mottar hver enhet en nett-input som beregnes fra de veide utdataene for tidligere enheter med forbindelser som leder til denne enhet. Fig. 5 viser et eksempel på et lite NN-nett med tre lag av enheter som består av to input-enheter 201a og 201b, en skjult enhet 202 og en utgangsenhet 203. For hver enhet blir det bestemt en nett-input for enheten fra de veide utgangsverdiene for tidligere enheter. Aktiviseringsfunksjonen for hver enhet beregner den nye aktivisering fra denne nett-input (og muligens dens tidligere aktivisering). Utgangsfunksjonen bruker dette resultatet for å generere utdataen for enheten. Treningen av NN-nettet omfatter modifisering av vektene wl, w2, w3,... for nettet slik at inputdataen for nettet produserer den ønskede utdataen.

Modifiseringen bygger ofte på Hebbians regel som sier at en link mellom to enheter blir sterkere hvis begge enheter er aktive på samme tid. Hebbians regel i sin hovedform er:

hvor:

Wij vekten for linken fra enhet i til enhet j

a-j(t) aktivisering av enhet j i trinn t

tjlaere-input, generelt den ønskede utdata for enhet j oi(t) utdata for enhet i på tidspunkt t

g(...) funksjon avhengig av aktiviseringen av enheten og Lære-enheten j

h(...) funksjon avhengig av utdataen for det foregående

elementet og den aktuelle vekt for linken

Trening av et foroverkoplingsnervenett med overvåket opplæring består av følgende prosedyre: 1. Et input-mønster introduseres til nettet. Inputdataen blir da propagert frem i nettet til aktivisering kommer frem til utgangslaget. Dette utgjør den såkalte forover-propageringsfase. 2. Utdataen for utgangslaget blir deretter sammenlignet med lære-inputen. Feilen, dvs. differansen (delta) mellom utdataen og lære-inputen for en måleutgangsenhet j, blir da brukt sammen med utdataen for kildeenheten i for å beregne de nødvendige endringer av linken. For å beregne deltaene til indre enheter for hvilke ingen lære-input er tilgjengelig, (enheter av skjulte lag) brukes deltaene til det påfølgende lag som allerede er blitt beregnet. På denne måten blir feilene (deltaene) propagert baklengs, så kalles denne fasen for baklengspropagering.

I online-opplæring blir vektendringene påført til nettet etter hvert treningsmønster, dvs. etter hver frem- og bak-overgang. I offline-opplæring eller satsvis opplæring blir vektendringene innsamlet for alle mønstre i treningsfilen, og summen av alle endringer påføres etter en fullsyklus (epoke) gjennom treningsmønsterfilen.

I en foretrukket utførelsesform av oppfinnelsen brukes det baklengspropagering. I baklengspropageringens opplærings-algoritme er online-trening vanligvis betydelig raskere enn satsvis trening, spesielt i tilfellet av store treningssett med mange lignende treningseksampler.

Baklengspropageringens vektoppdateringsregel som også kalles generalisert delta-regel, lyder som følger:

hvor :

n lære-faktor (en konstant)

5ijfeil (differanse mellom den reelle utdata og lære-inputen) til enhet j

tjlære-input for enhet j

i forgjengerindeks for den aktuelle enhet j med link

Wij fra i til j

j indeks for den aktuelle enhet

k etterfølgerindeks for den aktuelle enhet j med link

Wjkfra j til k

Andre metoder for trening av nervenett vil være kjent for de fagkyndige på området. Slike andre metoder er ment å være innenfor rammen av den foreliggende oppfinnelse.

I en alternativ utførelsesform av oppfinnelsen blir et andre sett av NN-nett trenet med sikte på å invertere de borehullkorrigerte målinger. Et slikt NN-nett er omtalt i US-patent nr. 6.044.325 utstedt til Chakravarty m.fl. og som har den samme søker som den foreliggende oppfinnelse og hvis innhold herved i sin helhet inntas ved referanse. Det andre NN-nettet kan også være i borehullverktøyet eller kan bli plassert oppfor borehullet. Som angitt i '325-patentet er nervenettmodellen som foretrekkes i denne oppfinnelsen, kjent som radial-basis-funksjon (RBF) på grunn av den relativt høye treningshastighet og nøyaktighet. Et RBF-nett omfatter 3 "lag" av enheter eller nevroner: input-laget, det skjulte (eller RBF-) laget og utgangslaget. Når en input-vektor x blir presentert til nettet, responser nettet med en utgangsvektor y. Nettutdataen er bare en lineær sum av visse radialt symmetriske funksjoner. Vanligvis er x og y angitt som:

hvor:

G representerer en radialt symmetrisk funksjon, vanligvis en gaussisk funksjon,

Xjrepresenterer massepunktet av den j. RBF og er gjennom-snittsverdien av den "Gaussian",

Oj representerer den gaussiske bredden og

R er vektoren for Rj.

