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(diǎn)實(shí)驗(yàn)室,黑龍江 大慶 163318; 2.中海石油(中國(guó))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(jì)60年代以來(lái),我國(guó)石油工業(yè)蓬勃發(fā)展,但目前大慶油田、長(zhǎng)慶油田和勝利油田等主力老油田普遍進(jìn)入高含水或特高含水后期開(kāi)發(fā)階段,剩余可采儲(chǔ)量難以高效動(dòng)用、原油產(chǎn)量降低[1],因此,尋找一種能夠降低開(kāi)采成本和進(jìn)一步提高油氣采收率的方法尤為迫切。各大油田在長(zhǎng)期開(kāi)采中保留有大量生產(chǎn)數(shù)據(jù),通過(guò)有效的數(shù)據(jù)分析可以掌握儲(chǔ)層物性、可采儲(chǔ)量和開(kāi)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(jìn)一步開(kāi)發(fā)方向,支撐開(kāi)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(yàn)分析難以滿(mǎn)足油氣田高效開(kāi)發(fā)的需求。

隨著計(jì)算機(jī)科學(xué)的發(fā)展,機(jī)器學(xué)習(xí)技術(shù)逐漸成熟,一方面,計(jì)算機(jī)利用機(jī)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(shí)現(xiàn)對(duì)未知數(shù)據(jù)的預(yù)測(cè);另一方面,計(jì)算機(jī)直接從數(shù)據(jù)中學(xué)到知識(shí),免去了人工總結(jié)知識(shí)輸入計(jì)算機(jī)的過(guò)程,極大降低了人力物力成本[3]。機(jī)器學(xué)習(xí)適合海量數(shù)據(jù)的智能分析與計(jì)算,已在測(cè)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(jī)器學(xué)習(xí)應(yīng)用到了油氣開(kāi)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(yùn)用人工神經(jīng)網(wǎng)絡(luò)建立了水力壓裂閉合壓力預(yù)測(cè)模型,提出通過(guò)增加數(shù)據(jù)量可以增加模型預(yù)測(cè)精度,減少了人為因素對(duì)結(jié)果的影響。韓學(xué)輝等[8]利用最小二乘支持向量機(jī)(Least Squares SVM,LSSVM)建立儲(chǔ)層巖性識(shí)別模型,測(cè)井識(shí)別巖性與巖心分析資料的符合率可達(dá)80%以上。可見(jiàn),計(jì)算機(jī)通過(guò)機(jī)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?cái)?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(guó)內(nèi)外各大油田企業(yè)向著數(shù)字化轉(zhuǎn)型[9],機(jī)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(kāi)發(fā)的實(shí)際需求,調(diào)研了機(jī)器學(xué)習(xí)在油氣開(kāi)發(fā)領(lǐng)域的應(yīng)用現(xiàn)狀,并從儲(chǔ)層物性和流體分布識(shí)別、儲(chǔ)層物性時(shí)變和油氣產(chǎn)量預(yù)測(cè)、油氣藏開(kāi)發(fā)方法優(yōu)化和提高采收率方法優(yōu)選4個(gè)方面進(jìn)行闡述,總結(jié)當(dāng)前研究存在的不足,探討機(jī)器學(xué)習(xí)未來(lái)的應(yīng)用趨勢(shì)。

