- 勘云号
- 油气装备与机械加工
一、人工智能在油气行业(勘探和开发)发展现状
(一)综述
当前,随着人工智能技术的不断发展创新,油气行业智能化发展成为各石油公司和油服公司业务投资的重要领域。人工智能也已成为油气行业智能化勘探开发及生产的关键竞争技术。2019年,石油和天然气中的人工智能市场价值为20亿美元,预计到2025年将达到38.1亿美元,在2020-2025年的预测期内复合年增长率为10.96%。人工智能在油气勘探、钻井采油、设备维护、安全管理、未来投资等各环节取得了较好的应用效果,认知智能、大数据、云计算、机器学习、深度学习等人工智能方法也为各油气勘探和开采环节提供了特定的解决方案。
(二)全球重点油企在勘探和开发领域中发展人工智能对比分析
全球各大顶尖石油公司和油服公司均对人工智能建设制定了发展规划和确定了主体技术,纷纷加快与科技公司的联合创新,发展适用于本公司的人工智能技术,力求形成领先的油气勘探开发智能解决方案。
表 1 全球重点油企及油服公司人工智能现状
2017年6月,BP风投公司投资2000万美元于Beyond Limits,以开发可以定位和开发储层、生产和提炼原油、销售和供应提炼产品的人工智能软件,旨在提高决策速度,管理运营风险,实现决策过程自动化。2019年1月,BP Ventures投资500万美元于Belmont Technology,以进一步加强BP在其上游业务中的人工智能和数字功能。
2018年4月,道达尔与谷歌签署协议,共同开发人工智能解决方案,以加速石油和天然气的勘探和生产。双方合作探索油气勘探和生产的智能化解决方案,聚焦地下成像的智能化处理与解释,特别是地震数据处理解释研究和技术文件分析的自动化,以提高工程师勘探和评价油气田的效率。
2018年9月,壳牌与微软合作共同开发Geodesic平台,旨在提高水平井定向控制的准确性和一致性,以精钻至油气含量最高的岩石层。该解决方案可简化钻探数据并处理算法,从而做出实时决策并更好地预测其结果。
2019年2月,埃克森美孚与微软的合作共同开发集成云环境,该环境可以安全可靠地从跨越数百英里的油田资产中收集实时数据。这些数据将使公司能够在钻井优化、完井和人员部署的优先次序方面做出更快更好的决策,能够快速地在整个二叠纪大规模整合第三方解决方案。
2019年9月,雪佛龙、斯伦贝谢、微软合作开发DELFI云计算平台,把大量信息整合到一个源中,从而扩大开放数据生态系统构建的人工智能和高性能计算的使用,加快数据分析和开发项目所需时间。
2017年8月,哈里伯顿和微软公司结成战略联盟,将微软的Azure智能云解决方案与勘探生产相结合,将深度学习应用于储层表征、建模和模拟,构建可视化特定领域,创建高度交互的应用程序,实现油气勘探生产的数字化。
2018年1月,贝克休斯与NVIDIA合作,使用人工智能和GPU加速计算来帮助实时提取行业数据,从地震建模、自动井规划到预测机器故障和优化供应链,洞察隐藏数据,降低油气勘探开发和加工运输的成本。2019年11月,贝克休斯、C3.ai和微软公司宣布合作,将微软云计算平台上的企业人工智能解决方案引入能源行业。
二、人工智能在油藏工程方面的应用情况
(一)综述
随着人工智能在油气勘探开发领域应用的深入,无论是在地震资料处理、井身结构优化、分层注水等科学研究方面,还是在水力压裂、预测产量等现场应用方面,人工智能都发挥了重要作用。通过利用人工智能,有助于优化油井设计,进行故障排除,增强油藏建模,提高钻探精确度等。人工智能通过开发算法来提供准确的预测情报,进行精密钻孔,识别效率低下区域,优化生产效率,减少维护成本。利用大数据分析进行模型预测,以分析生产过程的动态数据,实现公司优化运营。
(二)人工智能在油藏工程方面的应用概述
1、大数据处理和前瞻性预测
与传统的油藏数据处理方法相比,人工智能模型可以有效地关联各种无法使用物理或数学模型制定的现场数据,并提取有洞察力的信息,实现前瞻性预测。据Amar等[1],前瞻性人工智能模型通过对输入的数据结构进行插值来生成预测数据。与高保真数值模型相比,计算成本将大大减少。当前的发展表明,前瞻性人工智能模型可以有效地充当高保真数值模型的替代模型,以解决需要大量模拟运行的油藏工程问题,解决油藏的不确定性分析。
据You和Ampomah等[2],人工智能模型已成功与智能分析及优化算法结合使用,以综合考虑多个目标函数(包括采油量,项目净现值)来优化WAG注入项目存储功效。开发二次响应面和人工神经网络(ANN)模型来模拟历史匹配的数值模拟模型并预测长期项目响应。在此类研究中,项目设计参数(例如水和气的循环持续时间,井底井眼压力限制以及流体注入速率)被视为前瞻性模型的输入。GA和PSO算法与人工智能模型相结合,评估个体和粒子在进化过程中的适应性。人工智能可以在短时间内获得足够数量的模拟运行,在寻找最佳解决方案方面发挥了至关重要的作用。
