专利名称：一种随钻岩性和油藏特性识别方法
技术领域：
本发明涉及石油钻井过程中随钻录井和测量技术,特别涉及钻具应力波 检测与分析技术。
背景技术：
常规地质录井中地质分层、卡准层位和进行岩屑描述，主要是根据钻时、 岩屑样品以及气测值来进行的。但对于地层中出现的薄层和夹层岩性，在非 加密取样间隔或取心情况下，我们往往不能将它准确描述出来，况且砂样中 的掉块及地质师的经验都会造成岩屑描述的失真，进而使岩屑描述的剖面符合率降低。随着PDC钻头的大量使用，钻井速度大幅提高，但由于PDC钻头 的工作原理与传统的牙轮钻头不同，给岩屑录井带来诸多问题，从岩屑颗粒 上鉴别岩性成为困难。目前，国外录井技术中有采用电磁波和光缆的方案， 但都不能很好地直接反映地层方面的有关信息。在旋转钻井中，由于钻头与地层的作用，振动是不可避免的，钻头的破 岩作用使岩石在破碎时产生声波发射现象。这实际上是岩石应变能以弹性波 方式快速释放，其中一部分能量通过钻具作为传播介质以微振动的方式传至 地面。在这种看似杂乱无章的振动声波信号中，包含着大量的岩性和油藏流 体特性，过去一直被人们忽略。钻具应力波的来源很广泛，诸如钻头的转动、岩石的破碎、钻具与地层 的接触，但我们所关心的是那些能够反应地层信息的应力波。使用PDC钻头 时，由于它无牙轮、齿小，反映到地面的振动特性相对牙轮钻头较弱，给分 析判断增加了难度。因此，钻具振动录井技术的关键是振动声波信号的采集 和分析。发明内容为解决上述问题，本发明的目的是提供一种随钻岩性和油藏特性识别方 法，对振动声波信号进行检测和过滤，提取地层信息，通过消噪及频谱分析， 获得岩性和油藏流体特性。为实现上述目的，本发明采用以下技术方案一种随钻岩性和油藏特性识别方法，包括以下步骤步骤①、在地面建立数据分析软硬件设备，该数据分析软硬件设备由数 字滤波器、无线数据接收单元、人工神经网络和专家系统组成；数字滤波器由三级组成，第一级为功率谱分析单元，第二级为小波变换单元，第三级为傅立叶变换单元；步骤②、安装振动信号测量设备，该振动信号测量设备安装在油井口的 钻柱顶部或安装在井下测量装置中，该振动信号测量设备由振动传感器、模 拟滤波器、高保真放大器、数据采集单元和无线数据发送单元组成，振动传 感器用于接收钻头与地层岩石相互作用时产生的振动声波信号；步骤③、振动传感器将接收到的振动声波信号传递到模拟滤波器中，该 模拟滤波器是一个带通滤波器，其带通范围是1千赫兹一IO千赫兹；步骤④、该模拟滤波器将振动声波信号中低于1千赫兹的频段和高于10 千赫兹的频段滤除，将包含了地层信息的有用频带，即1千赫兹一IO千赫兹 输送给高保真放大器进行放大；步骤⑤、高保真放大器将振动声波信号放大增强后，由数据采集单元获 取并输送给无线数据发送单元，它将数据以无线方式传输给地面数据分析软 硬件设备中的无线数据接收单元，无线数据接收单元将收到的振动声波信号 送给数字滤波器的第一级功率谱分析单元中进行功率谱分析；步骤⑥、功率谱分析单元对高保真放大器输送来的振动声波信号进行功 率谱计算，得出其功率谱密度，即振动声波信号的能量随着频率的分布情况; 然后将振动声波信号的功率谱密度输送给小波变换单元；步骤⑦、小波变换单元对振动声波信号的功率谱密度进行小波分解，选 择小波并确定分解层次为N，则噪声部分通常包含在高频中，然后对小波分 解的高频系数进行门限阈值量化处理，最后根据小波分解的第N层低频系数 和经过量化后的1 N层高频系数进行小波重构，达到消除噪声的目的，即抑 制信号的噪声，在实际信号中恢复真实信号；然后将真实信号输送给傅立叶 变换单元；步骤⑧、傅立叶变换单元将经过小波消噪恢复的真实信号进行傅立叶变 换,即将时域的信号变换到频域中进行分析，以傅立叶变换频谱图和能谱图展 开，并将谱线细化成若干频段，通过识别每一组谱线，确定各种岩性特征、 油藏流体特征。