1 機(jī)器學(xué)習(xí)概述

1.1 機(jī)器學(xué)習(xí)發(fā)展歷程

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

18世紀(jì)出現(xiàn)的貝葉斯統(tǒng)計(jì)和后來(lái)的最小二乘法、馬爾可夫鏈等數(shù)學(xué)方法奠定了機(jī)器學(xué)習(xí)的數(shù)學(xué)理論基礎(chǔ)。機(jī)器學(xué)習(xí)的起源可追溯至20世紀(jì)50年代的圖靈測(cè)試,該測(cè)試證明計(jì)算機(jī)可以擁有與人類(lèi)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(jì)算機(jī)使其獲得智能,感知機(jī)就此誕生[11],其應(yīng)用多組人工神經(jīng)元模擬人腦對(duì)客觀(guān)事物的學(xué)習(xí)能力,但計(jì)算機(jī)知識(shí)儲(chǔ)備不及人類(lèi)豐富,未能獲得真正的智能;20世紀(jì)70年代,科學(xué)家開(kāi)始總結(jié)人類(lèi)的知識(shí)授予計(jì)算機(jī),但知識(shí)量過(guò)于龐大,無(wú)法將所有知識(shí)輸入計(jì)算機(jī),出現(xiàn)了“知識(shí)工程瓶頸”;此后,人們注重使計(jì)算機(jī)自主獲取知識(shí),真正意義上的機(jī)器學(xué)習(xí)出現(xiàn)。早在20世紀(jì)90年代,機(jī)器學(xué)習(xí)就已被應(yīng)用于油氣行業(yè)中,彼時(shí)一些大型石油公司聯(lián)合成立了名為Petrotechnical Open Soft Ware Crop的非營(yíng)利性組織,旨在解決石油工程中的數(shù)據(jù)孤島問(wèn)題,其核心工作就是建立數(shù)據(jù)模型和數(shù)據(jù)庫(kù)。此后,隨著學(xué)科交叉的逐漸深入,機(jī)器學(xué)習(xí)被用于解決油氣開(kāi)發(fā)領(lǐng)域的各種問(wèn)題。21世紀(jì)以來(lái),信息化和大數(shù)據(jù)迅猛發(fā)展,機(jī)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(jì)算機(jī)更強(qiáng)的自主學(xué)習(xí)能力,能夠解決更加復(fù)雜、計(jì)算量更龐大的問(wèn)題,使得人工智能取得了極大進(jìn)步[12]。如今,深度學(xué)習(xí)被廣泛應(yīng)用于油氣開(kāi)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(kāi)發(fā)領(lǐng)域常用機(jī)器學(xué)習(xí)模型

機(jī)器學(xué)習(xí)模型是算法的具體體現(xiàn),它賦予了計(jì)算機(jī)自主分析數(shù)據(jù)、總結(jié)數(shù)據(jù)內(nèi)部規(guī)律并進(jìn)行未知數(shù)據(jù)預(yù)測(cè)的能力。常用于油氣開(kāi)發(fā)領(lǐng)域的機(jī)器學(xué)習(xí)模型及特點(diǎn)見(jiàn)表1。

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

2 機(jī)器學(xué)習(xí)在油氣開(kāi)發(fā)領(lǐng)域的應(yīng)用現(xiàn)狀

機(jī)器學(xué)習(xí)主要用于對(duì)油氣開(kāi)發(fā)過(guò)程中產(chǎn)生的各種數(shù)據(jù)進(jìn)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(shí)現(xiàn)數(shù)據(jù)預(yù)測(cè)、數(shù)據(jù)聚類(lèi)等目的。國(guó)內(nèi)外學(xué)者利用機(jī)器學(xué)習(xí)在儲(chǔ)層物性和流體分布識(shí)別、儲(chǔ)層物性時(shí)變預(yù)測(cè)、油氣產(chǎn)量預(yù)測(cè)、油氣藏開(kāi)發(fā)方法優(yōu)化和提高采收率方法優(yōu)選等方面開(kāi)展了諸多研究,均取了得良好效果。

