林伯韜 ，郭建成

1 中國(guó)石油大學(xué)(北京)油氣資源與探測(cè)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 102249

2 中國(guó)石油大學(xué)(北京)石油工程學(xué)院，北京 102249

0 引言

數(shù)據(jù)智能、人工智能和虛擬現(xiàn)實(shí)，已成為油氣智能勘探開發(fā)及生產(chǎn)的關(guān)鍵技術(shù)[1]?，F(xiàn)階段隨著人工智能技術(shù)的不斷發(fā)展，石油行業(yè)越來(lái)越認(rèn)識(shí)到油氣行業(yè)智能化是推動(dòng)行業(yè)發(fā)展的必要?jiǎng)恿ΑＳ蜌庑袠I(yè)的日?；顒?dòng)總是需要不斷解決錯(cuò)綜復(fù)雜、變幻莫測(cè)的難題；特別是針對(duì)油氣勘探開發(fā)和生產(chǎn)領(lǐng)域遇到的各種非線性問(wèn)題，通常需要做出高風(fēng)險(xiǎn)的決策[2]，同時(shí)提升決策的精確性和科學(xué)性[3]。這些需求促使人工智能在石油工業(yè)領(lǐng)域的應(yīng)用成為必然。

人工智能在石油工業(yè)領(lǐng)域的應(yīng)用研究已有數(shù)十年歷史，范圍涵蓋勘探開發(fā)、開采設(shè)備設(shè)計(jì)、鉆井采油直至公司運(yùn)營(yíng)等各個(gè)環(huán)節(jié)。人工智能在石油行業(yè)意味著效率和效益，在全球油氣大環(huán)境下，降本增效成為各個(gè)國(guó)家首要選擇，而人工智能的應(yīng)用能成為有力武器。目前，油氣行業(yè)智能化的趨勢(shì)已經(jīng)不可阻擋。自2000年開始，石油工業(yè)領(lǐng)域?qū)θ斯ぶ悄艿难芯块_始呈井噴式增長(zhǎng)，2010年之后公開發(fā)表的SPE系列(One Petro數(shù)據(jù)庫(kù))研究文章增速顯著，自2017年起每年在該數(shù)據(jù)庫(kù)發(fā)表的文章已超過(guò)200篇[4]。近年來(lái)，神經(jīng)網(wǎng)絡(luò)、基因優(yōu)化到模糊邏輯等人工智能技術(shù)的應(yīng)用已迅速貫穿油氣勘探、鉆井、開發(fā)、生產(chǎn)管理的全生命周期[5]。

1 人工智能概述

1.1 人工智能簡(jiǎn)述

人工智能(Artificial Intelligence，簡(jiǎn)稱AI)在2017年我國(guó)的政府工作報(bào)告中，首次上升為國(guó)家戰(zhàn)略：全面實(shí)施戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃，加快人工智能等技術(shù)的研發(fā)和轉(zhuǎn)化，做大做強(qiáng)產(chǎn)業(yè)集群[6]。這也為油氣行業(yè)與人工智能的結(jié)合提供了契機(jī)。

人工智能的核心思想是讓機(jī)器能夠自主判斷，完全或部分代替人類決策，并使解決問(wèn)題的工作效率最大化和收益最優(yōu)化。人工智能是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新興的技術(shù)科學(xué)[7]。它試圖了解智能的實(shí)質(zhì)，并創(chuàng)建一種能以類似人類智能的方式做出反應(yīng)的智能機(jī)器。該領(lǐng)域的研究方向包括機(jī)器人、語(yǔ)言識(shí)別、邏輯推理、智能控制、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等[8]。人工智能是對(duì)人的意識(shí)、思維的信息過(guò)程的模擬。人工智能不是人的智能，但能像人那樣思考，也可能超過(guò)人的智能。從智能程度來(lái)分，它主要包括弱人工智能、通用人工智能和強(qiáng)人工智能。弱人工智能包含基礎(chǔ)的、特定場(chǎng)景下角色型的任務(wù)，如Siri等聊天機(jī)器人和AlphaGo等下棋機(jī)器人；通用人工智能包含人類水平的任務(wù)，涉及機(jī)器的持續(xù)學(xué)習(xí)；強(qiáng)人工智能指比人類更聰明的機(jī)器。目前來(lái)說(shuō)，人工智能產(chǎn)業(yè)已發(fā)展到通用人工智能的水平。

