謝 坤,吳湛奇,李彥閱,梅 杰,曹偉佳,趙維義

(1.東北石油大學(xué) 提高油氣采收率教育部重點實驗室,黑龍江 大慶 163318; 2.中海石油(中國)有限公司天津分公司 渤海石油研究院,天津 3004592)

引 言

自20世紀60年代以來,我國石油工業(yè)蓬勃發(fā)展,但目前大慶油田、長慶油田和勝利油田等主力老油田普遍進入高含水或特高含水后期開發(fā)階段,剩余可采儲量難以高效動用、原油產(chǎn)量降低[1],因此,尋找一種能夠降低開采成本和進一步提高油氣采收率的方法尤為迫切。各大油田在長期開采中保留有大量生產(chǎn)數(shù)據(jù),通過有效的數(shù)據(jù)分析可以掌握儲層物性、可采儲量和開發(fā)參數(shù)等生產(chǎn)數(shù)據(jù)之間的內(nèi)在聯(lián)系,由此確立進一步開發(fā)方向,支撐開發(fā)決策調(diào)整[2]。然而,隨著生產(chǎn)數(shù)據(jù)的持續(xù)增多,數(shù)據(jù)分析越發(fā)困難,傳統(tǒng)人工經(jīng)驗分析難以滿足油氣田高效開發(fā)的需求。

隨著計算機科學(xué)的發(fā)展,機器學(xué)習(xí)技術(shù)逐漸成熟,一方面,計算機利用機器學(xué)習(xí)算法可從數(shù)據(jù)內(nèi)部學(xué)習(xí)到隱藏的規(guī)律,實現(xiàn)對未知數(shù)據(jù)的預(yù)測;另一方面,計算機直接從數(shù)據(jù)中學(xué)到知識,免去了人工總結(jié)知識輸入計算機的過程,極大降低了人力物力成本[3]。機器學(xué)習(xí)適合海量數(shù)據(jù)的智能分析與計算,已在測井解釋[4]、地震解釋[5]和設(shè)備故障診斷[6]等方面初步應(yīng)用,眾多學(xué)者也將機器學(xué)習(xí)應(yīng)用到了油氣開發(fā)領(lǐng)域數(shù)據(jù)分析中。Nande等[7]根據(jù)給定油井的微型壓裂數(shù)據(jù),運用人工神經(jīng)網(wǎng)絡(luò)建立了水力壓裂閉合壓力預(yù)測模型,提出通過增加數(shù)據(jù)量可以增加模型預(yù)測精度,減少了人為因素對結(jié)果的影響。韓學(xué)輝等[8]利用最小二乘支持向量機(Least Squares SVM,LSSVM)建立儲層巖性識別模型,測井識別巖性與巖心分析資料的符合率可達80%以上。可見,計算機通過機器學(xué)習(xí)可以提升數(shù)據(jù)分析精度、提高工作效率,是高效分析油氣藏數(shù)據(jù)的理想工具。

目前,全球石油工業(yè)正朝著數(shù)字化、智能化方向發(fā)展,國內(nèi)外各大油田企業(yè)向著數(shù)字化轉(zhuǎn)型[9],機器學(xué)習(xí)的應(yīng)用成為行業(yè)前沿技術(shù)之一。本文結(jié)合油氣開發(fā)的實際需求,調(diào)研了機器學(xué)習(xí)在油氣開發(fā)領(lǐng)域的應(yīng)用現(xiàn)狀,并從儲層物性和流體分布識別、儲層物性時變和油氣產(chǎn)量預(yù)測、油氣藏開發(fā)方法優(yōu)化和提高采收率方法優(yōu)選4個方面進行闡述,總結(jié)當(dāng)前研究存在的不足,探討機器學(xué)習(xí)未來的應(yīng)用趨勢。

1 機器學(xué)習(xí)概述

1.1 機器學(xué)習(xí)發(fā)展歷程

機器學(xué)習(xí)(Machine Learning,ML)是人工智能的一個分支,本質(zhì)上是計算機運用數(shù)學(xué)原理和算法分析大量數(shù)據(jù),從中提取知識、構(gòu)建學(xué)習(xí)模型并對新情境作出判斷的過程。機器學(xué)習(xí)使計算機像人一樣自發(fā)學(xué)習(xí)事物內(nèi)部蘊藏的規(guī)律,使自身獲得新知識,并將學(xué)到的知識用于分析新的事物,學(xué)習(xí)規(guī)律和分析新事物的過程,相當(dāng)于人類大腦進行歸納與演繹[10]。

