Оценка интервала глубин ствола скважины по фрагментам породы

Изобретение относится к способу и системе оценки интервала глубин ствола скважины по фрагментам пород. Техническим результатом является повышение эффективности оценки интервала глубин ствола скважины по фрагментам пород. Способ включает преобразование измерений для образца фрагментов породы в массе и множества образцов отдельных фрагментов породы в процент концентрации, вычисление нормализированного отклонения для каждого из множества образцов отдельных фрагментов породы относительно образца фрагментов породы в массе, при этом указанное нормализированное отклонение получают из процента концентрации в образцах фрагментов породы в массе и в образцах отдельных фрагментов породы, ранжирование множества образцов отдельных фрагментов породы на основании соответствующего нормализированного отклонения, выбор одного или более образцов отдельных фрагментов породы из множества образцов отдельных фрагментов породы на основании соответствующего ранжирования, оценку свойств интервала глубин ствола скважины, из которого происходят образцы фрагментов породы в массе и образцы отдельных фрагментов породы, посредством измеренных свойств по меньшей мере некоторых из выбранных одного или более образцов отдельных фрагментов породы и представление пользователю оцененного интервала глубин ствола скважины. 2 н. и 15 з.п. ф-лы, 6 ил.

 

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННУЮ ЗАЯВКУ

Настоящая заявка претендует на приоритет предварительной заявки США № 61/845272 под названием “Method for Characterizing a Wellbore Depth Interval from Rock Fragments”, поданной 11 июля 2013 г. от заявителей Joel Walls, Bryan Guzman, Michael Foster, Jonas Toelke Venkata Ajay Gundepalli, которая посредством ссылки включена в настоящую заявку.

Уровень техники

В нефтедобывающей отрасли выполняют бурение скважин для доступа к подземным нефтеносным пластам. Часто существует необходимость в выполнении оценки формаций, в которые попадают стволы скважин. Например, такая оценка облегчает определение количества и доступности углеводородов в нефтесодержащих породах. Тем не менее может быть трудно выполнить такую оценку, в частности, когда невозможно ввести соответствующие инструменты в ствол скважины и/или получить образец керна.

Было бы желательно выполнить оценку проникающих формаций, в которые попадают стволы скважин, на основе фрагментов породы, полученных в ходе самого процесса бурения. Предпочтительно, такой процесс преодолевает определенные препятствия, например фрагменты обязательно значительно мельче, чем образцы керна, только лишь статистически связанные с заданными интервалами ствола скважины, и подвергаются загрязнению буровым раствором при вымывании их из ствола скважины.

КРАТКОЕ ОПИСАНИЕ ГРАФИЧЕСКИХ МАТЕРИАЛОВ

Лучшее понимание различных раскрытых вариантов осуществления будет достигнуто при изучении следующего подробного описания вместе с прилагаемыми графическими материалами, на которых:

фиг. 1 – схематическое изображение иллюстративной буровой установки;

фиг. 2 – изображение иллюстративного разделителя образцов;

фиг. 3 – изображение иллюстративного портативного микроволнового устройства рентгенофлуоресцентного анализа;

фиг. 4 – блок-схема, показывающая иллюстративный способ оценки интервала глубин ствола скважины по фрагментам пород;

фиг. 5 – блок-схема компьютерной системы, подходящей для применения по меньшей мере части раскрытых способов в программном обеспечении;

фиг. 6 – пример нескольких иллюстративных диаграмм скважин, демонстрирующих свойства ствола скважины.

Следует понимать, что графические материалы и соответствующее подробное описание не ограничивают раскрытие, а наоборот, обеспечивают основу для понимания всех модификаций, эквивалентов и альтернатив, подпадающих под объем прилагаемой формулы изобретения.

ПОДРОБНОЕ ОПИСАНИЕ

В следующих абзацах описываются иллюстративные способы и системы для оценки интервала глубин ствола скважины по фрагментам пород. Сначала будут описаны иллюстративные буровые установки, затем буде описываться разделение фрагментов породы по меньшей мере на два образца, осуществляемое в ходе операций по бурению. Затем описана подготовка образцов фрагментов породы, после чего следует описание нескольких способов выполнения и объединения измерений образцов для получения оценки породы на предмет интервала глубин, из которого происходят образцы. Раскрытые способы также представлены в контексте иллюстративной системы и применяемого указанной системой программного обеспечения. Вместе система и программное обеспечение могут выполнять по меньшей мере часть раскрытых способов для оценки интересующего интервала глубин.