本发明有以下积极有益效果本方法在地面安装"数据分析软硬件设备"，从钻柱顶部或井下的"振动 信号测量设备"取得振动声波信号(钻具应力波)，通过模拟滤波器过滤出反 应地层信息的微弱信号，再通过数字滤波器从其中分离出反应岩性特征和油 藏流体特征的数据信号，通过人工网络和智能专家系统,转化为人们可直观识 别的信息。本方法涉及的振动声波信号主要包括两类，第一类是基于机械结构(钻 头类型、钻具组合等)、钻井参数(钻压、转速、泵压等)相关的振动声波信 号，这些振动声波信号能量大，容易受到施加措施和环境等因素的波动，而 且频率低， 一般在1千赫兹以下，它们不能直接反应地层岩性和油藏特性， 在本发明中视其为无用信号。4第二类是基于岩性和油藏特性的高频率信号， 一般在i千赫兹到io千赫兹或更高频率范围。但这些信号能量低，传到地面时，已经被噪声信号淹没, 不易被分离出来，必须经过特殊的数字信号处理才能获得，才能反应岩性和 油藏流体特性，本方法对井下的振动声波信号进行实时采样，由于振动声波 信号在激励、传输和检测过程中，可能不同程度地受到随机噪声的污染，特 别在小信号采集和测量中，噪声干扰显得尤其严重。因此，如何消除实际信 号中的噪声，从混有噪声的信号中提取有用信息是本方法得以实现的关键之 一，由于傅里叶变换是一种全局变换，无法表述信号的时域局部性质，而这 种性质恰恰是非平稳随机信号最根本和最关键的性质。为此，本方法采用小波变换消除噪声，小波变换有如下性质小波变换是一个满足能量守恒方程的线性运算，它把一个信号分解成对 空间和尺度(即时间和频率)的独立贡献，同时又不失原信号所包含的信息；小波变换相当于一个具有放大、縮小和平移等功能的数学显微镜，通过 检查不同放大倍数下信号的变化来研究其动态特性；小波变换不一定要求是正交的，小波基不惟一。小波函数系的时宽-带宽 积很小，且在时间和频率轴上都很集中，即展开系数的能量很集中；小波变换巧妙地利用了非均匀的分辨率，较好地解决了时间和频率分辨 率的矛盾；在低频段用高的频率分辨率和低的时间分辨率(宽的分析窗口)， 而在高频段则用低的频率分辨率和高的时间分辨率(窄的分析窗口)，这与时 变信号的特征一致；小波变换将信号分解为在对数坐标中具有相同大小频带的集合，这种以 非线性的对数方式而不是以线性方式处理频率的方法对时变信号具有明显的 优越性；小波变换是稳定的，是一个信号的冗余表示。由于信号是连续变化的， 相邻分析窗的绝大部分是相互重叠的，相关性很强；小波变换同傅立叶变换一样，具有统一性和相似性，其正反变换具有完 美的对称性。小波变换具有基于巻积和QMF的塔形快速算法。本发明还使用了人工神经网络和专家系统，在线提供工实时的地层分析 和诊断方法。人工神经网络的特点和优越性，主要表现在三个方面第一，具有自学习功能。例如实现图像识别时，只要先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能， 慢慢学会识别类似的图像。第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。^第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往 需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发 挥计算机的高速运算能力，可能很快找到优化解。而且具有稳定性、收敛性, 由于振动声波信号是随钻过程中产生的，所以本发明的方法不但可以应用于牙轮钻头，也可以应用于PDC的钻头。这种振动声波信号不但可以在井 下测量工具中拾取，也可以在钻柱顶部安装振动测量卡箍获取。应用领域包括,随钻给出地层岩性界面分层信息；水平井油层着陆和地质 导向；探测传统方法容易漏掉的簿油层；准确定位油藏分布信息。可以应用 于井下随钻测量(MDW)井下随钻录井(LWD)技术。