18世紀出現(xiàn)的貝葉斯統(tǒng)計和后來的最小二乘法、馬爾可夫鏈等數(shù)學(xué)方法奠定了機器學(xué)習(xí)的數(shù)學(xué)理論基礎(chǔ)。機器學(xué)習(xí)的起源可追溯至20世紀50年代的圖靈測試,該測試證明計算機可以擁有與人類似的自主學(xué)習(xí)和思考能力,之后人們嘗試將邏輯推理能力賦予計算機使其獲得智能,感知機就此誕生[11],其應(yīng)用多組人工神經(jīng)元模擬人腦對客觀事物的學(xué)習(xí)能力,但計算機知識儲備不及人類豐富,未能獲得真正的智能;20世紀70年代,科學(xué)家開始總結(jié)人類的知識授予計算機,但知識量過于龐大,無法將所有知識輸入計算機,出現(xiàn)了“知識工程瓶頸”;此后,人們注重使計算機自主獲取知識,真正意義上的機器學(xué)習(xí)出現(xiàn)。早在20世紀90年代,機器學(xué)習(xí)就已被應(yīng)用于油氣行業(yè)中,彼時一些大型石油公司聯(lián)合成立了名為Petrotechnical Open Soft Ware Crop的非營利性組織,旨在解決石油工程中的數(shù)據(jù)孤島問題,其核心工作就是建立數(shù)據(jù)模型和數(shù)據(jù)庫。此后,隨著學(xué)科交叉的逐漸深入,機器學(xué)習(xí)被用于解決油氣開發(fā)領(lǐng)域的各種問題。21世紀以來,信息化和大數(shù)據(jù)迅猛發(fā)展,機器學(xué)習(xí)逐漸衍生出了深度學(xué)習(xí)(Deep Learning)這一分支。深度學(xué)習(xí)算法賦予了計算機更強的自主學(xué)習(xí)能力,能夠解決更加復(fù)雜、計算量更龐大的問題,使得人工智能取得了極大進步[12]。如今,深度學(xué)習(xí)被廣泛應(yīng)用于油氣開發(fā)領(lǐng)域,成為行業(yè)前沿技術(shù)之一,在智能油田的建設(shè)中起到重要作用。

1.2 油氣開發(fā)領(lǐng)域常用機器學(xué)習(xí)模型

機器學(xué)習(xí)模型是算法的具體體現(xiàn),它賦予了計算機自主分析數(shù)據(jù)、總結(jié)數(shù)據(jù)內(nèi)部規(guī)律并進行未知數(shù)據(jù)預(yù)測的能力。常用于油氣開發(fā)領(lǐng)域的機器學(xué)習(xí)模型及特點見表1。

表1 油氣開發(fā)中常用機器學(xué)習(xí)模型及特點Tab.1 Common machine learning models for oil and gas development and their characteristics

2 機器學(xué)習(xí)在油氣開發(fā)領(lǐng)域的應(yīng)用現(xiàn)狀

機器學(xué)習(xí)主要用于對油氣開發(fā)過程中產(chǎn)生的各種數(shù)據(jù)進行分析,找出數(shù)據(jù)之間的關(guān)聯(lián)并建立數(shù)學(xué)模型,實現(xiàn)數(shù)據(jù)預(yù)測、數(shù)據(jù)聚類等目的。國內(nèi)外學(xué)者利用機器學(xué)習(xí)在儲層物性和流體分布識別、儲層物性時變預(yù)測、油氣產(chǎn)量預(yù)測、油氣藏開發(fā)方法優(yōu)化和提高采收率方法優(yōu)選等方面開展了諸多研究,均取了得良好效果。