Раскрытые способы и системы будут наиболее понятны в контексте более крупных систем, в которых они применяются. Соответственно на фиг. 1 показана иллюстративная буровая установка. Буровая платформа 2 удерживает кран 4 с подвижным блоком 6 для поднятия и опускания бурильной колонны 8. Верхний привод 10 удерживает и вращает бурильную колонну 8 по мере ее опускания по устью скважины 12. Буровая головка 14 приводится в движение погружным двигателем и/или вращением бурильной колонны 8. По мере вращения головки 14 создается ствол скважины 16, проходящий через различные пластовые слои. Насос 18 обеспечивает циркуляцию бурового раствора 20 через питающую трубу 22, через внутреннюю часть бурильной колонны 8 к буровой головке 14. Раствор выходит через отверстия в буровой головке 14 и попадает вверх через затрубное пространство бурильной колонны 8 для транспортировки фрагментов породы или “буровой муки” на поверхность. На поверхности буровой раствор фильтруют для удаления фрагментов породы, и буровой раствор снова возвращают в нижнюю часть бурильной колонны 8 для возможности повтора процесса.

Фрагменты породы, отфильтрованные из бурового раствора, являются показателями интервала глубин пласта породы, из которого они происходят. Раскрытые способы выявляют один или более фрагментов породы, которые наилучшим образом представляют интервал глубин тысяч фрагментов породы, транспортируемых на поверхность. Описанные способы обеспечивают эффективную с точки зрения затрат возможность исследовать и оценить пласт, что дает достоверное представление об интересующих интервалах.

По меньшей мере в некоторых иллюстративных вариантах осуществления фрагменты породы доставляют в лабораторию еще в смеси с буровым раствором, который удаляют из фрагментов породы для более точного их анализа. После их очищения фрагменты породы из интервала делят по меньшей мере на две фракции (например, группы A и B). Эти фракции сохраняют сопоставимыми друг с другом таким образом, чтобы выполняемый с каждой фракцией анализ и соответствующие результаты также были сопоставимы (поскольку они происходят из одного и того же интервала глубин). Эта сопоставимость сохраняется путем применения разделителя образцов для разделения без смещения (например, универсальный мини-разделитель Гилсона из нержавеющей стали; в данной области техники известно еще множество разных разделителей, но они здесь не описаны), такой как разделитель 200, показанный на фиг. 2. В других иллюстративных вариантах осуществления дополнительные группы (например, группа C, группа D и т. д.) могут подвергаться дополнительному анализу бурового шлама в массе и отдельными фрагментами, как приведено ниже, осуществляемому дополнительно к анализу нижеописанных групп A и B.

Образец группы A подготавливают для анализа, например для проведения рентгенофлуоресцентного анализа РФА, путем измельчения образца в порошок и спрессовывания полученного порошка в пеллету, которую анализируют с применением портативного микроволнового устройства рентгенофлуоресцентного анализа, такого как устройство 300 РФА, показанное на фиг. 3, однако могут быть использованы и другие, непортативные устройства. При РФА анализе образец подвергают рентгеновскому излучению с короткой длиной волны, ионизируя атомы образца. Эта ионизация происходит вследствие испускания одного или более внутренних орбитальных электронов в атомах. Это создает нестабильность атома, и электроны верхних орбиталей попадают на нижние орбитали, испуская энергию в виде фотона. Таким образом, это поглощение и повторное испускание излучения известно как флуоресценция. Устройство РФА анализирует флуоресцентное излучение путем сортирования энергий фотонов (энергодисперсионный анализ) и/или путем выделения длин волн излучения (длинноволновой дисперсионный анализ). Из этого анализа может быть определен состав образца, поскольку интенсивность характерного излучения каждого элемента непосредственно зависит от количества такого элемента в образце.

Следует отметить, что несмотря на то, что описанные здесь примеры представлены в контексте РФА измерений и анализа, раскрытая комбинация анализа образцов в массе и анализа отдельных образцов не ограничена РФА измерениями и анализом. Многие другие методики измерения и анализа образцов, такие как рентгеновская дифракция (РД), инфракрасная спектроскопия с Фурье-преобразованием (Фурье-ИКС), спектроскопия возбуждения лазерным пробоем (СВЛП), спектроскопия рамановского рассеяния и/или любой другой тип электромагнитной спектроскопии, подходят для применения с описываемыми способами и системами, и все такие методики измерения и анализа подпадают под объем и суть настоящего раскрытия.

Для иллюстративных вариантов осуществления с применением РФА анализа образец группы A измельчали в порошок и помещали в форму для образца, а затем покрывали связующим порошком (например, борной кислоты, целлюлозы и т. д.). Форму помещали под пресс, спрессовывающий образец с использованием значительного давления (например, силой в 20 тонн), с образованием в результате однородной пеллеты. В другом иллюстративном варианте осуществления дополнительно или альтернативно могут быть изготовлены спеченные гранулы или пеллеты. Полученную пеллету анализировали, например, с применением устройства 300 РФА по фиг. 3 для определения химического состава образца. Устройство 300 РФА наводили на образец, активировали для облучения образца и измеряли полученные в результате переизлучение. Результат отображался на устройстве, как показано, и мог также быть передан на вычислительную систему для дальнейшей обработки, как будет более подробно обсуждаться далее. Результаты химического анализа пеллеты рассматривают как дающие представление о составе породы через интервал образца и считают результатами анализа в массе.

