Résumé : Des journaux de puits élémentaires précis fournissent des données fondamentales cruciales pour les opérations ultérieures, y compris l'identification correcte de la lithologie, la prédiction des strates à rencontrer pendant le forage, la détermination de la position stratigraphique, la sélection des paramètres de forage appropriés et la réduction des risques opérationnels dans les activités de forage.

 

Recherche sur la méthode d'analyse quantitative multi-éléments des déblais de puits de forage basée sur la technologie LIBS

 

1. Introduction

Avec le développement rapide de la société moderne, la consommation de ressources énergétiques telles que le pétrole et le gaz naturel n'a cessé d'augmenter, et les activités d'exploration et d'extraction de pétrole et de gaz sont devenues plus fréquentes. L'une des tâches essentielles de l'exploration et de l'extraction des ressources pétrolières et gazières est la journalisation des déblais de puits de forage. Afin de construire des journaux de puits de forage précis, le personnel du site de forage doit mesurer et enregistrer la composition élémentaire et le contenu des échantillons de déblais prélevés à différentes profondeurs de puits. Des journaux de puits élémentaires précis fournissent des données fondamentales essentielles pour identifier correctement la lithologie, prédire les strates à rencontrer, déterminer la position des strates, sélectionner les paramètres appropriés et réduire les risques de forage dans les travaux ultérieurs.

Les techniques traditionnelles d'analyse élémentaire comprennent principalement l'analyse d'activation neutronique (NAA), la spectroscopie d'absorption atomique (AAS), la spectroscopie d'émission atomique à plasma à couplage inductif (ICP-AES) et la spectrométrie de masse à plasma à couplage inductif (ICP-MS). En tant que technique émergente de spectroscopie d'émission atomique, la spectroscopie de dégradation induite par laser (LIBS) offre plusieurs avantages, tels qu'une préparation d'échantillons simple, une structure compacte et facile à miniaturiser, la capacité de détecter simultanément plusieurs éléments et des vitesses d'analyse rapides. En raison de ces avantages, la LIBS a été largement appliquée à l'analyse de diverses substances, y compris les aliments, les alliages, les explosifs et le sol.

Dans cette étude, une méthode d'analyse quantitative pour cinq éléments majeurs (Si, Al, Ca, Mg et K) dans des échantillons de roche sera développée pour l'instrument LIBS, afin de répondre aux besoins pratiques de l'analyse élémentaire des échantillons de déblais de puits de forage sur le site de forage. Enfin, les résultats de détection de LIBS seront comparés à la technologie de fluorescence X (XRF) la plus largement utilisée pour l'analyse élémentaire des déblais de puits de forage afin d'évaluer sa faisabilité pour une application sur le terrain.

2. Section expérimentale

2,1 Préparation des échantillons

Un total de 163 échantillons de roches ont été utilisés dans cette étude, qui ont été mélangés uniformément à l'aide d'un mélangeur à vortex. Les échantillons de déblais de puits ont été prélevés à différentes profondeurs du même puits sur un site d'exploitation forestière dans la région du sud-ouest de la Chine. Ces échantillons ont été numérotés séquentiellement en fonction de leur profondeur croissante de LJ # 01 à LJ # 97. La teneur en éléments cibles de ce lot d'échantillons a été déterminée conformément aux normes nationales GB / T 14506,28-2010 pour l'analyse chimique des roches silicatées et JY / T 0569-2020 pour les méthodes générales de spectroscopie de fluorescence X dispersive en longueur d'onde.

Les échantillons de roche utilisés dans cette expérience étaient des poudres uniformes, avec le contenu des cinq éléments cibles détaillés dans les tableaux 1 et 2 de l'annexe B. Les échantillons ont été séchés dans un four de séchage électrique constant-temperature à 60 ° C pendant 2 heures. Après séchage, 1 g de chaque échantillon a été pesé et pressé en disques circulaires d'un diamètre de 20 mm à l'aide d'une presse à granulés automatique sous une pression de 8 MPa pendant 20 secondes. La figure 1 montre un échantillon pressé représentatif.