图l是本发明的原理框图；图2是岩性特性曲线示意图。图3是油藏特性曲线示意图。
具体实施方式
请参照图1，本发明是一种随钻岩性和油藏特性识别方法，包括以下步骤: 步骤①、在地面建立数据分析软硬件设备，该数据分析软硬件设备由数字 滤波器、无线数据接收单元、人工神经网络和专家系统组成；数字滤波器由三 级组成，第一级为功率谱分析单元，第二级为小波变换单元，第三级为傅立 叶变换单元。步骤②、安装振动信号测量设备，该振动信号测量设备安装在油井口的 钻柱顶部或安装在井下测量装置中，该振动信号测量设备由振动传感器、模 拟滤波器、高保真放大器、数据采集单元和无线数据发送单元组成，振动传 感器用于接收钻头与地层岩石相互作用时产生的振动声波信号；这些振动声波信号可以在井下收集，也可以在钻柱顶部通过振动测量设 备收集，因为钻柱的刚性决定了它是一个振动声波的良导体。步骤③、振动传感器将接收到的振动声波信号传递到模拟滤波器中，该 模拟滤波器是一个带通滤波器，其带通范围是1千赫兹一IO千赫兹；步骤 、该模拟滤波器将振动声波信号中低于1千赫兹的频段和高于10 千赫兹的频段滤除，将包含了地层信息的有用频带，即1千赫兹一10千赫兹 输送给高保真放大器进行放大；包含了地层信息的振动声波信号是极其微弱 的,因而要进行放大，增强信号的能量，防止其快速衰减。步骤⑤、高保真放大器将振动声波信号放大增强后，由数据采集单元获 取并输送给无线数据发送单元，它将数据以无线方式传输给地面的数据分析 软硬件设备中的无线数据接收单元，无线数据接收单元将收到的振动声波信 号送给数字滤波器的第一级功率谱分析单元中进行功率谱分析；包含了地层信息的振动声波信号是及其微弱的，可以说是淹没在噪声中， 因此要在数字滤波器中进一步处理。由于井下传至地面的振动声波信号是非平稳随机信号，随机信号是时域 无限信号，不具备可积分条件，不能直接进行傅立叶变换，只能先进行功率6谱分析计算，功率谱具有单位频率的平均功率量纲，标准叫法是功率谱密度。 通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。功率 谱密度分解来看就是说，观察对象是功率，观察域是谱域，通常指频域，密 度，就是指观察对象在观察域上的分布情况。简单地说就是某个随机过程 从统计的角度看其功率在各个频率点上分布情况；非平稳随机过程的功率谱密度可以看作是每一个可能实现的功率谱的统计平均。之所以不能简单的用 傅立叶变换变到频率域是因为，随机过程在每一个时刻都可能有一个不同的 实现，就是说在每个时刻都表现为互不相同的时间函数，因此不能简单的用傅立叶变换变到频率域；步骤⑥、功率谱分析单元对高保真放大器输送来的振动声波信号进行功率谱计算，得出其功率谱密度，即振动声波信号的能量随着频率的分布情况; 然后将振动声波信号的功率谱密度输送给小波变换单元；功率谱的计算有以下几种方法第 一 种为布拉克 一 杜开 (Blackman—Tukey)法。