林伯韜 ，郭建成

1 中國石油大學(xué)(北京)油氣資源與探測國家重點實驗室，北京 102249

2 中國石油大學(xué)(北京)石油工程學(xué)院，北京 102249

0 引言

數(shù)據(jù)智能、人工智能和虛擬現(xiàn)實，已成為油氣智能勘探開發(fā)及生產(chǎn)的關(guān)鍵技術(shù)[1]。現(xiàn)階段隨著人工智能技術(shù)的不斷發(fā)展，石油行業(yè)越來越認識到油氣行業(yè)智能化是推動行業(yè)發(fā)展的必要動力。油氣行業(yè)的日常活動總是需要不斷解決錯綜復(fù)雜、變幻莫測的難題；特別是針對油氣勘探開發(fā)和生產(chǎn)領(lǐng)域遇到的各種非線性問題，通常需要做出高風(fēng)險的決策[2]，同時提升決策的精確性和科學(xué)性[3]。這些需求促使人工智能在石油工業(yè)領(lǐng)域的應(yīng)用成為必然。

人工智能在石油工業(yè)領(lǐng)域的應(yīng)用研究已有數(shù)十年歷史，范圍涵蓋勘探開發(fā)、開采設(shè)備設(shè)計、鉆井采油直至公司運營等各個環(huán)節(jié)。人工智能在石油行業(yè)意味著效率和效益，在全球油氣大環(huán)境下，降本增效成為各個國家首要選擇，而人工智能的應(yīng)用能成為有力武器。目前，油氣行業(yè)智能化的趨勢已經(jīng)不可阻擋。自2000年開始，石油工業(yè)領(lǐng)域?qū)θ斯ぶ悄艿难芯块_始呈井噴式增長，2010年之后公開發(fā)表的SPE系列(One Petro數(shù)據(jù)庫)研究文章增速顯著，自2017年起每年在該數(shù)據(jù)庫發(fā)表的文章已超過200篇[4]。近年來，神經(jīng)網(wǎng)絡(luò)、基因優(yōu)化到模糊邏輯等人工智能技術(shù)的應(yīng)用已迅速貫穿油氣勘探、鉆井、開發(fā)、生產(chǎn)管理的全生命周期[5]。

1 人工智能概述

1.1 人工智能簡述

人工智能(Artificial Intelligence，簡稱AI)在2017年我國的政府工作報告中，首次上升為國家戰(zhàn)略：全面實施戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃，加快人工智能等技術(shù)的研發(fā)和轉(zhuǎn)化，做大做強產(chǎn)業(yè)集群[6]。這也為油氣行業(yè)與人工智能的結(jié)合提供了契機。

人工智能的核心思想是讓機器能夠自主判斷，完全或部分代替人類決策，并使解決問題的工作效率最大化和收益最優(yōu)化。人工智能是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新興的技術(shù)科學(xué)[7]。它試圖了解智能的實質(zhì)，并創(chuàng)建一種能以類似人類智能的方式做出反應(yīng)的智能機器。該領(lǐng)域的研究方向包括機器人、語言識別、邏輯推理、智能控制、圖像識別、自然語言處理和專家系統(tǒng)等[8]。人工智能是對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考，也可能超過人的智能。從智能程度來分，它主要包括弱人工智能、通用人工智能和強人工智能。弱人工智能包含基礎(chǔ)的、特定場景下角色型的任務(wù)，如Siri等聊天機器人和AlphaGo等下棋機器人；通用人工智能包含人類水平的任務(wù)，涉及機器的持續(xù)學(xué)習(xí)；強人工智能指比人類更聰明的機器。目前來說，人工智能產(chǎn)業(yè)已發(fā)展到通用人工智能的水平。

人工智能隨著電子計算機、機器翻譯和自然語言處理(NLP)的發(fā)展逐漸成型。它正式誕生于20世紀50年代的達特矛斯會議，緊接著隨著搜索式推理和聊天機器人的發(fā)明進入了樂觀思潮時期。人工智能在20世紀八九十年代由于沒有達到預(yù)期的效果步入低谷期，投入削減，研究進度放緩。但是隨著機器學(xué)習(xí)和深度學(xué)習(xí)的興起，人工智能再次走向工業(yè)前臺[9]。現(xiàn)在隨著大數(shù)據(jù)技術(shù)的應(yīng)用，人工智能開始逐步引領(lǐng)工業(yè)4.0，促使人類社會進入應(yīng)用信息物理融合系統(tǒng)(CPS)的時代(見圖1)。信息物理融合系統(tǒng)CPS是一個綜合計算、網(wǎng)絡(luò)和物理環(huán)境的多維復(fù)雜系統(tǒng)，通過3C(Computation, Communication, Control)技術(shù)的有機融合與深度協(xié)作，實現(xiàn)大型工程系統(tǒng)的實時感知、動態(tài)控制和信息服務(wù)[10]。