 

Figure 1 : Échantillon représentatif de granulés de roche

2,2 Acquisition de données spectrales

Pour l'acquisition des données spectrales des échantillons de roche, le temps d'exposition a été fixé à 1 ms et le temps de retard à 1,5 μs. Les données spectrales ont été collectées à partir de 20 positions sélectionnées au hasard sur la surface de l'échantillon. Pour réduire l'influence des fluctuations de l'énergie d'impulsion laser sur la stabilité des données spectrales et pour améliorer encore le rapport signal sur bruit des raies spectrales, les signaux spectraux ont été collectés 4 fois à chaque position. La moyenne de ces 4 mesures a ensuite été utilisée comme données spectrales pour cet emplacement spécifique.

2,3 Procédure d'analyse spectrale

Dans cette étude, les données spectrales de 49 échantillons de roche standard nationaux ont été utilisées comme ensemble de données d'entraînement, tandis que les données spectrales de 17 échantillons supplémentaires autodidactes ont été utilisées comme ensemble de données de test. Sur la base de l'ensemble de données d'entraînement, des modèles d'analyse quantitative pour les cinq éléments cibles ont été développés. La performance des modèles a été évaluée à l'aide de l'ensemble de données de test. Lors du test d'application, 97 déblais de diagraphie de puits ont été utilisés comme échantillons inconnus. L'instrument LIBS et le logiciel d'analyse associé ont été utilisés pour appliquer les modèles d'analyse quantitative afin de détecter le contenu des cinq éléments cibles. Les résultats obtenus à partir de LIBS ont ensuite été comparés aux résultats de détection de la technique XRF largement utilisée pour les déblais de diagraphie de puits, afin d'évaluer la faisabilité d'appliquer cet instrument dans des conditions réelles sur le terrain. La figure 2 illustre le processus global d'analyse des données.

 

Figure 2 : Schéma du processus global d'analyse des données

3. Résultats et discussion

3,1 Prétraitement des données spectrales et sélection des lignes de caractéristiques

La figure 3 présente les spectres bruts d'échantillons de granulés de roche représentatifs collectés par l'instrument LIBS. Comme le montre la figure, la ligne de base de l'ensemble du spectre est relativement stable et les raies spectrales caractéristiques de plusieurs éléments tels que Si, Mg et Ca peuvent être clairement identifiées. Le rapport signal sur bruit (SNR) est bon, ce qui indique que les spectres collectés par l'instrument sont suffisants pour les besoins d'analyse.

 

Figure 3 Spectres LIBS d'un échantillon représentatif de granulés de roche (GBW07111)

Cependant, la stabilité et la répétabilité des données spectrales LIBS peuvent être influencées par des facteurs tels que les performances de l'instrument, l'homogénéité des échantillons de poudre solide et les effets de matrice complexes dans la roche. La normalisation des données spectrales peut améliorer leur stabilité et leur répétabilité. Les méthodes de normalisation courantes comprennent la normalisation de la surface totale, la normalisation de l'intensité maximale-minimale et la transformation de la variable normale standard (SNV).

Néanmoins, les roches contiennent de nombreux éléments, et les différences de concentrations élémentaires entre les différents échantillons peuvent être substantielles. Par conséquent, l'intensité totale du spectre LIBS et le nombre de raies spectrales émises varient également d'un échantillon à l'autre. Par exemple, la figure 4 montre que les échantillons standard nationaux GBW03115 et GBW07107 ont des matrices similaires et que les concentrations d'éléments Si et Ca sont très proches. Cependant, la teneur en Fe diffère considérablement : GBW07107 contient 5,32 % de Fe, tandis que GBW03115 ne contient que 0,60 % de Fe. En comparaison, le spectre LIBS de GBW07107 contient beaucoup plus de raies spectrales caractéristiques de Fe que d'autres éléments. Dans la normalisation de la zone totale, l'intensité de toutes les raies spectrales est additionnée pour former le dénominateur, ce qui affaiblit la relation de cartographie entre les raies caractéristiques et les effets d'interférence de ces autres.

  

Figure 4 Comparaison des spectres LIBS pour GBW03115 et GBW07107

Par conséquent, dans cette étude, basée sur le concept de normalisation de la zone totale, une méthode de prétraitement des données de normalisation de la zone partielle est proposée, en tenant compte des caractéristiques de distribution des éléments dans les échantillons de roche. La méthode utilise 18 raies spectrales caractéristiques d'éléments représentatifs dans la roche, comme indiqué dans le tableau 1, pour la normalisation :

Tableau 1 Lignes spectrales caractéristiques des éléments représentatifs

 

Pour chaque élément cible, les données spectrales brutes collectées ont été comparées à la base de données du NIST, et des raies spectrales avec des signaux forts et une interférence minimale des pics caractéristiques adjacents ont été sélectionnées comme pics de caractéristiques d'analyse quantitative : 445,478 nm (Ca I), 516,732 nm (Mg I), 288,158 nm (Si I), 308,215 nm (Al I) et 769,896 nm (K I).