这种方法首先根据原始信号计算出相关函数，然后 进行傅立叶变换而得到相应的功率谱函数；第二种是采用模拟分析仪进行分 析计算的一种方法；第三种是库立一杜开(Cooley—Tukey)法，即用FFT计 算功率谱。前两种方法是较早采用的方法。由于计算机的飞速发展，用FFT 算法进行实时、在线信号处理已经成为现实，本发明采用FFT算法:该算法可 通过Matlab软件实现。步骤⑦、小波变换单元对振动声波信号的功率谱密度进行小波分解，选 择小波并确定分解层次为N，则噪声部分通常包含在高频中，然后对小波分 解的高频系数进行门限阈值量化处理，最后根据小波分解的第N层低频系数 和经过量化后的1 N层高频系数进行小波重构，达到消除噪声的目的，即抑 制信号的噪声，在实际信号中恢复真实信号；然后将真实信号输送给傅立叶 变换单元；为了更有效地处理非平稳随机信号，本方法将小波分析与傅立叶分析结 合起来，互相补充，小波变换是一种信号的时频分析，具有多分辨率的特点， 可以方便地从混有强噪声的信号中提取原始信号，小波变换的理论为现有技 术，利用Matlab软件在计算机上实现了信号的噪声消除，从混有噪声的实际 信号中提取了原始信号，小波消噪的方法一般有3种一、 强制消噪处理,该方法把小波分解结构中的高频部分全变成零，即把 高频部分全部消除，再对信号进行重构。此方法简单，消噪后信号也比较平 滑。二、 默认阈值消噪处理，在Matlab软件中利用ddencmp函数产生信号默 认阈值，然后利用wdencmp函数进行消噪处理。三、 给定软或硬阈值消噪处理在实际消噪处理过程中，阈值可通过经验 公式获得。本方法中小波消噪由Matlab软件实现:Matlab软件是Mathwork公司于71982年推出的一套高性能的数值计算可视化软件,可实现小波消噪的仿真。小波消噪对非平稳随机信号的噪声消除具有无可比拟的优点。由于振动 声波信号包含许多尖峰或突变部分，且噪声不是平稳的白噪声，对于这种信 号的消噪，传统的傅立叶(Fourior)分析显得无能为力。因为Fourior分析是 将信号变换到频域中进行分析，不能给出信号在某个时间点的变化情况，因 此信号在时轴上的任一突变都会影响信号的整个频谱。而小波分析能同时在 时频域中对信号进行分析，所以可有效区别信号中的突变部分和噪声，很好 地保留有用信号中的尖峰和突变部分。从而实现非平稳随机信号的消噪。而用Fourior分析进行滤波时，不能将有用信号的高频部分和由噪声引 起的高频干扰有效区分。因此小波分析方法对非平稳信号的消噪比Fourior分 析更加优越。小波变换是一种信号的时频分析方法，它具有多分辨率分析的特点，很 适合探测正常信号中夹带的瞬态反常现象并展示其成分，有效区分信号中的 突变部分和噪声，通过Matlab编制程序进行给定信号的噪声抑制和非平稳信号 的噪声消除，编程时可以采用Mallat算法，程序清单为现有技术。Mallat算法是便于计算机软件和硬件实现的快速离散算法。是Mallat在 Burt和Addson的图像分解和重构的塔式算法的启发下，根据多分辨率框架提 出的算法。按Mallat算法，我们可以把函数f(x)分解为不同频率通道的成分， 并把每一频率通道的成分按相位进行分解，频率越高，相位划分越细，频率 越低，相位划分越粗。Mallat算法完全是离散的，便于数值计算。步骤⑧、傅立叶变换单元将经过小波消噪恢复的真实信号进行傅立叶变 换，即将时域的信号变换到频域中进行分析，以快速傅立叶变换频谱图和能谱 图展开,并将谱线细化成若干频段，通过识别每一组谱线，确定各种岩性、油 藏流体特性。岩石是由多种矿物组成的集合体。每种矿物破碎时，均有其特定的破碎 应力和应变时间。矿物作连续性破碎时，其应力和应变时间的交替变化，表 现为外因钻具应力波的幅频特性。