1.2 人工智能的發(fā)展階段

人工智能在近年來實現(xiàn)了飛速發(fā)展，促使越來越多的新產(chǎn)品面世。Gartner[11]新興技術(shù)成熟度曲線(圖2)揭示了三方面的未來趨勢：(1)無處不在的人工智能；(2)透明化身臨其境的體驗；(3)數(shù)字化平臺。人工智能作為新興的技術(shù)可以解決現(xiàn)實中大多難以解決的難題，無處不在的人工智能推動各個行業(yè)的發(fā)展。它是推動透明化身臨其境體驗技術(shù)發(fā)展的主要動力；其中互聯(lián)家庭、人體增強等隨著技術(shù)演變更加適應(yīng)工作場所和家庭環(huán)境的數(shù)字平臺在曲線上處于快速上升期，而量子計算和區(qū)塊鏈將在今后5—10年內(nèi)帶來變革性的影響。

圖1 人工智能的發(fā)展歷程(改自王海峰[9])Fig. 1 Historical progress of artificial intelligence (modified from Wang[9])

圖2 人工智能的發(fā)展階段(改自Gartner[11])Fig. 2 Progressive stages of artificial intelligence (modified from Gartner[11])

我國在人工智能技術(shù)上發(fā)展較快，主要有以下三個原因：首先國內(nèi)人工智能市場巨大，這也引起了大批國人的關(guān)注，據(jù)統(tǒng)計，有43%的人工智能論文產(chǎn)自國內(nèi)[12]；同時，眾所周知，中國年輕人數(shù)學(xué)非常好，也愿意追逐熱門行業(yè)，可以快速訓(xùn)練出大批的人工智能工程師團隊；此外中國對人工智能的約束相對較少，政府政策的鼓勵和社會對隱私的寬容度也給人工智能的工作者提供了廣闊的施展空間[13]。這些現(xiàn)象說明中國人非常適合發(fā)展人工智能，不久的將來，我國的人工智能技術(shù)將會迎來質(zhì)的飛躍。

石油工業(yè)對人工智能技術(shù)的渴求日益增加。無論是諸如地震資料處理、井身結(jié)構(gòu)優(yōu)化、分層注水等科學(xué)研究還是水力壓裂、預(yù)測產(chǎn)量等現(xiàn)場應(yīng)用方面，都對新一代石油工業(yè)從業(yè)人員在數(shù)據(jù)分析、智能化調(diào)控能力方面提出了更高的要求，也在重塑石油工業(yè)人才需求的標準。此外，隨著石油資源的不斷開采，地球越來越面臨資源枯竭的威脅，未來的資源開采必定擴展到極地深海等危險地帶。保證人員安全、效率和效益迫切需要人工智能與油氣技術(shù)的緊密結(jié)合。

2 石油工業(yè)與人工智能的跨界融合

近年來，全球各大頂尖石油公司紛紛加快與新興計算機科技(IT)公司的聯(lián)合創(chuàng)新，發(fā)展適用于石油行業(yè)的人工智能技術(shù)，力求為石油天然氣的勘探開發(fā)提供全新的智能解決方案，以期孕育新的油氣革命。本文選取五個標志性事件進行闡述。

2.1 國外石油公司與科技公司在人工智能上的聯(lián)合創(chuàng)新

2.1.1 道達爾牽手信息技術(shù)領(lǐng)跑者谷歌[14]

2017年4月，道達爾正式對外宣布和谷歌云部門簽署框架協(xié)議，主動擁抱智能創(chuàng)新，聯(lián)合發(fā)展石油工業(yè)領(lǐng)域的人工智能技術(shù)。油氣勘探開發(fā)中地質(zhì)數(shù)據(jù)的處理分析是道達爾此次人工智能技術(shù)率先應(yīng)用的領(lǐng)域。在石油勘探開發(fā)中，搜集整理地質(zhì)數(shù)據(jù)是至關(guān)重要的環(huán)節(jié)；目前，由于各種技術(shù)限制，大量的油氣資源無法高效開采出來，迫切需要地質(zhì)建模更加精細化。但是由于技術(shù)問題，如地質(zhì)數(shù)據(jù)不全或建立的地質(zhì)模型存在較大誤差(如地質(zhì)甜點分析、定位不準)，在嚴重情況下甚至使建立的地質(zhì)模型無法使用，從而影響整個油田的開發(fā)。大量地質(zhì)數(shù)據(jù)的采集處理是目前地質(zhì)科學(xué)家和石油工程師都無法完全解決的難題；而人工智能的應(yīng)用則具備解決該難題的巨大潛力。