2.1 儲層物性和流體分布識別

2.1.1 儲層物性識別

現(xiàn)階段,油氣藏儲層巖石物性分析和識別方法主要有交會圖版法和測井成像法,但隨著研究逐漸深入,數(shù)據(jù)量不斷增大、巖層條件也越發(fā)復(fù)雜,現(xiàn)有技術(shù)在應(yīng)用過程中會出現(xiàn)對專家經(jīng)驗依賴過多、實驗周期較長且精度較低等問題。隨著計算機科學(xué)的進步,機器學(xué)習(xí)在解決多分類問題上展現(xiàn)出巨大優(yōu)勢,成為巖性識別重要研究工具之一。谷宇峰等[23]提出采用GS算法優(yōu)化的LightGBM模型進行致密砂巖巖性識別,該模型在XGBoost的基礎(chǔ)上對基礎(chǔ)學(xué)習(xí)器的構(gòu)建進行了優(yōu)化,減少了樣本冗余,預(yù)測精度最高可達92.61%,在現(xiàn)場應(yīng)用中具有良好的適用性。王妍等[24]和馬隴飛等[25]分別提出基于CART算法的RF模型和梯度提升樹(GB-DT)模型,實現(xiàn)了對致密砂巖地層巖性的高效精確識別和分類。這兩種模型都是由決策樹改進而來,能夠在復(fù)雜地層條件下對巖石物性進行精準分類,有較高的應(yīng)用價值和較廣泛的適用性。柴明瑞等[26]選取準噶爾盆地致密砂礫巖儲層,利用SVM、RF與BP神經(jīng)網(wǎng)絡(luò)-Bagging等方法基于測井資料進行砂礫巖巖屑種類和含量預(yù)測,其中RF平均相對誤差絕對值為17.17%,表明該方法在巖屑成分復(fù)雜、訓(xùn)練樣本較小的情況下能夠很好地進行巖屑成分識別。

針對缺少碳酸鹽巖孔隙和礦物含量三維圖像識別研究的現(xiàn)狀,Alfarisi等[27]提出利用機器學(xué)習(xí)算法,通過分析微計算機斷層掃描圖像和磁共振成像計算孔隙度和儲層巖性,并建立3D微觀模型,研究運用高斯模糊算法優(yōu)化微計算機斷層掃描圖像的分辨率,并通過隨機森林算法對核磁共振圖像進行識別。

2.1.2 流體分布識別

測井曲線人工解釋等經(jīng)典儲層流體分布識別方法多依賴于專家經(jīng)驗,在強非均質(zhì)性復(fù)雜儲層中流體狀態(tài)的識別中難免存在效率低下、精度不足等問題。為此,藍茜茜等[28]建立了一套多種技術(shù)融合的復(fù)雜儲層流體分布識別模型,該研究分別使用深度學(xué)習(xí)網(wǎng)絡(luò)和混合采樣技術(shù)進行特征提取和樣本平衡優(yōu)化,并通過在神經(jīng)網(wǎng)絡(luò)中添加Softmax層、引入ReLU激活函和Dropout正則化的方法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),總體識別準確率超過80%,展現(xiàn)了深度學(xué)習(xí)在復(fù)雜儲層流體分布識別中良好的應(yīng)用效果。對于注水開發(fā)油藏,注水剖面是調(diào)整注水策略的重要依據(jù),但有些注水井中注水剖面缺失,無法判斷地層注水狀態(tài)。趙艷紅等[29]運用高斯混合模型(GMM)聚類方法,按注水強度、絕對注入量、相對注入量和有效厚度將地層吸水狀態(tài)分為4類,實現(xiàn)注水通道狀態(tài)高精度識別,極大地方便了后續(xù)注采調(diào)整等工作。

20世紀80年代以來,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)出現(xiàn)并迅速發(fā)展,其汲取了生物視覺原理,在傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建了卷積層和池化層,能夠?qū)崿F(xiàn)圖像特征提取和精準識別,在眾多圖像識別實驗中取得了良好效果,被廣泛用于計算機視覺等領(lǐng)域。Wang等[22]利用CNN的優(yōu)勢,引入基于深度學(xué)習(xí)的智能圖像識別技術(shù)Mask R-CNN,實現(xiàn)了計算機從高分辨率剩余油圖像中識別微觀剩余油賦存狀態(tài)和宏觀剩余油分布狀態(tài),將蒸汽驅(qū)和化學(xué)驅(qū)在不同驅(qū)替階段剩余油識別結(jié)果以像素圖的形式展現(xiàn),如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)識別剩余油分布情況[22]Fig.1 Recognition of residual oil distribution by using neural network[22]