Образец группы B (полученный с того же интервала глубин, что и образец группы A) многократно отделяли разделителем образцов (устройством, обеспечивающим разделение фрагментов породы в образце без смещения) до тех пор, пока не осталось желаемое количество фрагментов породы (например, 20-30 фрагментов породы). Оставшиеся фрагменты породы размещали на плоской поверхности и закрепляли эпоксидной смолой. По меньшей мере в некоторых иллюстративных вариантах осуществления это закрепление выполняли в вакууме. Полученную в результате пластинку из эпоксидной смолы, содержащей фрагменты породы, шлифовали до тех пор, пока по меньшей мере одна поверхность каждого фрагмента породы не будет обработана крупной шлифовкой. Это позволило проанализировать каждую поверхность фрагмента породы с применением РФА-технологий. Как и с образцом в массе, и другие методики измерения и анализа, такие как описанные раньше, могут применяться для обработки фрагмента породы.

После выполнения измерений образцов как в группе A, так и в группе B измерения обрабатывают и конвертируют в процент концентрации, такой как весовой процент или объемный процент. В представленном иллюстративном варианте осуществления с РФА расчеты РФА обрабатываются с применением подходящего калибрования таким образом, чтобы расчеты могли быть преобразованы в весовые проценты элементов. Пример такого калибрования описан в работе “Mississippian Barnett Formation, Ft Worth Basin, Texas: Bulk Geochemical Inferences and Mo-TOC Constraints on the Severity of Hydrographic Restriction”, под авторством Rowe, Loucks, Ruppel и Rimmer, Chemical Geology 257 (2008) 16-25. На основании ожидаемых свойств пласта некоторым элементам может быть придано большее значение. После преобразования как образца, анализируемого в массе (группа A), так и образца отдельного фрагмента породы (группа B) в весовые проценты элементов образец отдельного фрагмента породы (группа B) можно сравнить с образцом, анализируемым в массе (группа A). По меньшей мере в некоторых иллюстративных вариантах осуществления вычисляют нормализированное отклонение весовых процентов элементов в образцах группы B относительно весовых процентов элементов в образце, анализируемом в массе, (см. далее примеры) посредством выбора основного элемента с применением описательной статистики, основанной на весовых процентах из анализа в массе. Отдельные фрагменты породы ранжируют на основе нормализированного отклонения, и два или более из этих фрагментов породы выбирают на основе их ранжирования.

После ранжирования выбранные фрагменты породы изображают с применением любой из многочисленных технологий, включая, кроме прочего, получение изображения посредством ахроматического света, получение изображения посредством рентгеновской литографии и получение изображения посредством рентгеновской компьютерной томографии. По меньшей мере в некоторых иллюстративных вариантах осуществления полученные изображения вместе с рангами образцов используют для выбора окончательных фрагментов породы, измеряемых для определения свойств породы, таких как, например, пористость, абсолютная и относительная проницаемость, эластичность, электрические свойства и т. д. Такие свойства можно оценить на основе нормализированного отклонения, при этом считается, что фрагмент породы с меньшим отклонением представляет типичные свойства породы для определенного интервала, а фрагменты породы с большим отклонением определяют диапазон свойств породы для этого интервала.

На фиг. 4 показана иллюстративная блок-схема вышеописанного способа, тогда как на фиг. 5 показана блок-схема компьютерной системы 5. Показаны как компоненты аппаратного обеспечения, так и компоненты программного обеспечения компьютерной системы 500, которая по меньшей мере в некоторых из иллюстративных вариантов осуществления применяет по меньшей мере часть оценки интервала глубин ствола скважины, показанной как метод 400 по фиг. 4 (подробно описанный ниже). Пользователь может взаимодействовать с компьютерной системой 500 посредством клавиатуры 534, указывающего устройства 535 (например, мышь) и дисплея 536 для конфигурирования, управления и отслеживания осуществления оценки интервала глубин ствола скважины.

В рамках подсистемы 530 обработки данных компьютерной системы 500 предусмотрены отображающий интерфейс 552, процессор 556, периферический интерфейс 558, устройство 560 хранения информации, сетевой интерфейс 562 и память 570. Шина 564 связывает все эти элементы друг с другом и осуществляет связь между ними. Сетевой интерфейс 562 позволяет осуществлять связь с другими системами (например, Интернет с центральным сервером баз данных, включающих каротажные данные по скважинам). В соответствии с вводом, осуществляемым пользователем и полученным посредством периферийного интерфейса 558 и программных команд из памяти 570 и/или устройства 560 хранения информации, процессор 556 обрабатывает вводимую от пользователя информацию и применяет ее к каротажным данным по скважинам для выполнения раскрытых здесь способов и предоставления результатов пользователю. Устройство 560 хранения может осуществляться с использованием любого количества известных постоянных носителей информации, включая, кроме прочего, магнитные диски, твердотельные запоминающие устройства и оптические диски для хранения данных.