Pour déterminer la méthode de normalisation optimale, la normalisation de la zone totale, la normalisation de l'intensité maximale-minimale et la normalisation de la zone partielle ont été appliquées à l'ensemble d'entraînement des données spectrales LIBS. Les courbes d'étalonnage ont été établies sur la base de l'intensité maximale d'origine, de l'intensité maximale après prétraitement et de la teneur en éléments correspondante. Comme le montre la figure 5, l'écart-type relatif (RSD) de l'intensité maximale d'origine pour les pics des caractéristiques d'analyse quantitative des éléments cibles sélectionnés variait de 10 % à 13,5 %, ce qui indique que les données spectrales brutes collectées par l'instrument sont fiables. Après le prétraitement de normalisation, la stabilité et la répétabilité des données spectrales ont été encore améliorées. La méthode de normalisation optimale pour chaque élément cible a été sélectionnée sur la base d'une évaluation complète de la stabilité des données spectrales, de la dispersion globale des échantillons de roche, de l'étalonnage et du coefficient R².

  

Figure 5 Courbes d'étalonnage basées sur l'intensité de pointe d'origine et l'intensité de pointe après différents traitements de normalisation

Pour l'élément Ca, la méthode optimale était la normalisation de l'intensité maximale-minimale. Après la normalisation, le RSD moyen a diminué à 8,26 %, soit une réduction de 32,6 % par rapport au RSD d'origine, et le R² a augmenté de 0,9372 à 0,9612. Pour l'élément Mg, la méthode optimale était la normalisation de la surface totale. Après la normalisation, le RSD moyen a diminué à 8,90 %, soit une réduction de 32,7 % par rapport au RSD d'origine, avec peu de changement dans le RSD. Pour les éléments Si, Al et K, la méthode optimale était la normalisation partielle de la surface. Après la normalisation, les RSD moyens étaient de 5,92 %, 6,48 % et 7,89 %, respectivement, représentant des réductions de 41,0 %, 41,7 % et 24,8 % par rapport aux RSD d'origine, avec des améliorations significatives de 0,7313 et de Si, atteignant respectivement.

Cette analyse détaillée met en évidence les améliorations de la stabilité et de la précision des données spectrales après l'application de diverses méthodes de normalisation, démontrant l'efficacité de ces techniques pour affiner l'analyse quantitative basée sur LIBS pour différents éléments.

3,2 Établissement et validation de modèles quantitatifs

Après normalisation à l'aide de la méthode d'intensité maximale-minimale, la courbe d'étalonnage de l'élément Ca a atteint une valeur R² de 0,9612, indiquant un ajustement fort. Sur la base de ce résultat, un modèle quantitatif pour Ca a été établi. Cependant, les valeurs R² pour Mg, Si, Al et K n'étaient pas suffisamment idéales, ce qui rend difficile l'établissement direct de modèles quantitatifs précis pour ces éléments. Pour résoudre ce problème, une méthode basée sur la régression en composantes principales (PCR) pour la correction de l'intensité spectrale a été proposée.

Tout d'abord, les courbes d'étalonnage pour Mg, Si, Al et K ont été ajustées à l'aide des résultats des méthodes de normalisation optimales. Ces courbes ont été utilisées pour calculer les intensités de pic idéales et les coefficients de correction pour différents niveaux de contenu de chaque élément. Comme le montre la figure 5, bien que les intensités de pic caractéristiques des éléments Al et K présentent généralement des corrélations positives avec leur contenu, les tendances varient considérablement entre les différentes plages de contenu. Pour mieux saisir les variations de l'intensité de pic avec le contenu, une approche d'ajustement segmentée a été adoptée, ajustant les courbes d'étalonnage séparément pour les plages de contenu inférieures et supérieures.

