基于井下光谱测量的流体类型识别方法、装置及取样仪制造方法及图纸

本发明专利技术公开了一种基于井下光谱测量的流体类型识别方法、装置及取样仪。该方法包括：获取流体样本训练数据，其中，流体样本训练数据包括：流体光谱数据及流体光谱数据对应的标注流体类型标签；根据流体样本训练数据对神经网络进行模型训练，得到流体类型识别模型；获取井下光谱测量装置测量的待识别流体的流体光谱数据；将流体光谱数据输入至流体类型识别模型进行井下流体类型识别，得到待识别流体对应的流体类型。本发明专利技术提供的方案，能够准确地识别出流体的类型，为进一步对光谱组成分析中消除水组分对油、气光谱的影响，更精确地分析油、气组成奠定坚实基础，从而降低作业风险和节省作业时间和成本。作业时间和成本。作业时间和成本。

【技术实现步骤摘要】
基于井下光谱测量的流体类型识别方法、装置及取样仪


[0001]本专利技术涉及勘探
，具体涉及一种基于井下光谱测量的流体类型识别方法、装置及取样仪。

技术介绍

[0002]油气储藏不但构造复杂而且所含流体性质迥异。储层流体通常可分为干气、湿气、贫凝析气、富凝析气、临界流体、挥发油、黑油、稠油和油砂(沥青)。油气生产过程中，温度和压力发生变化，可能会导致流体发生复杂的(气、液和固)相变化(即组成变化)。尤其是固体物质的生成(例如水合物、石蜡、沥青质、无机盐等的析出和沉淀)，会导致管线和生产设施的堵塞，严重影响油气生产。因此，储层原状流体性质对整个油气田勘探、开发和生产至关重要。然而，国内目前仅仅依靠地层测试器操作工程师和解释工程师的经验判断流体的类型，方法简单粗暴定性，识别准确率低，且所需时间长，不能本质上解决现场问题。