人工智能當(dāng)中的模糊邏輯技術(shù)(Fuzzy Logic)[15]能夠處理“不完備”和“不完美”的數(shù)據(jù)。利用模糊邏輯處理勘探地震數(shù)據(jù)，做出靠人力難以實現(xiàn)的預(yù)測，從而更精細地描述油田的地質(zhì)模型。道達爾和谷歌合作開發(fā)了一套能夠解釋地層圖像的人工智能程序，該程序能夠利用計算機成像技術(shù)實現(xiàn)地震數(shù)據(jù)的機器學(xué)習(xí)，并利用自然語言處理技術(shù)自動分析數(shù)據(jù)文件，從而建立更加精確的地質(zhì)模型。

2.1.2 殼牌與微軟在人工智能領(lǐng)域開展合作[16]

殼牌和微軟在2017年實現(xiàn)聯(lián)手，決心在定向鉆井方面實現(xiàn)人工智能化，推動鉆井技術(shù)的進一步發(fā)展。定向井鉆井技術(shù)目前已經(jīng)十分成熟，廣泛應(yīng)用于頁巖氣的開發(fā)，但是這一技術(shù)依然需要耗費大量的人力、物力：由于需要在工作過程中應(yīng)對各種突發(fā)狀況，高技能的工程師在該過程中必須不斷開展決策。為了提高決策的正確性并簡化操作流程，殼牌和微軟研發(fā)出了相應(yīng)的解決方案——Shell Geodesic。Shell Geodesic能夠?qū)崟r收集鉆井?dāng)?shù)據(jù)并自動做出決策。更為特別是這款應(yīng)用的鉆井仿真器可通過機器學(xué)習(xí)和控制算法軟件，呈現(xiàn)給地質(zhì)學(xué)家和鉆井人員更為逼真的油氣層圖像。同時，微軟將其Bonsai平臺和“強化學(xué)習(xí)”技術(shù)進行了融合，使得機器能夠像人一樣學(xué)習(xí)。Bonsai平臺可將指令翻譯成算法，建立神經(jīng)網(wǎng)絡(luò)，并訓(xùn)練模型實施工作人員所期望的行為。這一技術(shù)有望讓旋轉(zhuǎn)導(dǎo)向系統(tǒng)自動學(xué)習(xí)，優(yōu)化鉆井導(dǎo)向過程。

2.1.3 哈里伯頓與微軟開展深度合作[17]

2017年，微軟和哈里伯頓開展深度合作，推出基于Azure系統(tǒng)的Decision Space 365軟件產(chǎn)品。Decision Space 365可以通過物聯(lián)網(wǎng)實時傳輸油田現(xiàn)場的數(shù)據(jù)，并通過建立相應(yīng)的深度學(xué)習(xí)模型，實現(xiàn)鉆井和生產(chǎn)的優(yōu)化以降本增效。Decision Space 365可以通過大型計算和深度學(xué)習(xí)算法功能精確填補數(shù)據(jù)，實現(xiàn)更深層的地層模型的建立。隨著合作的深入，二者還將應(yīng)用微軟的HoloLens和Surface設(shè)備，利用聲音和圖像識別、視頻處理、增強現(xiàn)實、虛擬現(xiàn)實等技術(shù)，實現(xiàn)實物資產(chǎn)的數(shù)字化表征。此外，二者還將綜合利用Landmark Field Appliance和Azure Stack系統(tǒng)，在物聯(lián)網(wǎng)終端實現(xiàn)油井和泵的數(shù)字化表征。

2.1.4 Noble Energy石油公司發(fā)展人工智能技術(shù)[18]

Noble Energy建立了自己的數(shù)據(jù)分析平臺，在將兩千余口井的數(shù)據(jù)放進數(shù)據(jù)平臺分析后，利用大數(shù)據(jù)分析不同含油層對水力壓裂和水平鉆井的反應(yīng)，其對最佳鉆井位置預(yù)測的誤差僅有幾英尺。在鉆井過程中，該公司通過位于休斯頓的控制室可實時控制所有鉆機。諸如調(diào)整鉆頭速度以適應(yīng)更加堅硬的巖層這樣的動態(tài)調(diào)整工作，可根據(jù)數(shù)據(jù)庫里面類似場景的數(shù)據(jù)，依托該系統(tǒng)迅速做出最佳決策。該公司如今可在5天內(nèi)鉆出一條兩英里長的水平井，而過去從事同樣的工作則需要兩周以上的時間。