2.1 儲(chǔ)層物性和流體分布識(shí)別

2.1.1 儲(chǔ)層物性識(shí)別

現(xiàn)階段,油氣藏儲(chǔ)層巖石物性分析和識(shí)別方法主要有交會(huì)圖版法和測(cè)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(guò)程中會(huì)出現(xiàn)對(duì)專(zhuān)家經(jīng)驗(yàn)依賴(lài)過(guò)多、實(shí)驗(yàn)周期較長(zhǎng)且精度較低等問(wèn)題。隨著計(jì)算機(jī)科學(xué)的進(jìn)步,機(jī)器學(xué)習(xí)在解決多分類(lèi)問(wèn)題上展現(xiàn)出巨大優(yōu)勢(shì),成為巖性識(shí)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(jìn)行致密砂巖巖性識(shí)別,該模型在XGBoost的基礎(chǔ)上對(duì)基礎(chǔ)學(xué)習(xí)器的構(gòu)建進(jìn)行了優(yōu)化,減少了樣本冗余,預(yù)測(cè)精度最高可達(dá)92.61%,在現(xiàn)場(chǎng)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(shù)(GB-DT)模型,實(shí)現(xiàn)了對(duì)致密砂巖地層巖性的高效精確識(shí)別和分類(lèi)。這兩種模型都是由決策樹(shù)改進(jìn)而來(lái),能夠在復(fù)雜地層條件下對(duì)巖石物性進(jìn)行精準(zhǔn)分類(lèi),有較高的應(yīng)用價(jià)值和較廣泛的適用性。柴明瑞等[26]選取準(zhǔn)噶爾盆地致密砂礫巖儲(chǔ)層,利用SVM、RF與BP神經(jīng)網(wǎng)絡(luò)-Bagging等方法基于測(cè)井資料進(jìn)行砂礫巖巖屑種類(lèi)和含量預(yù)測(cè),其中RF平均相對(duì)誤差絕對(duì)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(jìn)行巖屑成分識(shí)別。

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

2.1.2 流體分布識(shí)別

測(cè)井曲線(xiàn)人工解釋等經(jīng)典儲(chǔ)層流體分布識(shí)別方法多依賴(lài)于專(zhuān)家經(jīng)驗(yàn),在強(qiáng)非均質(zhì)性復(fù)雜儲(chǔ)層中流體狀態(tài)的識(shí)別中難免存在效率低下、精度不足等問(wèn)題。為此,藍(lán)茜茜等[28]建立了一套多種技術(shù)融合的復(fù)雜儲(chǔ)層流體分布識(shí)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(jìn)行特征提取和樣本平衡優(yōu)化,并通過(guò)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(shí)別準(zhǔn)確率超過(guò)80%,展現(xiàn)了深度學(xué)習(xí)在復(fù)雜儲(chǔ)層流體分布識(shí)別中良好的應(yīng)用效果。對(duì)于注水開(kāi)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(wú)法判斷地層注水狀態(tài)。趙艷紅等[29]運(yùn)用高斯混合模型(GMM)聚類(lèi)方法,按注水強(qiáng)度、絕對(duì)注入量、相對(duì)注入量和有效厚度將地層吸水狀態(tài)分為4類(lèi),實(shí)現(xiàn)注水通道狀態(tài)高精度識(shí)別,極大地方便了后續(xù)注采調(diào)整等工作。

20世紀(jì)80年代以來(lái),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(jué)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(zhǔn)識(shí)別,在眾多圖像識(shí)別實(shí)驗(yàn)中取得了良好效果,被廣泛用于計(jì)算機(jī)視覺(jué)等領(lǐng)域。Wang等[22]利用CNN的優(yōu)勢(shì),引入基于深度學(xué)習(xí)的智能圖像識(shí)別技術(shù)Mask R-CNN,實(shí)現(xiàn)了計(jì)算機(jī)從高分辨率剩余油圖像中識(shí)別微觀(guān)剩余油賦存狀態(tài)和宏觀(guān)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(shí)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(shí)別剩余油分布情況[22]Fig.1 Recognition of residual oil distribution by using neural network[22]

2.2 儲(chǔ)層物性時(shí)變和油氣產(chǎn)量預(yù)測(cè)

油氣藏儲(chǔ)層內(nèi)部流體的狀態(tài)在開(kāi)發(fā)過(guò)程中會(huì)發(fā)生變化,進(jìn)而導(dǎo)致儲(chǔ)層物性參數(shù)發(fā)生變化,對(duì)原油的開(kāi)采造成一定影響。掌握油氣藏動(dòng)態(tài)變化情況是制定開(kāi)發(fā)方案的重要前提,對(duì)油氣藏儲(chǔ)層物性參數(shù)和產(chǎn)量作出分析預(yù)測(cè)可以更好地掌握儲(chǔ)層情況,進(jìn)而指導(dǎo)開(kāi)發(fā)工作。機(jī)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(diǎn),在儲(chǔ)層物性參數(shù)預(yù)測(cè)和產(chǎn)量預(yù)測(cè)[30]等方面得到了廣泛應(yīng)用。

