于紅巖,丁帥偉,高彥芳,孟 昆,陳斯斯

(西北大學 地質學系/大陸動力學國家重點實驗室,陜西 西安 710069)

大數據、機器學習以及超級算力構成的新一代人工智能為油氣勘探開發(fā)中科學問題的解決提供了新的范式。隨著測井、物探、鉆完井等技術的不斷更迭，為油氣勘探開發(fā)提供了海量的數據，但主力老油田普遍進入高含水后期開發(fā)階段，為保證國家能源安全，勘探開發(fā)逐漸向新領域、新層系進軍，面臨的地質和開發(fā)問題也愈加復雜。如何充分挖掘和利用海量的勘探開發(fā)數據，提高老油田的開發(fā)效率、解決好新領域新層系的勘探開發(fā)問題值得思考。人工智能與勘探開發(fā)的融合為傳統(tǒng)經驗公式法應用的局限性和地質問題日益增加的復雜性等造成的難題提供了解決思路。目前，油氣勘探開發(fā)智能化已成為行業(yè)前沿熱點，國內外眾多石油公司和IT公司已經開始了油氣勘探開發(fā)的智能化探索，如雪佛龍、斯倫貝謝、微軟合作開發(fā) DELFI 服務平臺，基于人工智能技術，利用分布式計算、高性能計算等新技術形成集鉆井、測井、油氣生產等勘探開發(fā)一體化的工作平臺[1]。人工智能技術為油氣藏精細勘探、提高油氣開發(fā)效率、優(yōu)化作業(yè)流程、降低作業(yè)成本等方面帶來了的顛覆性變革[2-3]，各大石油公司已開始布局數字化、智能化油田[4-7]。在油氣勘探開發(fā)應用方面,筆者團隊基于人工智能算法做了較為系統(tǒng)的工作,在儲層參數預測、流體和巖相識別等測井、鉆井和地質勘探，以及在壓裂裂縫識別、井位優(yōu)化和CO2驅油與封存等開發(fā)方面形成了較為完整的研究方法,成果應用于多個油田并獲得了良好的效果。本文旨在綜述相關研究的主要進展,介紹機器學習和智能優(yōu)化研究思想和方法的基本輪廓,并對與之相關的油氣地質和開發(fā)問題進行探討。

1 基本理念

人工智能(artificial intelligence,AI)是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門技術科學。人工智能從誕生以來,相關的理論和技術快速發(fā)展,應用領域也不斷擴大,最早的定義由麻省理工學院的約翰·麥卡錫提出,但至今并沒有一個統(tǒng)一的定義[2]。近年來,運用人工智能技術進行預測與決策優(yōu)化已引起學者的廣泛研究,Nature和Science發(fā)表了多篇基于人工智能進行科學預測與決策分析的論文,特別是Science推出“prediction”專題,解讀人工智能在預測領域的研究進展和面臨的挑戰(zhàn)[8]。本文將探討機器學習和智能優(yōu)化對石油勘探開發(fā)效果提升方面的貢獻。

1.1 機器學習算法

機器學習作為人工智能的核心,通過相關的算法從以往的經歷中學習經驗,從歷史數據中尋找知識規(guī)律、建立學習模式,進而預測新的數據或預測未來發(fā)展趨勢。目前，機器學習已成為多學科解決復雜問題的重要手段,也是石油大數據研究的前沿熱點。隨著石油勘探開發(fā)技術的發(fā)展,石油數據以海量性、高速性和多樣性的特點快速積累,為機器學習提供了大量的數據樣本。