人工智能隨著電子計(jì)算機(jī)、機(jī)器翻譯和自然語(yǔ)言處理(NLP)的發(fā)展逐漸成型。它正式誕生于20世紀(jì)50年代的達(dá)特矛斯會(huì)議，緊接著隨著搜索式推理和聊天機(jī)器人的發(fā)明進(jìn)入了樂(lè)觀思潮時(shí)期。人工智能在20世紀(jì)八九十年代由于沒有達(dá)到預(yù)期的效果步入低谷期，投入削減，研究進(jìn)度放緩。但是隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的興起，人工智能再次走向工業(yè)前臺(tái)[9]?，F(xiàn)在隨著大數(shù)據(jù)技術(shù)的應(yīng)用，人工智能開始逐步引領(lǐng)工業(yè)4.0，促使人類社會(huì)進(jìn)入應(yīng)用信息物理融合系統(tǒng)(CPS)的時(shí)代(見圖1)。信息物理融合系統(tǒng)CPS是一個(gè)綜合計(jì)算、網(wǎng)絡(luò)和物理環(huán)境的多維復(fù)雜系統(tǒng)，通過(guò)3C(Computation, Communication, Control)技術(shù)的有機(jī)融合與深度協(xié)作，實(shí)現(xiàn)大型工程系統(tǒng)的實(shí)時(shí)感知、動(dòng)態(tài)控制和信息服務(wù)[10]。

1.2 人工智能的發(fā)展階段

人工智能在近年來(lái)實(shí)現(xiàn)了飛速發(fā)展，促使越來(lái)越多的新產(chǎn)品面世。Gartner[11]新興技術(shù)成熟度曲線(圖2)揭示了三方面的未來(lái)趨勢(shì)：(1)無(wú)處不在的人工智能；(2)透明化身臨其境的體驗(yàn)；(3)數(shù)字化平臺(tái)。人工智能作為新興的技術(shù)可以解決現(xiàn)實(shí)中大多難以解決的難題，無(wú)處不在的人工智能推動(dòng)各個(gè)行業(yè)的發(fā)展。它是推動(dòng)透明化身臨其境體驗(yàn)技術(shù)發(fā)展的主要?jiǎng)恿?；其中互?lián)家庭、人體增強(qiáng)等隨著技術(shù)演變更加適應(yīng)工作場(chǎng)所和家庭環(huán)境的數(shù)字平臺(tái)在曲線上處于快速上升期，而量子計(jì)算和區(qū)塊鏈將在今后5—10年內(nèi)帶來(lái)變革性的影響。

圖1 人工智能的發(fā)展歷程(改自王海峰[9])Fig. 1 Historical progress of artificial intelligence (modified from Wang[9])

圖2 人工智能的發(fā)展階段(改自Gartner[11])Fig. 2 Progressive stages of artificial intelligence (modified from Gartner[11])

我國(guó)在人工智能技術(shù)上發(fā)展較快，主要有以下三個(gè)原因：首先國(guó)內(nèi)人工智能市場(chǎng)巨大，這也引起了大批國(guó)人的關(guān)注，據(jù)統(tǒng)計(jì)，有43%的人工智能論文產(chǎn)自國(guó)內(nèi)[12]；同時(shí)，眾所周知，中國(guó)年輕人數(shù)學(xué)非常好，也愿意追逐熱門行業(yè)，可以快速訓(xùn)練出大批的人工智能工程師團(tuán)隊(duì)；此外中國(guó)對(duì)人工智能的約束相對(duì)較少，政府政策的鼓勵(lì)和社會(huì)對(duì)隱私的寬容度也給人工智能的工作者提供了廣闊的施展空間[13]。這些現(xiàn)象說(shuō)明中國(guó)人非常適合發(fā)展人工智能，不久的將來(lái)，我國(guó)的人工智能技術(shù)將會(huì)迎來(lái)質(zhì)的飛躍。

石油工業(yè)對(duì)人工智能技術(shù)的渴求日益增加。無(wú)論是諸如地震資料處理、井身結(jié)構(gòu)優(yōu)化、分層注水等科學(xué)研究還是水力壓裂、預(yù)測(cè)產(chǎn)量等現(xiàn)場(chǎng)應(yīng)用方面，都對(duì)新一代石油工業(yè)從業(yè)人員在數(shù)據(jù)分析、智能化調(diào)控能力方面提出了更高的要求，也在重塑石油工業(yè)人才需求的標(biāo)準(zhǔn)。此外，隨著石油資源的不斷開采，地球越來(lái)越面臨資源枯竭的威脅，未來(lái)的資源開采必定擴(kuò)展到極地深海等危險(xiǎn)地帶。保證人員安全、效率和效益迫切需要人工智能與油氣技術(shù)的緊密結(jié)合。

