劉 偉 閆 娜

1.中國石油集團工程技術研究院有限公司；2.中國石化石油工程技術研究院

Gartner公司在界定及分析顛覆性技術方面具有豐富經驗，在其2017年發(fā)布的報告中顯示，人工智能(Artificial Intelligence，簡稱AI)類新興技術在成熟度曲線上快速移動，正處于曲線的巔峰位置，與之相適應的數(shù)字化平臺類技術在曲線上處于上升期，與之相匹配的商業(yè)生態(tài)擴展類技術區(qū)塊鏈等技術有望在未來5～10年產生變革性影響。美國國會下屬的政府問責局(GAO，前身是美國總審計局)對AI的發(fā)展前景進行專題調研，認為即使人工智能技術停止前進，由今天的人工智能引發(fā)的變革仍將產生廣泛而深遠的影響[1]。目前，AI還沒有被廣泛接受的嚴格定義，籠統(tǒng)地說，是提高機器的計算力、感知力、認知力、推理能力等智能水平，使其具有判斷、推理、證明、識別、感知、理解、溝通、規(guī)劃和學習等思維活動，讓機器能夠自主判斷和決策，完成原本要靠人類智能才能完成的工作。主要研究內容包括邏輯推理與定理證明、專家系統(tǒng)、機器學習、自然語言理解、神經網絡、模式識別、智能控制等。

1 AI在石油工程領域的研究應用概況

AI在石油工程領域的研究應用已有幾十年的歷史，最早于20世紀70年代出現(xiàn)在國際石油工程師協(xié)會(SPE)論壇。2009年，SPE數(shù)字能源科技部門的部分會員成立了“人工智能與預測分析”分會，定期組織相關研討，推動AI技術在油氣領域的應用。

Onepetro(SPE文獻資料平臺)的文獻調研表明，從2000年開始，石油工程領域對AI保持了較高的研究熱情，2010年之后公開發(fā)表研究文章的增長速度大幅提升(圖1)。從應用方法的選擇上來看，人工神經網絡、模糊邏輯和遺傳算法是石油工程應用中最常用的AI技術，其他如支持向量機、功能網絡和基于案例的推理等方法也有應用。2010年之后，關于機器學習的研究和應用超過了人工神經網絡，成為研究最多的領域(圖2)。

圖1 SPE研究人工智能的文章數(shù)量

圖2 SPE研究神經網絡和機器學習的文章數(shù)量

2014年國際油價斷崖式下跌以來，石油工程領域的參與者為了提升競爭力和抗風險能力，都希望通過數(shù)據分析、實時監(jiān)測和自動化來尋求可持續(xù)性發(fā)展，人工智能技術以軟件、智能裝備、作業(yè)平臺及專項服務等多種形式在石油工程領域廣泛應用，應用的領域已滲透到從管理到勘探開發(fā)施工現(xiàn)場的各個環(huán)節(jié)，提升了石油工程領域自動化和智能化水平。

2 AI在石油工程中的主要應用領域

2.1 基于AI的智能工作流，形成了多學科、多 環(huán)節(jié)協(xié)作的工作平臺

為了提高決策質量和管理水平，石油公司紛紛啟動數(shù)字油田項目，如殼牌的智能油田、BP的未來油田項目等，還有的公司起名為智慧油田、未來智能油田、e-油田、一體化數(shù)字油田等，基本路徑都是以數(shù)據采集和存儲為基礎，在數(shù)據應用層形成相互支撐的協(xié)同研究平臺、生產管理平臺、經營管理平臺和決策支持平臺，以優(yōu)化工作流程、提高工作效率和決策質量。對各個環(huán)節(jié)實時監(jiān)測數(shù)據的智能分析、一體化協(xié)同和可視化展示是這些項目成功的關鍵，而以數(shù)據降維、結構化、分類、聚類、可視化為主要特征的AI技術是這些項目最核心的支撐。

