三、人工智能算法在石油勘探开发中的应用效果对比及优缺点

（一）综述

人工智能是融合计算机、统计学、脑神经学、社会科学、心理学、仿生学等学科的综合性学科，目标是希望计算机能替代人类实现识别、认知、分析和决策等多种功能。随着低油价可能常态化，通过数字转型实际降本增效已经成为油气行业共识，石油巨头自主研发或与IT巨头联手，正在加速数字化和智能化转型，积极研究人工智能在油气行业应用。国际石油公司人工智能战略或可为我国企业借鉴。人工智能可以通过（1）提升作业效率，（2）降低作业成本，（3）智能数据预测，（4）提供更好的安全措施，和（5）寻找新的油气资源等五个方面影响石油和天然气勘探开发行业。

（二）人工智能的主要算法及其在油气田开发中的应用

1、人工智能（Artificial Intelligence，AI）

人工智能在油气勘探生产、储层管理、监控方式、自动化、大数据分析、物联网等均有重要应用。可通过识别效率低下的区域来帮助石油和天然气公司优化生产，也可对油田的监控将确保安全。人工智能和机器学习可帮助自动化常规任务，确定最佳实践，提高效率。与大数据分析结合可以开发预测模型，帮助捕获和分析生产过程的动态，优化上游运营。人工智能驱动物联网设备可监控海上石油和天然气钻机，炼油厂，管道，油井等。

 

2、机器学习（Machine Learning）

机器学习是计算机通过模拟或实现人类的学习行为以获取新知识或技能，重新组织已有知识结构并使之不断改善自身的性能深度学习。通常使用算法来解析数据、从中学习，然后对真实世界事件做出决策和预测。传统的机器学习包括决策树、随机森林、人工神经网络、贝叶斯等方面的研究。人工智能和机器学习可帮助优化油井的设计，用于排除性能欠佳的钻井故障，增强油藏建模，预测性和预防性维护，寻找页岩资源等。壳牌和微软研发出的Shell Geodesic能够实时收集钻井数据并自动做出决策，它提高了水平井定向控制的准确性和一致性，可以达到含油气最多的岩石层。它具有一个“钻井模拟器”和一套经过测试的算法，以可视化石油和天然气岩石层，呈现给地质学家和钻井人员更为逼真的油气层图像。

中国石油大港油田借助认知计算平台对900口油井进行机器学习，实现油气水层位的智能识别，识别评价时间缩短了70%，识别准确率达到专家水平。通过知识图谱的建设与应用，从业门槛明显降低，工作效率提高。

3、神经网络（Neural Network）

是一组大致模仿人类大脑构造设计的算法，用于识别模式。通过机器感知系统解释传感器数据，可对原始输入进行标记或聚类等操作。

4、深度学习（Deep Learning）

是机器学习的一种，使用包含复杂结构或由多重非线性变换构成的多个处理层（神经网络）对数据进行高层抽象的算法。目的在于建立、模拟人脑进行分析学习的神经网络，模仿人脑机制来解释数据。通过训练过程来获得数据模型，再用于评估新数据。主要算法包括深度神经网络（Deep Neural Network，DNN）、卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等。

深度神经网络（Deep Neural Network，DNN）：是在输入和输出层之间具有多层的人工神经网络。瑞典Peltarion的深度神经网络可将地质数据（孔隙度，流体渗透率，地层厚度等）作为输入值，油气产量为输出值学习两者间关系，可估算仅有地质资料区域的油气生产率。DNN可用于指导钻探位置选择等决策过程，也可优化钻井效率，使生产效率提高20%，成本降低40%。也能将钻井特征、地层压力、添加剂浓度等作为输入值，钻井堵塞可能性作为输出值，预测钻井和物理测井设备发生堵塞可能性，降低钻井成本。

卷积神经网络（Convolutional Neural Network，CNN）：是包含卷积计算且具有深度结构的前馈神经网络，在图像和图像特征提取方面性能优异。石油天然气勘探开发中，CNN可用于生产井位置选择，使用生产设施的图像（螺母，焊接，管道等）进行目视检查，人工采油方法诊断等。在输入层中输入靠近候选钻井位置储层属性后，通过执行储层模拟以获得称为（钻井位置，产量）的输入/输出数据对，预测油气产量。

循环神经网络（Recurrent Neural Network，RNN）：通过将当前数据连接到链结构中下个点的数据组成，具有链状神经网络结构的特征，其中重复了完全连接的层。RNN可用分析油气勘探行业中时间序列数据，如产量，根据深度改变值的地震分析以及物理测井曲线。根据物理测井和岩心数据可用RNN来评估孔隙度。通过使用测井数据作为输入数据及岩心孔隙度数据的深度等作为输出数据来训练循环神经网络。