2.2.1 儲(chǔ)層物性時(shí)變預(yù)測(cè)

孔隙度、滲透率和流體飽和度等是反映儲(chǔ)層油氣開(kāi)發(fā)動(dòng)態(tài)的重要參數(shù),準(zhǔn)確對(duì)這些參數(shù)做出預(yù)測(cè),能夠掌握油氣藏開(kāi)發(fā)動(dòng)態(tài)走向,更好地進(jìn)行開(kāi)發(fā)方案制定和調(diào)整。常規(guī)儲(chǔ)層參數(shù)預(yù)測(cè)方法是通過(guò)經(jīng)驗(yàn)公式建立簡(jiǎn)化的數(shù)學(xué)模型,計(jì)算儲(chǔ)層參數(shù),在儲(chǔ)層條件復(fù)雜的情況下預(yù)測(cè)精度有限[31]。相較于決策樹(shù)等機(jī)器學(xué)習(xí)算法,人工神經(jīng)網(wǎng)絡(luò)算法往往具有更強(qiáng)的計(jì)算能力和更高的預(yù)測(cè)精度,眾多學(xué)者運(yùn)用神經(jīng)網(wǎng)絡(luò)展開(kāi)了儲(chǔ)層物性參數(shù)預(yù)測(cè)建模研究。

Chen等[32]開(kāi)發(fā)了一種多層長(zhǎng)短記憶網(wǎng)絡(luò)(MLSTM)的孔隙度預(yù)測(cè)模型,該模型的隱藏層由多個(gè)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(cè)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(rèn)為基于測(cè)井曲線(xiàn)預(yù)測(cè)碳酸巖儲(chǔ)層孔隙度和滲透率的經(jīng)驗(yàn)公式具有較大誤差,而數(shù)字巖心等方法過(guò)程繁瑣、條件局限性較大,因此采用LSTM預(yù)測(cè)孔隙度和滲透率,同時(shí)研究不同輸入?yún)?shù)的改變對(duì)各個(gè)模型預(yù)測(cè)精度的影響,預(yù)測(cè)精度較高。Tariq等[34]在現(xiàn)有含水飽和度預(yù)測(cè)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(cè)模型,并利用粒子群優(yōu)化等算法進(jìn)行模型優(yōu)化,預(yù)測(cè)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(chǔ)層內(nèi)的夾層可能改變注采井的連通性,對(duì)驅(qū)油過(guò)程和剩余油的分布產(chǎn)生影響,準(zhǔn)確判斷井間連通性對(duì)開(kāi)發(fā)過(guò)程中實(shí)時(shí)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(shí)現(xiàn)了夾層平均滲透率和傾斜角度預(yù)測(cè),進(jìn)而由此計(jì)算井間連通系數(shù),實(shí)現(xiàn)夾層影響下的井間連通性預(yù)測(cè),面對(duì)3 600個(gè)樣本,兩種機(jī)器學(xué)習(xí)模型運(yùn)行用時(shí)均不超過(guò)1 s。準(zhǔn)確進(jìn)行儲(chǔ)層物性測(cè)井解釋對(duì)石油勘探開(kāi)發(fā)具有重要意義,陶靜等[36]利用一對(duì)一支持向量機(jī)(OVO SVM)和RF進(jìn)行油水層解釋,并采用10折交叉驗(yàn)證法進(jìn)行參數(shù)優(yōu)化,解釋準(zhǔn)確率超過(guò)90%。機(jī)器學(xué)習(xí)能高效處理非線(xiàn)性問(wèn)題,因此在非均質(zhì)條件下依然能夠準(zhǔn)確進(jìn)行儲(chǔ)層物性預(yù)測(cè),同時(shí)提高了預(yù)測(cè)時(shí)效性。

2.2.2 油氣產(chǎn)量預(yù)測(cè)

BP 神經(jīng)網(wǎng)絡(luò)算法被應(yīng)用于油氣產(chǎn)量預(yù)測(cè)[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(huì)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(wèn)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(diǎn)間連接權(quán)重和閾值,建立了頁(yè)巖氣產(chǎn)量遞減預(yù)測(cè)模型,提出此方法對(duì)頁(yè)巖氣產(chǎn)量遞減預(yù)測(cè)優(yōu)于單獨(dú)的BP神經(jīng)網(wǎng)絡(luò)。