BP、殼牌公司、雪佛龍、Statoil(挪威國家石油公司)等公司在數(shù)字油田建設方面處于領先地位。殼牌的智能油田項目由智能井、先進協(xié)作環(huán)境、整體油藏管理等子項目構成，通過基于井筒中傳感器傳輸?shù)膶崟r信息的分析決策，控制相關控制閥，實現(xiàn)油田生產的最佳狀態(tài)。Statoil的“整合運營項目”，通過創(chuàng)新的數(shù)字化工作流的應用，實現(xiàn)了跨學科、公司組織、地方協(xié)同合作。BP在“未來油田”建設中，在全球建立35個協(xié)作中心，將地面與地下的實時數(shù)據傳送到遠程中心進行分析，實現(xiàn)了多學科多地區(qū)的協(xié)同。

科威特國家石油公司的數(shù)字油田(KwIDF)建設啟動于2010年初，經過數(shù)次升級完善，現(xiàn)已形成地上地下一體化的智能工作流[2]?？仆貒沂凸镜臄?shù)字油田內部結構可分為4個層次(圖3):第一層是分析及數(shù)字化工具，主要用來記錄生產歷史，使用的方法主要包括節(jié)點分析、遞減曲線分析、虛擬計量和數(shù)值模擬等；第二層是統(tǒng)計工具，主要用來監(jiān)測實時生產現(xiàn)狀，應用的方法主要包括線性回歸、蒙特卡洛等；第三層主要利用智能代理進行短期預測，主要方法包括模型識別、神經網絡、模糊邏輯等；第四層主要是應用數(shù)值模擬方法進行中長期產量預測。科威特國家石油公司第一代的數(shù)字油田主要側重于生產工程工作流上的共享和優(yōu)化，包括關鍵性能指標檢測、井筒性能評價等9個主要功能，隨著基礎設施的逐漸完備，又增加了地下模型更新及重新計算、地下注水優(yōu)化和一體化生產優(yōu)化的功能，升級為地面系統(tǒng)和地下系統(tǒng)集成的高級智慧工作流(圖4)。

圖3 科威特數(shù)字油田(KwIDF)工作流結構

圖4 第二代KwIDF自動工作流的主要功能

斯倫貝謝公司推出的DELFI感知勘探與生產多維環(huán)境平臺軟件，集成了機器分析和學習、高性能計算、物聯(lián)網等技術。通過項目管理、嵌入式引擎、實時工程協(xié)作和自動化設計確認來完成鉆井設計。同時，該平臺還可提供1000個3D地震、500萬口井、100萬組錄井和4億組生產數(shù)據作為模型訓練的基礎。

2.2 基于AI的管理工具已替代部分人類員工

基于AI的管理工具，如智能機器人、虛擬助手等，不僅在高?；蛑貜褪┕r替代了人類，在日常辦公管理中也逐漸顯示出優(yōu)勢。

2017年，中國航天科工集團第三研究院35所研制出的用于海底油氣管道檢測的蛇形機器人，可實現(xiàn)管道內外壁缺陷的準確識別、精確定位，現(xiàn)已通過油田實際檢測。為了監(jiān)測哈薩克斯坦卡薩干油田的硫化氫氣體，殼牌公司開發(fā)出配備有傳感器、攝像頭和無線通信系統(tǒng)的探測車——Sensabot機器人，只需一名工人遠程操控。道達爾發(fā)起了油氣田地面機器人(ARGOS)國際比賽，并研制出可全天候巡邏及執(zhí)行緊急操作的機器人原型，目前雖沒有測試和應用的后續(xù)報道，但在公司年報中重點提到要通過AI技術來提升勘探能力。另外，?？松梨诠竞吐槭±砉W院、挪威國家石油公司和挪威科技大學等均在聯(lián)合研究人工智能機器人。

虛擬助理已在殼牌多個管理環(huán)節(jié)中使用，如使用機器學習技術，將員工與合適的項目相匹配，成為人力資源管理助理；使用Amiela虛擬助理響應供應商關于發(fā)票的詢問；在門戶網站上的虛擬助理Emma和Ethan，可通過在線聊天的自然語言交流提供殼牌所有潤滑油的產品信息，包括產品名稱、主要特性、包裝規(guī)格和購買渠道等。在殼牌的發(fā)展計劃中，自動化機器人將逐漸接管人類員工常規(guī)查詢問答、觀察和數(shù)據等收集任務。

