Точный каротаж элементарных скважин обеспечивает важнейшие фундаментальные данные для последующих операций, включая корректную идентификацию литологии, прогнозирование пластов, встречающихся при бурении, определение стратиграфического положения, выбор соответствующих параметров бурения и снижение эксплуатационных рисков при бурении.

 

Исследование метода количественного многоэлементного анализа вырубки скважины на основе технологии LIBS

 

1. Введение

С быстрым развитием современного общества потребление энергетических ресурсов, таких как нефть и природный газ, неуклонно растет, а деятельность по разведке и добыче нефти и газа становится все более частой. Одной из основных задач разведки и добычи нефтегазовых ресурсов является каротаж выбуренных скважин. Чтобы построить точные каротажи ствола скважины, персонал на буровой площадке должен измерить и записать элементный состав и содержание образцов выбуренной породы, собранных с разных глубин скважин. Точные каротажи элементарных скважин предоставляют важные основополагающие данные для правильного определения литологии, прогнозирования встречающихся пластов, определения положения пластов, выбора соответствующих параметров бурения и снижения рисков бурения при последующей работе.

Традиционные методы элементного анализа в основном включают анализ нейтронной активации (NAA), атомно-абсорбционную спектроскопию (AAS), атомно-эмиссионную спектроскопию с индуктивно-связанной плазмой (ICP-AES) и масс-спектрометрию с индуктивно-связанной плазмой (ICP-MS). Являясь новым методом атомно-эмиссионной спектроскопии, лазерно-индуцированная спектроскопия разрушения (LIBS) предлагает несколько преимуществ, таких как простая подготовка образцов, компактная и простая в миниатюре структура, возможность одновременного обнаружения нескольких элементов и высокая скорость анализа. Благодаря этим преимуществам LIBS широко применяется для анализа различных веществ, включая продукты питания, сплавы, взрывчатые вещества и почву.

В этом исследовании будет разработан метод количественного анализа пяти основных элементов (Si, Al, Ca, Mg и K) в образцах горных пород для прибора LIBS, чтобы удовлетворить практические потребности элементного анализа образцов выбуренной породы скважины на буровой площадке. Наконец, результаты обнаружения LIBS будут сравниваться с наиболее широко используемой рентгеновской флуоресцентной (РФА) технологией элементного анализа выбуренной породы скважины для оценки ее пригодности для полевого применения.

2. Экспериментальная секция

2,1 Подготовка образца

В этом исследовании было использовано в общей сложности 163 образца горных пород, которые были равномерно смешаны с помощью вихревого смесителя. Образцы выбуренной породы были собраны с разных глубин одной и той же скважины на лесозаготовительном участке в юго-западном регионе Китая. Эти образцы были последовательно пронумерованы в соответствии с их увеличивающейся глубиной от LJ # 01 до LJ # 97. Содержание целевых элементов в этой партии образцов определялось в соответствии с национальными стандартами GB / T 14506.28-2010 для химического анализа силикатных пород и JY / T 0569-2020 для общих методов дисперсионной рентгеновской флуоресцентной спектроскопии.

Образцы пород, использованные в этом эксперименте, представляли собой однородные порошки с содержанием пяти целевых элементов, приведенных в Таблицах 1 и 2 Приложения B. Образцы сушили в электрической сушильной печи constant-temperature при 60 ° C в течение 2 часов. После сушки 1 г каждого образца взвешивали и прессовали в круглые диски диаметром 20 мм с помощью автоматического пресса для гранул под давлением 8 МПа в течение 20 секунд. На Фигуре 1 показан представительный прессованный образец.

 

Рисунок 1: Репрезентативный образец рок-гранул

2,2 Сбор спектральных данных

Для получения спектральных данных образцов горных пород время экспозиции было установлено на 1 мс, а время задержки - на 1,5 мкс. Спектральные данные собирались из 20 случайно выбранных позиций на поверхности образца. Чтобы уменьшить влияние колебаний энергии лазерного импульса на стабильность спектральных данных и дополнительно улучшить отношение сигнал-шум спектральных линий, спектральные сигналы собирались 4 раза в каждой позиции. Среднее значение этих 4 измерений затем использовалось в качестве спектральных данных для этого конкретного местоположения.

2,3 Процедура спектрального анализа

В этом исследовании спектральные данные 49 образцов горных пород национального стандарта использовались в качестве набора учебных данных, а спектральные данные 17 самодельных дополнительных образцов использовались в качестве набора тестовых данных. На основе набора обучающих данных были разработаны модели количественного анализа для пяти целевых элементов. Производительность моделей оценивалась с использованием набора тестовых данных. В прикладном тесте в качестве неизвестных образцов использовались 97 вырезок каротажа скважин. Прибор LIBS и связанное с ним программное обеспечение для анализа использовались для применения моделей количественного анализа для определения содержания пяти целевых элементов. Затем результаты, полученные из LIBS, сравнивались с результатами обнаружения широко используемого метода РФА для каротажа скважин, чтобы оценить возможность применения этого прибора в реальных полевых условиях. Рисунок 2 иллюстрирует общий процесс анализа данных.