2.1.5 斯倫貝謝實現(xiàn)人工智能落地化[19]

斯倫貝謝為應(yīng)對不斷發(fā)展的石油行業(yè)推出了一款新軟件——DELFI勘探和生產(chǎn)環(huán)境感知。這是一款多維環(huán)境軟件，將設(shè)計與作業(yè)整合到一起。通過把人工智能、數(shù)據(jù)分析和自動化多個技術(shù)領(lǐng)域的優(yōu)勢集合在一起，使得勘探開發(fā)工作更加智能化。該軟件集成幾乎所有石油工業(yè)的通用性的現(xiàn)有專業(yè)知識，可用于解決復(fù)雜的油氣行業(yè)技術(shù)問題。它的認知模式擴大了每個獨立行業(yè)專家的專業(yè)技能，使用戶通過學(xué)習(xí)系統(tǒng)，自動完成任務(wù)和訪問豐富的數(shù)據(jù)資源，從而快速獲取最佳結(jié)論，由此開拓了一種全新的工作方式。

2.2 國內(nèi)石油公司與科技公司在人工智能上的合作

近年來，國內(nèi)石油領(lǐng)域人工智能的發(fā)展迅速，但總體來說水平較國外發(fā)達國家存在較明顯的差距。人工智能產(chǎn)業(yè)的三層生態(tài)結(jié)構(gòu)分別是基礎(chǔ)資源層，技術(shù)層和應(yīng)用層[20]?；A(chǔ)資源層主要是計算平臺和數(shù)據(jù)中心，屬于計算智能，例如阿里巴巴公司旗下的阿里云計算平臺，主要用以從事數(shù)據(jù)挖掘；技術(shù)層是通過機器學(xué)習(xí)建模，開發(fā)面向不同領(lǐng)域的算法和技術(shù)，包含感知智能和認知智能，例如語音識別、圖像識別、預(yù)測類應(yīng)用程序編程接口(API)等；應(yīng)用層主要實現(xiàn)人工智能在不同場景下的應(yīng)用，如無人駕駛汽車、智能家居、智能金融等。

目前國內(nèi)石油行業(yè)的人工智能水平主要發(fā)展到基礎(chǔ)資源層。以國內(nèi)兩家代表性企業(yè)為例：2017年4月，中石化攜手華為推出面向石化行業(yè)的智能制造平臺[21]，開發(fā)集中數(shù)據(jù)管理方法并支持多個應(yīng)用程序之間的數(shù)據(jù)集成，以優(yōu)化其工廠化運營。2018年11月，中石油旗下的北京中油瑞飛信息技術(shù)有限責(zé)任公司聯(lián)合大慶油田、遼河油田、長慶油田等多家中石油子公司發(fā)布了中國油氣行業(yè)第一個智能云平臺“夢想云”，并獲得斯倫貝謝、華為、微軟、騰訊云、阿里云、哈里伯頓、百度、甲骨文、靈雀云九家企業(yè)的技術(shù)支持。這一系統(tǒng)的推出標志著中石油實現(xiàn)了上游業(yè)務(wù)在數(shù)字化方面的重大轉(zhuǎn)型升級。兩家企業(yè)已經(jīng)為石油行業(yè)的智能化做足充分的準備，其基礎(chǔ)資源層已架構(gòu)完畢，而在其它層面特別是應(yīng)用層上則擁有了廣闊的發(fā)展空間。