W representerer en koeffisientvektor for vektene for de gaussiske funksjoner.

De fagkyndige på området vil kunne finne på andre utførelsesformer av denne oppfinnelse som ikke avviker fra oppfinnelsens ramme slik den er beskrevet her. Oppfinnelsen skal følgelig bare begrenses av de vedføyde patentkrav.

Claims (23)

1. Fremgangsmåte for bestemmelse av en rekke parametere av interesse for en undergrunnsformasjon i nærheten av et borehull,karakterisert vedfølgende trinn: (a) bruk av en prosessor omfattende en forovermodelleringsalgoritme for verktøyresponser til å utlede parametere fra minst ett nervenett som er konstruert for å utføre borehullkorreksjoner av resistivitetsmålinger, (b) transportering av et loggeverktøy inn i borehullet og frembringing derfra av verktøyresponser som betegner parametrene av interesse, idet målingene omfatter borehulleffekter, og (c) bruk av det minst ene nervenett med de utledete parametere for å påføre borehullkorreksjonene til verktøyresponsene i trinn (b) for derved å frembringe minst én borehullkorrigert verktøyrespons.

2. Fremgangsmåte ifølge krav 1, der loggeverktøyet er et resistivitetsloggeverktøy.

3. Fremgangsmåte ifølge krav 2, der parameteren av interesse er i det minste en av følgende: (i) en horisontal resistivitet i formasjonen, (ii) en vertikal resistivitet i formasjonen, og (iii) en helling i formasjonen.

4. Fremgangsmåte ifølge krav 2, der forovermodelleringsalgoritmen omfatter effekter for grunnmodellparametere omfattende i det minste en av følgende: (i) en horisontal resistivitet i formasjonen, (ii) en vertikal resistivitet i formasjonen, (iii) en resistivitet for en invadert sone i formasjonen, (iv) en resistivitet for en overgangssone i formasjonen, (v) en slamresistivitet i borehullet, (vi) en lengde på en invadert sone i formasjonen, (vii) en lengde på en overgangssone i formasjonen, (viii) en borehullsdiameter, (ix) en måleverktøyavstand i forhold til borehullaksen, og (x) en lagtykkelse i formasjonen.

5. Fremgangsmåte ifølge krav 4, der utleding av parametrene fra det minst ene nervenett videre omfatter trening av det minst ene nervenett og verifisering av det minst ene nervenett.

6. Fremgangsmåte ifølge krav 5, der trening av det minst ene nervenett videre omfatter følgende trinn: (i) bruk av modelleringsalgoritmen for å frembringe et først flertall av verktøyresponsverdier som omfatter borehullparametere for et treningsmønster for grunnmodellparametere, (ii) bruk av modelleringsalgoritmen for å frembringe et annet flertall av verktøyresponsverdier som utelukker borehullparametere for treningsmønsteret for grunnmodellparametere, (iii) å bruke som input for det minst ene nervenett det første flertallet av verktøyresponsverdier og minst én av borehullparametrene, (iv) å bruke det andre flertallet av verktøyresponsverdier som en ønsket utdata for det minst ene nervenett, og (v) tilpassing av parametere for det minst ene nervenett for å redusere en differanse mellom en aktuell utdata for det minst ene nervenett og den ønskede utdata for det minst ene nervenett for derved å gi minst ett trenet nervenett.

7. Fremgangsmåte ifølge krav 6, der verifisering av det minst ene nervenett videre omfatter følgende trinn: (A) bruk av modelleringsalgoritmen for å frembringe et tredje flertall av verktøyresponsverdier som omfatter borehullparametere for et testmønster for grunnmodellparametere, hvor testmønsteret er forskjellig fra treningsmønsteret, (B) bruk av modelleringsalgoritmen for å frembringe et fjerde flertall av verktøyresponsverdier omfattende borehullparametere for testmønsteret for grunnmodellparametere, (C) å bruke som input for det minst ene nervenett det tredje flertallet av verktøyresponsverdier og den minst ene borehullparameter, (D) å bruke det fjerde flertallet av verktøyresponsverdier som en ønsket utdata for det minst ene nervenett, og (E) bestemmelse av en differanse mellom en aktuell utdata for det minst ene nervenett og den ønskede utdata for det minst ene nervenett, og verifisering av det minst ene nervenett hvis differansen er mindre enn en forutbestemt verdi.

8. Fremgangsmåte ifølge krav 6, der den minst ene borehullparameter velges fra gruppen omfattende (i) en slamresistivitet, (ii) en borehullsdiameter og (iii) en verktøyavstand.

