浅析人工智能在智能油田建设中的应用

马承杰

人工智能技术正在从弱人工智能向强人工智能阶段逐步迈进，应用场景范围爆发式增长，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征，人工智能引领石油行业数字化转型的先进方向。本文分析国家、企业层面智能发展的战略，围绕智能油田建设目标，提出了人工智能在智能油田建设中应用场景，为推进人工智能在油田企业的落地指出了方向。

一、前言

人工智能（AI）是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门技术科学。1956年，约翰·麦卡锡最早提出了人工智能概念，标志着人工智能的正式诞生。近年来在移动互联网、大数据、超级计算等新理论新技术以及经济社会发展强烈需求的共同驱动下，人工智能加速发展，形成了以深度学习、跨界融合、人机协同、群智开放、自主操控等为特征的新一代人工智能技术，涵盖大数据智能、跨媒体智能、群体智能、混合增强智能、自主无人系统等核心领域，被誉为未来十年最具颠覆性的技术之一。

二、人工智能在油田应用面临挑战

新一代人工智能正在智能制造、智能医疗、智慧城市、智能农业、国防建设、智能交通、智能金融和智慧生活等领域加速渗透，人工智能產业初步形成。国内油田企业信息化建设在完成数字化建设后，目前大多数都开始了以全面感知、集成协同、预警预测、分析优化为特征的智能油田建设，但因石油行业具有技术密集、业务链条长等特点，人工智能在智能油田建设中的应用存在诸多挑战。

人工智能应用的数据基础薄弱。数据是人工智能的第一资源，部署新一代人工智能需要大量可操作的训练数据，才能实现深度学习。当前油田企业在数据资源建设方面有了一定的积累，但尚无法达到深度学习对数据规则、标准和质量的高要求，且数据多样性差、准备时间长、加工应用成本高，在勘探开发等核心领域部署人工智能应用还存在相当的差距。

缺乏石油行业人工智能平台工具。国内人工智能在图像识别、语音识别技术、共享服务和无人驾驶等应用领域已实现重大突破，但在算法等基础核心领域，缺乏原创科研成果、高端技术沉淀和长期数据积累，缺少可有效满足石油行业需要的高端智能化应用平台或工具。

三、人工智能的应用方向及场景

鉴于油田业务的复杂性，人工智能技术作为推动核心业务的转型升级和高质量发展的技术，需按照“找准瓶颈、试点突破、以点带面、循序推进”的原则开展应用建设。

（一）构造智能解释

随着勘探目标日趋精细，地质模型与地震、测井等物探数据间相关关系定量描述变得越来越困难，现有技术非线性表征能力有限，难以满足当前需求，仍需大量人工干预。而解释经验因人而异，同时大量的工作难免导致解释结果可靠性的降低，尤其是面对勘探后期各类地质现象在短时间、小范围内交错叠置，这一问题就变得更为突出，亟待引入新的数据分析技术。

一是构建地震解释样本标签。参考沉构造解释原则，考虑多种地质因素，综合利用多个地震参数做为特征样本值，利用主成分分析、聚类分析等方法分析其贡献率，提取并优化多种构造解释模式特征，形成断层及层位样本生成方法，实现样本集自动的构建。

二是研究并优选适合地震解释的深度学习算法。分析DCNN（深度卷积神经网络）、RNN（循环神经网络）、GAN（对抗网络）等各类网络模型的优势及不足，针对地震解释业务特征确定网络模型及主要参数，提高深度学习算法的适用性。

三是研发智能解释模块。在样本构建及深度学习算法研究的基础上，构建由数据管理、构造模式特征提取、特征值优化、智能识别等模块组成的软件模块，最大程度上简化研究人员操作、高效的获取真实可靠的解释结果。