3 石油工業(yè)領(lǐng)域人工智能的發(fā)展現(xiàn)狀

3.1 石油工業(yè)領(lǐng)域人工智能技術(shù)應(yīng)用概況

目前石油工業(yè)上采用的人工智能技術(shù)通常是為解決某個特定工程問題而開發(fā)的定制化人工智能(specialized AI)，并不具備通用性人工智能(generalized AI)的分析能力；但其極快的分析速度、超常的穩(wěn)定性和遠高于人力的可重復(fù)性這些優(yōu)勢，使得定制化人工智能在地震解釋、鉆井決策、工具優(yōu)選、壓裂優(yōu)化、產(chǎn)量預(yù)測等石油工業(yè)各子領(lǐng)域得到廣泛的關(guān)注與應(yīng)用[22]。具體應(yīng)用涉及到以下六個場景：(1)石油開采設(shè)備的設(shè)計、使用、檢修和維護：通過數(shù)據(jù)驅(qū)動優(yōu)化石油設(shè)備設(shè)計，通過建立相關(guān)模型并導(dǎo)入生產(chǎn)中積累的參數(shù)開展模擬，優(yōu)化裝備設(shè)計；(2)石油傳輸設(shè)備的智能巡檢及安全預(yù)警：通過設(shè)備的實時信息傳輸及環(huán)境信息傳輸，開展?jié)撛陲L(fēng)險評估和及時預(yù)警；(3)開采操作流程的預(yù)測和優(yōu)化：建模分析操作過程中的傳輸數(shù)據(jù)，優(yōu)化操作流程，提高操作效率；(4)石油資源的預(yù)測：通過分析開采及生產(chǎn)過程中產(chǎn)生的數(shù)據(jù)，提高勘探的準確率和開發(fā)的生產(chǎn)率；(5)項目可行性研究：基于宏觀經(jīng)濟形勢，開采環(huán)境等大量數(shù)據(jù)，評估開采項目的盈利性與潛在風(fēng)險；(6)石油公司的運營及后續(xù)服務(wù)：通過預(yù)測性運營服務(wù)，精準預(yù)測客戶需求，完善公司運營服務(wù)。

3.2 石油工業(yè)領(lǐng)域人工智能技術(shù)的具體應(yīng)用

一般來說，認知智能、大數(shù)據(jù)、云計算、機器學(xué)習(xí)、深度學(xué)習(xí)、自然語言處理和計算機視覺是石油工業(yè)上常用的一些算法和模式，將其綜合應(yīng)用于勘探開發(fā)工作，往往能取得卓越的應(yīng)用效果。

3.2.1 認知智能、大數(shù)據(jù)分析和云計算在石油工業(yè)中的應(yīng)用

認知智能是指機器具有主動思考和理解的能力，不用人類事先編程就可以實現(xiàn)自我學(xué)習(xí)。認知智能被應(yīng)用于油藏開發(fā)預(yù)測上。比如英國BP石油公司和Beyond Limits公司合作開發(fā)人工智能軟件，可以精確預(yù)測油藏地質(zhì)甜點，優(yōu)選井位(見圖3)[23]。

人工智能作為橋梁，搭建了自動化與最優(yōu)化的通道，可為鉆井現(xiàn)場施工提供優(yōu)化分析后的決策意見，并通過預(yù)測性分析減輕鉆井事故的影響[24]。比如Zhu等人[25]結(jié)合大數(shù)據(jù)和云計算，以實時快捷方式預(yù)測井壁失穩(wěn)風(fēng)險，有效縮短了鉆井周期，減少了井下事故發(fā)生的幾率。

3.2.2 機器學(xué)習(xí)在石油工業(yè)上的應(yīng)用

機器學(xué)習(xí)是計算機通過模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)并使之不斷改善自身的性能。機器學(xué)習(xí)?？煞譃閹ПO(jiān)督和不帶監(jiān)督兩種學(xué)習(xí)類型。帶監(jiān)督的機器學(xué)習(xí)被應(yīng)用于舉升系統(tǒng)的選擇優(yōu)化上，例如泰國國家石油公司PTTEP的工程師采用決策樹(Decision Tree)算法，分析考慮多因素(包括井的參數(shù)、生產(chǎn)條件、流體參數(shù)、油藏參數(shù)、地面設(shè)施、利潤來源、供應(yīng)商條件、HSE要求)的情況下，優(yōu)選舉升系統(tǒng)，發(fā)現(xiàn)與人工決策相比，極大優(yōu)化了成本與產(chǎn)量；同時他們還發(fā)現(xiàn)在因素正向篩選過程中，決策樹展現(xiàn)出較樸素貝葉斯法(Naive Bayes)和傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)算法(Artificial Neural Network)更高的準確度和更低的時間成本[26]。類似地，中石油的工程師綜合帶監(jiān)督與不帶監(jiān)督的機器學(xué)習(xí)，采用深度循環(huán)網(wǎng)絡(luò)算法(Deep Recurrent Network)，分析了三萬余口人工舉升井的影響因素及各因素的影響權(quán)重，并借此訓(xùn)練網(wǎng)絡(luò)，從而尋找最優(yōu)的舉升方案[27]。

聚類算法屬于無監(jiān)督學(xué)習(xí)的一種模式，也是石油工業(yè)中常用的機器學(xué)習(xí)算法之一。在油田注水開發(fā)的過程中，可以通過聚類算法進行流場識別。在流線模擬計算完成后，將數(shù)據(jù)導(dǎo)出，并通過Python 編程語言進行后續(xù)數(shù)據(jù)處理及聚類分析，直觀反映不同開發(fā)階段水驅(qū)油藏流場分布。采用密度峰值聚類算法作為流線聚類的主要算法可量化處理流場，有效識別油藏中無效注水循環(huán)通道以及具有開發(fā)潛力的區(qū)域(見圖4～5)[28]。