在油氣藏開(kāi)發(fā)中,原油產(chǎn)量信息具有一定的時(shí)序相關(guān)性,BP神經(jīng)網(wǎng)絡(luò)由于自身特性限制無(wú)法關(guān)聯(lián)前后數(shù)據(jù),導(dǎo)致預(yù)測(cè)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(cè)模型,預(yù)測(cè)精度較BP神經(jīng)網(wǎng)絡(luò)高八個(gè)百分點(diǎn)以上。Song等[40]應(yīng)用LSTM預(yù)測(cè)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(qiáng)的泛化能力,適合處理高維數(shù)據(jù),越來(lái)越多研究者將集成學(xué)習(xí)融入油氣開(kāi)發(fā)領(lǐng)域。何佑偉等[41]用RF預(yù)測(cè)頁(yè)巖氣藏氣井產(chǎn)量,建立了準(zhǔn)確度達(dá)90%以上的模型,并提出壓裂因素對(duì)預(yù)測(cè)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(dá)34%以上,均值填補(bǔ)法不適用,因此通過(guò)已知數(shù)據(jù)建立線(xiàn)性模型預(yù)測(cè)要填補(bǔ)的數(shù)據(jù)。

2.3 油氣藏開(kāi)發(fā)方法優(yōu)化

由于儲(chǔ)層條件復(fù)雜、數(shù)據(jù)不足和依賴(lài)人為經(jīng)驗(yàn)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(wèn)題,這種情況下,機(jī)器學(xué)習(xí)成為優(yōu)化開(kāi)發(fā)方法的新選擇。

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

王文東等[43]認(rèn)為傳統(tǒng)水驅(qū)油藏優(yōu)化方法過(guò)于依賴(lài)專(zhuān)家經(jīng)驗(yàn),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(kāi)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(kāi)發(fā)效果預(yù)測(cè)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(shí)現(xiàn)了從參數(shù)部署到預(yù)測(cè)結(jié)果提取及保存的全過(guò)程自動(dòng)化和智能化。賈德利等[44]結(jié)合機(jī)器學(xué)習(xí)算法和數(shù)據(jù)同化算法等算法實(shí)現(xiàn)了老油田中油藏的精細(xì)注水優(yōu)化。其中,采用K-Means聚類(lèi)算法將注水效果分為好、較好、中、較差和差5類(lèi),判斷注水井組中增注、減注、維持注水量,并采用決策樹(shù)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(duì)注水井組配注量進(jìn)行優(yōu)化,實(shí)現(xiàn)提高區(qū)塊產(chǎn)油量和降低區(qū)塊含水率的目標(biāo)。

圖3 決策樹(shù)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(wèn)題時(shí),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(kāi)發(fā)油藏中,層間動(dòng)用差異大、非均質(zhì)性強(qiáng)和油水關(guān)系復(fù)雜等問(wèn)題突出,傳統(tǒng)注采井網(wǎng)優(yōu)化方法面臨過(guò)度依賴(lài)人力、周期較長(zhǎng)及算力、精度不足等多種問(wèn)題,且優(yōu)化過(guò)程中往往涉及特征選擇、參數(shù)預(yù)測(cè)、方法優(yōu)化和效果評(píng)價(jià)等多個(gè)方面,采用多種機(jī)器學(xué)習(xí)模型、結(jié)合模型自身特點(diǎn)有針對(duì)性地處理問(wèn)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(kāi)發(fā)研究的一個(gè)重要方面,若篩選錯(cuò)誤,可能導(dǎo)致極大的經(jīng)濟(jì)風(fēng)險(xiǎn)和資源浪費(fèi)。傳統(tǒng)提高采收率方法的篩選對(duì)專(zhuān)家經(jīng)驗(yàn)依賴(lài)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(jìn)行提高采收率方法篩選,機(jī)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(shù)、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(cè)效果,提出機(jī)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(zhǔn)確率達(dá)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(shì),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(dú)立的RF和XGBoost,每組有8個(gè)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(lèi)不平衡問(wèn)題,同時(shí)該方法采用隨機(jī)搜索法調(diào)整超參數(shù),有效克服了貪婪搜索帶來(lái)的局部最優(yōu)解問(wèn)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(wèn)題與展望

