用于在地质导向时预测流体类型的方法和系统与流程

背景技术：

1、地质导向可用于基于地质信息控制井筒，以将定向井筒保持在产油层内并使井筒的经济产量最大化。地质导向包括基于井下地质测井测量的结果而不是空间中的三维目标来对井筒进行有意的定向控制，该定向控制通常是为了将定向井筒保持在产油层内。在成熟地区，地质导向可用于将井筒保持在储层的特定部段中，以使气体或水突破最小化并使井筒的经济产量最大化。

2、技术可用于提供储层随钻测绘服务。这项服务允许“观察”储层30m深(例如，使用电阻率)，以在钻井时使井筒周围的地质结构(例如，地层边界、断层、流体接触等)以及钻头前方的地层可视化。通过将电阻率信息与随钻测井(lwd)测量相结合，可获得陆地井的实时信息，从而降低钻井风险。然而，基于电阻率的测量可能无法提供足够的对比度来区分储层中可能存在的不同类型的烃流体，诸如石油、天然气凝析液和/或天然气。因此，可钻探先导井以表征目标储层中的流体，并在假定目标中的流体组成保持不变的情况下对井筒进行地质导向。当钻井路径遇到储层中的断层和/或屏障时，这种假设可能是无效的，断层和/或屏障可能产生流体分隔。井筒中的流体变化可能对生产期间中的完井和流动保证产生影响。

3、可在流体实验室中收集并分析井下流体样本，以研究井剖面中的流体复杂性。然而，该过程很耗时，在大多数情况下需要数周至数月才能获得可靠的实验室结果。因此，在井下测量不显示不同类型的流体之间的可靠对比的许多情况下，操作者不具有可执行的流体信息来帮助作出地质导向决策。

技术实现思路

1、提供此技术实现要素：是为了介绍将在下面在详细描述中进一步描述的一系列概念。此发明内容并非旨在识别所要求保护的主题的关键或基本特征，也不旨在用作限制所要求保护的主题范围的辅助。

2、公开了一种用于预测流体性质的方法。该方法包括测量在井筒的地面处的泥浆气体的一个或多个测量的流体性质。该方法还包括测量在井筒的地面处的泥浆气体的一个或多个泥浆气体性质。该方法还包括使用一个或多个预训练的机器学习(ml)模型来预测一个或多个第一预测的流体性质。至少部分地基于一个或多个泥浆气体性质来预测一个或多个第一预测的流体性质。该方法还包括将一个或多个测量的流体性质与一个或多个第一预测的流体性质进行比较。该方法还包括响应于比较，而重新训练一个或多个预训练的ml模型以产生一个或多个重新训练的ml模型。

3、还公开了一种非暂时性计算机可读介质。该介质存储指令，这些指令在由计算系统的至少一个处理器执行时使计算系统执行操作。这些操作包括测量在井筒的地面处的泥浆气体的一个或多个测量的流体性质。该一个或多个测量的流体性质包括流体类型、流体组成、气-油比(gor)或它们的组合。该井筒是偏斜井筒或横向井筒。这些操作还包括测量在井筒的地面处的泥浆气体的一个或多个泥浆气体性质。一个或多个泥浆气体性质包括泥浆气体中的分子组成、泥浆气体的压力、泥浆气体的温度或它们的组合。这些操作还包括使用一个或多个预训练的机器学习(ml)模型来预测一个或多个第一预测的流体性质。至少部分地基于一个或多个泥浆气体性质来预测一个或多个第一预测的流体性质。一个或多个第一预测的流体性质包括流体类型、流体组成和gor。这些操作还包括执行一个或多个测量的流体性质与一个或多个第一预测的流体性质的第一比较。这些操作还包括响应于第一比较大于第一预定阈值，而重新训练一个或多个预训练的ml模型以产生一个或多个重新训练的ml模型。这些操作还包括使用一个或多个重新训练的ml模型来预测一个或多个第二预测的流体性质。一个或多个第二预测的流体性质包括流体类型、流体组成、gor或它们的组合。这些操作还包括执行一个或多个测量的流体性质与一个或多个第二预测的流体性质的第二比较。这些操作还包括响应于第二比较小于第一预定阈值，而确定对正在钻探井筒的井下工具的地质导向响应。

4、还公开了一种计算系统。该计算系统包括一个或多个处理器和一个存储器系统。存储器系统包括存储指令的一个或多个非暂时性计算机可读介质，这些指令在由一个或多个处理器中的至少一者执行时使计算系统执行操作。这些操作包括测量在井筒的地面处的泥浆气体的一个或多个测量的流体性质。一个或多个测量的流体性质包括流体类型、流体组成、气-油比(gor)或它们的组合。井筒包括偏斜井筒或横向井筒。这些操作还包括将一个或多个测量的流体性质与在先导井中测量的一个或多个对应的测量的流体性质进行比较。这些操作还包括将一个或多个测量的流体性质、一个或多个对应的测量的流体性质或它们的组合转换成经转换的数据格式。这些操作还包括测量在井筒的地面处的泥浆气体的一个或多个泥浆气体性质。一个或多个泥浆气体性质包括泥浆气体中的分子组成、泥浆气体的压力、泥浆气体的温度或它们的组合。这些操作还包括将一个或多个泥浆气体性质归一化以产生一个或多个归一化的泥浆气体性质。这些操作还包括使用一个或多个预训练的机器学习(ml)模型来预测一个或多个第一预测的流体性质。至少部分地基于一个或多个归一化的泥浆气体性质来预测一个或多个第一预测的流体性质。一个或多个第一预测的流体性质包括流体类型、流体组成、gor或它们的组合。这些操作还包括执行经转换的数据格式的一个或多个测量的流体性质与一个或多个第一预测的流体性质的第一比较。这些操作还包括响应于第一比较大于第一预定阈值，而重新训练一个或多个预训练的ml模型以产生一个或多个重新训练的ml模型。这些操作还包括使用一个或多个重新训练的ml模型来预测一个或多个第二预测的流体性质。一个或多个第二预测的流体性质包括流体类型、流体组成、gor或它们的组合。这些操作还包括执行经转换的数据格式的一个或多个测量的流体性质与一个或多个第二预测的流体性质的第二比较。这些操作还包括响应于第二比较小于第一预定阈值，而确定对正在钻探井筒的井下工具的地质导向响应。