2.2 儲層物性時變和油氣產(chǎn)量預(yù)測

油氣藏儲層內(nèi)部流體的狀態(tài)在開發(fā)過程中會發(fā)生變化,進而導(dǎo)致儲層物性參數(shù)發(fā)生變化,對原油的開采造成一定影響。掌握油氣藏動態(tài)變化情況是制定開發(fā)方案的重要前提,對油氣藏儲層物性參數(shù)和產(chǎn)量作出分析預(yù)測可以更好地掌握儲層情況,進而指導(dǎo)開發(fā)工作。機器學(xué)習(xí)憑借其在數(shù)據(jù)分析上高效、智能和低成本等優(yōu)點,在儲層物性參數(shù)預(yù)測和產(chǎn)量預(yù)測[30]等方面得到了廣泛應(yīng)用。

2.2.1 儲層物性時變預(yù)測

孔隙度、滲透率和流體飽和度等是反映儲層油氣開發(fā)動態(tài)的重要參數(shù),準確對這些參數(shù)做出預(yù)測,能夠掌握油氣藏開發(fā)動態(tài)走向,更好地進行開發(fā)方案制定和調(diào)整。常規(guī)儲層參數(shù)預(yù)測方法是通過經(jīng)驗公式建立簡化的數(shù)學(xué)模型,計算儲層參數(shù),在儲層條件復(fù)雜的情況下預(yù)測精度有限[31]。相較于決策樹等機器學(xué)習(xí)算法,人工神經(jīng)網(wǎng)絡(luò)算法往往具有更強的計算能力和更高的預(yù)測精度,眾多學(xué)者運用神經(jīng)網(wǎng)絡(luò)展開了儲層物性參數(shù)預(yù)測建模研究。

Chen等[32]開發(fā)了一種多層長短記憶網(wǎng)絡(luò)(MLSTM)的孔隙度預(yù)測模型,該模型的隱藏層由多個LSTM組成(圖2), 使用Adam算法優(yōu)化連接權(quán)重,具有比傳統(tǒng)LSTM神經(jīng)網(wǎng)絡(luò)更高的預(yù)測精度和魯棒性,適用于不同深度油井?dāng)?shù)據(jù)分析。侯賢沐等[33]認為基于測井曲線預(yù)測碳酸巖儲層孔隙度和滲透率的經(jīng)驗公式具有較大誤差,而數(shù)字巖心等方法過程繁瑣、條件局限性較大,因此采用LSTM預(yù)測孔隙度和滲透率,同時研究不同輸入?yún)?shù)的改變對各個模型預(yù)測精度的影響,預(yù)測精度較高。Tariq等[34]在現(xiàn)有含水飽和度預(yù)測模型精度不高的情況下,基于神經(jīng)網(wǎng)絡(luò)建立了含水飽和度預(yù)測模型,并利用粒子群優(yōu)化等算法進行模型優(yōu)化,預(yù)測結(jié)果誤差小于5%。

圖2 MLSTM原理框架圖[32]Fig.2 Principle framework diagram of MLSTM[32]

儲層內(nèi)的夾層可能改變注采井的連通性,對驅(qū)油過程和剩余油的分布產(chǎn)生影響,準確判斷井間連通性對開發(fā)過程中實時井網(wǎng)調(diào)整等具有重要意義。Liu等[35]采用BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)(CNN),采用原油產(chǎn)量、含水率和注水壓力作為輸入變量,實現(xiàn)了夾層平均滲透率和傾斜角度預(yù)測,進而由此計算井間連通系數(shù),實現(xiàn)夾層影響下的井間連通性預(yù)測,面對3 600個樣本,兩種機器學(xué)習(xí)模型運行用時均不超過1 s。準確進行儲層物性測井解釋對石油勘探開發(fā)具有重要意義,陶靜等[36]利用一對一支持向量機(OVO SVM)和RF進行油水層解釋,并采用10折交叉驗證法進行參數(shù)優(yōu)化,解釋準確率超過90%。機器學(xué)習(xí)能高效處理非線性問題,因此在非均質(zhì)條件下依然能夠準確進行儲層物性預(yù)測,同時提高了預(yù)測時效性。

