浅析人工智能在油气行业中的应用

摘 要：经历60载沉浮之后，在2016年人工智能最终以Alphago赢得与李世石的人机世纪对决的这一方式重回焦点。而伴随着云计算、大数据、人工神经网络以及深度学习等新技术的发展，人工智能2016年的狂飙突进也成功将这一年命名为“人工智能元年”，在人类发展的历程上留下了浓墨重彩的一笔。在日常生活中，机器翻译、无人驾驶汽车、人脸精准识别等人工智能应用已不是只有在科幻作品中才能出现的场景，而是已经开始慢慢渗透进入衣食住行的方方面面。与此同时，在以新技术的研发与应用为核心推动力的新一轮产业革命浪潮中，人工智能也扮演着不可忽视的一股力量。尤其是作为传统能源行业的核心技术领域，油气的勘探、开发以及生产都受到了人工智能技术的影响。通过引入人工智能，可以解决在油气的勘探开发以及生产领域遇到的各种非线性问题，提升企业判断精准性及决策科学性。[1]本文通过研究分析目前人工智能在油气行业的勘探开发以及生产阶段的应用，总结人工智能对油气行业发展的积极意义，以期为业界提供参考。

关键词：人工智能；AI；大数据；数据标准化；中国海油

中图分类号：TP18 文献标识码：A 文章编号：2096-4706（2017）03-0117-03

Application of Artificial Intelligence in Oil and Gas Industry

WANG Xiaolong

（Information Technology Department of China National Offshore Oil Corporation，Beijing 100000，China）

Abstract： After 60 years of ups and downs， in 2016， artificial intelligence finally won the battle with Li Shishi's Alphago machine， this way back to focus.With the development of new technology of cloud computing， big data， artificial neural network， deep learning and artificial intelligence in 2016 hurricane also successfully will be this year named "artificial intelligence era"， in the process of human development takes an important part.In daily life， Machine Translation， driverless cars， face recognition precision application of artificial intelligence has not only in science fiction to the scene， but has begun to penetrate into all aspects of basic necessities of life.At the same time， in the new wave of industrial revolution with the core of R & D and application of new technology， artificial intelligence is also a force that can not be ignored. Especially， as the core technology field of traditional energy industry， the exploration， development and production of oil and gas have been affected by artificial intelligence technology. By introducing artificial intelligence， we can solve various nonlinear problems encountered in the exploration， development and production of oil and gas， so as to improve the accuracy of enterprise judgment and the scientific decision. Through the research and analysis of the application of artificial intelligence in the exploration， development and production phase of the oil and gas industry， this paper summarizes the positive significance of artificial intelligence to the development of the oil and gas industry， in order to provide reference for the industry.

Keywords： artificial intelligence；AI；data；data standardization； China CNOOC

1 人工智能的發展[2-3]

人工智能，自远古时期开始，人工智能的思想便如黑夜中微弱的火花，闪烁在人类对周遭黑暗未知的混沌世界的探索中。最早追溯至古希腊神话时期，在关于火神赫菲斯托斯的神话里，古希腊人就已经提出了智能机器人与人工生物的概念。经过历史长河漫长的洗礼，人工智能终于在近代出现了突飞猛进的发展。但发展的过程并非一路通畅，自二十世纪50年代图灵对人工智能的第一次思考与人工智能作为一门学科在美国达特茅斯大学被正式确立开始，短短六十载，人工智能的发展已然经历了两次寒冬。

1.1 人工智能经历的两次寒冬

虽然在古代的中外神话中已经有了人工智能的影子，但人工智能这一概念首次被提出并被进行系统科学的思考，当属英国数学家阿兰·图灵（Alan Turing）在1950年发表的《Computing Machinery and Intelligence》开头中写的：“我提议大家考虑一下‘机器能不能思维的问题。”随后，在1956年的达特茅斯召开的学术会议上，人工智能正式被定义为一个研究领域。

在此之后，人工智能的发展进入了快车道，各种领域的研发成果不断涌现，形势一片大好。标志莫过为20世纪60年代中期，美国的人工智能研究得到美国国防部的大量资助，在世界各地建立了实验室。当时包括人工智能研究创始人在内的研究人员对人工智能的发展非常乐观，认为二十年后机器将能完成人所能完成的一切工作。

但到了70年代，因为一系列的研究项目的停滞不前，同时基于固定算法的人工智能功能局限，一旦处理事务太复杂，计算量庞大，将成为不可完成的任务，人工智能的研究遭遇到了人们的各种质疑，人工智能的发展进入了第一个冬天。