通过断面自动生成、层位自动追踪等构造解释智能应用模块建设，在保证地质需求精度的条件下，构造解释效率提高70%，缩短油气藏勘探研究周期，提高探井成功率。

（二）油藏模型智能自动拟合

由于地质建模基础数据的稀缺性和不确定性，以及对地下流动规律的认识局限，现有开发研究周期过长，其中模型建立、历史拟合、方案优化耗时占总研究周期85%，难以满足油藏生产管理需求；历史拟合过程耗时费力， 需要进行大量的人工干预，跟踪研究困难，亟需研发基于大数据的高效智能的辅助拟合技术，为油藏模型的大规模矿场应用提供支持。

一是实现油藏大数据建模功能。对适应于油藏研究的人工智能算法进行封装与适配，支持高精度建模、隐性相关性挖掘、优化决策分析等应用，建立高分辨率的地质模型、以及与动态高吻合度的“数据物理”模型，提高建模的效率和质量。

二是开展基于大数据的自动历史拟合方法研究及功能实现。采用大数据技术的相关算法，建立数值模拟模型与模拟结果之间的响应关联；在动静态大数据的驱动下对模型进行自动更新，实现历史拟合的智能化、自动化。将相应的算法及流程封装成软件模块。

三是实现开发方案智能优化。根据数值模拟的计算结果，分析注采流体的流动方向和流量，明确注采对应性；在此基础上，以均衡驱替为目标，实现开发方案的智能化和自动化推送。井网优化调整的快速实现，基于现井网进行快速注采调整优化，为进一步提高注采效率和油气采收率提供科学智能的方法工具和可靠的决策依据。

智能化自动历史拟合方法省时省力，对工作人员的经验要求低，拟合效果好，是一种高效易操作的多参数调参技术，可较好地刻画地层非均质性，应用于常规油气藏外，还可以用于致密储层、页岩储层等等非常规油藏的开发历史拟合。

（三）油气生产智能预警

传统的采油生产异常计算机分析系统中，对油井电参数、示功图、油井压力等单项参数进行独立的分析，没有对油井各类生产参数进行关联分析，故障识别精度低；同时传统的分析方法是油井故障发生后的参数异常报警，没有对油井各类生产参数变化趋势进行关联分析，不能在故障没有发生之前，提前预警问题的发生。

一是建设油井参数关联诊断模型。收集、筛选、整理近年油井生产数据，按照维护作业原因进行分类，提取每口井躺井前半年的实时生产数据，运用相关分析方法提取筛选出特征征兆参数，对所取得样本进行关于每个特征征兆参数的一维聚类，基于聚类分析检测不同各个特征征兆参数对不同故障下的敏感性。建立多参数组合判断的预警模型，挖掘各类数据变化规律，创建了“抽油机皮带打滑断脱预警”“抽油杆应力预警”等模型。

二是建立油藏、井筒、地面一体化参数关联分析模型，开发模型定制化工具。将油井常见问题的诊断分析经验和分析方法计算机模型化，能够针对油井故障或问题，进行分析模型的灵活定制。实现油井诊断分析功能，应用实时数据，实现油井动态分析、工况诊断、设备状况诊断的自动化和智能化。

三是实现油井生产问题实时预警功能。根据油井实际生产情况，灵活设置单井预警内容和关联诊断模型，实时分析油井生产数据的关联变化趋势，对油藏、井筒、地面等常见的生产问题进行实时预警监控。

通过生产智能预警应用，充分利用实时采集数据，建立多参数组合预警模型，自动分析诊断运行异常，真正实现生产异常问题的预警，减少躺井次数、延长检泵周期、辅助生产优化。

四、结束语

总体看，世界石油石化行业的智能化发展仍处于起步阶段，行业企业正在数字化运营基础上，利用人工智能技术提升决策水平和工作效率，降低人工成本，保障设备安全运行。油田企业应从勘探开发、生产运行等核心业务选好突破口，加快数字化转型，推进人工智能技术的开发和应用，推动业务转型升级和高质量发展，在智能化时代重塑企业竞争力。

作者单位：胜利油田分公司信息化管理中心