2 石油工業(yè)與人工智能的跨界融合

近年來(lái)，全球各大頂尖石油公司紛紛加快與新興計(jì)算機(jī)科技(IT)公司的聯(lián)合創(chuàng)新，發(fā)展適用于石油行業(yè)的人工智能技術(shù)，力求為石油天然氣的勘探開發(fā)提供全新的智能解決方案，以期孕育新的油氣革命。本文選取五個(gè)標(biāo)志性事件進(jìn)行闡述。

2.1 國(guó)外石油公司與科技公司在人工智能上的聯(lián)合創(chuàng)新

2.1.1 道達(dá)爾牽手信息技術(shù)領(lǐng)跑者谷歌[14]

2017年4月，道達(dá)爾正式對(duì)外宣布和谷歌云部門簽署框架協(xié)議，主動(dòng)擁抱智能創(chuàng)新，聯(lián)合發(fā)展石油工業(yè)領(lǐng)域的人工智能技術(shù)。油氣勘探開發(fā)中地質(zhì)數(shù)據(jù)的處理分析是道達(dá)爾此次人工智能技術(shù)率先應(yīng)用的領(lǐng)域。在石油勘探開發(fā)中，搜集整理地質(zhì)數(shù)據(jù)是至關(guān)重要的環(huán)節(jié)；目前，由于各種技術(shù)限制，大量的油氣資源無(wú)法高效開采出來(lái)，迫切需要地質(zhì)建模更加精細(xì)化。但是由于技術(shù)問(wèn)題，如地質(zhì)數(shù)據(jù)不全或建立的地質(zhì)模型存在較大誤差(如地質(zhì)甜點(diǎn)分析、定位不準(zhǔn))，在嚴(yán)重情況下甚至使建立的地質(zhì)模型無(wú)法使用，從而影響整個(gè)油田的開發(fā)。大量地質(zhì)數(shù)據(jù)的采集處理是目前地質(zhì)科學(xué)家和石油工程師都無(wú)法完全解決的難題；而人工智能的應(yīng)用則具備解決該難題的巨大潛力。

人工智能當(dāng)中的模糊邏輯技術(shù)(Fuzzy Logic)[15]能夠處理“不完備”和“不完美”的數(shù)據(jù)。利用模糊邏輯處理勘探地震數(shù)據(jù)，做出靠人力難以實(shí)現(xiàn)的預(yù)測(cè)，從而更精細(xì)地描述油田的地質(zhì)模型。道達(dá)爾和谷歌合作開發(fā)了一套能夠解釋地層圖像的人工智能程序，該程序能夠利用計(jì)算機(jī)成像技術(shù)實(shí)現(xiàn)地震數(shù)據(jù)的機(jī)器學(xué)習(xí)，并利用自然語(yǔ)言處理技術(shù)自動(dòng)分析數(shù)據(jù)文件，從而建立更加精確的地質(zhì)模型。

2.1.2 殼牌與微軟在人工智能領(lǐng)域開展合作[16]

殼牌和微軟在2017年實(shí)現(xiàn)聯(lián)手，決心在定向鉆井方面實(shí)現(xiàn)人工智能化，推動(dòng)鉆井技術(shù)的進(jìn)一步發(fā)展。定向井鉆井技術(shù)目前已經(jīng)十分成熟，廣泛應(yīng)用于頁(yè)巖氣的開發(fā)，但是這一技術(shù)依然需要耗費(fèi)大量的人力、物力：由于需要在工作過(guò)程中應(yīng)對(duì)各種突發(fā)狀況，高技能的工程師在該過(guò)程中必須不斷開展決策。為了提高決策的正確性并簡(jiǎn)化操作流程，殼牌和微軟研發(fā)出了相應(yīng)的解決方案——Shell Geodesic。Shell Geodesic能夠?qū)崟r(shí)收集鉆井?dāng)?shù)據(jù)并自動(dòng)做出決策。更為特別是這款應(yīng)用的鉆井仿真器可通過(guò)機(jī)器學(xué)習(xí)和控制算法軟件，呈現(xiàn)給地質(zhì)學(xué)家和鉆井人員更為逼真的油氣層圖像。同時(shí)，微軟將其Bonsai平臺(tái)和“強(qiáng)化學(xué)習(xí)”技術(shù)進(jìn)行了融合，使得機(jī)器能夠像人一樣學(xué)習(xí)。Bonsai平臺(tái)可將指令翻譯成算法，建立神經(jīng)網(wǎng)絡(luò)，并訓(xùn)練模型實(shí)施工作人員所期望的行為。這一技術(shù)有望讓旋轉(zhuǎn)導(dǎo)向系統(tǒng)自動(dòng)學(xué)習(xí)，優(yōu)化鉆井導(dǎo)向過(guò)程。