几年后，随着“专家系统”的流行，人工智能迎来第二轮蓬勃发展。专家系统，是一种针对某个特定专业领域的问题进行回答或解决的计算机程序，它运用专家所掌握的行业专业知识所建立的逻辑规则来解决问题。“知识处理”随之成为人工智能领域研究的焦点。但由于过于狭窄的只能处理相关专业问题的问题解决能力与高昂的维护更新成本，随着80年代PC的出现，人工智能的寒冬再次降临。

1.2 人工智能的第三个春天[3]

但随着二十世纪九十年代末以来计算机技术的飞速发展，摩尔定律为人工智能的发展带来了新的可能性。当飞速提升的计算能力被应用到了人工智能的研究后，显著提升了人工智能的研究效果。随后，人工智能迎来了第三个春天。

在这个阶段，人工智能的基础算法得到了长足的进步。在此之前，人工智能只能对线性数据进行处理，这极大的限制了人工智能的应用。而伴随着人工神经网络等研究的重大突破，目前的人工智能可以通过新的基础算法处理大量复杂非线性数据，从而在复杂且不稳定的局面下作出科学高效的决策。

在这些算法中，深度学习在2016年得到了爆炸式的传播。这是因为在2016年这一年，谷歌的AlphaGo击败了韩国棋王李世石，成为了第一个击败围棋世界冠军的人工智能。而在这背后，是AlphaGo开创的无监督深度学习。这种算法使得人工智能摆脱了过去60年来一直被奉为主流算法的有监督的深度学习，向人工智能的终极目标——模仿人的思维和感情活动迈出了坚实的一步。同时，由于深度学习在处理非线性复杂数据方面的能力，也能够使人工智能应用于油气行业的进程大大加快。

2 人工智能在油气行业的应用

当前，人工智能在油气行业中的应用依然处于探索起步阶段，但随着人工智能的概念慢慢渗透到油气行业上中、下、游全产业链，智能油田、智能钻井、智能管道、智能炼厂等人工智能应用已悄然出现并将成为未来的研发方向和重点。[4]本文着重介绍目前人工智能在油气行业的上游产业即勘探与开发、钻井与完井以及生产运营方面的应用。

2.1 勘探与开发

人工智能在油气勘探与开发方面的应用最早可以追溯到上世纪80年代中期。开发人员运用人工智能并基于当时比较先进的计算机技术，开发了一批能够有效解决勘探开发中所遇到的实际问题的实用应用技术。在这些技术的基础上，随着人工智能与计算机硬件结构水平的飞速发展，已渗透到石油勘探开发的各个环节，对石油工业产生了重要的影响。

人工智能在勘探开发的应用不仅仅只有国外公司独占鳌头，中国海油也成功运用了神经网络技术以及概率推理算法进行致密气的勘探。中国海油在鄂尔多斯盆地东缘拥有临兴与神府两个致密气勘探区块。面对与常规油气截然不同的勘探局面，研究人员创新技术借鉴使用人工智能、统计学习等算法，在降低勘探风险、提高探井成功率方面取得了不俗的成果。临兴-神府地区地下地质情况复杂，有一套主力致密气层隐藏在煤层之下，在地震勘探上，煤层是一个强反射层，屏蔽了这套致密气层的反射特征，使得这套致密气层的勘探尤为困难。借鉴人工智能中的神经网络方法，结合地球物理反演理论，训练地震数据体与气层特征指示曲线的神经网络映射模型，预测这套气层的展布范围，降低勘探方面的风险。由于属于致密薄储层，岩石含气与否所造成的岩石的弹性参数特征差异较小，造成气层预测困难，运用以统计学经典理论贝叶斯理论作为基础的概率推理算法，解决了岩石是否含气的判别，大幅提高了薄气层预测的准确度。

2.2 钻井与完井[4]