此外,Sun和Ertekin [ 3 ]建立了由前瞻性ANN模型驱动的计算工作流,以进行循环蒸汽注入项目的不确定性分析。在这项工作中,蒙特卡罗模拟协议采用了ANN模型,以在储层特征存在不确定性的情况下计算采收率。在这项研究中,准备了10,000个渗透率和孔隙率值的随机样本,所有这些样本都位于不确定性范围内。专家ANN模型使用127 s CPU时间协助蒙特卡洛模拟完成所需的运行量,这比高保真度数值模拟模型快几个数量级。
2、历史记录匹配和不确定性表征
Rana等 [4]采用前瞻性的高斯过程代理模型,贝叶斯优化和高保真数值模型的结构化人工智能辅助历史匹配工作流。所开发的方法被用于解决煤层脱气项目的历史匹配问题。贝叶斯优化可以找到储层物性分布的多种解决方案,以适应油田历史数据。
Esmaili和Mohaghegh [5]开发了一个基于ANN的专家系统,该系统使用了从Marcellus页岩气藏的一部分中收集的现场数据,考虑到各种水力压裂设计,它有能力协助历史匹配过程。
Costa等[6]运用神经网络模型和遗传算法解决了油田的历史匹配问题。在此应用中,对前瞻性ANN专家系统进行了培训,以模仿高保真数值模型,以预测油田历史时期的生产数据。在优化过程中,人工神经网络模型与遗传算法协作,以最小化历史匹配误差。在这些应用中,前瞻性模型被广泛用作高保真数字模拟器的替代品,以评估不同组油藏特征的历史匹配误差。
Sun和Ertekin [7]提出了项目设计工作流程,能够找到多种聚合物段塞设计,以实现聚合物注入项目的预期产量增长。这项工作采用了前向和逆向神经网络模型。基于逆项目设计模型的预测,实现所需的提高采收率的多种聚合物段塞设计。工作流程采用前瞻性模型来检查众多聚合物段塞方法,以找到可实现预期采油量的设计方法。
3、使用地震勘测、岩心分析、完井生产数据等实现现场智能模拟
人工智能模型可用于从无法使用物理或数学方程式公式化的数据中提取有价值的信息。例如,传统的数值模型或分析模型都不能使用地震和测井数据来预测生产性能。此外,由于直接使用现场数据对特定领域的情报系统进行了处理和验证,因此其应用跳过了建立数值模拟模型的繁琐过程。
Mohaghegh[8]强调了智能模型能够分析实时油田生产数据并校准油藏模型以做出更准确的预测结果的功能。他还指出人工智能系统的重要性,通过分析实时压力和生产数据来监控油井性能并诊断油井间的连通性。
Thararoop等[9]开发了一个虚拟智能系统来描述美国致密砂岩气田的丰富的充填钻井位置。在这项工作中,对ANN模型进行了训练,以将地震勘探数据,完井数据与天然气产量进行关联。开发的专家系统能够预测可获得地震数据的现场任意位置的天然气产量。可以生成高分辨率的生产潜力图,以可视化天然气采出的最佳位置,从而指导对填充钻探位置的选择。
后来,Ketineni和Ozdemir[10]扩展了工作流程以表征陆上和海上石油储层。除地震勘测数据外,各种类型的测井数据也被用人工智能模型的输入,以预测井的生产性能。这些情报系统分阶段开发,可以在没有测井数据的位置进行事先部署规划。
Ozdemir [11]进一步实现了虚拟测井模型,以为具有复杂架构的完井生成测井记录。他开发了一种插值算法,使用井眼轨迹传递的虚拟测井值沿着井眼测得的深度构造人工测井。
Zhang和Ertekin [12]开发了一种基于人工智能的RTA方法来表征多相储层系统的相对渗透率和毛细管压力数据。同时,基于人工智能的PTA工具适用于利用多边井开发的自然压裂致密气藏,以及使用双侧井开采的气藏。
Zhang等[13]开发了将内部数值模拟程序包和基于ANN的专家系统相结合的神经模拟协议,建立了神经模拟工作流程,以允许专家系统使用从数值模拟模型生成的数据自动更新其知识。这种连接是通过GUI完成的,该GUI在数值模型和人工智能模型之间传输数据和进行交互响应。
此外,Putcha和Ertekin [14]提出了一种耦合计算协议,该协议全面采用了智能模型和高保真数值模型来解决气举问题,开发了一个ANN专家系统来解决气举注入作业的井眼水力动力学问题,同时使用组成数值模拟器计算储层中的流体流入性能。
本文转自北京勘云科技有限公司(Beijing Kanyun Technology)合作媒体或其它网站信息,目的在于传递更多能源科技信息,如内容有误、侵权请联系info@kanyune.com,我们将及时更正、删除。凡来源注明为勘云号的文章,版权均属勘云号,授权转载请署名来源。
工业和信息化部备案管理系统网站 京ICP备2021007154号
北京勘云科技有限公司
Operated by Beijing Kanyun Technology Co., Ltd.