2.1.3 哈里伯頓與微軟開展深度合作[17]

2017年，微軟和哈里伯頓開展深度合作，推出基于Azure系統(tǒng)的Decision Space 365軟件產(chǎn)品。Decision Space 365可以通過(guò)物聯(lián)網(wǎng)實(shí)時(shí)傳輸油田現(xiàn)場(chǎng)的數(shù)據(jù)，并通過(guò)建立相應(yīng)的深度學(xué)習(xí)模型，實(shí)現(xiàn)鉆井和生產(chǎn)的優(yōu)化以降本增效。Decision Space 365可以通過(guò)大型計(jì)算和深度學(xué)習(xí)算法功能精確填補(bǔ)數(shù)據(jù)，實(shí)現(xiàn)更深層的地層模型的建立。隨著合作的深入，二者還將應(yīng)用微軟的HoloLens和Surface設(shè)備，利用聲音和圖像識(shí)別、視頻處理、增強(qiáng)現(xiàn)實(shí)、虛擬現(xiàn)實(shí)等技術(shù)，實(shí)現(xiàn)實(shí)物資產(chǎn)的數(shù)字化表征。此外，二者還將綜合利用Landmark Field Appliance和Azure Stack系統(tǒng)，在物聯(lián)網(wǎng)終端實(shí)現(xiàn)油井和泵的數(shù)字化表征。

2.1.4 Noble Energy石油公司發(fā)展人工智能技術(shù)[18]

Noble Energy建立了自己的數(shù)據(jù)分析平臺(tái)，在將兩千余口井的數(shù)據(jù)放進(jìn)數(shù)據(jù)平臺(tái)分析后，利用大數(shù)據(jù)分析不同含油層對(duì)水力壓裂和水平鉆井的反應(yīng)，其對(duì)最佳鉆井位置預(yù)測(cè)的誤差僅有幾英尺。在鉆井過(guò)程中，該公司通過(guò)位于休斯頓的控制室可實(shí)時(shí)控制所有鉆機(jī)。諸如調(diào)整鉆頭速度以適應(yīng)更加堅(jiān)硬的巖層這樣的動(dòng)態(tài)調(diào)整工作，可根據(jù)數(shù)據(jù)庫(kù)里面類似場(chǎng)景的數(shù)據(jù)，依托該系統(tǒng)迅速做出最佳決策。該公司如今可在5天內(nèi)鉆出一條兩英里長(zhǎng)的水平井，而過(guò)去從事同樣的工作則需要兩周以上的時(shí)間。

2.1.5 斯倫貝謝實(shí)現(xiàn)人工智能落地化[19]

斯倫貝謝為應(yīng)對(duì)不斷發(fā)展的石油行業(yè)推出了一款新軟件——DELFI勘探和生產(chǎn)環(huán)境感知。這是一款多維環(huán)境軟件，將設(shè)計(jì)與作業(yè)整合到一起。通過(guò)把人工智能、數(shù)據(jù)分析和自動(dòng)化多個(gè)技術(shù)領(lǐng)域的優(yōu)勢(shì)集合在一起，使得勘探開發(fā)工作更加智能化。該軟件集成幾乎所有石油工業(yè)的通用性的現(xiàn)有專業(yè)知識(shí)，可用于解決復(fù)雜的油氣行業(yè)技術(shù)問(wèn)題。它的認(rèn)知模式擴(kuò)大了每個(gè)獨(dú)立行業(yè)專家的專業(yè)技能，使用戶通過(guò)學(xué)習(xí)系統(tǒng)，自動(dòng)完成任務(wù)和訪問(wèn)豐富的數(shù)據(jù)資源，從而快速獲取最佳結(jié)論，由此開拓了一種全新的工作方式。