在钻完井领域，人工智能也得到了应用。美国西南能源公司及阿纳达科石油公司将机器学习应用于钻井位置决策，提升钻井的投资回报率。BP及阿布扎比石油公司将机器学习应用到钻井卡管实时预测，经过系统学习预判摩擦事件的征兆，可以让司钻在卡管发生之前校正管柱下入的方法。此外，国际油气公司通过预测性分析技术来提高水平钻井和压裂的功效。另外，在钻井领域，自动化钻机、自动垂直钻井、MWD/LWD、旋转导向钻井、智能钻杆、自动控压钻井、远程专家决策支持中心等具里程碑意义的重大技术装备的出现，标志着钻井已进入自动化钻井完善阶段，钻井自动化、信息化水平大幅提升，提速降本效果顯著。自动化钻井已成为当今钻井的核心技术和核心竞争力。从钻井前沿技术、重点攻关技术和超前储备技术来看，人工智能逐渐引入钻井工程，钻井智能化方面的研究不断深入，推动了钻井逐渐向智能钻井方向迈进。国外正在研制一种机器人钻井系统，配备智能钻台机器人、智能排管机器人等智能化设备，可取代钻台工人和井架工。未来智能钻机有望具备连续起下钻、连续循环、连续送钻、连续下套管等功能。

国外还在研制电动智能连续管钻井系统，通过智能连续管向井下供电，驱动井下电动智能导向钻井系统，具备连续起下钻和连续循环功能，同时实现数据的高速、大容量、双向传输。电动智能连续管钻井系统将会成为实现未来智能钻井的另一个重要途径。

2.3 生产运营

在生产运营方面，澳大利亚的Woodside公司运用人工智能技术解决了一系列生产安全相关的问题。

（1）机器学习预测模型事故征兆。2013年，Woodside公司在液化天然气脱酸环节装置产生大量泡沫，造成生产中断。工程师当时无法判断装置是否受到震动，也无法测量气体在冷管中是否凝固。这个事故成为Woodside开展数字化转型的重要缘由。企业希望在海量传感数据、日志数据及生产数据中找出事故发生前的征兆信息。因此企业借助AWS大数据平台构建机器学习预测模型，挖掘生产系统20年的历史运行知识，对每天新增的10GB流数据进行分析，预测以上事件发生的概率，并作出预警，为工程师进行问题调查和处理争取到足够的时间。

（2）部署认知计算系统。Woodside公司拥有30多年技术知识和工程经验的积累，为了在基础设施的设计、建设及运营等领域改善决策流程、提高生产效率，Woodside公司于2015年引入IBM的Watson解决方案。工程师可以用自然语言向系统询问生产设施管理和设计相关的复杂问题，通过云快速获取专家知识，帮助相关人员更快做出决策。

最初企业用了6到8个月来训练Watson系统，由工程师提出问题，Watson基于机器学习算法给出答案，最后由工程师对答案进行评估。并通过监督学习模式使用正确答案对系统进行训练。沃森解决方案中机器学习引擎用来分析约2亿页的技术文档和报告，根据这些文档系统解答工程师询问的问题。

目前认知系统已经投入生产，企业数百人正在使用这个产品解决工作中的问题。例如海上平台设计过程中如何处理海床松动的问题，Woodside工程师在不必查询海量资料或寻找一个相关知识丰富的专家，直接向系统询问便可在几秒内获得相关信息，大大提高问题解决效率。用户对答案的相关性和准确性进行反馈，这将进一步提升系统的学习能力，使未来提供的解答更加准确。

除了在安全问题上对人工智能的应用，在生产运营的其他领域也出现了一批人工智能的应用。如BP石油公司在美国的切里波音特炼化厂利用神经网络技术建立识别分析模型，可以识别生产过程中的影响因素，有效改善SPC（统计过程控制）系统的监控能力。中国石化在炼化装置全生命周期管理中应用了聚类、分类分析、神经网络、灰度模型等机器学习方法对设备运行状态的劣化趋势进行预测，降低生产装置非计划停车，减少了“过修”和“失修”现象。

油气行业应用人工智能的建议。正如《哈佛商业评论》的前执行主编尼古拉斯卡尔在其《IT不再重要》一书中提出的观点：“科学技术的普及速度越来越快，而且这种普及会使得科技更像是一种通用的公共事业服务。”因此，面对人工智能技术的飞速发展，不仅油气行业，所有行业的公司企业最终都会运用人工智能解决生产管理上的问题，从而达到提质提效降本的目标。应用人工智能并不一定能够带给企业竞争优势，但违逆大势的企业必将失去竞争优势。所以，面对人工智能的潮流，油气行业的从业者应该积极主动去思考将人工智能应用于自身行业的成功切入路径。