技术实现思路

[0003]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的基于井下光谱测量的流体类型识别方法、装置及取样仪。
[0004]根据本专利技术的一个方面，提供了一种基于井下光谱测量的流体类型识别方法，包括：
[0005]获取流体样本训练数据，其中，流体样本训练数据包括：流体光谱数据及流体光谱数据对应的标注流体类型标签；
[0006]根据流体样本训练数据对神经网络进行模型训练，得到流体类型识别模型；
[0007]获取井下光谱测量装置测量的待识别流体的流体光谱数据；
[0008]将流体光谱数据输入至流体类型识别模型进行井下流体类型识别，得到待识别流体对应的流体类型。
[0009]根据本专利技术的另一方面，提供了一种基于井下光谱测量的类型识别装置，包括：
[0010]第一获取模块，适于获取流体样本训练数据，其中，流体样本训练数据包括：流体光谱数据及流体光谱数据对应的标注流体类型标签；
[0011]模型训练模块，适于根据流体样本训练数据对神经网络进行模型训练，得到流体类型识别模型；
[0012]第二获取模块，适于获取井下光谱测量装置测量的待识别流体的流体光谱数据；
[0013]识别模块，适于将流体光谱数据输入至流体类型识别模型进行井下流体类型识别，得到待识别流体对应的流体类型。
[0014]根据本专利技术的另一方面，提供了一种取样仪，包括：上述基于井下光谱测量的流体类型识别装置、井下光谱测量装置。
[0015]根据本专利技术的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
[0016]存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于井下光谱测量的流体类型识别方法对应的操作。
[0017]根据本专利技术的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于井下光谱测量的流体类型识别方法对应的操作。
[0018]本专利技术提供的方案，能够准确地识别出流体的类型，例如，识别出流体属于泥浆(乳化流体、或无效测量)、气、油、水、油
‑
水混合物、气
‑
水混合物，为进一步对光谱组成分析中消除水组分对油、气光谱的影响，更精确地分析油、气组成奠定坚实基础，从而降低作业风险和节省作业时间和成本。
[0019]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0020]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0021]图1A示出了根据本专利技术一个实施例的基于井下光谱测量的流体类型识别方法的流程示意图；
[0022]图1B为井下光谱测量原理示意图；
[0023]图1C为不同流体的近红外光谱图；
[0024]图1D为神经网络的示意图；
[0025]图1E为电缆地层测压取样仪(EFDT)的示意图；
[0026]图1F为随钻取样仪器(IFSA)的示意图；
[0027]图2示出了根据本专利技术一个实施例的基于井下光谱测量的流体类型识别装置的结构示意图；
[0028]图3示出了根据本专利技术一个实施例的计算设备的结构示意图。
具体实施方式
[0029]下面将参照附图更详细地描述本专利技术的示例性实施例。虽然附图中显示了本专利技术的示例性实施例，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。
[0030]图1A示出了根据本专利技术一个实施例的基于井下光谱测量的流体类型识别方法的流程示意图。如图1A所示，该方法包括以下步骤：
[0031]步骤S101，获取流体样本训练数据，其中，流体样本训练数据包括：流体光谱数据及流体光谱数据对应的标注流体类型标签。
[0032]具体地，在实验室和井下高温高压条件下，测量各种流体在各光谱通道的光谱图，本实施例以256个光谱通道为例，测量各流体在256个光谱通道的光谱图，需要说明的是，这
里并不限于256个光谱通道，其中，光谱图为吸光度随光谱通道的变化所形成的图。
[0033]流体类型可粗略分为：气、油、水、气
‑
水混合物、油
‑
水混合物、乳化物(泥浆，无效测量)；也可进一步细分为：干气、湿气、贫凝析气、富凝析气、近临界凝析气、近临界油、挥发油、黑油、稠油，水、干气
‑
水混合物、湿气
‑
水混合物、贫凝析气
‑
水混合物、富凝析气
‑
水混合物、近临界凝析气
‑
水混合物、近临界油
‑
水混合物、挥发油
‑
水混合物、黑油
‑
水混合物、稠油
‑
水混合物、乳化物(泥浆)等。在进行流体类型识别模型训练时，可以根据实际需要选择合适的流体类型进行训练。
[0034]针对不同的流体进行人工标注，可以得到标注流体类型标签，由此可以得到流体样本训练数据，其中，流体样本训练数据包括：流体光谱数据及流体光谱数据对应的标注流体类型标签。流体光谱数据包括：光谱通道及光谱通道对应的流体吸光度数据。吸光度(Optical Density)来表达物质对光的吸收能力。
[0035]其中，流体光谱数据进一步可以通过如下方法测量得到：井下光谱测量装置测量光源产生的光束穿过流体前各光谱通道对应的入射光强度及穿过流体后各光谱通道对应的透射光强度；根据入射光强度及透射光强度计算各光谱通道对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于井下光谱测量的流体类型识别方法，包括：获取流体样本训练数据，其中，所述流体样本训练数据包括：流体光谱数据及所述流体光谱数据对应的标注流体类型标签；根据所述流体样本训练数据对神经网络进行模型训练，得到流体类型识别模型；获取井下光谱测量装置测量的待识别流体的流体光谱数据；将所述流体光谱数据输入至所述流体类型识别模型进行井下流体类型识别，得到所述待识别流体对应的流体类型。2.根据权利要求1所述的方法，其中，在根据所述流体样本训练数据对神经网络进行模型训练之前，所述方法还包括：对所述流体样本训练数据进行预处理，得到预处理后的流体样本训练数据；对所述预处理后的流体样本训练数据进行降维处理；根据所述流体样本训练数据对神经网络进行训练，得到流体类型识别模型进一步包括：根据降维处理后的流体样本训练数据对神经网络进行模型训练，得到流体类型识别模型。3.根据权利要求1或2所述的方法，其中，所述根据所述流体样本训练数据对神经网络进行模型训练，得到流体类型识别模型进一步包括：根据所述流体光谱数据对神经网络进行模型训练，得到流体类型结果；计算所述流体类型结果与所述标注流体类型标签之间的损失，得到模型损失函数，根据模型损失函数更新神经网络的模型参数；迭代执行上述步骤，直至迭代次数达到预设迭代次数，和/或，所述模型损失函数的输出值小于预设阈值，得到流体类型识别模型。4.根据权利要求1或2所述的方法，其中，所述流体光谱数据包括：光谱通道及所述光谱通道对应的流体吸光度数据。5.根据权利要求4所述的方法，其中，井下光谱测量装置测量的待识别流体的流体光谱数据进一步包括：井下光谱测量装置测量光源产生的光束穿过待...

【专利技术属性】
技术研发人员：孔笋，沈阳，左有祥，褚晓冬，余强，周明高，贾奇勇，
申请(专利权)人：中海油田服务股份有限公司，
类型：发明
国别省市：