機器學習通過數據建立相應模型的訓練過程,最終生成一個面向某種性能度量的決策，常見的機器學習可以分為監(jiān)督學習和非監(jiān)督學習(見圖1)。其中，監(jiān)督學習可分為回歸算法和分類算法?；貧w算法細分為線性回歸和非線性回歸,是對連續(xù)型數值變量進行建模和預測,通過充分挖掘目標參數和數據的內在聯(lián)系建立二者之間的關系模型,得到較高精度的預測值。在孔隙度、滲透率、飽和度、TOC含量等儲層參數預測,以及聲波和密度曲線重構等方面已有廣泛的應用[9]。分類算法是對離散型數值變量建?；蝾A測,可分為決策樹、人工神經網絡、支持向量機、高斯處理等。主要通過分析測井曲線、沉積特征、孔隙類型、微觀結構等相關參數與目標參數的響應特征,建立目標參數的識別模型[10]，可對巖性、油氣層類別、裂縫判別以及縫洞充填物的類型進行分類預測。而非監(jiān)督學習主要是聚類分析,該類方法基于數據的內部結構尋找無標簽樣本的自然簇群,可以細分為K-means聚類和基于層次的聚類等,通常用于巖相和儲層流動單元的劃分等。

圖1 常見的機器學習算法分類Fig.1 Classification of common machine learning algorithm

1.2 智能優(yōu)化理論

優(yōu)化問題是指在滿足一定條件下,在眾多方案或參數值中尋找最優(yōu)方案或參數值,以使得某個或多個功能指標達到最優(yōu),或使系統(tǒng)的某些性能指標達到最大值或最小值。傳統(tǒng)的優(yōu)化方法有著堅實的數學理論基礎,但只能解決小部分具有特殊數學特征的優(yōu)化問題,并不能很好地解決較為復雜的優(yōu)化問題,但實際的工程問題往往具有復雜性、非線性、約束性以及建模困難等諸多特點,因此，尋求高效的優(yōu)化算法已成為相關學科的主要研究內容之一[8]。

算法性能在當今日新月異的科技發(fā)展中如日中天，優(yōu)化方法也在數學和計算機技術的發(fā)展下層出不窮,在借鑒自然界或生物體的各種原理和機理的基礎上,逐漸開發(fā)了諸多具有自適應環(huán)境能力的智能優(yōu)化算法[11]。智能優(yōu)化算法是通過模仿自然和生物現(xiàn)象發(fā)展出的一類新的優(yōu)化算法,包括遺傳算法、粒子群優(yōu)化算法、差分進化算法、模擬退火算法和免疫算法等。

智能優(yōu)化算法是智能優(yōu)化理論的核心組成部分,這些算法在油氣田勘探和開發(fā)的應用將會在降低能耗和合理利用資源方面發(fā)揮更大的優(yōu)勢。國內外學者在地質分析、測井解釋、巖性識別、裂縫識別、生產指標預測、地質建模、油藏模擬等方面均開展了一些探索性研究,已經取得了較好的應用效果[7,12]。

2 機器學習在油氣田勘探中的應用

隨著油氣勘探進入成熟階段,頁巖油氣、煤層氣、碳酸鹽巖、超深層油氣等復雜油氣藏成為了目前勘探的熱點。但是，這些非常規(guī)油氣藏巖相的確定、儲層參數的預測以及油氣水層的識別不能套用常規(guī)油氣藏的方法。例如頁巖油氣藏需要確定地質甜點與工程甜點,并且孔隙度和有機質在測井曲線上的響應極其相似。如何在非常規(guī)油氣藏準確識別地層的巖相、預測儲層物性和地化等相關參數,以及識別流體性質等是提高勘探開發(fā)效果的難點。常規(guī)的經驗算法難以獲得高準確率,人工智能算法開辟了新的途徑。筆者團隊將機器學習當中的回歸算法應用到儲層相關參數預測，將分類算法應用到儲層流體識別，將聚類算法應用到巖相分類,并確定了基于機器學習不同儲層評價目標的應用流程，為提高勘探開發(fā)效果提供新的方法途徑。