生成对抗网络（Generative Adversarial Network，GAN）：深度学习算法基于必须提供学习数据作为输入/输出数据对的监督学习。Google Brain的Ian Goodfellow在2014年提出生成与神经网络是无监督学习的代表深度学习技术。在石油和天然气开发中，当未获取或需要恢复来自安全现场数据的部分数据（弹性波，物理测井，岩心等）时，将基于生成的现场数据生成并获取许多相似数据，可用于估计点或恢复剖面的材料属性。

自动编码器（Autoencoder，AE）：由一个由原始数据组成的输入层，一个用于提取原始数据主要特征的隐藏层和一个用于复制原始数据的输出层组成。石油和天然气勘探开发中，AE可用于地震数据处理，储层岩石模型校正和负载泵流量测量，也可用于恢复受损岩石的地质连续性。当在历史匹配过程中再现观测到的生产数据时，特定区域（例如油井附近）的物理性质（流体渗透性等）通常会发生重大变化，此时，储层模型原本必须保持的岩床的地质连续性可能会受到影响。如果通过使用许多将地质连续性作为输入和输出数据的相同石油物理模型来训练自动编码器，然后将历史匹配的储层模型输入到学习的自动编码器中，则既可以保持历史匹配性能，又可以保持地质连续性。可以获得部分恢复的储层模型。

模糊逻辑（Fuzzy logics）：是建立在多值逻辑基础上，运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。对于模型未知或不能确定的描述系统，模糊逻辑可以应用模糊集合和模糊规则进行推理，实行模糊综合判断。油田勘探开发中，模糊逻辑可用在处理不完整的油气田地质数据，优化勘测模型，推理出更精细地质构造等领域。

自然语言处理（NLP）和计算机视觉：计算机视觉是研究用摄影设备代替人眼对目标进行识别、跟踪和测量等机器视觉，结合编程语言对图形进一步处理的学科。计算机图形学可通过图像识别对海上油井平台仪表数据进行实时拍摄读取、分析，更加高效。对于三四千米深页岩气藏，借助地震勘探反演储层缝网发展状况，结合数值模拟探究页岩储层压裂效果是目前主流研究思路。通过自然语言和图像分析处理，研究人员可以设定一定的图像阈值，优化数据。

例如：中国石油将华为云工业智能体新技术引入生产实践，用知识图谱、自然语言处理和机器学习等人工智能技术进行知识体系的构建、计算和应用，为油气勘探开发科研、生产管理提供智能化分析手段，支撑油气勘探开发增储上产和降本增效。

2019年1月4日，海油发展工程技术分公司开发人工智能软件，可以基于储层、裂缝、流体、压裂改造等属性描述大数据，建立全空间模型，自主向测试的产能数值进行深度学习，预测三维空间产能指数。

IBM沃森认知系统是认知计算代表，已经在勘探开发、油气生产、工程技术等方面有成功案例，比如数据驱动测井自动解释、地震认知解释系统、油藏类比分析系统、井下作业认知顾问、钻井卡管预测、钻井风险预测认知分析等领域。沃森的美国用户通过使用高级分析技术进行系统的近实时性能优化，降低了上游油气钻探成本。每年收回2亿美元的收入，并将整体钻探功能故障和故障时间减少了22％。

2019年5月，埃尼与IBM联合开展的AI研究成果“认知发现”（Cognitive Discovery），为勘探阶段初期决策提供支持，减少勘探与地质复杂性可能导致的潜在风险。“认知发现”在处理大量地质、物理和地球化学等数据时提供更真实，更精确的地下地质模型，有助于科学家日常决策。

（三）人工智能主要算法的优缺点

人工神经网络（ANN）最常用、最简单，但对输入参数要求更高。PSO易于实现但准确性相对较低。模糊逻辑不需要数学模型，但精度较低。SVM适用小样本学习，对数据丢失敏感，对非线性问题没有通用解决方案。GA方法具有很高并行度，易于与其他算法组合，但是编程过程复杂，训练时间更长。

表 3 人工智能常见算法优缺点

四、本次调研报告的经验与启示

随着人工智能技术的迅速发展和油气勘探开发技术需求的不断提高，油气行业的数字化、智能化改革，是当代石油企业的主要发展方向，也是未来的油气行业的工作核心。面对开发过程中的动态分析、自动历史拟合、开发方案优化及提高采收率措施优选等主要生产问题，我国急需利用先进的人工智能模型分析存在的问题，通过智能优化方法思考最佳策略与方案，最终辅助技术人员对现场实施进行决策。

1、推动油气人工智能由各公司定制化业务向全行业通用化发展转变，建设人工智能整合应用平台，促进全行业及产业链集成优化发展。

2、做好顶层设计，进行合理布局，制定统一规划，实现各油气公司协同高效发展。

3、进行数据资源整合，完善油气数据共享平台，统一数据应用标准，实现油气资源数据实时共享。

4、进一步整合人工智能方面的技术人才和力量，开展关键技术研究，打造人工智能创新应用环境。