圖3 AI軟件優(yōu)化井位[23]Fig. 3 Optimization of well location using an AI software[23]

圖4 某碳酸鹽巖油藏孔隙度、滲透率分布[28]Fig. 4 Porosity and permeability distribution of a carbonate reservoir[28]

3.2.3 深度學(xué)習(xí)在石油工業(yè)上的應(yīng)用

深度學(xué)習(xí)是指強化的機器學(xué)習(xí)，通常依靠優(yōu)化后的人工神經(jīng)網(wǎng)絡(luò)算法來實現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)是仿生人腦的神經(jīng)網(wǎng)絡(luò)開發(fā)的深度學(xué)習(xí)算法。雖然人腦的運算速度遠不及計算機，但其生物神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度遠高于后者，因此可以輕易指導(dǎo)、指令、處理自主性的活動[25]。

圖5 通過Petrel RE 軟件生成的開發(fā)6 年后流線分類(a)及流線油相飽和度分布(b)[28]Fig. 5 (a) Flowline classification (b) and streamline oil phase saturation distribution after six years of development generated by software Petrel RE[28]

目前采用的人工神經(jīng)網(wǎng)絡(luò)算法大多為前饋反向傳播神經(jīng)網(wǎng)絡(luò)，體現(xiàn)為多種由附加算法優(yōu)化的子類型網(wǎng)絡(luò)。Khan等人[29]通過人工神經(jīng)模糊干涉系統(tǒng)和支撐型矢量機器算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，將深度學(xué)習(xí)算法應(yīng)用于人工氣舉井的采油速率預(yù)測，獲得高達99%的預(yù)測精度；Abdulmalek等人[30]采用人工神經(jīng)網(wǎng)絡(luò)方法基于孔隙壓力和五個鉆井參數(shù)(鉆壓、轉(zhuǎn)速、機械鉆速、扭矩和泥漿密度)訓(xùn)練3140個數(shù)據(jù)點后，預(yù)測另外785個數(shù)據(jù)點，獲取了遠比傳統(tǒng)最常用的Matthew和Kelly模型更精確的預(yù)測結(jié)果。AlAjmi等人[31]亦應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法診斷、預(yù)測井下管柱的侵蝕程度并給出了智能化的修井方案。Al-Mashhad等人[26]通過采用神經(jīng)網(wǎng)絡(luò)分析地表和油藏參數(shù)來預(yù)測多分支井的平均油液流量，較常用的Borisov關(guān)聯(lián)算法相比，極大提高了預(yù)測精度。原油的黏度一般通過室內(nèi)實驗獲取，但黏度與其它參數(shù)的關(guān)系曲線過于依賴諸多假設(shè)，使得其可靠性較低。Al-Amoudi[32]等人采用人工神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練也門某油田545個樣品中70%樣品的原油黏度并預(yù)測余下的樣品，獲取比傳統(tǒng)方法更加精確的結(jié)果。Esbai等人[27]應(yīng)用機器學(xué)習(xí)方法，基于井場監(jiān)測數(shù)據(jù)，定位乳化井段并自動選擇每口井的最優(yōu)處理手段?；隗w積、壓力、溫度資料，Alarfaj等人[33]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法高效準確地預(yù)估了沙特某凝析氣藏的露點。深度學(xué)習(xí)還可用于從隨鉆測井獲得的測井資料解釋各種巖石物理、力學(xué)參數(shù)。比如，Sultan等人[34]通過采用自適應(yīng)差分優(yōu)化算法優(yōu)化過的神經(jīng)網(wǎng)絡(luò)方法從測井資料中識別有機質(zhì)含量TOC，較傳統(tǒng)測井解釋方法具備更高的識別精度。

3.2.4 計算機視覺與自然語言處理在石油工業(yè)上的應(yīng)用

與計算機圖形學(xué)結(jié)合，人工智能還能用于海上油田(鉆井平臺)儀表數(shù)據(jù)的實時拍照讀取與分析，以簡單易行的方式極大節(jié)約儀表升級的資本投入或運營成本[35]。Du等人[36]采用人工智能結(jié)合嵌入式離散裂縫網(wǎng)絡(luò)(EDFM)來優(yōu)化表征復(fù)雜裂縫網(wǎng)絡(luò)，相比基于非結(jié)構(gòu)化的裂縫網(wǎng)格模型，篩選識別主要裂縫的同時摒棄了次要孤立裂縫(見圖6)，使得油藏模擬計算效率大為提高，顯著減少了計算模擬的時間成本。