2.2.2 油氣產(chǎn)量預(yù)測

BP 神經(jīng)網(wǎng)絡(luò)算法被應(yīng)用于油氣產(chǎn)量預(yù)測[37],但由于其采用梯度下降法最小化損失函數(shù),不可避免地會陷入局部極小值、收斂速度慢等困境。許多學(xué)者嘗試用智能優(yōu)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型,解決了局部極小值問題,加快了收斂速度。田亞鵬等[38]用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),獲得更精確的節(jié)點間連接權(quán)重和閾值,建立了頁巖氣產(chǎn)量遞減預(yù)測模型,提出此方法對頁巖氣產(chǎn)量遞減預(yù)測優(yōu)于單獨的BP神經(jīng)網(wǎng)絡(luò)。

在油氣藏開發(fā)中,原油產(chǎn)量信息具有一定的時序相關(guān)性,BP神經(jīng)網(wǎng)絡(luò)由于自身特性限制無法關(guān)聯(lián)前后數(shù)據(jù),導(dǎo)致預(yù)測精度不夠理想。侯春華等[39]采用LSTM建立了原油產(chǎn)量預(yù)測模型,預(yù)測精度較BP神經(jīng)網(wǎng)絡(luò)高八個百分點以上。Song等[40]應(yīng)用LSTM預(yù)測火山巖油藏壓裂水平井的產(chǎn)量,并采用粒子群算法優(yōu)化LSTM結(jié)構(gòu),取得了較好效果。

集成學(xué)習(xí)模型在數(shù)據(jù)分析中往往擁有較強的泛化能力,適合處理高維數(shù)據(jù),越來越多研究者將集成學(xué)習(xí)融入油氣開發(fā)領(lǐng)域。何佑偉等[41]用RF預(yù)測頁巖氣藏氣井產(chǎn)量,建立了準確度達90%以上的模型,并提出壓裂因素對預(yù)測結(jié)果影響較大的結(jié)論,該研究中收集的數(shù)據(jù)缺失值達34%以上,均值填補法不適用,因此通過已知數(shù)據(jù)建立線性模型預(yù)測要填補的數(shù)據(jù)。

2.3 油氣藏開發(fā)方法優(yōu)化

由于儲層條件復(fù)雜、數(shù)據(jù)不足和依賴人為經(jīng)驗等原因,諸如數(shù)值模擬注采優(yōu)化等經(jīng)典方法難免存在精度不夠高、效率較低等問題,這種情況下,機器學(xué)習(xí)成為優(yōu)化開發(fā)方法的新選擇。

在頁巖油藏開發(fā)中,影響燜井時間的因素眾多、計算過程復(fù)雜且數(shù)值模擬計算成本較高,難以在短時間內(nèi)確定合理燜井時間,給頁巖油高效開發(fā)造成困難。楊紅梅等[42]運用線性回歸、SVM和多層人工神經(jīng)網(wǎng)絡(luò)(MPN)方法建立燜井時間預(yù)測模型,確定燜井時間主要影響因素,并在此基礎(chǔ)上進行燜井時間優(yōu)化,證明了燜井時間經(jīng)機器學(xué)習(xí)優(yōu)化后,累產(chǎn)油較原先增長約8.5%,同時提出毛管力大小、入地液量以及原油黏度對合理燜井時間影響較大。該方法為現(xiàn)場明確燜井時間主控因素、合理燜井時間計算指明了方向,方便了頁巖油藏開發(fā)方案優(yōu)化設(shè)計。

