人工智能技術(shù)正在從弱人工智能向強人工智能階段逐步邁進(jìn)，應(yīng)用場景范圍爆發(fā)式增長，呈現(xiàn)出深度學(xué)習(xí)、跨界融合、人機(jī)協(xié)同、群智開放、自主操控等新特征，人工智能引領(lǐng)石油行業(yè)數(shù)字化轉(zhuǎn)型的先進(jìn)方向。本文分析國家、企業(yè)層面智能發(fā)展的戰(zhàn)略，圍繞智能油田建設(shè)目標(biāo)，提出了人工智能在智能油田建設(shè)中應(yīng)用場景，為推進(jìn)人工智能在油田企業(yè)的落地指出了方向。

　　一、前言

　　人工智能(AI)是研究、開發(fā)用于模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門技術(shù)科學(xué)。1956年，約翰·麥卡錫最早提出了人工智能概念，標(biāo)志著人工智能的正式誕生。近年來在移動互聯(lián)網(wǎng)、大數(shù)據(jù)、超級計算等新理論新技術(shù)以及經(jīng)濟(jì)社會發(fā)展強烈需求的共同驅(qū)動下，人工智能加速發(fā)展，形成了以深度學(xué)習(xí)、跨界融合、人機(jī)協(xié)同、群智開放、自主操控等為特征的新一代人工智能技術(shù)，涵蓋大數(shù)據(jù)智能、跨媒體智能、群體智能、混合增強智能、自主無人系統(tǒng)等核心領(lǐng)域，被譽為未來十年最具顛覆性的技術(shù)之一。

　　二、人工智能在油田應(yīng)用面臨挑戰(zhàn)

　　新一代人工智能正在智能制造、智能醫(yī)療、智慧城市、智能農(nóng)業(yè)、國防建設(shè)、智能交通、智能金融和智慧生活等領(lǐng)域加速滲透，人工智能產(chǎn)業(yè)初步形成。國內(nèi)油田企業(yè)信息化建設(shè)在完成數(shù)字化建設(shè)后，目前大多數(shù)都開始了以全面感知、集成協(xié)同、預(yù)警預(yù)測、分析優(yōu)化為特征的智能油田建設(shè)，但因石油行業(yè)具有技術(shù)密集、業(yè)務(wù)鏈條長等特點，人工智能在智能油田建設(shè)中的應(yīng)用存在諸多挑戰(zhàn)。

　　人工智能應(yīng)用的數(shù)據(jù)基礎(chǔ)薄弱。數(shù)據(jù)是人工智能的第一資源，部署新一代人工智能需要大量可操作的訓(xùn)練數(shù)據(jù)，才能實現(xiàn)深度學(xué)習(xí)。當(dāng)前油田企業(yè)在數(shù)據(jù)資源建設(shè)方面有了一定的積累，但尚無法達(dá)到深度學(xué)習(xí)對數(shù)據(jù)規(guī)則、標(biāo)準(zhǔn)和質(zhì)量的高要求，且數(shù)據(jù)多樣性差、準(zhǔn)備時間長、加工應(yīng)用成本高，在勘探開發(fā)等核心領(lǐng)域部署人工智能應(yīng)用還存在相當(dāng)?shù)牟罹唷?/p>

　　缺乏石油行業(yè)人工智能平臺工具。國內(nèi)人工智能在圖像識別、語音識別技術(shù)、共享服務(wù)和無人駕駛等應(yīng)用領(lǐng)域已實現(xiàn)重大突破，但在算法等基礎(chǔ)核心領(lǐng)域，缺乏原創(chuàng)科研成果、高端技術(shù)沉淀和長期數(shù)據(jù)積累，缺少可有效滿足石油行業(yè)需要的高端智能化應(yīng)用平臺或工具。

　　三、人工智能的應(yīng)用方向及場景

　　鑒于油田業(yè)務(wù)的復(fù)雜性，人工智能技術(shù)作為推動核心業(yè)務(wù)的轉(zhuǎn)型升級和高質(zhì)量發(fā)展的技術(shù)，需按照“找準(zhǔn)瓶頸、試點突破、以點帶面、循序推進(jìn)”的原則開展應(yīng)用建設(shè)。