技术特征：

1.一种用于预测流体性质的方法，所述方法包括：

2.如权利要求1所述的方法，其中所述一个或多个测量的流体性质和所述一个或多个第一预测的流体性质包括流体类型、流体组成、气-油比(gor)或它们的组合。

3.如权利要求1所述的方法，其中所述一个或多个测量的流体性质包括流体组成，并且其中所述流体组成包括具有六个或更多个碳的有机分子在所述泥浆气体中的相对量。

4.如权利要求1所述的方法，其中所述一个或多个泥浆气体性质包括所述泥浆气体中的分子组成、所述泥浆气体的压力、所述泥浆气体的温度或它们的组合。

5.如权利要求1所述的方法，其中当正在钻探所述井筒的井下工具处于所述井筒的偏斜部分或横向部分中时，测量所述一个或多个测量的流体性质和所述一个或多个泥浆气体性质。

6.如权利要求1所述的方法，其中响应于所述比较大于预定阈值而产生所述一个或多个重新训练的ml模型。

7.如权利要求1所述的方法，其还包括使用所述一个或多个重新训练的ml模型来预测一个或多个第二预测的流体性质，其中所述一个或多个第二预测的流体性质包括流体类型、流体组成、气-油比(gor)或它们的组合。

8.如权利要求7所述的方法，其还包括：

9.如权利要求1所述的方法，其还包括至少部分地基于所述一个或多个重新训练的ml模型来为正在钻探所述井筒的井下工具生成具有地质导向指令的信号。

10.如权利要求1所述的方法，其还包括至少部分地基于所述一个或多个重新训练的ml模型来对正在地下地层内钻探所述井筒的井下工具进行地质导向。

11.一种非暂时性计算机可读介质，其存储指令，所述指令在由计算系统的至少一个处理器执行时使所述计算系统执行操作，所述操作包括：

12.如权利要求11所述的非暂时性计算机可读介质，其还包括将所述一个或多个测量的流体性质转换成经转换的数据格式，其中将所述经转换的数据格式的所述一个或多个测量的流体性质与所述一个或多个第一预测的流体性质以及所述一个或多个第二预测的流体性质进行比较。

13.如权利要求11所述的非暂时性计算机可读介质，其中所述重新训练是使用组合数据集的第一部分来执行的，并且还包括使用所述组合数据集的第二部分来测试所述一个或多个重新训练的ml模型，其中所述组合数据集包括用于训练所述一个或多个预训练的ml模型的所述一个或多个测量的流体性质和一个或多个训练流体性质。

14.如权利要求13所述的非暂时性计算机可读介质，其中所述第一部分大于所述第二部分。

15.如权利要求11所述的非暂时性计算机可读介质，其还包括至少部分地基于所述地质导向响应而为所述井下工具生成具有地质导向指令的信号。

16.一种计算系统，其包括：

17.如权利要求16所述的计算系统，其中所述一个或多个预训练的ml模型包括针对所述流体类型的第一预训练的ml模型、针对所述流体组成的第二预训练的ml模型以及针对所述gor的第三预训练的ml模型。

18.如权利要求16所述的计算系统，其中所述重新训练是使用组合数据集的第一部分来执行的，并且其中所述组合数据集包括所述经转换的数据格式的所述一个或多个测量的流体性质以及用于训练所述一个或多个预训练的ml模型的一个或多个训练流体性质。

19.如权利要求18所述的计算系统，其还包括测试所述一个或多个重新训练的ml模型，包括：

20.如权利要求16所述的计算系统，其还包括至少部分地基于所述地质导向响应来向所述井下工具传输具有地质导向指令的信号。

技术总结一种用于预测流体性质的方法包括测量在井筒的地面处的泥浆气体的一个或多个测量的流体性质。所述方法还包括测量在井筒的地面处的泥浆气体的一个或多个泥浆气体性质。所述方法还包括使用一个或多个预训练的机器学习(ML)模型来预测一个或多个第一预测的流体性质。至少部分地基于一个或多个泥浆气体性质来预测一个或多个第一预测的流体性质。所述方法还包括将一个或多个测量的流体性质与一个或多个第一预测的流体性质进行比较。所述方法还包括响应于比较，而重新训练一个或多个预训练的ML模型以产生一个或多个重新训练的ML模型。技术研发人员：S·H·莫拉,M·皮萨拉特,M·克里斯滕森,I·德桑托,S·A·哈克受保护的技术使用者：斯伦贝谢技术有限公司技术研发日：技术公布日：2024/6/23