王文東等[43]認為傳統(tǒng)水驅(qū)油藏優(yōu)化方法過于依賴專家經(jīng)驗,提出一種基于RF和徑向基函數(shù)(Radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)的井位及注采參數(shù)聯(lián)合優(yōu)化方法,研究采用RF篩選出影響注水開發(fā)效果的主控因素并作為RBF神經(jīng)網(wǎng)絡(luò)的輸入,建立了注采井網(wǎng)開發(fā)效果預(yù)測模型,最后結(jié)合粒子群算法篩選出最優(yōu)注采井網(wǎng)方案,實現(xiàn)了從參數(shù)部署到預(yù)測結(jié)果提取及保存的全過程自動化和智能化。賈德利等[44]結(jié)合機器學(xué)習(xí)算法和數(shù)據(jù)同化算法等算法實現(xiàn)了老油田中油藏的精細注水優(yōu)化。其中,采用K-Means聚類算法將注水效果分為好、較好、中、較差和差5類,判斷注水井組中增注、減注、維持注水量,并采用決策樹定性分析注水調(diào)整方向(圖3),最后用粒子群算法和小生境算法對注水井組配注量進行優(yōu)化,實現(xiàn)提高區(qū)塊產(chǎn)油量和降低區(qū)塊含水率的目標。

圖3 決策樹調(diào)整注水方向示意圖[44]Fig.3 Schematic diagram for adjusting water injection direction using decision tree[44]

處理復(fù)雜問題時,多種智能算法相結(jié)合往往可以獲得很好的效果。在水驅(qū)開發(fā)油藏中,層間動用差異大、非均質(zhì)性強和油水關(guān)系復(fù)雜等問題突出,傳統(tǒng)注采井網(wǎng)優(yōu)化方法面臨過度依賴人力、周期較長及算力、精度不足等多種問題,且優(yōu)化過程中往往涉及特征選擇、參數(shù)預(yù)測、方法優(yōu)化和效果評價等多個方面,采用多種機器學(xué)習(xí)模型、結(jié)合模型自身特點有針對性地處理問題是許多學(xué)者常用的研究手段。

2.4 提高采收率方法優(yōu)選

目前,熱采、化學(xué)驅(qū)和微生物驅(qū)等提高油氣采收率方法均有應(yīng)用,但不同提高采收率方法的油氣藏適應(yīng)性相差較大,選擇適合特定油氣藏的提高采收率方法成為油氣藏開發(fā)研究的一個重要方面,若篩選錯誤,可能導(dǎo)致極大的經(jīng)濟風(fēng)險和資源浪費。傳統(tǒng)提高采收率方法的篩選對專家經(jīng)驗依賴較多,且備選方法難以涵蓋所有的提高采收率方法。為了更好地進行提高采收率方法篩選,機器學(xué)習(xí)被一些學(xué)者用于該領(lǐng)域中。

Cheraghi等[45]在前人研究的基礎(chǔ)上,用決策樹、RF、ANN、樸素貝葉斯等算法篩選提高采收率方法,并比較了不同模型的預(yù)測效果,提出機器學(xué)習(xí)算法篩選結(jié)果比傳統(tǒng)方法具有更高的可靠性,且RF效果最好,準確率達91%。Pirizadeh等[46]綜合Boosting算法降低偏差和Bagging算法降低方差的優(yōu)勢,提出了一種RF與XGBoost結(jié)合的B2S模型,該模型第一層為兩組獨立的RF和XGBoost,每組有8個學(xué)習(xí)器,輸出的結(jié)果傳給第二層的神經(jīng)網(wǎng)絡(luò)元學(xué)習(xí)器(圖4),很好地解決了提高采收率方法篩選中的類不平衡問題,同時該方法采用隨機搜索法調(diào)整超參數(shù),有效克服了貪婪搜索帶來的局部最優(yōu)解問題。

圖4 提高采收率方法優(yōu)選B2S模型[46]Fig.4 B2S model for optimization of enhancing oil recovery methods[46]

3 面臨問題與展望

機器學(xué)習(xí)與油氣開發(fā)的融合取得了系列創(chuàng)新成果,正推動油氣工業(yè)邁向數(shù)字化和智能化。機器學(xué)習(xí)能夠規(guī)避許多傳統(tǒng)方法的缺陷,有效簡化數(shù)據(jù)分析流程,降低工程設(shè)計的時間和資金成本,提升分析結(jié)果的可靠性,使油田企業(yè)實現(xiàn)真正的降本增效。然而,現(xiàn)有利用機器學(xué)習(xí)指導(dǎo)油氣開發(fā)的研究也暴露出了一些問題。