Показано, что в память 570 по фиг. 5 загружены различные программные модули, при этом у процессора 556 есть доступ для выполнения каждого из них. Эти модули содержат модуль 572 пользовательского интерфейса, взаимодействующий с устройствами ввода/вывода, применяемыми пользователем для взаимодействия с системой 530 обработки данных; модуль 574 анализа, калибрующий и анализирующий данные для как образцов в массе (группа A), так и образцов отдельных фрагментов породы (группа B); модуль 576 нормализации, выполняющий вычисления нормализации; модуль 578 ранжирования и выбора, ранжирующий и выбирающий образцы отдельных фрагментов породы на основе нормализированных значений; модуль 580 оценки изображения, оценивающий изображения выбранных образцов отдельных фрагментов породы; модуль 582 свойств породы, определяющий характерные свойства породы и ранг свойств породы на основе выбранных образцов отдельных фрагментов породы; и модуль 584 представления, представляющий пользователю результаты способа 500. По меньшей мере в некоторых иллюстративных вариантах осуществления результаты представлены в графическом виде (например, как изображение различных горизонтов пласта породы в диапазоне глубин ствола скважины).

Далее, согласно обеим из фиг. 4 и 5, способ 400 начинают путем получения фрагментов породы для заданного интервала глубин из бурового раствора, извлеченного при бурении ствола скважины (блок 402). Буровой раствор удаляют из фрагментов породы, которые затем разделяют на две группы образцов без смещения (блок 404) с применением разделителя образцов, как было описано выше (например, 5 грамм группы A и 5 грамм группы B). Образец из группы A измельчают в порошок и формуют в пеллету для приготовления к анализу в массе (блок 406), и выполняют анализ в массе с применением спрессованной пеллеты (блок 408). Аналогично, многократно применяют разделитель образцов для уменьшения количества отдельных фрагментов породы без смещения в образце для группы B до получения желаемого количества фрагментов породы (например, 20-30 фрагментов породы), с заключением полученных фрагментов породы в эпоксидную смолу для формирования пластины с открытыми поверхностями фрагментов породы, как было описано ранее (блок 410). Затем производят отдельный анализ, подобный тому, который выполняют со спрессованной пеллетой, для каждого фрагмента породы в пластине из эпоксидной смолы (блок 412).

По меньшей мере в некоторых иллюстративных вариантах осуществления данные анализа, полученные в блоках 408 и 412, обрабатывают посредством компьютерной системы, такой как компьютерная система 500 на фиг. 5. Данные в массе и отдельные данные преобразуют в процент концентрации, например весовой процент, с применением методики калибрования, как было описано ранее (блок 414; модуль 574 преобразования). Полученные значения весовых процентов затем используют для вычисления для каждого отдельного фрагмента породы в группе B образцов нормализированного отклонения от весового процента относительно весового процента в массе группы A образцов (блок 416; модуль 576 нормализации). Следующие равенства являются примерами нормализированных отклонений, которые по меньшей мере в некоторых иллюстративных вариантах осуществления основаны на весовом проценте элементов:

(1)
(2)
(3),

где

N = количество рассматриваемых элементов или минералов,

Wi = весовой процент для элемента или минерала i в образце отдельных фрагментов породы,

Wib = весовой процент для элемента или минерала i в образце фрагментов породы в массе,

WY = весовой процент самого тяжелого элемента или минерала в образце фрагментов породы в массе, и

WX = весовой процент в образце отдельных фрагментов породы из множества отдельных фрагментов породы, соответствующий весовому проценту самого тяжелого элемента или минерала в образце фрагментов породы в массе.

Равенство (3), WY представляет весовой процент самого тяжелого элемента в образце фрагментов породы в массе, который остается постоянным для соответствующего интервала глубин, из которого взят образец. WX представляет весовой процент того же элемента, но на образце отдельных фрагментов породы, и этот весовой процент также остается постоянным для интервала глубин, из которого взят образец. Несмотря на то, что равенства (1)—(3) выражены через весовой процент элемента, в других иллюстративных вариантах осуществления равенства могут быть основаны на других весовых процентах, например, таких как минералогический весовой процент или общее количество органического углерода (ОКОУ), исключительно в качестве пары примеров, а также другие процентные значения концентрации, такие как объемные проценты. Другие виды данных, подходящих для применения в этих равенствах, будут очевидны специалистам в данной области, и все такие данные подпадают под объем настоящего раскрытия.

Вычисленные нормализированные отклонения обеспечивают основание для ранжирования фрагментов породы в образце группы B (блок 416; ранг/модуль 578 выбора) и выбора одного или более из фрагментов породы на основании ранжирования (блок 418; ранг/модуль 578 выбора). Например, по меньшей мере в некоторых иллюстративных вариантах осуществления один или более фрагментов породы с наименьшими нормализированными отклонениями (относительно группы образцов в массе) выбраны характеризующими породу, присутствующую в интервале глубин ствола скважины, из которого были взяты фрагменты в ходе бурения.