2.2 國(guó)內(nèi)石油公司與科技公司在人工智能上的合作

近年來(lái)，國(guó)內(nèi)石油領(lǐng)域人工智能的發(fā)展迅速，但總體來(lái)說(shuō)水平較國(guó)外發(fā)達(dá)國(guó)家存在較明顯的差距。人工智能產(chǎn)業(yè)的三層生態(tài)結(jié)構(gòu)分別是基礎(chǔ)資源層，技術(shù)層和應(yīng)用層[20]。基礎(chǔ)資源層主要是計(jì)算平臺(tái)和數(shù)據(jù)中心，屬于計(jì)算智能，例如阿里巴巴公司旗下的阿里云計(jì)算平臺(tái)，主要用以從事數(shù)據(jù)挖掘；技術(shù)層是通過(guò)機(jī)器學(xué)習(xí)建模，開發(fā)面向不同領(lǐng)域的算法和技術(shù)，包含感知智能和認(rèn)知智能，例如語(yǔ)音識(shí)別、圖像識(shí)別、預(yù)測(cè)類應(yīng)用程序編程接口(API)等；應(yīng)用層主要實(shí)現(xiàn)人工智能在不同場(chǎng)景下的應(yīng)用，如無(wú)人駕駛汽車、智能家居、智能金融等。

目前國(guó)內(nèi)石油行業(yè)的人工智能水平主要發(fā)展到基礎(chǔ)資源層。以國(guó)內(nèi)兩家代表性企業(yè)為例：2017年4月，中石化攜手華為推出面向石化行業(yè)的智能制造平臺(tái)[21]，開發(fā)集中數(shù)據(jù)管理方法并支持多個(gè)應(yīng)用程序之間的數(shù)據(jù)集成，以優(yōu)化其工廠化運(yùn)營(yíng)。2018年11月，中石油旗下的北京中油瑞飛信息技術(shù)有限責(zé)任公司聯(lián)合大慶油田、遼河油田、長(zhǎng)慶油田等多家中石油子公司發(fā)布了中國(guó)油氣行業(yè)第一個(gè)智能云平臺(tái)“夢(mèng)想云”，并獲得斯倫貝謝、華為、微軟、騰訊云、阿里云、哈里伯頓、百度、甲骨文、靈雀云九家企業(yè)的技術(shù)支持。這一系統(tǒng)的推出標(biāo)志著中石油實(shí)現(xiàn)了上游業(yè)務(wù)在數(shù)字化方面的重大轉(zhuǎn)型升級(jí)。兩家企業(yè)已經(jīng)為石油行業(yè)的智能化做足充分的準(zhǔn)備，其基礎(chǔ)資源層已架構(gòu)完畢，而在其它層面特別是應(yīng)用層上則擁有了廣闊的發(fā)展空間。

3 石油工業(yè)領(lǐng)域人工智能的發(fā)展現(xiàn)狀

3.1 石油工業(yè)領(lǐng)域人工智能技術(shù)應(yīng)用概況

目前石油工業(yè)上采用的人工智能技術(shù)通常是為解決某個(gè)特定工程問(wèn)題而開發(fā)的定制化人工智能(specialized AI)，并不具備通用性人工智能(generalized AI)的分析能力；但其極快的分析速度、超常的穩(wěn)定性和遠(yuǎn)高于人力的可重復(fù)性這些優(yōu)勢(shì)，使得定制化人工智能在地震解釋、鉆井決策、工具優(yōu)選、壓裂優(yōu)化、產(chǎn)量預(yù)測(cè)等石油工業(yè)各子領(lǐng)域得到廣泛的關(guān)注與應(yīng)用[22]。具體應(yīng)用涉及到以下六個(gè)場(chǎng)景：(1)石油開采設(shè)備的設(shè)計(jì)、使用、檢修和維護(hù)：通過(guò)數(shù)據(jù)驅(qū)動(dòng)優(yōu)化石油設(shè)備設(shè)計(jì)，通過(guò)建立相關(guān)模型并導(dǎo)入生產(chǎn)中積累的參數(shù)開展模擬，優(yōu)化裝備設(shè)計(jì)；(2)石油傳輸設(shè)備的智能巡檢及安全預(yù)警：通過(guò)設(shè)備的實(shí)時(shí)信息傳輸及環(huán)境信息傳輸，開展?jié)撛陲L(fēng)險(xiǎn)評(píng)估和及時(shí)預(yù)警；(3)開采操作流程的預(yù)測(cè)和優(yōu)化：建模分析操作過(guò)程中的傳輸數(shù)據(jù)，優(yōu)化操作流程，提高操作效率；(4)石油資源的預(yù)測(cè)：通過(guò)分析開采及生產(chǎn)過(guò)程中產(chǎn)生的數(shù)據(jù)，提高勘探的準(zhǔn)確率和開發(fā)的生產(chǎn)率；(5)項(xiàng)目可行性研究：基于宏觀經(jīng)濟(jì)形勢(shì)，開采環(huán)境等大量數(shù)據(jù)，評(píng)估開采項(xiàng)目的盈利性與潛在風(fēng)險(xiǎn)；(6)石油公司的運(yùn)營(yíng)及后續(xù)服務(wù)：通過(guò)預(yù)測(cè)性運(yùn)營(yíng)服務(wù)，精準(zhǔn)預(yù)測(cè)客戶需求，完善公司運(yùn)營(yíng)服務(wù)。