3.1 面臨的問題

由于我國相關(guān)的研究起步較晚,油氣開發(fā)領(lǐng)域的機器學(xué)習(xí)研究還面臨著一些挑戰(zhàn),主要問題有以下幾方面[47-49]:

(1)缺乏適合機器學(xué)習(xí)模型的訓(xùn)練樣本庫。國內(nèi)油氣田礦場數(shù)據(jù)質(zhì)量良莠不齊,缺少標簽化的、可以用于機器學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)庫。從現(xiàn)場收集到的數(shù)據(jù)或多或少都存在缺失值和數(shù)據(jù)噪聲,分析原因為:①由于傳感器未普及和網(wǎng)絡(luò)限制等原因,很難將礦場數(shù)據(jù)直接入庫,大量參數(shù)需要各種實驗室模型或人工分析解釋,得到的數(shù)據(jù)存在一定誤差;②樣本數(shù)據(jù)獲取難度較大,非常規(guī)油氣藏儲層結(jié)構(gòu)復(fù)雜,采集的數(shù)據(jù)具有缺失性、不確定性的特點,難以獲得供機器學(xué)習(xí)的標簽數(shù)據(jù);③數(shù)據(jù)孤島的現(xiàn)象仍比較突出,在搜集數(shù)據(jù)時,會出現(xiàn)數(shù)據(jù)不同源情況。

(2)機器學(xué)習(xí)和油氣開發(fā)缺乏深入結(jié)合。目前,熟悉機器學(xué)習(xí)算法的專家或程序員不具備油氣專業(yè)背景,難以用現(xiàn)場經(jīng)驗先驗地指導(dǎo)模型選擇和參數(shù)調(diào)整。油氣行業(yè)專家又對機器學(xué)習(xí)中的各個環(huán)節(jié)缺乏足夠的了解,無法為編程人員提供有效的數(shù)據(jù)信息。相關(guān)研究需要油氣開發(fā)領(lǐng)域和機器學(xué)習(xí)專家深度合作,克服單一領(lǐng)域?qū)＜业闹R局限性。

(3)適用于油氣開發(fā)領(lǐng)域的整體化人工智能平臺較少。目前,國內(nèi)大多數(shù)研究都針對于解決具體問題,未形能成體系化突破,而國外石油企業(yè)紛紛運用人工智能技術(shù)建立了地質(zhì)建模、數(shù)據(jù)分析一體化平臺,如斯倫貝謝推出了一款多維環(huán)境軟件,將人工智能與多種技術(shù)整合到一起,解決油氣行業(yè)復(fù)雜技術(shù)問題;Noble Energy公司推出了專屬數(shù)據(jù)分析平臺,實現(xiàn)了鉆機智能化實時控制、鉆井策略快速調(diào)整[50]。中國油氣開發(fā)一體化平臺構(gòu)建起步較晚,還沒有統(tǒng)一的模式和標準,理論研究居多,實際應(yīng)用偏少,有待進一步發(fā)展,未來需要為處于特定開發(fā)狀態(tài)的油田建立預(yù)測系統(tǒng)和模型庫[51],打造集成巖性識別、產(chǎn)能預(yù)測、流體可視化識別和開發(fā)方法優(yōu)化等多功能的智能油田開發(fā)平臺,實現(xiàn)油氣開發(fā)全過程智能化。

3.2 未來發(fā)展

(1)提升數(shù)據(jù)治理能力。未來應(yīng)當(dāng)將數(shù)據(jù)治理放到首位,結(jié)合物聯(lián)網(wǎng)技術(shù)和云儲存技術(shù)統(tǒng)一數(shù)據(jù)標記、推動數(shù)據(jù)互聯(lián),構(gòu)建完善、優(yōu)質(zhì)的大容量機器學(xué)習(xí)用樣本云數(shù)據(jù)庫,實現(xiàn)數(shù)據(jù)無障礙共享,使油田向數(shù)字化轉(zhuǎn)型。在數(shù)據(jù)收集上普及傳感器的使用,加強智能數(shù)據(jù)分析平臺建設(shè)。石油企業(yè)可以和互聯(lián)網(wǎng)企業(yè)、高新材料企業(yè)合作研發(fā)低成本、高精度、適用于油田開發(fā)作業(yè)的傳感器,實時捕捉開發(fā)過程中的相關(guān)數(shù)據(jù),節(jié)約人力成本和時間成本。在數(shù)據(jù)質(zhì)量優(yōu)化上,建立數(shù)據(jù)質(zhì)量優(yōu)化算法模型提高數(shù)據(jù)質(zhì)量,使油田礦場數(shù)據(jù)真正可為機器學(xué)習(xí)所用,同時推動數(shù)據(jù)采集設(shè)備與優(yōu)化算法模型、云數(shù)據(jù)庫無縫銜接,將優(yōu)化后的數(shù)據(jù)直接存入云數(shù)據(jù)庫。