 

Рисунок 2: Схематическая схема общего процесса анализа данных

3. Результаты и обсуждение

3,1 Предварительная обработка спектральных данных и выбор линии признаков

На рисунке 3 представлены необработанные спектры репрезентативных образцов окаменелостей, собранных прибором LIBS. Как показано на рисунке, исходная линия всего спектра относительно стабильна, и можно четко идентифицировать характерные спектральные линии нескольких элементов, таких как Si, Mg и Ca. Отношение сигнал / шум (SNR) хорошее, что указывает на то, что спектры, собранные прибором, достаточны для нужд анализа.

 

Рисунок 3 Спектры LIBS репрезентативного образца окатышей (GBW07111)

Однако на стабильность и повторяемость спектральных данных LIBS могут влиять такие факторы, как производительность прибора, однородность твердых порошковых образцов и эффекты сложной матрицы в породе. Нормализация спектральных данных может повысить их стабильность и повторяемость. Общие методы нормализации включают нормализацию общей площади, нормализацию максимальной минимальной интенсивности и стандартное нормальное вариативное (SNV) преобразование.

Тем не менее, породы содержат множество элементов, и различия в концентрациях элементов в разных образцах могут быть существенными. В результате общая интенсивность спектра LIBS и количество излучаемых спектральных линий также различаются между образцами. Например, на рисунке 4 показано, что образцы GBW03115 и GBW07107 национального стандарта имеют схожие матрицы, а концентрации элементов Si и Ca очень близки. Однако содержание Fe значительно отличается: GBW07107 содержит 5,32% Fe, а GBW03115 содержит только 0,60% Fe. Для сравнения, спектр LIBS GBW07107 содержит гораздо больше характерных спектральных линий Fe, чем другие элементы. При нормализации общей площади интенсивность всех спектральных линий суммируется для образования знаменателя, что ослабляет отображение связи между пиковой интенсивностью характеристических линий других элементов и их концентрациями. Хотя это улучшает стабильность данных, это усиливает эффекты матричной интерференции.

  

Сравнение спектров LIBS для GBW03115 и GBW07107

Поэтому в данном исследовании, на основе концепции нормализации общей площади, предлагается метод предобработки данных частичной нормализации площади с учетом характеристик распределения элементов в образцах горных пород. Для нормализации метод использует 18 характеристических спектральных линий репрезентативных элементов в породе, как указано в таблице 1:

Таблица 1 Характеристические спектральные линии репрезентативных элементов

 

Для каждого целевого элемента собранные необработанные спектральные данные сравнивали с базой данных NIST, и в качестве пиков признаков количественного анализа были выбраны спектральные линии с сильными сигналами и минимальной интерференцией от соседних пиков характеристик: 445,478 нм (Ca I), 516,732 нм (Mg I), 288,158 нм (Si I), 308,215 нм (Al I) и 769,896 нм (K I).

Для определения оптимального метода нормализации к тренировочному набору спектральных данных LIBS были применены нормализация общей площади, нормализация максимальной минимальной интенсивности и нормализация частичной площади. Калибровочные кривые были установлены на основе исходной пиковой интенсивности, пиковой интенсивности после предварительной обработки и содержания соответствующего элемента. Как показано на рисунке 5, относительное стандартное отклонение (RSD) исходной пиковой интенсивности для количественных пиков признаков анализа выбранных целевых элементов варьировалось от 10% до 13,5%, что указывает на надежность необработанных спектральных данных, собранных прибором. После предварительной обработки нормализации была дополнительно улучшена стабильность и повторяемость спектральных данных. Оптимальный метод нормализации для каждого целевого элемента был выбран на основе комплексной оценки стабильности спектральных данных, общей дисперсии образцов породы и коэффициента определения (R²) калибровочных кривых.

  

Калибровочные кривые на основе исходной пиковой интенсивности и пиковой интенсивности после различных процедур нормализации

Для элемента Ca оптимальным методом была нормализация максимальной и минимальной интенсивности. После нормализации средняя RSD снизилась до 8,26%, что на 32,6% меньше исходного RSD, а R2 увеличилась с 0,9372 до 0,9612. Для элемента Mg оптимальным методом была нормализация общей площади. После нормализации средняя RSD снизилась до 8,90%, что на 32,7% меньше исходного RSD, с небольшим изменением R2. Для элементов Si, Al и K оптимальным методом была частичная нормализация площади. После нормализации средние RSD составляли 5,92%, 6,48% и 7,89% соответственно, что представляет собой сокращение на 41,0%, 41,7% и 24,8% от исходных RSD. Примечательно, что значения R2 для элементов Si и Al показали значительные улучшения, достигнув 0,8304 и 0,7313 соответственно.