Выбранные фрагменты породы затем изображаются с применением любой из ряда технологий изображения (например, получение изображения посредством ахроматического света, получение изображения посредством рентгеновской литографии, получение изображения посредством рентгеновской компьютерной томографии и т. д.) для подтверждения пригодности фрагментов породы для измерения различных свойств породы (блок 420; модуль 580 оценки изображения). Примеры таких свойств, кроме прочего, включают пористость, абсолютную и относительную проницаемость, эластичность, электрические свойства. Пригодность выбранных образцов породы может быть подтверждена на основании, например, количества наблюдаемых пластов, так же как и размера и цвета образцов. Поврежденные образцы с большим количеством фрагментов могут приводить к сложности при изображении таких образцов посредством растрового электронного микроскопа (РЭМ). Также отношение размер/вид образца может влиять на подготовку образцов, и в результате предпочтительными являются более крупные образцы. Когда для получения изображения применяют ахроматический свет, цвет также может быть использован для выявления статистических отклонений, обеспечивая, таким образом, дополнительные критерии, определяющие пригодность выбранных фрагментов породы для измерения интересующих свойств.

Выбирают фрагменты породы, определенные как пригодные, и измеряют их свойства (блок 422; модуль 582 свойства породы). Свойства пригодных фрагментов породы с наименьшим нормализированным отклонением считают характеризующими свойства породы интервала глубин, с которого были взяты фрагменты породы, а свойства пригодных фрагментов породы с большими нормализированными отклонениями используют для характеристики ранга свойств породы указанного интервала глубин (блок 424; модуль 582 свойства породы). Полученные свойства представляются пользователю системы (блок 426; модуль 584 представления), например, посредством графического представления горизонтов пластов породы, через которые проходит ствол скважины, для иллюстрации различных типов породы и/или свойств породы на дисплее или в виде геофизической диаграммы, или путем представления диаграммы скважины для одного или более свойств ствола скважины (например, как показано на фиг. 6), что завершает способ 400 (блок 428). Таким образом, способ позволяет оценить свойства пласта породы посредством надлежащего отбора фрагментов породы, определяемых как наиболее характерные для интервала глубин, из которого они взяты, что позволяет масштабировать результаты анализа и применять их ко всему интервалу с высокой степенью достоверности.

Раскрытые способы и системы обеспечивают данные, описывающие свойства пластовой породы, что может применяться в помощь при оценке целевой зоны «пилотной» скважины и, для горизонтальных скважин, для подтверждения содержания в пределах целевой зоны до принятия окончательных решений. Раскрытые способы и системы могут обеспечить такую информацию для скважин, в которых данные, получаемые за счет каротажа во время бурения или от приборов по кабелю, недоступны, и могут предоставить дополнительные источники данных для осуществления оценки запасов (например, при использовании данных от растрового электронного микроскопа).

После полного изучения вышеприведенного описания специалистам в данной области техники будет понятно множество других модификаций, эквивалентов и альтернатив. Подразумевается, что следующие пункты формулы изобретения охватывают все такие модификации, эквиваленты и альтернативы, соответственно.

1. Способ оценки интервала глубин ствола скважины по фрагментам пород, при этом способ включает:

преобразование измерений для образца фрагментов породы в массе и множества образцов отдельных фрагментов породы в процент концентрации;

вычисление нормализированного отклонения для каждого из множества образцов отдельных фрагментов породы относительно образца фрагментов породы в массе, при этом указанное нормализированное отклонение получают из процента концентрации в образцах фрагментов породы в массе и в образцах отдельных фрагментов породы;

ранжирование множества образцов отдельных фрагментов породы на основании соответствующего нормализированного отклонения;

выбор одного или более образцов отдельных фрагментов породы из множества образцов отдельных фрагментов породы на основании соответствующего ранжирования;

оценку свойств интервала глубин ствола скважины, из которого происходят образцы фрагментов породы в массе и образцы отдельных фрагментов породы, посредством измеренных свойств по меньшей мере некоторых из выбранных одного или более образцов отдельных фрагментов породы; и

представление пользователю оцененного интервала глубин ствола скважины.

2. Способ по п. 1, отличающийся тем, что дополнительно включает идентификацию по меньшей мере нескольких из одного или более образцов отдельных фрагментов породы посредством изображения каждого из одного или более образцов отдельных фрагментов породы и анализа полученных изображений.

3. Способ по п. 2, отличающийся тем, что изображение выполняют с применением технологии изображения, выбранной из группы, состоящей из получения изображения посредством ахроматического света, получения изображения посредством рентгеновской литографии и получения изображения посредством рентгеновской компьютерной томографии.

4. Способ по п. 1, отличающийся тем, что дополнительно включает:

очищение фрагментов породы, происходящих из интервала глубин ствола скважины, и разделение очищенных фрагментов породы по меньшей мере на две группы образцов без смещения, при этом первая группа из двух групп образцов без смещения содержит образец фрагментов породы в массе, а вторая группа из двух групп образцов без смещения содержит множество образцов отдельных фрагментов породы;

измельчение в порошок фрагментов породы из образца фрагментов породы в массе и спрессовывание измельченных в порошок фрагментов породы в пеллету;

заключение множества образцов отдельных фрагментов породы в эпоксидную смолу для формирования пластины, удаление некоторого количества эпоксидной смолы и открытие части каждого множества образцов отдельных фрагментов породы; и

выполнение измерений для пеллеты и открытой части каждого из множества образцов отдельных фрагментов породы.