本轮人工智能的潮流有三个方面的特征：第一，对计算能力的要求很强，需要依仗GPU（图形处理单元）对大量复杂的线性结构与非线性结构数据进行处理。在过去，企业要想去应用人工智能，必然需要强大的财力支持，进行GPU采购，搭建GPU计算平台。而目前全球大型IT企业纷纷共享自己的计算能力，只需接入互联网即可享受谷歌、Facebook等IT巨头的强大计算能力支持，因此目前企业拥有先进的计算能力已不再是优势。第二，算法作为人工智能发展的基石，拥有无可比拟的重要性。但人工智能算法本身就是开源的，而且随着人工智能的扩散，算法会变得更加开源更加通用。例如谷歌就已将自己的开源人工智能开发系统Tensor Processing Unit进行了共享，使得并不懂得人工智能算法的人也可以通过这个系统调用人工算法去应用人工智能。第三，唯一的应用门槛是数据。因为人工智能的应用虽然是基于计算能力和算法的，但不断的训练学习却是赋予人工智能真正思考问题并解决问题能力的方法。而大量的数据是进行训练的唯一工具。因此，当计算能力和算法已不再是阻碍的时候，数据成为了人工智能应用的唯一门槛。

因而，掌握大量行业数据和行业知识，并能善用这些数据的企业将能脱颖而出，传统企业应当充分借助技术革命的契机实现AI转型。然而，在外部技术条件已经具备的情况下，中国油气行业应当在以下方面积极采取行动：（1）企业数据标准化以提升数据集成能力。在过去的二三十年的信息化建设中，油气企业已经积累了大量数据，但也受累于分散建设标准缺失等原因，数据标准化程度差强人意。尽管许多企业通过ERP大集中方式已经对经营管理数据实现了相当大程度的标准化，但在生产领域数据标准化程度仍然不高，这将严重影响企业数据质量和整合利用的效率。因而，企业范围数据标准化迫在眉睫。（2）数据采集自动化以提升数据质量。据GE公司统计，全球范围内仅有3%-5%的油气设备应用了数字技术。此外，在海上钻井平台方面，平均每座平台拥有30000个生产数据的传感器，但通常，仅有不到1%的数据能够用于决策制定。此外，在中国油气企业仍然存在许多一线人员人工数据输入的情况，由于缺乏有效监督和审核手段，导致数据质量较低。因此，一方面应对提升对已有设备或传感器自动采集数据的利用，另外可考虑增加移动智能终端的使用以提升现场人员工作效率和精度。（3）企业数据整合以提升数据综合利用能力。尽管中国油气企业已经基本实现信息化全覆盖，但许多企业的数据现状是数据散落在不同的系统，在不同业务部门存储和管理，此外，由于数据管理思维落后、管理机制不健全、管理手段缺失，常常以信息安全为由致使数据共享阻碍重重效率低下。（4）提升认知转变管理方式。当前企业在数据管理方面普遍的做法是，业务部门拥有数据，IT部门管理数据。在许多油气企业，这就造成“业务部门想用不知道怎样用，IT部门想管不敢管”的状况。在AI时代，数据无疑是企业最为核心资产和生产要素。企业应当将数据作为资产在企业层面来进行战略运营，而不是像当前这样将其作为信息系统的产物来进行IT管理。

人工智能大门已经开启，每个企业迟早都将应用，用未必有竞争优势，而不用则一定处于竞争劣势。中国油气行业巨头，主动积极的运用人工智能最大化利用自身经历大量行业实践所积累的数据，是进行积累沉淀自我实力，培养竞争优势，未来一举成为行业领军企业的绝佳途径。

参考文献：

[1] 李怀科，鄢捷年，耿铁.人工神经网络在石油工业中的应用及未来发展趋势探讨 [J].石油工业计算机应用，2010（02）：35-38.

[2] Wikipedia， Artificial Intelligence[DB/OL]，https：//en.wikipedia.org/wiki/Artificial_intelligence#cite_note-AI_funding_in_the_60s-23.

[3] 顧凡及.人工智能的第三个春天 [J].科学，2016（03）.

[4] 杨金华，邱茂鑫，郝宏娜，赵旭，郭晓霞.智能化——油气工业发展大趋势 [J].石油科技论坛，2016（06）：36-42.

作者简介：王小龙（1977.11—），男，山东人，目前就职于中国海洋石油总公司信息化部综合处，初级职称，毕业于清华大学计算机科学与技术系，大学本科。研究方向：长期关注信息技术发展趋势及其在企业的应用，当前专注于大数据及人工智能对于传统企业转型之影响研究。