2.3 基于AI的資產管理工具可提供更高效準確 的預測性維護

石油工程領域的設備需要定期檢查以保障其正常運行，設備檢測屬于勞動密集型作業(yè)，耗時多、作業(yè)風險高，而定期檢查錯誤發(fā)現(xiàn)率還不到2%，容易造成人財物的浪費。

貝克休斯公司利用數(shù)字孿生體(Digital Twin)技術，實現(xiàn)物理機械和分析技術的融合，通過儲存于Predix工業(yè)互聯(lián)網平臺上的深度學習模型，可以自動檢測設備缺陷和異常情況，提供潛在故障的早期預警，根據風險制定檢測計劃，避免不必要的常規(guī)周期檢測維修。2016—2017年貝克休斯為Maersk Drilling鉆井公司10部鉆機的頂驅、絞車、推進器、主發(fā)動機等關鍵部件提供了基于數(shù)字孿生體的性能管理方案。目前，貝克休斯已經為5000多個裝備儀器建立了數(shù)字孿生體，正在研究建設井的數(shù)字孿生體，通過安裝在井筒內的傳感器，獲取井筒內的工具和設備信息以及儲層狀態(tài)信息，可將井的狀態(tài)、設備的運行狀態(tài)與井的生產狀態(tài)結合在一起[3]。

油氣行業(yè)泵制造商福斯(Flowserve)的SparkCognition軟件也可提供類似服務。該軟件提供自動化模型構建方法，可以在模型訓練所需的故障數(shù)據缺失的情況下，建立可靠的模型，進行預測性維護功能。

2.4 AI持續(xù)助力地震資料分析，為更精確鉆井提 供堅實基礎

石油地球物理勘探通過大量地震、電磁、重力等數(shù)據分析獲取構造運動和沉積演化規(guī)律，這一過程與AI技術從海量數(shù)據中尋找規(guī)律的路徑完全一致，石油地球物理勘探成為AI技術的天然試驗場:地球物理反演技術中應用了基因算法、模擬退化算法、粒子群算法、馬爾科夫鏈和蒙特卡洛等方法；邊緣檢測算法被應用到自動追蹤地震層位輔助地震解釋上；蟻群算法被運用于三維地震數(shù)據解釋。

初創(chuàng)公司Nervana基于深度學習方法，訓練數(shù)據根據地震資料發(fā)現(xiàn)油氣資源，在其云端開發(fā)的油氣勘探解決方案，可在沒有人工干預的情況下從三維地震圖像中識別大量地下斷層，從而減少地質人員在重復性工作上花費的時間。

2.5 AI促進了鉆井自動化和更安全、更高效

在數(shù)據采集、傳輸技術發(fā)展的協(xié)同下，AI技術在鉆井設計、鉆井實時優(yōu)化、操作故障預警等方面發(fā)揮了積極作用。

2.5.1 鉆井設計

AI技術在鉆井設計中的應用主要有鉆頭選擇、鉆井液與裂縫梯度預測、坍塌壓力預測及海上鉆井平臺選擇等[4-6]。

國民油井公司(NOV)采用人工神經網絡(ANN)方法對鉆頭選擇數(shù)據庫的數(shù)據進行訓練，形成優(yōu)化鉆頭選型的人工智能方法。數(shù)據庫中的信息包括:在特定巖層中使用的鉆頭、鉆頭在IADC中的代碼、巖石強度數(shù)據、地質特性和鉆頭在該類巖石的常規(guī)鉆速。應用經過訓練后的人工神經網絡，用戶輸入地理位置數(shù)據、地質數(shù)據、巖石力學數(shù)據和已鉆井數(shù)據后，即可輸出選擇的鉆頭類型、該鉆頭的性能預測及使用指南。與此同時，用戶輸入的數(shù)據會進入到數(shù)據庫中，繼續(xù)參加數(shù)據訓練(圖5)。