5. Способ по п. 1, отличающийся тем, что нормализированное отклонение вычисляют с использованием равенства, выбранного из группы, состоящей из , и ,

где N - количество рассматриваемых элементов или минералов,

Wi - весовой процент для элемента или минерала i в образце отдельных фрагментов породы,

Wib - весовой процент для элемента или минерала i в образце фрагментов породы в массе,

WY - весовой процент самого тяжелого элемента или минерала в образце фрагментов породы в массе, и

WX - весовой процент в образце отдельных фрагментов породы из множества образцов отдельных фрагментов породы, соответствующий весовому проценту самого тяжелого элемента или минерала в образце фрагментов породы в массе.

6. Способ по п. 1, отличающийся тем, что оцениваемый интервал глубин ствола скважины представляют пользователю как часть графического представления горизонтов пластов породы, через которые проходит ствол скважины, или как часть диаграммы скважины для одного или более свойств ствола скважины.

7. Способ по п. 1, отличающийся тем, что выполняемые измерения выбирают из группы технологий измерения, включающих рентгенофлуоресцентный анализ (РФА), рентгеновскую дифракцию (РД), инфракрасную спектроскопию с Фурье-преобразованием (Фурье-ИКС), спектроскопию возбуждения лазерным пробоем (СВЛП), спектроскопию рамановского рассеяния и электромагнитную спектроскопию.

8. Способ по п. 1, отличающийся тем, что процент концентрации включает весовой процент, включающий весовой процент элемента, минералогический весовой процент или общее количество органического углерода (ОКОУ).

9. Способ по п. 1, отличающийся тем, что процент концентрации включает объемный процент.

10. Система для оценки интервала глубин ствола скважины, содержащая:

память, содержащую программное обеспечение для централизации бурильной колонны; и

один или более процессоров, соединенных с памятью, при этом программное обеспечение обеспечивает выполнение одним или более процессорами:

преобразования измерений для образца фрагментов породы в массе и множества образцов отдельных фрагментов породы в процент концентрации;

вычисления нормализированного отклонения для каждого из множества образцов отдельных фрагментов породы относительно образца фрагментов породы в массе, при этом указанное нормализированное отклонение получено из процента концентрации в образцах фрагментов породы в массе и в образцах отдельных фрагментов породы;

ранжирования множества образцов отдельных фрагментов породы на основании соответствующего нормализированного отклонения;

выбора одного или более образцов отдельных фрагментов породы из множества образцов отдельных фрагментов породы на основании соответствующего ранжирования;

оценки свойств интервала глубин ствола скважины, из которого происходят образцы фрагментов породы в массе и образцы отдельных фрагментов породы, посредством измеренных свойств по меньшей мере некоторых из выбранных одного или более образцов отдельных фрагментов породы; и

представления пользователю оцененного интервала глубин ствола скважины.

11. Система по п. 10, отличающаяся тем, что программное обеспечение дополнительно обеспечивает идентификацию одним или более процессорами по меньшей мере нескольких из одного или более образцов отдельных фрагментов породы посредством изображения каждого из одного или более образцов отдельных фрагментов породы и анализа полученных изображений.

12. Система по п. 11, отличающаяся тем, что изображение выполнено с применением технологии изображения, выбранной из группы, состоящей из получения изображения посредством ахроматического света, получения изображения посредством рентгеновской литографии и получения изображения посредством рентгеновской компьютерной томографии.

13. Система по п. 10, отличающаяся тем, что нормализированное отклонение вычислено с использованием равенства, выбранного из группы, состоящей из , и ,

где N - количество рассматриваемых элементов или минералов,

Wi - весовой процент для элемента или минерала i в образце отдельных фрагментов породы,

Wib - весовой процент для элемента или минерала i в образце фрагментов породы в массе,

WY - весовой процент самого тяжелого элемента или минерала в образце фрагментов породы в массе, и

WX - весовой процент в образце отдельных фрагментов породы из множества образцов отдельных фрагментов породы, соответствующий весовому проценту самого тяжелого элемента или минерала в образце фрагментов породы в массе.

14. Система по п. 10, отличающаяся тем, что оцениваемый интервал глубин ствола скважины представлен пользователю как часть графического представления горизонтов пластов породы, через которые проходит ствол скважины, или как часть диаграммы скважины для одного или более свойств ствола скважины.

15. Система по п. 10, отличающаяся тем, что выполняемые измерения выбраны из группы технологий измерения, включающих рентгенофлуоресцентный анализ (РФА), рентгеновскую дифракцию (РД), инфракрасную спектроскопию с Фурье-преобразованием (Фурье-ИКС), спектроскопию возбуждения лазерным пробоем (СВЛП), спектроскопию рамановского рассеяния и электромагнитную спектроскопию.