　　(一)構(gòu)造智能解釋

　　隨著勘探目標(biāo)日趨精細(xì)，地質(zhì)模型與地震、測井等物探數(shù)據(jù)間相關(guān)關(guān)系定量描述變得越來越困難，現(xiàn)有技術(shù)非線性表征能力有限，難以滿足當(dāng)前需求，仍需大量人工干預(yù)。而解釋經(jīng)驗因人而異，同時大量的工作難免導(dǎo)致解釋結(jié)果可靠性的降低，尤其是面對勘探后期各類地質(zhì)現(xiàn)象在短時間、小范圍內(nèi)交錯疊置，這一問題就變得更為突出，亟待引入新的數(shù)據(jù)分析技術(shù)。

　　一是構(gòu)建地震解釋樣本標(biāo)簽。參考沉構(gòu)造解釋原則，考慮多種地質(zhì)因素，綜合利用多個地震參數(shù)做為特征樣本值，利用主成分分析、聚類分析等方法分析其貢獻(xiàn)率，提取并優(yōu)化多種構(gòu)造解釋模式特征，形成斷層及層位樣本生成方法，實現(xiàn)樣本集自動的構(gòu)建。

　　二是研究并優(yōu)選適合地震解釋的深度學(xué)習(xí)算法。分析DCNN(深度卷積神經(jīng)網(wǎng)絡(luò))、RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))、GAN(對抗網(wǎng)絡(luò))等各類網(wǎng)絡(luò)模型的優(yōu)勢及不足，針對地震解釋業(yè)務(wù)特征確定網(wǎng)絡(luò)模型及主要參數(shù)，提高深度學(xué)習(xí)算法的適用性。

　　三是研發(fā)智能解釋模塊。在樣本構(gòu)建及深度學(xué)習(xí)算法研究的基礎(chǔ)上，構(gòu)建由數(shù)據(jù)管理、構(gòu)造模式特征提取、特征值優(yōu)化、智能識別等模塊組成的軟件模塊，最大程度上簡化研究人員操作、高效的獲取真實可靠的解釋結(jié)果。

　　通過斷面自動生成、層位自動追蹤等構(gòu)造解釋智能應(yīng)用模塊建設(shè)，在保證地質(zhì)需求精度的條件下，構(gòu)造解釋效率提高70%，縮短油氣藏勘探研究周期，提高探井成功率。

　　(二)油藏模型智能自動擬合

　　由于地質(zhì)建模基礎(chǔ)數(shù)據(jù)的稀缺性和不確定性，以及對地下流動規(guī)律的認(rèn)識局限，現(xiàn)有開發(fā)研究周期過長，其中模型建立、歷史擬合、方案優(yōu)化耗時占總研究周期85%，難以滿足油藏生產(chǎn)管理需求;歷史擬合過程耗時費力， 需要進(jìn)行大量的人工干預(yù)，跟蹤研究困難，亟需研發(fā)基于大數(shù)據(jù)的高效智能的輔助擬合技術(shù)，為油藏模型的大規(guī)模礦場應(yīng)用提供支持。

　　一是實現(xiàn)油藏大數(shù)據(jù)建模功能。對適應(yīng)于油藏研究的人工智能算法進(jìn)行封裝與適配，支持高精度建模、隱性相關(guān)性挖掘、優(yōu)化決策分析等應(yīng)用，建立高分辨率的地質(zhì)模型、以及與動態(tài)高吻合度的“數(shù)據(jù)物理”模型，提高建模的效率和質(zhì)量。

　　二是開展基于大數(shù)據(jù)的自動歷史擬合方法研究及功能實現(xiàn)。采用大數(shù)據(jù)技術(shù)的相關(guān)算法，建立數(shù)值模擬模型與模擬結(jié)果之間的響應(yīng)關(guān)聯(lián);在動靜態(tài)大數(shù)據(jù)的驅(qū)動下對模型進(jìn)行自動更新，實現(xiàn)歷史擬合的智能化、自動化。將相應(yīng)的算法及流程封裝成軟件模塊。

　　三是實現(xiàn)開發(fā)方案智能優(yōu)化。根據(jù)數(shù)值模擬的計算結(jié)果，分析注采流體的流動方向和流量，明確注采對應(yīng)性;在此基礎(chǔ)上，以均衡驅(qū)替為目標(biāo)，實現(xiàn)開發(fā)方案的智能化和自動化推送。井網(wǎng)優(yōu)化調(diào)整的快速實現(xiàn)，基于現(xiàn)井網(wǎng)進(jìn)行快速注采調(diào)整優(yōu)化，為進(jìn)一步提高注采效率和油氣采收率提供科學(xué)智能的方法工具和可靠的決策依據(jù)。