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

3.1 面臨的問(wèn)題

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

(1)缺乏適合機(jī)器學(xué)習(xí)模型的訓(xùn)練樣本庫(kù)。國(guó)內(nèi)油氣田礦場(chǎng)數(shù)據(jù)質(zhì)量良莠不齊,缺少標(biāo)簽化的、可以用于機(jī)器學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)庫(kù)。從現(xiàn)場(chǎng)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?yàn)?①由于傳感器未普及和網(wǎng)絡(luò)限制等原因,很難將礦場(chǎng)數(shù)據(jù)直接入庫(kù),大量參數(shù)需要各種實(shí)驗(yàn)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(chǔ)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(diǎn),難以獲得供機(jī)器學(xué)習(xí)的標(biāo)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(shí),會(huì)出現(xiàn)數(shù)據(jù)不同源情況。

(2)機(jī)器學(xué)習(xí)和油氣開(kāi)發(fā)缺乏深入結(jié)合。目前,熟悉機(jī)器學(xué)習(xí)算法的專(zhuān)家或程序員不具備油氣專(zhuān)業(yè)背景,難以用現(xiàn)場(chǎng)經(jīng)驗(yàn)先驗(yàn)地指導(dǎo)模型選擇和參數(shù)調(diào)整。油氣行業(yè)專(zhuān)家又對(duì)機(jī)器學(xué)習(xí)中的各個(gè)環(huán)節(jié)缺乏足夠的了解,無(wú)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(kāi)發(fā)領(lǐng)域和機(jī)器學(xué)習(xí)專(zhuān)家深度合作,克服單一領(lǐng)域?qū)＜业闹R(shí)局限性。

(3)適用于油氣開(kāi)發(fā)領(lǐng)域的整體化人工智能平臺(tái)較少。目前,國(guó)內(nèi)大多數(shù)研究都針對(duì)于解決具體問(wèn)題,未形能成體系化突破,而國(guó)外石油企業(yè)紛紛運(yùn)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(tái),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(wèn)題;Noble Energy公司推出了專(zhuān)屬數(shù)據(jù)分析平臺(tái),實(shí)現(xiàn)了鉆機(jī)智能化實(shí)時(shí)控制、鉆井策略快速調(diào)整[50]。中國(guó)油氣開(kāi)發(fā)一體化平臺(tái)構(gòu)建起步較晚,還沒(méi)有統(tǒng)一的模式和標(biāo)準(zhǔn),理論研究居多,實(shí)際應(yīng)用偏少,有待進(jìn)一步發(fā)展,未來(lái)需要為處于特定開(kāi)發(fā)狀態(tài)的油田建立預(yù)測(cè)系統(tǒng)和模型庫(kù)[51],打造集成巖性識(shí)別、產(chǎn)能預(yù)測(cè)、流體可視化識(shí)別和開(kāi)發(fā)方法優(yōu)化等多功能的智能油田開(kāi)發(fā)平臺(tái),實(shí)現(xiàn)油氣開(kāi)發(fā)全過(guò)程智能化。

3.2 未來(lái)發(fā)展

(1)提升數(shù)據(jù)治理能力。未來(lái)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(chǔ)存技術(shù)統(tǒng)一數(shù)據(jù)標(biāo)記、推動(dòng)數(shù)據(jù)互聯(lián),構(gòu)建完善、優(yōu)質(zhì)的大容量機(jī)器學(xué)習(xí)用樣本云數(shù)據(jù)庫(kù),實(shí)現(xiàn)數(shù)據(jù)無(wú)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(qiáng)智能數(shù)據(jù)分析平臺(tái)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(kāi)發(fā)作業(yè)的傳感器,實(shí)時(shí)捕捉開(kāi)發(fā)過(guò)程中的相關(guān)數(shù)據(jù),節(jié)約人力成本和時(shí)間成本。在數(shù)據(jù)質(zhì)量?jī)?yōu)化上,建立數(shù)據(jù)質(zhì)量?jī)?yōu)化算法模型提高數(shù)據(jù)質(zhì)量,使油田礦場(chǎng)數(shù)據(jù)真正可為機(jī)器學(xué)習(xí)所用,同時(shí)推動(dòng)數(shù)據(jù)采集設(shè)備與優(yōu)化算法模型、云數(shù)據(jù)庫(kù)無(wú)縫銜接,將優(yōu)化后的數(shù)據(jù)直接存入云數(shù)據(jù)庫(kù)。