3.2 石油工業(yè)領(lǐng)域人工智能技術(shù)的具體應(yīng)用

一般來(lái)說(shuō)，認(rèn)知智能、大數(shù)據(jù)、云計(jì)算、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、自然語(yǔ)言處理和計(jì)算機(jī)視覺是石油工業(yè)上常用的一些算法和模式，將其綜合應(yīng)用于勘探開發(fā)工作，往往能取得卓越的應(yīng)用效果。

3.2.1 認(rèn)知智能、大數(shù)據(jù)分析和云計(jì)算在石油工業(yè)中的應(yīng)用

認(rèn)知智能是指機(jī)器具有主動(dòng)思考和理解的能力，不用人類事先編程就可以實(shí)現(xiàn)自我學(xué)習(xí)。認(rèn)知智能被應(yīng)用于油藏開發(fā)預(yù)測(cè)上。比如英國(guó)BP石油公司和Beyond Limits公司合作開發(fā)人工智能軟件，可以精確預(yù)測(cè)油藏地質(zhì)甜點(diǎn)，優(yōu)選井位(見圖3)[23]。

人工智能作為橋梁，搭建了自動(dòng)化與最優(yōu)化的通道，可為鉆井現(xiàn)場(chǎng)施工提供優(yōu)化分析后的決策意見，并通過(guò)預(yù)測(cè)性分析減輕鉆井事故的影響[24]。比如Zhu等人[25]結(jié)合大數(shù)據(jù)和云計(jì)算，以實(shí)時(shí)快捷方式預(yù)測(cè)井壁失穩(wěn)風(fēng)險(xiǎn)，有效縮短了鉆井周期，減少了井下事故發(fā)生的幾率。

3.2.2 機(jī)器學(xué)習(xí)在石油工業(yè)上的應(yīng)用

機(jī)器學(xué)習(xí)是計(jì)算機(jī)通過(guò)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)并使之不斷改善自身的性能。機(jī)器學(xué)習(xí)?？煞譃閹ПO(jiān)督和不帶監(jiān)督兩種學(xué)習(xí)類型。帶監(jiān)督的機(jī)器學(xué)習(xí)被應(yīng)用于舉升系統(tǒng)的選擇優(yōu)化上，例如泰國(guó)國(guó)家石油公司PTTEP的工程師采用決策樹(Decision Tree)算法，分析考慮多因素(包括井的參數(shù)、生產(chǎn)條件、流體參數(shù)、油藏參數(shù)、地面設(shè)施、利潤(rùn)來(lái)源、供應(yīng)商條件、HSE要求)的情況下，優(yōu)選舉升系統(tǒng)，發(fā)現(xiàn)與人工決策相比，極大優(yōu)化了成本與產(chǎn)量；同時(shí)他們還發(fā)現(xiàn)在因素正向篩選過(guò)程中，決策樹展現(xiàn)出較樸素貝葉斯法(Naive Bayes)和傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)算法(Artificial Neural Network)更高的準(zhǔn)確度和更低的時(shí)間成本[26]。類似地，中石油的工程師綜合帶監(jiān)督與不帶監(jiān)督的機(jī)器學(xué)習(xí)，采用深度循環(huán)網(wǎng)絡(luò)算法(Deep Recurrent Network)，分析了三萬(wàn)余口人工舉升井的影響因素及各因素的影響權(quán)重，并借此訓(xùn)練網(wǎng)絡(luò)，從而尋找最優(yōu)的舉升方案[27]。