16. Система по п. 10, отличающаяся тем, что процент концентрации включает весовой процент, включающий весовой процент элемента, минералогический весовой процент или общее количество органического углерода (ОКОУ).

17. Система по п. 10, отличающаяся тем, что процент концентрации включает объемный процент.



 

Похожие патенты:

Изобретение относится к исследованию скважин геофизическими методами и может найти применение при определении геомеханических параметров горных пород для выбора оптимальных участков при проведении гидравлического разрыва пласта (ГРП).

Изобретение относится к области биохимии, в частности к способу предсказания исхода рака молочной железы в положительной по рецептору эстрогена и отрицательной по HER2 опухоли у пациента с раком молочной железы, предусматривающему определение в образце опухоли от указанного пациента величины уровня экспрессии РНК генов UBE2C, BIRC5, DHCR7, STC2, AZGP1, RBBP8, IL6ST и MGP или генов UBE2C, RACGAP1, DHCR7, STC2, AZGP1, RBBP8, IL6ST и MGP, математическое комбинирование величин уровней экспрессии, где более высокий комбинированный показатель указывает на более худший прогноз у указанного пациента по сравнению с более низким комбинированным показателем.

Предложены способ и устройство для детектирования хромосомных структурных аномалий. Представленный способ включает сегментирование хромосомного образца от целевого индивидуума, то есть множество пар прочтений, расположенных с двух концов исследуемых хромосомных фрагментов; выравнивание результата секвенирования с референсной последовательностью для получения набора аномальных соответствий, причем набор аномальных соответствий включает пары прочтений, которые имеют две последовательности прочтений, соответствующие, соответственно, различным хромосомам референсной последовательности; кластеризацию последовательностей прочтений в наборе аномальных соответствий на основании соответствующих им положений; и фильтрацию получаемых в результате кластеров с использованием, например, заранее заданных требований, связанных с компактностью, и других требований; и получение отфильтрованных итоговых кластеров для определения наличия хромосомной структурной аномалии транслокационного типа.

Изобретение относится к области администрирования внешнего устройства. Техническим результатом является повышение надежности администрирования внешнего устройства посредством хост-устройства.

Изобретение относится к области статистического исследования больших массивов индивидуальных данных для административных, коммерческих, финансовых, управленческих, надзорных и прогностических целей.

Изобретение относится к биотехнологии. Описаны трансляторы на основе нуклеиновых кислот, способные осуществлять логические операции с улучшенной эффективностью, максимизированным выходом и сниженным побочным действием, в частности в биологической системе.

Группа изобретений относится к медицине, а именно к системе выбора и способу формирования данных выбора. Система выбора медицинских изображений для формирования данных выбора, содержащаяся на устройстве визуализации, и медицинская система обработки данных для выполнения последующего обследования пациента, содержащаяся на рабочей станции, содержат устройство и процессор для выполнения способа формирования данных выбора медицинских изображений, содержащего этапы, на которых: обеспечивают пользователю возможность устанавливать выбор одного или более медицинских изображений из множества медицинских изображений, содержащихся в системе архивации изображений, для установления одного или более медицинских изображений в качестве исходных изображений для использования при последующем обследовании пациента.

Изобретение относится к способам обработки цифровых данных для специальных применений в области прогнозирования и управления многопараметрическими процессами и сложными техническими системами и может быть использовано в ситуационных центрах различной предметной направленности, а также при оценивании устойчивости производства в условиях действия дестабилизирующих факторов технологического, технического и производственного характера, планировании и реализации программ развития вооружения и военной техники и прогнозировании военных конфликтов.

Изобретение относится к области медицины, в частности к способам исследования мозговой активности. Способ исследования мозговой активности включает функциональную МРТ регистрацию мозговой активности в процессе решения объектом исследования по меньшей мере трех задач, предназначенных для исследования определенных факторов с использованием различных стимулов, и получение серии изображений значений MP-сигнала во времени по каждой задаче, очистку полученных изображений от артефактов и приведение их к стандартному виду, формирование на основе обработанных изображений двумерной пространственно-временной матрицы значений интенсивностей (Z) МР-сигнала с нормализацией ее значений, при этом каждый столбец матрицы характеризует определенный воксель мозга, а каждая строка характеризует данные, полученные при очередном сканировании мозга в ходе решения объектом исследования определенной задачи, факторизацию полученной матрицы средствами факторного анализа, в процессе которой вычисляют матрицу коэффициентов корреляции R по всем строкам нормализованной матрицы интенсивностей, после чего определяют ее собственные значения и собственные вектора, на основе которых формируют матрицу факторных нагрузок (А), ортогональное вращение матрицы факторных нагрузок (А) и получение матрицы A(rot), характеризующей динамику каждого фактора во времени по каждой задаче, и содержательную интерпретацию факторов в качестве отдельных независимых элементарных психических процессов, задействованных при решении предъявленных задач, получение матрицы факторных значений Р на основе матрицы значений интенсивности (Z) и матрицы факторных нагрузок после вращения A(rot), которая характеризует локализацию каждого фактора в пространстве мозга и по которой судят о мозговом составе данной функциональной системы, обеспечивающих элементарные психические процессы, включенные в решение исходных задач, получение линейной математической модели, представляющей собой нейровизуализационную модель, отражающую сформированные функциональные мозговые системы, обеспечивающие выполнение человеком соответствующего ряда когнитивных задач.