Этот подробный анализ подчеркивает улучшение стабильности и точности спектральных данных после применения различных методов нормализации, демонстрируя эффективность этих методов в уточнении количественного анализа на основе LIBS для различных элементов.

3,2 Создание и валидация количественных моделей

После нормализации с использованием метода максимальной и минимальной интенсивности калибровочная кривая для элемента Ca достигла значения R2 0,9612, что указывает на сильную подгонку. На основе этого результата была создана количественная модель для Ca. Однако значения R2 для Mg, Si, Al и K не были достаточно идеальными, что затрудняло прямое установление точных количественных моделей для этих элементов. Для решения этой проблемы был предложен метод спектральной коррекции интенсивности, основанный на регрессии главных компонент (ПЦР).

Во-первых, калибровочные кривые для Mg, Si, Al и K были подогнаны с использованием результатов оптимальных методов нормализации. Эти кривые использовались для расчета идеальных пиковых интенсивностей и поправочных коэффициентов для различных уровней содержания каждого элемента. Как показано на рисунке 5, хотя характерные пиковые интенсивности элементов Al и K обычно демонстрируют положительную корреляцию с их содержанием, тенденции значительно различаются в разных диапазонах содержания. Чтобы лучше фиксировать различия пиковой интенсивности с содержанием, был принят подход сегментированного подгонки, подгоняющий калибровочные кривые отдельно для содержания в более низких и более высоких диапазонах.

Формулы для вычисления интенсивностей идеальных пиков и отношения между интенсивностями идеальных и фактических пиков показаны на рисунке 6. С помощью этих формул можно вычислить поправочные коэффициенты для интенсивностей пиков.

 

Рисунок 6 Идеальная пиковая интенсивность против фактической пиковой интенсивности

Следующий шаг включает в себя создание модели ПЦР (регрессия основных компонентов) для расчета пиковых коэффициентов коррекции интенсивности. Первоначально PCA (анализ основных компонентов) используется для уменьшения размерности спектральных данных и определения соответствующего количества основных компонентов (ПК). Для Mg применяется метод нормализации общей площади, тогда как для Si, Al и K используется метод частичной нормализации площади. Выделенные основные компоненты и кумулятивная дисперсия, объясняемые этими компонентами, на основе двух различных методов нормализации показаны на рисунке 7.

 

Рисунок 7 Анализ основных компонентов и объяснение кумулятивной дисперсии

(a) Разница, объясняемая первыми 11 основными компонентами после частичной нормализации площади

(b) Кумулятивная разница, объясняемая первыми 11 основными компонентами после частичной нормализации площади

(c) Разница, объясняемая первыми 15 основными компонентами после нормализации общей площади

(d) Кумулятивная разница, объясняемая первыми 15 основными компонентами после нормализации общей площади

Как показано на рисунках, эти основные компоненты представляют собой большую часть информации, содержащейся в спектральных данных обучающего набора. Используя эти основные компоненты в качестве независимых переменных, а поправочные коэффициенты в качестве зависимых переменных, были созданы модели ПЦР (регрессия основных компонентов) для расчета поправочных коэффициентов.

С помощью моделей ПЦР рассчитываются поправочные коэффициенты пиковой интенсивности, а затем умножаются на нормализованную пиковую интенсивность для получения скорректированной пиковой интенсивности. На основе этого были разработаны модели количественного анализа для элементов Mg, Si, Al и K. Окончательные модели количественного анализа для всех пяти целевых элементов показаны на рисунке 8.

 

Рисунок 8 Количественные модели для целевых элементов

Спектральные данные 17 дополнительных образцов в тестовом наборе использовались для оценки точности прогнозов количественной модели. Прогнозируемые результаты содержания пяти целевых элементов показаны на рисунке 9. В целом модель эффективно предсказывает содержание целевых элементов со значениями R2 0,9843, 0,9901, 0,9745 и 0,9411 для элементов Ca, Mg, Si и Al соответственно. Однако производительность прогнозирования для K-элемента менее удовлетворительна, R2 составляет всего 0,8114. Это связано с эффектом самопоглощения, возникающим при более высоких концентрациях K-элементов, что негативно влияет на точность количественной модели.