2.1 儲層參數預測

儲層物性參數、含油氣性參數以及地化相關參數等的預測,對于儲層評價以及有利區(qū)預測至關重要，精確預測可大大提高勘探效果。在非常規(guī)儲層當中,尤其是頁巖油氣儲層,由于有機質和孔隙度在測井響應特征上相似,因此，以往的模型很難精確地求取相關參數。機器學習中的回歸算法可以在高維空間實現(xiàn)多元非線性回歸擬合,解決了傳統(tǒng)交匯圖和多元線性回歸的弊端。因此，筆者提出了利用機器學習的回歸算法建立儲層參數評價模型的流程(見圖2)，主要步驟包括:收集數據;準備訓練集,選取與目標參數相關的測井資料；構建與目標參數相關的新參數;對數據進行處理(缺值等);根據不同的權重計算方法選取不同的特征集;通過交叉驗證多次迭代循環(huán)，利用相關回歸算法進行模型訓練;測試模型準確性和誤差;通過模型之間的對比選取適合本次研究的模型;同時，根據現(xiàn)場應用不斷更新數據集校正模型。

圖2 儲層參數計算的回歸算法流程圖Fig.2 Flow chart of regression algorithm for reservoir parameter calculation

以建立總有機碳(TOC)參數模型為例, 筆者團隊提出了高斯處理回歸算法(GPR)建立機器學習預測模型[13], 高斯過程(GP)理論具有非參數推斷、 超參數自適應獲取以及更高的適應性和泛化能力等特點, 更適合復雜儲層的TOC預測; 并且高斯處理回歸算法可以利用不同的核函數, 更好地在高維空間運行計算， 提高模型的精度(見圖3)。 通過4種權重分析獲得相應的特征子集, 再探索7種核函數的適用性, 最終發(fā)現(xiàn)主元分析法確定的子集與Cauchy核函數具有最高的精度。 從圖4可以看出， 與傳統(tǒng)的TOC計算方法(Schmoker法和Passey法)結果進行對比,高斯處理回歸預測的TOC與實測值的吻合度更好,預測精度顯著提高。

圖3 回歸算法原理示意圖Fig.3 Schematic diagram of regression algorithm principle

除了TOC預測之外,筆者團隊還利用機器學習方法預測了孔隙度、飽和度等儲層參數[14-15],圖5是利用支持向量機計算頁巖中含油飽和度的結果，與巖心測試結果相關性很高。

圖4 基于高斯回歸算法的TOC測井解釋成果圖Fig.4 TOC logging interpretation result chart based on Gaussian regression algorithm

圖5 基于支持向量機回歸算法的飽和度測井解釋成果圖Fig.5 Saturation logging interpretation results chart based on SVM regression algorithm

2.2 流體性質識別

常規(guī)儲層的含油氣性通過電阻率曲線可進行準確識別，但是，復雜油氣藏具有致密性、強非均質性和復雜潤濕性等特點,造成了電阻率測井曲線難以確定流體性質的問題,這時需要多因素、多條測井曲線共同來判別。傳統(tǒng)的交匯圖法以及三維坐標系圖法只能反映2～3條測井曲線特征,而機器學習中的分類方法可以進行多因素分類。其中，白盒算法中的決策樹可以從多條測井曲線或者相關的巖性沉積特征當中判別油氣的存在,實現(xiàn)多條曲線預測規(guī)則(見圖6)。因此,具體流程可參考圖2,但是要選擇相應的分類算法。筆者團隊利用決策樹算法進行了碳酸鹽巖儲層的氣水識別，以及建立地層水化學參數與油氣封存性的關系,為油氣的開采提供了有利依據[16-17]。另外,目前很多精確率更高的黑盒算法如人工神經網絡、 貝葉斯和支持向量機等可用來識別儲層流體、巖性[18]。除了直接分類之外,也可以建立新參數，通過判別法進行流體性質的識別。筆者團隊針對碳酸鹽巖儲層流體性質識別建立了A和B兩個判別參數,該參數組合的交會圖識別效果比以往參數組合的識別效果更好[19](見圖7)。

圖6 基于決策樹算法的流體性質預測示意圖Fig.6 Schematic diagram of fluid property prediction based on decision tree algorithm

圖7 不同參數組合的流體性質識別交會圖Fig.7 The cross-plot of fluid property identification for different parameter combinations