Изобретение относится к области гидродинамического моделирования и может быть использовано для гидродинамического моделирования очага цунами. Сущность изобретения: строят гидродинамическую модель очага цунами с использованием прямого вычислительного эксперимента на основании макросейсмических аппроксимаций параметров подводного землетрясения.

Изобретение относится к способу управления добычей углеводородов при осуществлении наблюдения за коллектором с использованием данных о скученных изотопах, данных об инертных газах или сочетания данных о скученных изотопах и инертных газах.

Группа изобретений относится к обрабатывающим блокам и способам для взятия пробы из верхнего слоя морского дна, а также к плавучим суднам с такими обрабатывающими блоками.

Изобретение относится к исследованию скважин и может быть применено при проведении геологических исследований разрезов от параметрических и опорных до поисково-разведочных, наклонно-направленных и горизонтальных скважин.

Изобретение относится к устройствам для отбора проб. .

Изобретение относится к области нефтегазодобывающей промышленности и может быть использовано при определении типов специальных жидкостей, применяемых при бурении, разработке месторождений и капитальном ремонте скважин, позволяющих свести к минимуму ухудшение фильтрационной характеристики трещинных и трещинно-поровых коллекторов.

Изобретение относится к микробиологии и может быть использовано для определения адсорбции различными почвами патогенных микроорганизмов. .

Изобретение относится к устройствам для отбора проб несвязанных отложений морского дна при поверхностном их расположении и небольшой мощности опробуемого материала.

Изобретение относится к промыслово-геофизическим исследованиям скважин, а именно к устройствам для отбора проб пластовых флюидов из скважины на заданной глубине. .

Грунтонос // 2174597
Изобретение относится к инженерно-строительным изысканиям, в частности к устройствам для отбора монолитов глинистых грунтов, в т.ч. .

Изобретение относится к устройствам для отбора проб грунта. .

изобретение относится к вычислительной технике и технике релейной защиты, и предназначено для автоматизации процесса сбора информации о состоянии присоединений и выключателей объекта контроля и управления. Техническим результатом является повышение скорости приема-передачи информации в информационной сети системы, а также повышение надежности приема-передачи информации в многопроцессорной информационно-управляющей системе релейной защиты и автоматики. Технический результат достигается тем, что многопроцессорная информационно-управляющая система релейной защиты и автоматики содержит микропроцессорный преобразователь, N оптических сплиттеров, последовательно соединенных между собой волоконно-оптической линией связи посредством соединения первой группы входов-выходов b-го оптического сплиттера (где b=1…N-1) со второй группой входов-выходов (b+1) оптического сплиттера, а также N узлов связи и N устройств обработки, при этом информационный вход и выход микропроцессорного преобразователя соединены с третьей группой соответствующего оптического сплиттера, а информационные входы-выходы N узла связи соединены с третьей группой входов-выходов N оптического сплиттера, причем каждое устройство обработки содержит соответствующим образом соединенные между собой блок обработки и два узла сопряжения с магистралью, а микропроцессорный преобразователь содержит, соответствующим образом соединенные между собой, два усилителя, микропроцессор, элемент И, преобразователь электрических сигналов в оптические и преобразователь оптических сигналов в электрические. 3 ил.

Изобретение относится к способу и системе оценки интервала глубин ствола скважины по фрагментам пород. Техническим результатом является повышение эффективности оценки интервала глубин ствола скважины по фрагментам пород. Способ включает преобразование измерений для образца фрагментов породы в массе и множества образцов отдельных фрагментов породы в процент концентрации, вычисление нормализированного отклонения для каждого из множества образцов отдельных фрагментов породы относительно образца фрагментов породы в массе, при этом указанное нормализированное отклонение получают из процента концентрации в образцах фрагментов породы в массе и в образцах отдельных фрагментов породы, ранжирование множества образцов отдельных фрагментов породы на основании соответствующего нормализированного отклонения, выбор одного или более образцов отдельных фрагментов породы из множества образцов отдельных фрагментов породы на основании соответствующего ранжирования, оценку свойств интервала глубин ствола скважины, из которого происходят образцы фрагментов породы в массе и образцы отдельных фрагментов породы, посредством измеренных свойств по меньшей мере некоторых из выбранных одного или более образцов отдельных фрагментов породы и представление пользователю оцененного интервала глубин ствола скважины. 2 н. и 15 з.п. ф-лы, 6 ил.

Наверх