圖5 國民油井公司使用人工神經網絡方法優(yōu)化鉆頭選擇的原理

在中東地區(qū)，油服公司使用人工神經網絡方法來預測套管坍塌的發(fā)生概率和深度，使用BP神經網絡程序，用戶定義的內部(隱藏)層的反向傳播網絡可以連接到輸入和輸出層，提供一個估計井筒套管坍塌深度的“經驗值”。數(shù)據層可以有多個輸入，如位置、深度、孔隙壓力、腐蝕速率、套管強度等(圖6)。

圖6 應用BP神經網絡預測套管坍塌深度的基本框架

海上鉆井平臺的選擇需要基于區(qū)塊位置、水深和井深、預期生產速度、成本、作業(yè)者經驗、預期的天氣和潮汐條件等諸多因素來決策。中海油田服務股份有限公司(簡稱中海油服)2011年建立了基于BP人工神經網絡的深水浮式平臺選型模型:使用經LM(Levenberg Marquardt)算法改進BP神經網絡，具有9個輸入節(jié)點，包含5個模型功能和1個隱藏層(技術成熟度、油田開發(fā)時間、成本、作業(yè)者經驗)。該模型對10個初始樣本數(shù)據計算準確率達到70%以上。

2.5.2 鉆井實時優(yōu)化和風險預警

實時風險預警基于模糊(或基于實例)推理方法，將現(xiàn)場數(shù)據(鉆頭、鉆柱和底部鉆具組合的實時監(jiān)測數(shù)據)與數(shù)據庫參考集進行基礎比較，并提示實際值和參考值之間的偏移，可預估鉆井風險，確定原因，建議預防或控制措施，通過操作者對可控影響因素調控，達到優(yōu)化和規(guī)避風險的目的。

利用大量鉆井的日常鉆井報告(DDRS)、井段完鉆報告(EORS)和完井報告(EOWR)建設數(shù)據庫，使用2～3個完全互連的前饋隱藏層的網絡(反向傳播學習規(guī)則)，基于一些鉆井參數(shù)建立的模型，可以自動追蹤關注的參數(shù)，必要時提示操作者對可控因素進行調整。近年來，在AI技術的幫助下，壓差卡鉆事故明顯減少。2006年后，AI技術可以在卡鉆發(fā)生前準確預測，而且形成了很多預測卡鉆和釋放管柱壓力的方法[10]。

另外，鉆柱振動的控制也得益于AI技術的發(fā)展，鉆柱振動是造成鉆具損壞的主要原因，受鉆頭類型、鉆壓、轉盤轉速、地層巖性、井眼條件等多種因素影響。早期，現(xiàn)場經驗豐富的司鉆通過鉆進時的聲音等信息來判斷鉆具工作狀態(tài)，缺乏可靠性和可傳承性；當前，利用人工神經網絡，對地層、井型、裝備組合、施工中轉速、鉆壓、扭矩等數(shù)據的訓練，形成模型，通過干預鉆具組合、轉盤轉速等因素，實現(xiàn)了減少振動、提高鉆井效率的效果。

2.5.3 特定作業(yè)程序選擇

為了達到提高產量、降低成本、節(jié)省時間的目的，經常需要選擇一些特殊的鉆井作業(yè)程序(如欠平衡鉆井、過平衡鉆井、噴射鉆井等)，為了評價所選作業(yè)程序的適用性，需預先對鉆井參數(shù)進行深入考慮。

雪佛龍公司應用基于案例推理(CBR)進行淺疏松砂巖最佳洗井程序的選擇(2008)。為了進行推理評估，建立了包含近5000口井的生產操作和井筒干預的詳細信息的數(shù)據庫。通過一組隨機案例的初始測試，結果表明AI工具提出的方法和專家現(xiàn)場指導實施的方法有80%的相似性[11]。

1.2方法 兩組患者在入院之后全都嚴格禁酒,并且所有醫(yī)護人員都會全程監(jiān)督,相關家屬和本人自身也一定要很好的配合治療[2]。

在連續(xù)油管作業(yè)中，作業(yè)程序制定主要依據作業(yè)者的經驗，傳統(tǒng)的連續(xù)油管仿真軟件沒有足夠現(xiàn)場數(shù)據做支撐，無法有效識別風險，在復雜井施工中該作業(yè)方式易降低作業(yè)質量，甚至損壞作業(yè)設備。貝克休斯的CIRCA連續(xù)油管軟件則基于過去30年現(xiàn)場數(shù)據進行學習和建模改進，將理論模型和以往大量的現(xiàn)場經驗數(shù)據進行擬合，幫助作業(yè)者基于可靠的實際數(shù)據進行決策。