2.3 巖相識別分類

巖相是在不同的沉積環(huán)境下所形成的巖石類別,在石油勘探開發(fā)過程中巖相可以指導油氣儲存的地質甜點和油氣開發(fā)的工程甜點。尤其是針對復雜儲層,巖相的分類對于勘探開發(fā)至關重要。由于非常規(guī)儲層的復雜性,巖相的劃分標準很難確定,而機器學習中的聚類分析在巖相劃分及識別上可以突破這一瓶頸,發(fā)揮較大的作用[20]。聚類就是按照特定標準把一個數據集分割成不同的子集或類別,使得同一個類別的數據對象的相似性盡可能大,不同類別的數據差異性也盡可能大。因此，在巖相劃分中可以將巖性、礦物組成、分選、磨圓、粒徑等互相區(qū)別開來。為了更好地識別巖相之間的區(qū)別,筆者團隊建立了巖相聚類的流程(見圖8)。首先，盡可能收集巖相相關的數據,并且可以構造反映巖相新的特征參數,將數據進行相關的數據預處理之后,選擇適合數據集的聚類算法和類別數量,最終根據準確度確定聚類的模型,同時，根據實際生產數據不斷調整聚類的參數。

圖8 巖相劃分的聚類分析流程圖Fig.8 Flow chart of cluster analysis for determining lithofacies

筆者團隊利用核磁共振測井選用層次聚類算法建立了鄂爾多斯盆地長7頁巖巖相的分類標準，相比于以往學者們常用的K-means算法，層次聚類不需要預先制定聚類數，可以發(fā)現(xiàn)類之間的層次關系，更好地建立巖相的類別。因此，筆者團隊使用層次聚類算法，通過聚類分析流程(見圖8)，利用核磁共振測井對頁巖進行巖相分類。因為核磁共振測井可獲取地層不同的孔隙結構特征，因此，對核磁共振T2譜進行解剖分析，通過孔隙大小和類別等信息，建立了不同巖相的分類標準(見圖9)，形成分別發(fā)育裂縫、自由孔、束縛孔隙等7種不同的細分巖相和粗分巖相。最后，通過X衍射、掃描電鏡和薄片分析等實驗結果證明通過測井曲線劃分的巖相與巖心吻合度很高，為頁巖儲存的地質甜點預測提供相應的理論支撐。

3 智能優(yōu)化在油氣田開發(fā)中的應用

隨著全球石油資源品質的不斷劣質化,油氣資源開采的難度不斷加大,開采成本逐年攀高,油田開發(fā)領域智能化轉型是能源行業(yè)重要的戰(zhàn)略目標,但傳統(tǒng)技術無法解決非線性程度高的復雜問題,因此，人工智能在油氣田開發(fā)中的應用越來越廣泛。筆者團隊利用機器學習算法和智能優(yōu)化理論,結合數值模擬和數字巖心技術,在自動井位優(yōu)化、水驅油藏優(yōu)勢通道分級和CO2驅油與封存等方面開展深入研究,并取得了階段性進展。

3.1 壓裂裂縫識別

微地震測量結果能夠用來反映復雜水力裂縫網絡的空間位置、幾何復雜程度以及壓裂儲層改造體積。筆者團隊針對基于隨機采樣一致性的高穩(wěn)定性和高魯棒性的擬合方法(random sample consensus,RANSAC)改進了裂縫產狀的計算。這種方法被廣泛用于處理計算機視覺圖像領域中點云的幾何特征，每次迭代都有兩個不可或缺的步驟——假設和驗證,以便于獲得最優(yōu)解，并且在坐標軸上的截距與裂縫的產狀3要素(傾向、傾角和走向)之間存在數學聯(lián)系。同時，采用改進的RANSAC算法和微震事件生成3D離散裂縫網絡,在遠離壓裂改造的區(qū)域識別出較少天然裂縫。不同區(qū)域的地震屬性存在一些區(qū)別,特別是在水平段的跟部和趾部，水平段趾部天然裂縫與水力裂縫擴展方向平行,而跟部天然裂縫則與水力裂縫擴展方向垂直(見圖10)。