岩石破碎过程的信息，将反映在钻具应力 波频谱特性中，例如岩性胶结程度，油藏流体特性。地层变化具有灾变特性，随着沉积年代的不同，岩石的特性有所不同， 例如沉积岩，变质岩和火成岩等，泥岩，砂岩等都属于沉积岩类，由于它们 沉积的地质环境的差异性，岩石颗粒大小和胶结状态也不同，表现在硬度的 差异性。在钻头破岩时，它们的振动声波频率表现也有本制的区别，通过地 质学的多年研究和逆向工程，我们已经获得了各种岩性的振动声波频率特性 曲线，请参照图2，曲线a、 b代表页岩特性，曲线a、 b表现在频率2000Hz 上下，曲线c、 d代表砂岩特性，曲线c表现在频率2000Hz左右，但曲线d 却表现在7000 Hz附近，这种特性对不同的岩性具有不同表现，本发明就是 利用这种特点对岩性进行随钻识别。油藏大都存储于砂岩空隙之间，当油藏流 长期存储在砂岩中，使得砂 岩颗粒之间的胶结状态发生变化，表现在储层岩性的较非储层岩性在硬度上的松软，振动频率偏低。请参照图3，通过对照油藏特性曲线图，我们也可以 得知油藏的起点A， A点向B点转化，达到B点时，即油藏最大点后开始向 C点转化，表明油藏结束，开始转化为另一种岩性。岩性特征与岩石的胶结状态有直接关系，胶结松驰，表明岩性摩式硬度 级别低，反之亦然。通过频谱分析，可以找到岩性与硬度的对应的频率特性。 而油藏中流体的存在，使得油藏储层具有一条特殊的深度-频率曲线，这条曲 线可以直观地反应出油藏的流体特性。这种特性可以对水平井油藏着陆和水平井地质导向具有随钻直接的指导 作用，由于本发明采集的振动声波信号是钻头与地层的实时接触点，消除了 传统技术由于测量工具安装的位置而产生的盲区问题。步骤⑨、将傅立叶变换单元中获得的各种岩性特征、油藏流体特征输入 到人工神经网络和专家系统，与人工神经网络和专家系统预先通过逆向工程 获得的岩性或油藏流体特性对照或反演，进行自动辅助识别。人工神经网络(Artificial Neural Networks, 简写为ANNs)也简称为神 经网络(NNs)或称作连接模型(Connectionist Model),"人工神经网络是由 人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作 状态相应而进行信息处理。"将人工采集的岩性作为已知输出量，泥岩破碎带以上的谱线作为己知输 入量，对神经网络进行训练，从而取得本地区岩性特征，如岩性密度、孔隙 度，包括油藏流体特征的训练模型。利用该模型再去反演岩性或油藏流体特 性，取得岩性或油藏流体特性对照。实测岩性与模型演算结果符合率在95% 以上。现有技术中成熟的人工神经网络有BP误差反传神经网络，Hopfidd反 馈神经网络，BAM双向联想记忆神经网络，CMAC小脑神经网络，RBF径向 基函数神经网络，SOM自组织特征映射神经网络，CPN对偶传播神经网络， ART自适应谐振神经网络。本发明采用BP误差反传神经网络或ART自适应谐振神经网络。其中BP 算法或ART算法为现有技术，可以用VC++、 VB等软件编程实现。编程方法 和程序清单也为现有技术。人工神经网络有下几个突出的优点(1) 可以充分逼近任意复杂的非线性关系；(2) 所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很 强的鲁棒性和容错性；(3) 采用并行分布处理方法，使得快速进行大量运算成为可能；(4) 可学习和自适应不知道或不确定的系统；(5) 能够同时处理定量、定性知识。本方法中的功率谱分析和小波变换、傅里叶变换，可用时间序列分析软 件、数学软件或工程软件编程实现，如Matlab ， SAS， SPSS, Statisitcs, Splus、 VC++、 VB软件等，各种软件的编程方法和源代码为现有技术。