2.6 AI在油藏開發(fā)中的應用，促進油田在整個生 命周期的產出最大化

利用油田生產的歷史數(shù)據進行開發(fā)效果優(yōu)化是AI技術在油藏開發(fā)和開采領域的主要應用方式，英國石油公司(BP)與硅谷一家公司合作開發(fā)的基于AI的優(yōu)化模型，將試點項目中的180口油井的產量提高了20%。

另外，AI技術為壓裂施工方案設計、施工井及層位的選擇提供了更為準確的方法。中國石油新疆油田公司收集大量壓裂歷史數(shù)據，優(yōu)選出儲層參數(shù)、巖石力學參數(shù)、壓裂施工參數(shù)和產能參數(shù)等作為建模基礎，采用BP神經網絡和LM算法、Sigmoid函數(shù)作為激活函數(shù)，并采用委員會機器的思想建立專家組，分別建立了裂縫模擬神經網絡專家組和產能模擬神經網絡專家組，應用遺傳算法優(yōu)化施工方案。油田實際應用結果證明，該方法預測的平均相對誤差有明顯降低，達到了壓裂方案科學決策與參數(shù)精細優(yōu)化、切實提高壓裂效果的目的[12]。

3 AI技術對石油工程業(yè)務的影響及應對

3.1 有助于提高石油工程施工及決策的效率和質 量，提升油氣投資收益水平

AI技術的應用可提升資產管理、生產優(yōu)化、鉆井過程、油藏管理和供應鏈管理等各方面的效率，可有效減少石油鉆井項目的綜合成本，提高油氣項目投資的最終收益。

首先，深度機器學習等AI技術為決策者從大量非結構化數(shù)據中揭示規(guī)律提供了手段，可以將更多的決策影響因素納入考量范圍，從而實現(xiàn)多角度、多層次的投資決策評價。如油公司采用深度機器學習的地理物理技術追蹤船只，并將由此獲得的能源航運業(yè)變化趨勢納入行業(yè)發(fā)展趨勢分析判斷中。其次，AI工具的研發(fā)可替代部分人力，在提升效率的同時減少員工風險。以前需要耗費研究人員或工程師很長時間的搜索、閱讀、編譯和分析的工作，AI工具可在幾秒內完成，可顯著提高效率、降低成本。再次，AI技術可提升決策質量，減少決策失誤帶來的損失。根據麥肯錫公司的統(tǒng)計數(shù)據，使用AI算法可更準確地篩選地震數(shù)據中的信號和噪聲，避免了10%的干井投資損失。

3.2 AI技術的推廣應用有望帶來公司結構徹底變 革，業(yè)內企業(yè)需及早謀劃

微軟公司曾表示，人工智能在未來5～10年內或將成為石油和天然氣工業(yè)的最大威脅。這種威脅首先來自于更多智能化設備會替代人類工作。更深遠的影響在于，AI技術的發(fā)展及應用，刷新了對新一代石油工程師在數(shù)據分析方面的要求，也在改變著對未來石油人才的綜合技能考核標準，要最大限度地釋放AI技術的潛力，不可避免地需要更多具備軟件和數(shù)據科學技能的人才，這將意味著徹底改革公司人員結構。為了應對信息技術革新的沖擊，在過去兩年中，斯倫貝謝投入了大量時間和精力，重新培訓員工使用分析技術和人工智能技術。建議業(yè)內企業(yè)及早謀劃和應對，加快AI技術成為地球物理、鉆井、測井等各專業(yè)人才的通用技術，不僅在各自的專業(yè)領域內精通，也要在其他領域內積極應用相關技術。