　　智能化自動歷史擬合方法省時省力，對工作人員的經(jīng)驗要求低，擬合效果好，是一種高效易操作的多參數(shù)調(diào)參技術(shù)，可較好地刻畫地層非均質(zhì)性，應(yīng)用于常規(guī)油氣藏外，還可以用于致密儲層、頁巖儲層等等非常規(guī)油藏的開發(fā)歷史擬合。

　　(三)油氣生產(chǎn)智能預(yù)警

　　傳統(tǒng)的采油生產(chǎn)異常計算機(jī)分析系統(tǒng)中，對油井電參數(shù)、示功圖、油井壓力等單項參數(shù)進(jìn)行獨立的分析，沒有對油井各類生產(chǎn)參數(shù)進(jìn)行關(guān)聯(lián)分析，故障識別精度低;同時傳統(tǒng)的分析方法是油井故障發(fā)生后的參數(shù)異常報警，沒有對油井各類生產(chǎn)參數(shù)變化趨勢進(jìn)行關(guān)聯(lián)分析，不能在故障沒有發(fā)生之前，提前預(yù)警問題的發(fā)生。

　　一是建設(shè)油井參數(shù)關(guān)聯(lián)診斷模型。收集、篩選、整理近年油井生產(chǎn)數(shù)據(jù)，按照維護(hù)作業(yè)原因進(jìn)行分類，提取每口井躺井前半年的實時生產(chǎn)數(shù)據(jù)，運用相關(guān)分析方法提取篩選出特征征兆參數(shù)，對所取得樣本進(jìn)行關(guān)于每個特征征兆參數(shù)的一維聚類，基于聚類分析檢測不同各個特征征兆參數(shù)對不同故障下的敏感性。建立多參數(shù)組合判斷的預(yù)警模型，挖掘各類數(shù)據(jù)變化規(guī)律，創(chuàng)建了“抽油機(jī)皮帶打滑斷脫預(yù)警”“抽油桿應(yīng)力預(yù)警”等模型。

　　二是建立油藏、井筒、地面一體化參數(shù)關(guān)聯(lián)分析模型，開發(fā)模型定制化工具。將油井常見問題的診斷分析經(jīng)驗和分析方法計算機(jī)模型化，能夠針對油井故障或問題，進(jìn)行分析模型的靈活定制。實現(xiàn)油井診斷分析功能，應(yīng)用實時數(shù)據(jù)，實現(xiàn)油井動態(tài)分析、工況診斷、設(shè)備狀況診斷的自動化和智能化。

　　三是實現(xiàn)油井生產(chǎn)問題實時預(yù)警功能。根據(jù)油井實際生產(chǎn)情況，靈活設(shè)置單井預(yù)警內(nèi)容和關(guān)聯(lián)診斷模型，實時分析油井生產(chǎn)數(shù)據(jù)的關(guān)聯(lián)變化趨勢，對油藏、井筒、地面等常見的生產(chǎn)問題進(jìn)行實時預(yù)警監(jiān)控。

　　通過生產(chǎn)智能預(yù)警應(yīng)用，充分利用實時采集數(shù)據(jù)，建立多參數(shù)組合預(yù)警模型，自動分析診斷運行異常，真正實現(xiàn)生產(chǎn)異常問題的預(yù)警，減少躺井次數(shù)、延長檢泵周期、輔助生產(chǎn)優(yōu)化。

　　四、結(jié)束語

　　總體看，世界石油石化行業(yè)的智能化發(fā)展仍處于起步階段，行業(yè)企業(yè)正在數(shù)字化運營基礎(chǔ)上，利用人工智能技術(shù)提升決策水平和工作效率，降低人工成本，保障設(shè)備安全運行。油田企業(yè)應(yīng)從勘探開發(fā)、生產(chǎn)運行等核心業(yè)務(wù)選好突破口，加快數(shù)字化轉(zhuǎn)型，推進(jìn)人工智能技術(shù)的開發(fā)和應(yīng)用，推動業(yè)務(wù)轉(zhuǎn)型升級和高質(zhì)量發(fā)展，在智能化時代重塑企業(yè)競爭力。

　　推薦閱讀：接收人工智能論文的國內(nèi)期刊有哪些