(2)加強學(xué)科融合。數(shù)值模擬技術(shù)被廣泛用于油氣開發(fā)仿真,在巖心分析、產(chǎn)量預(yù)測和開發(fā)工藝參數(shù)優(yōu)化等方面發(fā)揮著重要作用。在巖心分析方面,3D數(shù)字巖心技術(shù)被廣泛應(yīng)用,但如何快速獲取高分辨率巖心圖像、重構(gòu)近真實孔隙結(jié)構(gòu)數(shù)字巖心的問題仍待攻克?？衫蒙疃葘W(xué)習(xí)能夠提取圖片特征的優(yōu)勢,準確提取二維薄片中孔隙結(jié)構(gòu)特征,獲得高分辨率巖心圖像,結(jié)合數(shù)字巖心技術(shù)實現(xiàn)近真實孔隙數(shù)字巖心重構(gòu)。在產(chǎn)量預(yù)測和開發(fā)工藝參數(shù)優(yōu)化方面,復(fù)雜儲層和流體的仿真往往會消耗大量時間和計算資源,難以高效指導(dǎo)開發(fā)決策調(diào)整,應(yīng)將機器學(xué)習(xí)與數(shù)值模擬有效結(jié)合,利用數(shù)值模擬生成的數(shù)據(jù)進行機器學(xué)習(xí)建模,充分發(fā)揮部分機器學(xué)習(xí)算法能夠在進行生產(chǎn)狀況預(yù)測的同時進行參數(shù)重要性分析的優(yōu)勢,分析數(shù)據(jù)之間的關(guān)聯(lián),實現(xiàn)數(shù)據(jù)預(yù)測和參數(shù)優(yōu)化,輔助開發(fā)決策調(diào)整,減少對專家經(jīng)驗依賴,節(jié)約時間成本和人力成本。當(dāng)前,Petrel、Eclipse等專業(yè)軟件就通過不斷引入人工智能技術(shù),提高了智能化分析水平,實現(xiàn)了工程一體化模擬與設(shè)計,未來相關(guān)軟件會強化人工智能模塊,推動油田智能化程度進一步提高。

(3)加速一體化智能平臺建設(shè)。將自動化、機器學(xué)習(xí)和數(shù)據(jù)挖掘等技術(shù)與油氣田開發(fā)深度融合,構(gòu)建具備自動數(shù)據(jù)采集、實時監(jiān)測、自動化控制、生產(chǎn)趨勢預(yù)測、方案優(yōu)化等功能的智能油田開發(fā)系統(tǒng),實現(xiàn)云數(shù)據(jù)庫與機器學(xué)習(xí)智能算法互聯(lián),在數(shù)據(jù)監(jiān)測的基礎(chǔ)上進行實時生產(chǎn)狀況預(yù)測和參數(shù)優(yōu)化,有針對性地指導(dǎo)開發(fā)設(shè)計方案優(yōu)化和開發(fā)決策調(diào)整。然而由于油氣儲層底下條件復(fù)雜,單一機器學(xué)習(xí)模型不具有普適性,機器學(xué)習(xí)的推廣受到限制,因此,機器學(xué)習(xí)與油氣田開發(fā)的結(jié)合還應(yīng)從具體問題入手,分模塊將多個機器學(xué)習(xí)模型整合進智能油田開發(fā)系統(tǒng)中,由點及面、逐步深入,打造少編程或無編程的油田開發(fā)一體化軟件平臺。