聚類算法屬于無(wú)監(jiān)督學(xué)習(xí)的一種模式，也是石油工業(yè)中常用的機(jī)器學(xué)習(xí)算法之一。在油田注水開發(fā)的過(guò)程中，可以通過(guò)聚類算法進(jìn)行流場(chǎng)識(shí)別。在流線模擬計(jì)算完成后，將數(shù)據(jù)導(dǎo)出，并通過(guò)Python 編程語(yǔ)言進(jìn)行后續(xù)數(shù)據(jù)處理及聚類分析，直觀反映不同開發(fā)階段水驅(qū)油藏流場(chǎng)分布。采用密度峰值聚類算法作為流線聚類的主要算法可量化處理流場(chǎng)，有效識(shí)別油藏中無(wú)效注水循環(huán)通道以及具有開發(fā)潛力的區(qū)域(見圖4～5)[28]。

圖3 AI軟件優(yōu)化井位[23]Fig. 3 Optimization of well location using an AI software[23]

圖4 某碳酸鹽巖油藏孔隙度、滲透率分布[28]Fig. 4 Porosity and permeability distribution of a carbonate reservoir[28]

3.2.3 深度學(xué)習(xí)在石油工業(yè)上的應(yīng)用

深度學(xué)習(xí)是指強(qiáng)化的機(jī)器學(xué)習(xí)，通常依靠?jī)?yōu)化后的人工神經(jīng)網(wǎng)絡(luò)算法來(lái)實(shí)現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)是仿生人腦的神經(jīng)網(wǎng)絡(luò)開發(fā)的深度學(xué)習(xí)算法。雖然人腦的運(yùn)算速度遠(yuǎn)不及計(jì)算機(jī)，但其生物神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度遠(yuǎn)高于后者，因此可以輕易指導(dǎo)、指令、處理自主性的活動(dòng)[25]。

圖5 通過(guò)Petrel RE 軟件生成的開發(fā)6 年后流線分類(a)及流線油相飽和度分布(b)[28]Fig. 5 (a) Flowline classification (b) and streamline oil phase saturation distribution after six years of development generated by software Petrel RE[28]

目前采用的人工神經(jīng)網(wǎng)絡(luò)算法大多為前饋反向傳播神經(jīng)網(wǎng)絡(luò)，體現(xiàn)為多種由附加算法優(yōu)化的子類型網(wǎng)絡(luò)。Khan等人[29]通過(guò)人工神經(jīng)模糊干涉系統(tǒng)和支撐型矢量機(jī)器算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，將深度學(xué)習(xí)算法應(yīng)用于人工氣舉井的采油速率預(yù)測(cè)，獲得高達(dá)99%的預(yù)測(cè)精度；Abdulmalek等人[30]采用人工神經(jīng)網(wǎng)絡(luò)方法基于孔隙壓力和五個(gè)鉆井參數(shù)(鉆壓、轉(zhuǎn)速、機(jī)械鉆速、扭矩和泥漿密度)訓(xùn)練3140個(gè)數(shù)據(jù)點(diǎn)后，預(yù)測(cè)另外785個(gè)數(shù)據(jù)點(diǎn)，獲取了遠(yuǎn)比傳統(tǒng)最常用的Matthew和Kelly模型更精確的預(yù)測(cè)結(jié)果。AlAjmi等人[31]亦應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法診斷、預(yù)測(cè)井下管柱的侵蝕程度并給出了智能化的修井方案。Al-Mashhad等人[26]通過(guò)采用神經(jīng)網(wǎng)絡(luò)分析地表和油藏參數(shù)來(lái)預(yù)測(cè)多分支井的平均油液流量，較常用的Borisov關(guān)聯(lián)算法相比，極大提高了預(yù)測(cè)精度。原油的黏度一般通過(guò)室內(nèi)實(shí)驗(yàn)獲取，但黏度與其它參數(shù)的關(guān)系曲線過(guò)于依賴諸多假設(shè)，使得其可靠性較低。Al-Amoudi[32]等人采用人工神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練也門某油田545個(gè)樣品中70%樣品的原油黏度并預(yù)測(cè)余下的樣品，獲取比傳統(tǒng)方法更加精確的結(jié)果。Esbai等人[27]應(yīng)用機(jī)器學(xué)習(xí)方法，基于井場(chǎng)監(jiān)測(cè)數(shù)據(jù)，定位乳化井段并自動(dòng)選擇每口井的最優(yōu)處理手段?；隗w積、壓力、溫度資料，Alarfaj等人[33]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法高效準(zhǔn)確地預(yù)估了沙特某凝析氣藏的露點(diǎn)。深度學(xué)習(xí)還可用于從隨鉆測(cè)井獲得的測(cè)井資料解釋各種巖石物理、力學(xué)參數(shù)。比如，Sultan等人[34]通過(guò)采用自適應(yīng)差分優(yōu)化算法優(yōu)化過(guò)的神經(jīng)網(wǎng)絡(luò)方法從測(cè)井資料中識(shí)別有機(jī)質(zhì)含量TOC，較傳統(tǒng)測(cè)井解釋方法具備更高的識(shí)別精度。