 

Рисунок 9 Производительность прогнозирования количественной модели содержания целевого элемента в тестовом наборе

3,3 Тестирование приложений

Установленные количественные модели были интегрированы в используемый прибор LIBS, и был проведен прикладной тест с использованием образцов вырубки породы, собранных на лесозаготовительном участке, для проверки возможности использования этого прибора для анализа вырубки в режиме реального времени на месте. Результаты обнаружения пяти целевых элементов с помощью прибора LIBS сравнивались с результатами, полученными с помощью лабораторного РФА-прибора, как показано на рисунке 10. Общие тенденции в результатах обнаружения элементов Ca, Mg, Si, Al и K соответствовали двум приборам.

 

Рисунок 10 Результаты обнаружения содержания пяти элементов в образцах вырубки горных пород

По результатам прикладных испытаний были построены графики трендов изменений содержания целевого элемента, как показано на рисунке 11. На рисунке красная кривая представляет результаты обнаружения прибором LIBS, а синяя кривая представляет результаты обнаружения РФА-прибором. Общая тенденция двух кривых согласуется.

 Рисунок 11 График тенденций содержания пяти элементов в образцах вырезов горных пород

Основываясь на вариациях кривой LIBS, можно проанализировать литологию обломков породы и изменения стратиграфических слоев:

Для образцов вырубки породы от LJ # 22 до LJ # 30 содержание обнаруженных элементов Ca в основном ниже 10%, содержание элементов Al составляет около 7%, а содержание элементов Si составляет около 20%. Распределение элементов в этих образцах характерно для глинистых пород, таких как аргиллит или сланец.

В образцах вырубки пород LJ # 31 - LJ # 64 обнаруженное содержание Ca элементов обычно выше 30%, Mg элементов ниже 1%, Si элементов ниже 10%. Распределение элементов в этих образцах характерно для известняка.

Из этих результатов можно сделать вывод, что литология и стратиграфические слои образцов вырубки породы от ЖЖ № 22 до ЖЖ № 30 отличаются от литологии и стратиграфии от ЖЖ № 31 до ЖЖ № 64. Значительное изменение в литологии и стратиграфии происходит, начиная с расположения ЖЖ № 31. Этот вывод согласуется с фактическими условиями, наблюдаемыми на буровой площадке, что указывает на то, что прибор LIBS, интегрированный с количественной моделью, может эффективно анализировать элементы в образцах вырубки каротажной породы, демонстрируя потенциал применения прибора в разведке и добыче нефти и газа.

Тем не менее, исследование в этой главе ограничено несколькими элементами, и результаты обнаружения LIBS для K-элементов, как правило, ниже, чем у XRF, в то время как результаты обнаружения Mg-элементов, как правило, выше, чем у XRF. Это указывает на то, что точность результатов обнаружения нуждается в дальнейшем улучшении. Поэтому будущие исследования должны быть направлены на расширение разнообразия анализируемых элементов, создание более полных моделей количественного анализа и разработку более точных методов количественного анализа.

4 、 Заключение

В этой главе предлагается метод предварительной обработки данных частичной нормализации площади для образцов горных пород и метод коррекции пиковой интенсивности, основанный на регрессии основных компонентов (ПЦР). Были созданы модели количественного анализа для пяти элементов (Ca, Mg, Si, Al и K). С помощью прибора LIBS было обнаружено содержание этих пяти элементов в фактических пробах каротажной породы и проведено сравнение с результатами, полученными с помощью лабораторных РФА-приборов.

Измерено и сопоставлено содержание целевых элементов в реальных образцах каротажной вырубки породы с широко используемой технологией РФА в области элементного каротажа. По результатам двух методов составлен график трендов вариаций содержания элементов. Из графика можно проанализировать литологию вырубки и стратиграфические изменения. Результаты анализа согласуются с фактическими условиями на буровой площадке.

Эти результаты показывают, что портативный настольный прибор LIBS в сочетании с методами количественного анализа, разработанными в этой главе, может эффективно выполнять анализ образцов вырубки в реальном времени. Это показывает большой потенциал для применения в области разведки и разработки нефти и газа.

Учитывая, что на свойства растений, определяемые генами, также могут влиять окружающие изменения окружающей среды, включая характеристики почвы, будущие исследования будут продолжены для изучения элементного состава почвы на основе технологии LIBS. Цель состоит в том, чтобы описать вариации и корреляции элементных составов в различных типах растительных тканей и типах образцов почвы.

 

Рекомендация:

Встроенный лазерно-индуцированный спектрометр разрушения LIBS iSpecLIBS-SCI800

iSpecLIBS-SCI800 представляет собой интегрированную систему, в основном состоящую из лазера, спектрометра высокого разрешения, датчика оптического сбора LIBS, окна образца XYZ и контроллера задержки срабатывания триггера. Благодаря интегрированной конструкции система очень гибкая и расширяемая, что делает ее идеальным решением для исследовательских приложений, оптических экспериментов LIBS и оптических прикладных центров. Пользователи могут легко и гибко настраивать лазер и спектрометр в соответствии со своими конкретными требованиями.