权利要求
1.一种随钻岩性和油藏特性识别方法，其特征是该方法包括以下步骤步骤①、在地面建立数据分析软硬件设备，该数据分析软硬件设备由数字滤波器、无线数据接收单元、人工神经网络和专家系统组成；数字滤波器由三级组成，第一级为功率谱分析单元，第二级为小波变换单元，第三级为傅立叶变换单元；步骤②、安装振动信号测量设备，该振动信号测量设备安装在油井口的钻柱顶部或安装在井下测量装置中，该振动信号测量设备由振动传感器、模拟滤波器、高保真放大器、数据采集单元和无线数据发送单元组成，振动传感器用于接收钻头与地层岩石相互作用时产生的振动声波信号；步骤③、振动传感器将接收到的振动声波信号传递到模拟滤波器中，该模拟滤波器是一个带通滤波器，其带通范围是1千赫兹-10千赫兹；步骤④、模拟滤波器将振动声波信号中低于1千赫兹的频段和高于10千赫兹的频段滤除，将包含了地层信息的有用频带，即1千赫兹-10千赫兹输送给高保真放大器进行放大；步骤⑤、高保真放大器将振动声波信号放大增强后，由数据采集单元获取并输送给无线数据发送单元，它将数据以无线方式传输给地面数据分析软硬件设备中的无线数据接收单元，无线数据接收单元将收到的振动声波信号送给数字滤波器的第一级功率谱分析单元中进行功率谱分析；步骤⑥、功率谱分析单元对高保真放大器输送来的振动声波信号进行功率谱计算，得出其功率谱密度，即振动声波信号的能量随着频率的分布情况；然后将振动声波信号的功率谱密度输送给小波变换单元；步骤⑦、小波变换单元对振动声波信号的功率谱密度进行小波分解，选择小波并确定分解层次为N，则噪声部分通常包含在高频中，然后对小波分解的高频系数进行门限阈值量化处理，最后根据小波分解的第N层低频系数和经过量化后的1～N层高频系数进行小波重构，达到消除噪声的目的，即抑制信号的噪声，在实际信号中恢复真实信号；然后将真实信号输送给傅立叶变换单元；步骤⑧、傅立叶变换单元将经过小波消噪恢复的真实信号进行傅立叶变换，即将时域的信号变换到频域中进行分析，以傅立叶变换频谱图和能谱图展开，并将谱线细化成若干频段，通过识别每一组谱线，确定各种岩性特征、油藏流体特征。
2. 如权利要求1所述的随钻岩性和油藏特性识别方法，其特征是它还包括以下步骤-步骤⑨、将傅立叶变换单元中获得的各种岩性特征、油藏流体特征输入 到人工神经网络和专家系统，与人工神经网络和专家系统预先通过逆向工程 获得的岩性或油藏流体特性对照或反演，进行自动辅助识别。
全文摘要
一种随钻岩性和油藏特性识别方法，包括以下步骤步骤①、建立数据分析软硬件设备，步骤②、安装振动信号测量设备，步骤③、振动传感器将振动声波信号传递给模拟滤波器，步骤④、模拟滤波器将信号中的无用频带滤除，将有用频带输送给高保真放大器；步骤⑤、高保真放大器将信号放大增强后传输给数字滤波器；步骤⑥、功率谱分析单元将信号的功率谱密度输送给小波变换单元；步骤⑦、小波变换单元对信号进行小波分解和重构，消除噪声，步骤⑧、傅立叶变换单元对恢复的真实信号以频谱图和能谱图展开，通过识别每一组谱线，确定各种岩性、油藏流体特征，本方法对振动声波信号进行检测和过滤，提取地层信息，通过消噪及频谱分析，获得岩性和油藏流体特性。
文档编号E21B49/00GK101575970SQ20081010616
公开日2009年11月11日 申请日期2008年5月9日 优先权日2008年5月9日
发明者岩 高 申请人:岩 高