3.3 AI工具的商業(yè)化需注意應用瓶頸，相關的技 術研發(fā)以可解釋型人工智能為目標

目前，大部分AI工具和軟件正處于研究和試驗階段，商業(yè)化應用受多種因素制約，如可靠性問題，由于AI對數(shù)據有嚴重的依賴性，是基于訓練數(shù)據集映射輸出和輸入變量之間的關系，導致訓練好的模型用在變化的環(huán)境或領域時，性能會明顯下降。更嚴重的制約在于，AI的數(shù)據處理過程通常被標記為“黑箱”，操作者只是知其然而不知其所以然，不知道什么時候該信任它，什么情況下它會出現(xiàn)失誤，這些都會形成信任障礙。只有打開“黑箱”，使用戶明白內部的邏輯關系，才能形成真正的信任。美國政府問責局的研究報告中，對于目前的AI與可解釋的AI比較如圖7所示。對于石油工程這個專屬性比較強的領域，只有真正實現(xiàn)了可解釋人工智能，才能為商業(yè)化應用奠定堅實基礎。

3.4 高質量數(shù)據的安全共享是AI發(fā)揮更大優(yōu)勢 的前提，需行業(yè)機構持續(xù)推動

數(shù)據是AI最核心的部分。AI只有在行業(yè)內有大量數(shù)據后才能發(fā)揮作用。在正確的時間和條件下，將正確的數(shù)據和由此數(shù)據分析得到的見解傳遞給用戶，是AI系統(tǒng)最基本的工作原理。多環(huán)節(jié)數(shù)據共享才能為AI創(chuàng)造發(fā)揮更大作用的空間，石油工程作業(yè)過程涉及多個環(huán)節(jié)，每個環(huán)節(jié)都存在多個專業(yè)的眾多參與主體，在數(shù)據信息高度保密的前提下，各個環(huán)節(jié)眾多數(shù)據的生產者、所有者、使用者需進一步仔細界定。另外，不同公司、不同專業(yè)設備傳輸數(shù)據的一致性、可靠性直接決定了AI系統(tǒng)的數(shù)據處理復雜程度和分析質量。油氣行業(yè)已經認識到數(shù)據質量的重要性，為了提升不同參與者之間數(shù)據共享的可行性，降低數(shù)據處理難度，2016年，SPE協(xié)會的作業(yè)者數(shù)據質量小組(OGDQ)組織鉆井承包商、原始設備制造商(OEM)和服務公司合作，共同規(guī)范石油工程領域鉆井數(shù)據的采集、傳輸、存儲、轉換、集成和應用等各個環(huán)節(jié)，在各類機構之間形成數(shù)據的校準和統(tǒng)一，形成的規(guī)范可大幅提升數(shù)據一致性和可靠性[13-14]。

圖7 美國政府問責局對可解釋AI的闡釋

另外，輸入錯誤數(shù)據，引導產生錯誤模型，從而形成樣本攻擊，這是人工智能技術廣泛應用時必須面對的問題，這些問題的解決都需要行業(yè)機構對各環(huán)節(jié)進行進一步的規(guī)范和標準化。

3.5 AI技術應用帶來的鎖定效應、黑洞效應，會 進一步改變石油工程領域的競爭態(tài)勢

以數(shù)據和網絡為基礎的AI將會帶來競爭態(tài)勢的改變，信息技術一般遵循“機遇優(yōu)先”的發(fā)展規(guī)則，依托于信息技術的新產品將形成一定的“鎖定效應”，形成標準和使用習慣，自動生成市場壁壘。另外，與物質使用過程的損耗不同，數(shù)據的使用過程是增值過程，隨著處理數(shù)據的范圍和頻次增多，AI工具的智能水平會不斷提高，競爭力會越來越強，這種優(yōu)勢疊加就會形成一種天然的網絡張力，從而形成黑洞效應，進入較早的強勢技術猶如宇宙里的黑洞，會最大可能地吸納更多的資源，并將資源轉化成財富，從而在激烈市場競爭中生存下去。建議國內石油工程企業(yè)要充分認識AI技術發(fā)展的緊迫性，及早進行科學規(guī)劃，采取并購、合作等有效手段快速發(fā)展，在新一輪競爭中爭取優(yōu)勢地位。