9. Fremgangsmåte ifølge krav 6, der tilpassing av parametrene for det minst ene nervenett videre omfatter bruk av Hebbians regel, og påføring av et baklengspropageringstrinn.

10. Fremgangsmåte ifølge krav 2, der resistivitetsloggeverktøyet er et induksjonsloggeverktøy omfattende en rekke sendere og en rekke mottakere, og verktøyresponsene videre omfatter (i) en spenning som er målt av minst én av flertallet sendere og (ii) en spennings-dif f eranse mellom minst ett par av flertallet mottakere.

11. Fremgangsmåte ifølge krav 10, der flertallet sendere videre omfatter minst to antenner med sensitive retninger som er skrånet mot hverandre.

12. Fremgangsmåte ifølge krav 10, der flertallet mottakere videre omfatter minst to antenner med sensitive retninger som er skrånet mot hverandre.

13. Fremgangsmåte ifølge krav 2, der resistivitetsloggeverktøyet omfatter et propagerings-loggeverktøy omfattende en rekke sendere og en rekke mottakere, og verktøyresponsene videre omfatter relativ svekking og faseendring mellom par av mottakerne.

14. Fremgangsmåte ifølge krav 10, der induksjonsloggeverktøyet er tilpasset til å fungere ved et flertall av frekvenser.

15. Fremgangsmåte ifølge krav 13, der propagerings-loggeverktøyet er tilpasset til å fungere ved et flertall av frekvenser.

16. Fremgangsmåte ifølge krav 2, som videre omfatter invertering av de borehullkorrigerte verktøyresponser for derved å frembringe flertallet av parametere av interesse.

17. Fremgangsmåte ifølge krav 2, der flertallet av parametere av interesse omfatter borehullkorrigerte resistivitetsmålinger, idet fremgangsmåten videre omfatter bruk av en prosessor omfattende minst ett ytterligere nervenett som er konstruert for å invertere de borehullkorrigerte resistivitetsmålingene og for å oppnå derifra en invertert modell omfattende minst ett lag og minst én av følgende: (i) en tykkelse, (ii) en horisontal konduktivitet, (iii) en anisotropisk parameter, (iv) en hellingsvinkel, og (v) en asimut for det minst ene laget.

18. Fremgangsmåte ifølge krav 17, der det minst ene ytterligere nervenett videre omfatter en radial-basis-funksjonsmodell.

19. Fremgangsmåte ifølge krav 17, som videre omfatter trening og verifisering av det minst ene ytterligere nervenett.

20. Fremgangsmåte ifølge krav 1, der utleding av parametrene fra det minst ene nervenett videre omfatter trening av det minst ene nervenett og verifisering av det minst ene nervenett.

21. Fremgangsmåte ifølge krav 20, der trening av det minst ene nervenett videre omfatter følgende trinn: (i) bruk av modelleringsalgoritmen for å frembringe et først flertall av verktøyresponsverdier som omfatter borehullparametere for et treningsmønster for grunnmodellparametere, (ii) bruk av modelleringsalgoritmen for å frembringe et annet flertall av verktøyresponsverdier som utelukker borehullparametere for treningsmønsteret for grunnmodellparametere , (iii) å bruke som input for det minst ene nervenett det første flertallet av verktøyresponsverdier og minst én av borehullparametrene, (iv) å bruke det andre flertallet av verktøyresponsverdier som en ønsket utdata for det minst ene nervenett, og (v) tilpassing av parametere for det minst ene nervenett for å redusere en differanse mellom en aktuell utdata for det minst ene nervenett og den ønskede utdata for det minst ene nervenett for derved å gi minst ett trenet nervenett.

22. Fremgangsmåte ifølge krav 21, der verifisering av det minst ene nervenett videre omfatter følgende trinn: (A) bruk av modelleringsalgoritmen for å frembringe et tredje flertall av verktøyresponsverdier som omfatter borehullparametere for et testmønster for grunnmodellparametere, hvor testmønsteret er forskjellig fra treningsmønsteret, (B) bruk av modelleringsalgoritmen for å frembringe et fjerde flertall av verktøyresponsverdier som utelukker borehullparametere for testmønsteret for grunnmodellparametere, (C) å bruke som input for det minst ene nervenett det tredje flertallet av verktøyresponsverdier og den minst ene borehullparameter, (D) å bruke det fjerde flertallet av verktøyresponsverdier som en ønsket utdata for det minst ene nervenett, og (E) bestemmelse av en differanse mellom en aktuell utdata for det minst ene nervenett og den ønskede utdata for det minst ene nervenett, og verifisering av det minst ene nervenett hvis differansen er mindre enn en forutbestemt verdi.

23. Fremgangsmåte ifølge krav 21, der tilpassing av parametrene for det minst ene nervenett videre omfatter bruk av Hebbians regel, og påføring av et baklengspropageringstrinn.