Gupta等人[37]建立了耦合井下信息與生產(chǎn)特征的生產(chǎn)優(yōu)化的智能化決策平臺，可為提升常規(guī)、非常規(guī)資源的開發(fā)價值提供評估依據(jù)。Hojageldiyev[38]通過自然語言處理技術(shù)(NLP)制作健康、安全和環(huán)保(HSE)相關(guān)知識和技能的自動問答系統(tǒng)，可全天候培訓(xùn)油氣開發(fā)HSE相關(guān)的從業(yè)人員。

AI還可用于耦合跨油氣子領(lǐng)域(人工舉升優(yōu)化、生產(chǎn)優(yōu)化、海上平臺停工時間管理)的多項創(chuàng)新成果，從而形成貫穿油氣開采的全生命周期(勘探、鉆井、油藏、生產(chǎn))的一體化的解決方案[39]。

圖6 裂縫網(wǎng)絡(luò)的AI優(yōu)化與簡化(改自Du等[36])Fig. 6 AI optimization and simplification of a fracture network(Du et al[36])

4 石油工業(yè)領(lǐng)域人工智能核心技術(shù)

作為石油從業(yè)者要想掌握人工智能，研發(fā)人工智能應(yīng)用，不僅需要人工智能方面的技術(shù)能力，也要精通石油領(lǐng)域的知識。將人工智能引入石油工業(yè)界，需要解決行業(yè)的痛點問題；只有真正了解、掌握石油知識的從業(yè)者，才能明白行業(yè)、企業(yè)的需求，從而去解決復(fù)雜的特定問題；這也是將人工智能落地化的應(yīng)用能力。同時，數(shù)學(xué)決定人工智能水平的上限，而編碼能力決定其水平的下限；因此，要想掌握石油行業(yè)+人工智能，專業(yè)知識及技能、數(shù)學(xué)能力和編程水平缺一不可。

目前主流的人工智能編程語言主要有Python、R、Scala和Java，可以完成人工智能應(yīng)用的主體需求。云計算、大數(shù)據(jù)、算法是構(gòu)成人工智能的三大要素，通用人工智能技術(shù)逐漸融入主流云計算平臺，并結(jié)合大數(shù)據(jù)分析服務(wù)石油工業(yè)。數(shù)據(jù)是其中非常關(guān)鍵的一環(huán)。滿足人工智能訓(xùn)練精度所需要的數(shù)據(jù)量并無特定的規(guī)定，一般認為其與問題的復(fù)雜程度成正比；同時，數(shù)據(jù)的質(zhì)量與數(shù)量也同等重要[5]。中國第一批人工智能開放創(chuàng)新平臺包括：百度公司的自動駕駛創(chuàng)新平臺，阿里云公司的城市大腦創(chuàng)新平臺，騰訊公司的醫(yī)療影像創(chuàng)新平臺，科大訊飛公司智能語音創(chuàng)新平臺。石油行業(yè)也需要建立自己的獨特、開放的行業(yè)數(shù)據(jù)平臺以推動石油行業(yè)智能化的發(fā)展。將諸如大數(shù)據(jù)、計算機視覺、語音識別、自然語言處理、機器學(xué)習(xí)這些人工智能的主體技術(shù)應(yīng)用到石油工業(yè)領(lǐng)域，創(chuàng)建石油行業(yè)的人工智能創(chuàng)新生態(tài)，必將成為本行業(yè)發(fā)展的必經(jīng)之路。

5 石油工業(yè)領(lǐng)域人工智能未來發(fā)展趨勢

人工智能的快速發(fā)展必然會引起石油行業(yè)的巨大變革，但終究會是石油行業(yè)+人工智能的不斷進化。石油行業(yè)產(chǎn)業(yè)鏈條成熟，加入人工智能元素后會使行業(yè)效率和效益產(chǎn)生明顯提升。同時，未來人工智能的發(fā)展需要將“黑匣子”的分析逐步轉(zhuǎn)化為“透明匣子”的展示，即讓人工智能技術(shù)與石油天然氣工程的理論、技術(shù)深度融合，充分解釋物理、力學(xué)、化學(xué)機理導(dǎo)致的各種邏輯規(guī)律[5]。