(2)加強(qiáng)學(xué)科融合。數(shù)值模擬技術(shù)被廣泛用于油氣開(kāi)發(fā)仿真,在巖心分析、產(chǎn)量預(yù)測(cè)和開(kāi)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(shí)孔隙結(jié)構(gòu)數(shù)字巖心的問(wèn)題仍待攻克。可利用深度學(xué)習(xí)能夠提取圖片特征的優(yōu)勢(shì),準(zhǔn)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(shí)現(xiàn)近真實(shí)孔隙數(shù)字巖心重構(gòu)。在產(chǎn)量預(yù)測(cè)和開(kāi)發(fā)工藝參數(shù)優(yōu)化方面,復(fù)雜儲(chǔ)層和流體的仿真往往會(huì)消耗大量時(shí)間和計(jì)算資源,難以高效指導(dǎo)開(kāi)發(fā)決策調(diào)整,應(yīng)將機(jī)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(jìn)行機(jī)器學(xué)習(xí)建模,充分發(fā)揮部分機(jī)器學(xué)習(xí)算法能夠在進(jìn)行生產(chǎn)狀況預(yù)測(cè)的同時(shí)進(jìn)行參數(shù)重要性分析的優(yōu)勢(shì),分析數(shù)據(jù)之間的關(guān)聯(lián),實(shí)現(xiàn)數(shù)據(jù)預(yù)測(cè)和參數(shù)優(yōu)化,輔助開(kāi)發(fā)決策調(diào)整,減少對(duì)專(zhuān)家經(jīng)驗(yàn)依賴(lài),節(jié)約時(shí)間成本和人力成本。當(dāng)前,Petrel、Eclipse等專(zhuān)業(yè)軟件就通過(guò)不斷引入人工智能技術(shù),提高了智能化分析水平,實(shí)現(xiàn)了工程一體化模擬與設(shè)計(jì),未來(lái)相關(guān)軟件會(huì)強(qiáng)化人工智能模塊,推動(dòng)油田智能化程度進(jìn)一步提高。

(3)加速一體化智能平臺(tái)建設(shè)。將自動(dòng)化、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等技術(shù)與油氣田開(kāi)發(fā)深度融合,構(gòu)建具備自動(dòng)數(shù)據(jù)采集、實(shí)時(shí)監(jiān)測(cè)、自動(dòng)化控制、生產(chǎn)趨勢(shì)預(yù)測(cè)、方案優(yōu)化等功能的智能油田開(kāi)發(fā)系統(tǒng),實(shí)現(xiàn)云數(shù)據(jù)庫(kù)與機(jī)器學(xué)習(xí)智能算法互聯(lián),在數(shù)據(jù)監(jiān)測(cè)的基礎(chǔ)上進(jìn)行實(shí)時(shí)生產(chǎn)狀況預(yù)測(cè)和參數(shù)優(yōu)化,有針對(duì)性地指導(dǎo)開(kāi)發(fā)設(shè)計(jì)方案優(yōu)化和開(kāi)發(fā)決策調(diào)整。然而由于油氣儲(chǔ)層底下條件復(fù)雜,單一機(jī)器學(xué)習(xí)模型不具有普適性,機(jī)器學(xué)習(xí)的推廣受到限制,因此,機(jī)器學(xué)習(xí)與油氣田開(kāi)發(fā)的結(jié)合還應(yīng)從具體問(wèn)題入手,分模塊將多個(gè)機(jī)器學(xué)習(xí)模型整合進(jìn)智能油田開(kāi)發(fā)系統(tǒng)中,由點(diǎn)及面、逐步深入,打造少編程或無(wú)編程的油田開(kāi)發(fā)一體化軟件平臺(tái)。