3.2 自動井位優(yōu)化

在任何類型油藏的任意開發(fā)階段,井位優(yōu)化對提高采收率都至關重要。目前，石油工業(yè)普遍采用的井位設計方法是根據油藏工程師的經驗,從事先設計好的幾套方案中利用數值模擬和經濟評價篩選出最優(yōu)的一個。但是，井與油藏的配置關系是一個非線性程度強、復雜程度高的問題,單純地依靠人為經驗很難得到最有效的方案,并且不同專家由于經驗、知識及認識觀點的不同,最終給出的方案可能大不一樣[21]。鑒于專家個體的局限性,做出的決策難免受數據模糊性以及信息量巨大的影響而出現(xiàn)失誤,故布井方案風險性很大,因此，就促使了自動井位優(yōu)化技術的出現(xiàn)。

圖10 利用改進的RANSAC算法和微震事件生成的3D離散裂縫網絡Fig.10 3D DFN generated using improved PANSAC algorithm and microseismic events

自動井位優(yōu)化一般是借助于油藏模型和人工智能優(yōu)化算法,通過計算機自動迭代優(yōu)化輸入的井位和生產制度等參數得到最優(yōu)的目標函數(累計產油量COP或凈現(xiàn)值NPV)。數值模擬模型是自動井位優(yōu)化中的基礎工具,一般用于井位優(yōu)化中目標函數的評價。但幾乎99%的CPU消耗都花費在基于數值模擬器的目標函數評價上,較大地影響了井位優(yōu)化的效率[22]。因此,筆者團隊提出生產潛力圖輔助、混合目標函數以及混合算法進行井位優(yōu)化研究。

1)基于生產潛力圖輔助的井位優(yōu)化

生產潛力圖(quality map,QM)是由Cruz等人提出的,用于表征油藏平面不同區(qū)域的累計產油能力大小,在QM的指導下進行布井可以大大降低布井的風險[23]。由于井位優(yōu)化中的算法多為智能迭代類算法,初值的選擇對算法收斂性有一定影響,因此，筆者團隊利用生產潛力圖和改進粒子群算法(modified particle swarm optimization,MPSO),建立了井位優(yōu)化方法[24]。該方法通過對粒子群算法的初值優(yōu)選和更新策略的改進,提高了算法的整體優(yōu)化效果。針對典型測試油藏PUNQ-S3模型,對比了QM+MPSO、MPSO、SPSO(標準粒子群算法)和CP-PSO(中心-漸進粒子群算法)這4種優(yōu)化方法部署10口生產井的井位優(yōu)化效果,從不同方法凈現(xiàn)值迭代優(yōu)化結果(見圖11)可以看出SPSO的改進是有效的,且綜合生產潛力圖和改進粒子群算法可以取得較高的經濟效益。

圖11 不同優(yōu)化方法下凈現(xiàn)值隨迭代次數的變化Fig.11 NPV with the number of iterations under different optimization methods

生產潛力雖然可以提高優(yōu)化的效果,但并不能顯著降低優(yōu)化所需的耗時,因此，筆者團隊基于生產潛力圖提出潛力閾值決策理念(threshold value of productivity potential,TVPP),在基于粒子群算法(PSO)的目標函數迭代評價中通過潛力值閾值過濾掉潛在的無效方案,降低了自動井位優(yōu)化目標函數的評價次數和計算時間,并在一定程度上提高了優(yōu)化效果[22](見圖12～圖13)。

考慮生產井的生產潛力和注水井的注入潛力,提出了新型生產潛力圖(new productivity potential map,NPPM),同時用于直井和斜井井位優(yōu)化的自動初始化,考慮到智能算法的隨機性,方法效果對比采用運算5次取平均值的方法,實例應用結果表明該方法相對于已有的生產潛力圖初始化方法(modified productivity potential map,MPPM)和隨機初始化方法(random initiatization,RI),不僅提高了井位優(yōu)化的效果,同時提高了智能算法的魯棒性[25](見圖14～圖15)。