石油行業(yè)未來人工智能的發(fā)展主要在于優(yōu)化預(yù)測和自動化的能力。人工智能可針對石油天然氣的生產(chǎn)、平衡和消費等方面提供獨特的解決方案，并應(yīng)用于生產(chǎn)方、傳送方和消費方。人工智能是一個自我學(xué)習(xí)和演算的應(yīng)用過程，而非模仿人類工作的編程方式，即其能夠集合人類擅長的例如視覺感知、理解、溝通、隨機應(yīng)變等能力。同時，它能克服人類體力智力的極限，并與不斷更新的計算機硬件的大規(guī)模且迅速的數(shù)據(jù)處理功能結(jié)合起來，從而大幅提升石油行業(yè)的預(yù)測能力，優(yōu)化其生產(chǎn)力和管理能力，走向智能化與自動化；最終形成一個全產(chǎn)業(yè)鏈的網(wǎng)絡(luò)，即把各種石油基礎(chǔ)設(shè)施關(guān)聯(lián)在一起，形成智能的物聯(lián)網(wǎng)。

在行業(yè)中，研發(fā)適用于行業(yè)本身的人工智能生態(tài)系統(tǒng)需要解決三個問題：(1)運算能力；(2)可用的數(shù)據(jù)；(3)想象力。當(dāng)前計算機的運算速度可達每秒上億次，強大的運算能力和數(shù)據(jù)處理能力可以做到快速而精確地處理、優(yōu)化石油開發(fā)生產(chǎn)的海量數(shù)據(jù)。通過合適的算法和生產(chǎn)數(shù)據(jù)、環(huán)境數(shù)據(jù)優(yōu)化開采生產(chǎn)，可實現(xiàn)效益的最大化。具體可以從以下四個方面入手：(1)統(tǒng)一數(shù)據(jù)接口，實時精細化分析解釋大量數(shù)據(jù)，從而開展決策和優(yōu)化。如通過三維地震資料和測井資料的智能化解釋，建立精細準確的地質(zhì)模型；(2)采用耐用的智能工具，開展可視化展示，及時預(yù)警與處理事故，實現(xiàn)勘探開發(fā)自動化；(3)開展區(qū)域井場歷史大數(shù)據(jù)分析及云計算，通過仿真模型并結(jié)合現(xiàn)場實際工況實時調(diào)節(jié)參數(shù)，達到生產(chǎn)過程最優(yōu)化；(4)建立基于人工智能的資產(chǎn)管理工具，實現(xiàn)高效準確的資產(chǎn)、風(fēng)險評估和預(yù)測性維護。綜合以上章節(jié)討論，石油工業(yè)人工智能發(fā)展的現(xiàn)狀、趨勢與思路可總結(jié)如圖7所示。

圖7 石油工業(yè)人工智能發(fā)展的現(xiàn)狀、趨勢與思路Fig. 7 Current status, trend and thought of the development of artificial intelligence in petroleum industry

6 結(jié)論

本文在回顧人工智能發(fā)展歷程與階段的基礎(chǔ)上，介紹了石油工業(yè)與人工智能的融合情況，包括石油企業(yè)與人工智能行業(yè)的合作、人工智能在石油工業(yè)各環(huán)節(jié)的應(yīng)用現(xiàn)狀、人工智能的主體技術(shù)及發(fā)展趨勢，得到結(jié)論如下。

石油工業(yè)領(lǐng)域的智能程度介于弱人工智能與通用人工智能之間，其應(yīng)用場景以定制化的人工智能為主，意圖解決該領(lǐng)域中某個特定的工程問題，并在勘探、鉆井、采油、設(shè)備維護、HSE、投資等各環(huán)節(jié)取得較好的應(yīng)用效果，但完整的油氣行業(yè)人工智能產(chǎn)業(yè)鏈生態(tài)尚未形成，智能物聯(lián)網(wǎng)還處于探索階段。

石油工業(yè)的智能化需要以專業(yè)知識與技術(shù)為基礎(chǔ)架構(gòu)，人工智能為實現(xiàn)行業(yè)效率、效益最優(yōu)化的手段而不是最終目的。根據(jù)應(yīng)用對象的變化，從業(yè)者需要靈活應(yīng)用認知智能、大數(shù)據(jù)、云計算、機器學(xué)習(xí)、深度學(xué)習(xí)等人工智能方法為各油氣開采環(huán)節(jié)提供特定的解決方案。

隨著創(chuàng)新時代以及IT技術(shù)呈指數(shù)性的換代更新，在傳統(tǒng)石油工業(yè)知識與前沿人工智能技術(shù)緊密結(jié)合的基礎(chǔ)上，實現(xiàn)創(chuàng)造力及創(chuàng)意思維的戰(zhàn)略整合，有效應(yīng)用人工智能實現(xiàn)石油天然氣資源的低廉、高效和安全開采，是所有石油從業(yè)者未來奮斗的方向。