Les formules de calcul des intensités de crête idéales et les relations entre les intensités de crête idéales et réelles sont illustrées à la figure 6. En utilisant ces formules, les coefficients de correction des intensités de crête peuvent être calculés.

 

Figure 6 Intensité de pointe idéale vs intensité de pointe réelle

L'étape suivante consiste à établir un modèle PCR (régression en composantes principales) pour calculer les coefficients de correction de l'intensité de crête. Initialement, l'ACP (analyse en composantes principales) est utilisée pour réduire la dimensionnalité des données spectrales et déterminer le nombre approprié de composantes principales (PC). Pour Mg, la méthode de normalisation de la surface totale est appliquée, tandis que pour Si, Al et K, la méthode de normalisation de la surface partielle est utilisée. Les composantes principales extraites et la variance cumulative expliquée par ces composantes, basées sur les deux méthodes de normalisation différentes, sont illustrées à la figure 7.

 

Figure 7 Analyse des composantes principales et de la variance cumulative expliquée

(a) Variance expliquée par les 11 premières composantes principales après normalisation partielle de la zone

(b) Variance cumulative expliquée par les 11 premières composantes principales après la normalisation partielle de la zone

(c) Variance expliquée par les 15 premières composantes principales après la normalisation de la superficie totale

(d) Variance cumulative expliquée par les 15 premières composantes principales après la normalisation de la superficie totale

Comme le montrent les figures, ces composantes principales représentent la majorité des informations contenues dans les données spectrales de l'ensemble d'entraînement. En utilisant ces composantes principales comme variables indépendantes et les coefficients de correction comme variables dépendantes, des modèles PCR (Principal Component Regression) ont été établis pour calculer les coefficients de correction.

En utilisant les modèles PCR, les coefficients de correction de l'intensité du pic sont calculés, puis multipliés par l'intensité du pic normalisée pour obtenir l'intensité du pic corrigée. Sur cette base, des modèles d'analyse quantitative pour les éléments Mg, Si, Al et K. Les modèles d'analyse quantitative finaux pour les cinq éléments cibles sont présentés à la figure 8.

 

Figure 8 Modèles quantitatifs pour les éléments cibles

Les données spectrales de 17 échantillons supplémentaires de l'ensemble de tests ont été utilisées pour évaluer la précision des prédictions du modèle quantitatif. Les résultats prédits pour le contenu des cinq éléments cibles sont illustrés à la figure 9. Dans l'ensemble, le modèle prédit efficacement le contenu des éléments cibles, avec des valeurs de R² de 0,9843, 0,9901, 0,9745 et 0,9411 pour les éléments Ca, Mg, Si et Al respectivement. Cependant, les performances de prédiction pour l'élément K sont moins satisfaisantes, avec un R² de seulement 0,8114. Ceci est attribué à l'effet d'auto-absorption qui se produit à des concentrations d'éléments K plus élevées, ce qui a un impact négatif sur la précision du modèle quantitatif.

 

Figure 9 Performance de prédiction du modèle quantitatif pour le contenu des éléments cibles dans l'ensemble de tests

3,3 Tests d'applications

Les modèles quantitatifs établis ont été intégrés à l'instrument LIBS utilisé, et un test d'application a été effectué à l'aide d'échantillons de déblais de roche prélevés sur un site d'exploitation forestière pour vérifier la faisabilité de cet instrument pour l'analyse des déblais en temps réel sur place. Les résultats de détection des cinq éléments cibles à l'aide de l'instrument LIBS ont été comparés à ceux obtenus à l'aide d'un instrument XRF de laboratoire, comme le montre la figure 10. Les tendances globales des résultats de détection des éléments Ca, Mg, Si, Al et K étaient cohérentes entre les deux instruments.

 

Figure 10 Résultats de détection de la teneur en cinq éléments dans les échantillons de déblais rocheux

Sur la base des résultats des tests d'application, des graphiques de tendance des variations de la teneur en éléments cibles ont été tracés, comme le montre la figure 11. Sur la figure, la courbe rouge représente les résultats de détection de l'instrument LIBS et la courbe bleue représente les résultats de détection de l'instrument XRF. La tendance globale des deux courbes est cohérente.