圖12 基于潛力閾值決策理念輔助的井位優(yōu)化流程圖Fig.12 The flow chart of well placement optimization assisted by TVPP

圖13 不同潛力閾值下的凈現(xiàn)值和優(yōu)化時間Fig.13 NPV and optimization time under different TVPP

圖14 新型潛力圖斜井初始化示意圖Fig.14 A schematic diagram of the deviated well initialization with NPPM

2)基于混合目標函數的井位優(yōu)化

潛力閾值決策理念可以大幅度降低優(yōu)化的耗時,但也會潛在過濾掉很多有效方案。因此,筆者團隊對比分析了生產潛力值(PPV)與傳統(tǒng)目標函數(TOF)中累計產油量(COP)的一致性關系,提出了基于粒子群算法和混合目標函數(HOF)的自動井位優(yōu)化策略,實例應用結果表明該策略在保持優(yōu)化結果相當或者更好的條件下可以減少模擬器調用的次數,前25%的迭代步以PPV為目標函數,后續(xù)75%的迭代步以TOF為目標函數，組合可以取得最好的優(yōu)化效果[26](見圖16～圖17)。

圖15 不同初始化策略最終的凈現(xiàn)值對比Fig.15 Final NPV comparison of different initialization strategies

圖16 混合目標函數優(yōu)化流程圖Fig.16 Flow chart of hybrid objective function optimization

圖17 平均最優(yōu)COP和模擬次數的關系Fig.17 Average optimal COP vs simulation runs

3)基于混合算法的井位優(yōu)化

智能優(yōu)化理論中的無梯度算法分為全局優(yōu)化算法和局部優(yōu)化算法兩大類,全局優(yōu)化算法能夠在模型的全空間內搜索到問題的最優(yōu)解,但算法的局部隨機性依然存在。局部優(yōu)化算法一般來說只能找到目標函數在模型參數空間中某一局部區(qū)域內的最優(yōu)解,能否找到全局最優(yōu)解,與初始點的位置有很大關系。在大量的實際應用研究中發(fā)現(xiàn),單一的智能優(yōu)化算法在某些領域的作用有限,如果采用混合算法,用其他智能優(yōu)化算法的思想對某種智能優(yōu)化算法進行改進,往往會取得更好的優(yōu)化效果[27],因此，筆者團隊聯(lián)合全局優(yōu)化算法中的標準粒子群算法(standard particle swarm optimization,SPSO)和局部優(yōu)化算法中的胡克-吉夫斯直接搜索算法(Hooke-Jeeves direct search,HJDS)進行井位優(yōu)化研究,結果表明，混合算法的效果要好于單獨的算法[28](見圖18)。

圖18 不同優(yōu)化方法下凈現(xiàn)值隨迭代次數的變化Fig.18 NPV with the number of iterations under different optimization methods

3.3 優(yōu)勢通道分級

優(yōu)勢通道是砂巖油藏長期注水開發(fā)后,由于儲層嚴重出砂形成的高滲通道,其形成后會使注入水低效、無效循環(huán),加劇油層非均質性,導致油井含水快速上升[29]。傳統(tǒng)的識別方法如生產測井資料、取心井資料、示蹤劑監(jiān)測資料、試井資料和生產動態(tài)資料等都是基于單井數據進行評價,結果往往存在一定差異。機器學習算法中的無監(jiān)督學習聚類算法,是將海量數據中具有相似特征的數據自動聚為一類。筆者團隊將模糊C均值聚類分析方法(fuzzy C-means clustering method,FCM)和數值模擬技術結合,首次提出了基于模型網格的優(yōu)勢通道分級評價方法,完成了海相砂巖油藏優(yōu)勢通道的分級。該方法的特色在于考慮了井間優(yōu)勢通道發(fā)育的特征參數,將分級結果(見圖19A)與常規(guī)的基于單井的分級結果(見圖19B)進行了對比,并根據示蹤劑監(jiān)測資料證明了前者的分級結果更符合現(xiàn)場實際[30-31]。

