[發明專利]一種井下實時監測地層水污染程度的方法

有效

• 申請號: 202010713025.1
• 申請日: 2020-07-22
• 公開（公告）號: CN111794744B
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 楊玉卿;孔筍;張國強;左有祥;蔡建榮;吳樂軍;馮永仁;王顯南;褚曉冬;沈陽
• 申請（專利權）人: 中國海洋石油集團有限公司;中海油田服務股份有限公司
• 主分類號: E21B49/08
• 分類號: E21B49/08;E21B49/00
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 劉凱強;張奎燕

1.一種井下實時監測地層水污染程度的方法，所述方法包括如下步驟：

1)在水基泥漿條件下，對地層流體進行泵抽，同時使用信號探測器采集地層流體吸光度OD(t)；

在泵抽初期，所述信號探測器采集得到的所述地層流體吸光度為水基泥漿吸光度OD_wbm，水基泥漿吸光度OD_wbm為1450nm處的吸光度；

通過持續泵抽，所述地層流體吸光度隨時間變化而變化，此時所述地層流體包括所述地層水和所述水基泥漿；根據所述地層流體吸光度建立動態神經網絡模型，預測當所述地層流體為地層水時的吸光度，所述動態神經網絡模型的建立包括：選取(t-1)時刻的多個波長點的所述地層流體吸光度，經過歸一化處理后作為輸入層；選取t時刻1450nm波長點的所述地層流體吸光度作為輸出層，所述輸入層和所述輸出層樣本數量設為20個以上，建立動態神經網絡模型；并通過所述動態神經網絡模型得到當t時刻足夠大時的1450nm波長點的所述地層流體吸光度，即1450nm波長點的地層水吸光度OD_fw；

2)通過OD(t)、OD_wbm和OD_fw的差異對地層水和水基泥漿進行區分，計算得到地層水所在地層流體的分率η，進而實時監測地層水污染程度，計算方法如下：

設置ΔOD(t)，使得ΔOD(t)＝OD(t)-OD(t-1)(2)設置P(t)，使得

公式(2)中n的值為9；

之后，設置閾值φ₁和φ₂，φ₁的值為-0.05，φ₂的值為0.08；

最后，根據P(t)與閾值φ₁和φ₂的關系帶入下列公式；

當P(t)φ₁時，η(t)＝0(4)

當P(t)＞φ₂時

當φ₁P(t)＜φ₂時，

計算得到t時刻地層水所在地層流體的分率η(t)，(1-η(t))×100％即為地層水污染程度；

所述多個波長點包括第一波長點、第二波長點、第三波長點和第四波長點，所述第一波長點的取值為1380nm、所述第二波長點的取值為1420nm、所述第三波長點的取值為1500nm、所述第四波長點的取值為1620nm；

公式(5)中地層水的吸光度為預設值；

公式(6)中地層水的吸光度為神經網絡預測地層水吸光度。

2.根據權利要求1所述的井下實時監測地層水污染程度的方法，其中，所述歸一化處理使用公式(1)

式(1)中，S_i代表第i個點的吸光度值，為歸一化后的吸光度值；

i＝1,2,3,4，對應所述第一波長點、所述第二波長點、所述第三波長點和所述第四波長點。

3.根據權利要求1或2所述的井下實時監測地層水污染程度的方法，其中，所述建立動態神經網絡模型，包括以下步驟：

a)設置輸入層節點數為4，隱含層節點數為6，輸出層節點數為1；

d)選取S型雙曲正切函數作為隱含層神經元的激勵函數，選取S型對數函數輸出神經元的激勵函數；e)神經網絡訓練完成后，輸入歸一化處理后待測時刻t下地層流體吸光度中所述第一波長點、所述第二波長點、所述第三波長點和所述第四波長點的吸光度，預測OD(t+1)，……，OD(t+n)(n→∞)，得到的輸出得到純地層水的吸光度。

4.根據權利要求3所述的井下實時監測地層水污染程度的方法，其中，設置網絡參數，網絡迭代次數為2000次，期望誤差為0.0001；開始訓練網絡，當網絡迭代次數為2000次或學習達到期望誤差時，學習結束。

5.根據權利要求3所述的井下實時監測地層水污染程度的方法，其中，使用包含取樣探針、泵抽模塊、光源、光學窗口和光譜儀的裝置，實施所述井下實時監測地層水污染程度的方法。