 Figure 11 Graphique de tendance des teneurs en cinq éléments dans les échantillons de déblais rocheux

Sur la base des variations de la courbe LIBS, la lithologie des échantillons de déblais rocheux et les changements dans les couches stratigraphiques peuvent être analysés :

Pour les échantillons de déblais rocheux LJ # 22 à LJ # 30, la teneur en éléments Ca détectés est généralement inférieure à 10 %, la teneur en éléments Al est d'environ 7 % et la teneur en éléments Si est d'environ 20 %. La répartition des éléments dans ces échantillons est caractéristique des roches argileuses telles que le mudstone ou le schiste.

Pour les échantillons de déblais rocheux LJ # 31 à LJ # 64, la teneur en éléments Ca détectée est généralement supérieure à 30 %, la teneur en éléments Mg est inférieure à 1 % et la teneur en éléments Si est inférieure à 10 %. La répartition des éléments dans ces échantillons est caractéristique du calcaire.

De ces résultats, on peut conclure que la lithologie et les couches stratigraphiques des échantillons de déblais de roche LJ # 22 à LJ # 30 sont différentes de celles de LJ # 31 à LJ # 64. Un changement significatif dans la lithologie et la stratigraphie se produit à partir de l'emplacement de LJ # 31. Cette conclusion correspond aux conditions réelles observées sur le site de forage, indiquant que l'instrument LIBS intégré au modèle quantitatif peut analyser efficacement les éléments des échantillons de déblais de roche forestière, démontrant le potentiel d'application de l'instrument dans l'exploration et l'extraction de pétrole et de gaz.

Cependant, l'étude de ce chapitre est limitée à quelques éléments, et les résultats de détection LIBS pour les éléments K sont généralement inférieurs à ceux de XRF, tandis que les résultats de détection des éléments Mg sont généralement supérieurs à ceux de XRF. Cela indique que la précision des résultats de détection doit être améliorée. Par conséquent, les recherches futures devraient viser à élargir la variété des éléments analysés, à établir des modèles d'analyse quantitative plus complets et à développer des méthodes d'analyse quantitative plus précises.

4 Conclusion

Ce chapitre propose une méthode de prétraitement des données de normalisation partielle de la zone pour les échantillons de roche et une méthode de correction de l'intensité de crête basée sur la régression en composantes principales (PCR). Des modèles d'analyse quantitative pour cinq éléments (Ca, Mg, Si, Al et K) ont été établis. À l'aide de l'instrument LIBS, le contenu de ces cinq éléments dans des échantillons réels de déblais de roche forestière a été détecté et comparé aux résultats obtenus à partir d'instruments XRF de laboratoire.

Le contenu des éléments cibles dans les échantillons réels de déblais de roches forestières a été mesuré et comparé à la technologie XRF largement utilisée dans le domaine de l'exploitation forestière élémentaire. Sur la base des résultats des deux techniques, un graphique de tendance des variations du contenu élémentaire a été tracé. À partir du graphique, la lithologie des déblais et les changements stratigraphiques peuvent être analysés. Les résultats de l'analyse sont cohérents avec les conditions réelles sur le site de forage.

Ces résultats démontrent que l'instrument LIBS de bureau portable, combiné aux méthodes d'analyse quantitative développées dans ce chapitre, peut effectuer efficacement une analyse en temps réel des échantillons de déblais de roche forestière. Cela montre un grand potentiel d'application dans le domaine de l'exploration et du développement pétroliers et gaziers.

Étant donné que les traits des plantes déterminés par les gènes peuvent également être influencés par les changements environnementaux environnants, y compris les caractéristiques du sol, les recherches futures continueront d'explorer la composition des éléments du sol basée sur la technologie LIBS. L'objectif est de décrire les variations et les corrélations des compositions des éléments dans divers types de tissus végétaux et types d'échantillons de sol.

 

Recommandation :

Spectromètre de dégradation induit par laser LIBS intégré iSpecLIBS-SCI800

L'iSpecLIBS-SCI800 est un système intégré composé principalement d'un laser, d'un spectromètre haute résolution, d'une sonde de collecte optique LIBS, d'une fenêtre d'échantillonnage XYZ et d'un contrôleur de retard de déclenchement. En raison de sa conception intégrée, le système est très flexible et extensible, ce qui en fait une solution idéale pour les applications de recherche, les expériences optiques LIBS et les centres d'applications optiques. Les utilisateurs peuvent configurer facilement et de manière flexible le laser et le spectromètre en fonction de leurs exigences spécifiques.