圖19 不同方法優(yōu)勢通道分級結果平面圖Fig.19 Two dimensional classification results of thief zones by different methods

3.4 CO2驅油與封存

在油田三次采油方式中,CO2驅油提高采收率(CO2-EOR)是一項已經在油田應用超過40年的較為成熟的開發(fā)方式。自從20世紀90年代以來,CO2地質封存就一直被認為是緩解大氣中CO2排放量的有效措施,其中，油藏埋存由于其穩(wěn)定的蓋層封閉特性和成熟的地面配套設施成為CO2埋存的理想場所[32-33]。CO2驅油與封存屬于碳捕集、利用與封存(carbon capture,utilization and storage,CCUS)技術中的重要組成部分,隨著“雙碳”目標的提出,將人工智能應用于油氣田CO2驅油與封存中將會為石油工業(yè)的減排提供更多的決策依據。因此,從微觀上利用數字巖心技術發(fā)現(xiàn)CO2驅油微觀機理,再結合微觀機理從宏觀上利用智能優(yōu)化方法開展CO2驅油與封存。

1)CO2驅替對儲層微觀結構的作用

CO2在高溫高壓下和水結合是強酸,pH值在2～3之間,因此，利用CO2驅替地下飽含水的巖層會對其產生溶蝕作用,溶蝕后流體中的離子又會出現(xiàn)重沉積和沉淀作用。所以在CO2驅替過程中易對儲存的微觀結構進行改造,進而影響CO2驅替和封存的可行性。不同巖性地層會有不同的影響,因此，需要對不同地層進行CO2驅替的可行性研究。筆者團隊利用數字巖心技術開展高溫高壓下CO2驅替實驗研究(見圖20),分析驅替前后儲層的微觀結構變化[34]。圖21展示了鄂爾多斯盆地疏松砂巖樣品中的單個孔隙在飽和CO2地層水驅替前后的變化。從圖22可以明顯看出，驅替后砂巖樣品孔隙變大,但是數字巖心提取的連通孔隙網絡壓力模擬結果表明后期又出現(xiàn)過重沉積和沉淀,導致滲透率下降,因此，這類儲層可以進行CO2的驅替但是數量有限。

圖20 基于數字巖心的CO2驅替實驗示意圖Fig.20 The experimental schematic of CO2 core flooding based on digital rock

A和B為驅替前初始孔隙體積；C和D為驅替后孔隙體積；E和F為驅替前后的組合圖注：圖E和圖F中灰色表示驅替后增加的孔隙體積，紅色表示驅替前初始的孔隙體積圖21 飽和二氧化碳的鹽水驅替砂巖樣品前后的孔隙結構3維可視化Fig.21 3D visualization of pore structure before and after sandstone samples by carbon dioxide-saturated brine flooding

圖22 飽和二氧化碳的鹽水驅替砂巖樣品前后的孔隙壓力3維可視化Fig.22 3D visualization of pore pressure before and after sandstone samples by carbon dioxide-saturated brine flooding

探索CO2封存在地下儲層的安全性,作為蓋層頁巖,其封存效率研究是非常重要的,因此，筆者團隊選擇具有天然裂縫的頁巖作為研究對象,利用超臨界CO2驅替含有天然裂縫的頁巖,發(fā)現(xiàn)隨著驅替時間增長,裂縫逐漸閉合[35](見圖23)。這一結果表明頁巖作為蓋層封存二氧化碳是有效的且可行的。

圖23 超臨界CO2驅替含天然裂縫頁巖樣品前后的裂縫3維可視化Fig.23 3D visualization of fractures before and after shale samples containing natural fractures by supercritical CO2 flooding

2)CO2驅油與封存自動優(yōu)化

CO2-EOR的目標是通過生產每桶原油注入最少量的CO2來獲得最大收益,CO2地質埋存的目標是只考慮最大限度地埋存CO2,而在CO2-EOR和CO2埋存相結合的工程中的目標是在驅替結束時提高的產油量和CO2的埋存量都達到最大。但CO2的埋存量和驅替結束時提高的產油量之間并沒有必然的線性關系[36]。在特定的條件下,CO2的埋存量和增油量與相關注入參數之間存在復雜的非線性關系,這時候必須綜合利用多種手段才能實現(xiàn)所需目標的最大化。隨著油田綠色低碳理念的發(fā)展,如何在CO2利用中滿足不同開發(fā)者的需求是急需解決的問題。筆者團隊將智能優(yōu)化理論應用于CO2驅油與封存工程的優(yōu)化中,提出基于粒子群算法和數值模擬技術的低滲油藏CO2驅油與封存自動優(yōu)化方法,并以某低滲油藏典型井組為例,進行優(yōu)化方法對于不同注入方式和不同優(yōu)化目標的適應性分析,研究成果可為不同操作者的決策需求提供科學的理論依據。圖24展示了CO2連續(xù)注入方式下CO2埋存量隨迭代次數變化的自動優(yōu)化結果[37]。

圖24 CO2連續(xù)注入方式下CO2埋存量隨迭代次數增大的變化曲線Fig.24 The change curve of CO2 storage capacity with the increase of iterations under CGI mode

4 結語

隨著石油工業(yè)4.0時代的到來,人工智能將助力石油工業(yè)進入智能化新時代,并徹底顛覆油氣田勘探開發(fā)領域中的傳統(tǒng)解決思路。人工智能與油氣勘探開發(fā)技術的融合將在油氣田勘探開發(fā)環(huán)節(jié)中優(yōu)化作業(yè)流程、降低生產成本、提高油氣產量和提升油氣相關企業(yè)的核心競爭力方面發(fā)揮無可替代的作用。本文系統(tǒng)梳理了團隊近幾年在利用人工智能解決油氣田勘探和開發(fā)難題的系列技術,期望為油氣田的高效開發(fā)提供理論支持和技術保障,并加快推動我國石油工業(yè)的數字化進程。

為進一步挖掘人工智能提高油氣勘探開發(fā)的潛力,提升人工智能的應用效果,筆者提出幾點思考：① 勘探開發(fā)問題具有明顯的區(qū)域性特征,具有小樣本、多解性的特點,建立在大數據基礎上的人工智能技術需要明確輸入和輸出的映射關系,因而需厘清人工智能算法在油氣勘探開發(fā)中的適用性;② 人工智能技術的應用主要停留在解決單一學科的問題,但隨著技術的發(fā)展應融合不同學科的數據,充分從數據中挖掘潛在的價值信息;③ 人工智能與油氣勘探開發(fā)基礎理論深度結合,在算法的迭代計算中考慮油氣田勘探開發(fā)的現(xiàn)場實際,提升算法應用的工程合理性;④ 地球物理、油田開發(fā)等科學研究積累了大量領域知識和機理模型,通過機理模型與數據驅動融合以提高人工智能技術的準確性和收斂性;⑤ 人工智能、大數據和模型的交叉融合,構建基于數據驅動和機器學習的智能優(yōu)化理論體系,實現(xiàn)針對不同問題的高效優(yōu)化,最大化提升理論方法的計算效率。人工智能技術雖然在油氣田勘探開發(fā)中展現(xiàn)出巨大的潛力,但充分認識油氣田勘探開發(fā)中的實際問題,才能更好地駕馭人工智能技術。

總之,人工智能方法已經逐步應用于油氣田勘探開發(fā)的各個環(huán)節(jié)中,應用面臨著無限的機遇,也面對很大的挑戰(zhàn)，筆者團隊未來的研究將會重點在測井、壓裂、布井、提高采收率及CO2驅替封存智能油田方向,以點帶面,期望能進一步推動此領域的發(fā)展,更好地適應時代科學技術發(fā)展趨勢,為油氣田的高效智能開發(fā)提供理論及技術支撐。

致謝：特別感謝趙文智院士、孫衛(wèi)教授和羅曉容研究員的建設性意見和建議。