3.2.4 計(jì)算機(jī)視覺與自然語(yǔ)言處理在石油工業(yè)上的應(yīng)用

與計(jì)算機(jī)圖形學(xué)結(jié)合，人工智能還能用于海上油田(鉆井平臺(tái))儀表數(shù)據(jù)的實(shí)時(shí)拍照讀取與分析，以簡(jiǎn)單易行的方式極大節(jié)約儀表升級(jí)的資本投入或運(yùn)營(yíng)成本[35]。Du等人[36]采用人工智能結(jié)合嵌入式離散裂縫網(wǎng)絡(luò)(EDFM)來(lái)優(yōu)化表征復(fù)雜裂縫網(wǎng)絡(luò)，相比基于非結(jié)構(gòu)化的裂縫網(wǎng)格模型，篩選識(shí)別主要裂縫的同時(shí)摒棄了次要孤立裂縫(見圖6)，使得油藏模擬計(jì)算效率大為提高，顯著減少了計(jì)算模擬的時(shí)間成本。

Gupta等人[37]建立了耦合井下信息與生產(chǎn)特征的生產(chǎn)優(yōu)化的智能化決策平臺(tái)，可為提升常規(guī)、非常規(guī)資源的開發(fā)價(jià)值提供評(píng)估依據(jù)。Hojageldiyev[38]通過(guò)自然語(yǔ)言處理技術(shù)(NLP)制作健康、安全和環(huán)保(HSE)相關(guān)知識(shí)和技能的自動(dòng)問(wèn)答系統(tǒng)，可全天候培訓(xùn)油氣開發(fā)HSE相關(guān)的從業(yè)人員。

AI還可用于耦合跨油氣子領(lǐng)域(人工舉升優(yōu)化、生產(chǎn)優(yōu)化、海上平臺(tái)停工時(shí)間管理)的多項(xiàng)創(chuàng)新成果，從而形成貫穿油氣開采的全生命周期(勘探、鉆井、油藏、生產(chǎn))的一體化的解決方案[39]。

圖6 裂縫網(wǎng)絡(luò)的AI優(yōu)化與簡(jiǎn)化(改自Du等[36])Fig. 6 AI optimization and simplification of a fracture network(Du et al[36])

4 石油工業(yè)領(lǐng)域人工智能核心技術(shù)

作為石油從業(yè)者要想掌握人工智能，研發(fā)人工智能應(yīng)用，不僅需要人工智能方面的技術(shù)能力，也要精通石油領(lǐng)域的知識(shí)。將人工智能引入石油工業(yè)界，需要解決行業(yè)的痛點(diǎn)問(wèn)題；只有真正了解、掌握石油知識(shí)的從業(yè)者，才能明白行業(yè)、企業(yè)的需求，從而去解決復(fù)雜的特定問(wèn)題；這也是將人工智能落地化的應(yīng)用能力。同時(shí)，數(shù)學(xué)決定人工智能水平的上限，而編碼能力決定其水平的下限；因此，要想掌握石油行業(yè)+人工智能，專業(yè)知識(shí)及技能、數(shù)學(xué)能力和編程水平缺一不可。

目前主流的人工智能編程語(yǔ)言主要有Python、R、Scala和Java，可以完成人工智能應(yīng)用的主體需求。云計(jì)算、大數(shù)據(jù)、算法是構(gòu)成人工智能的三大要素，通用人工智能技術(shù)逐漸融入主流云計(jì)算平臺(tái)，并結(jié)合大數(shù)據(jù)分析服務(wù)石油工業(yè)。數(shù)據(jù)是其中非常關(guān)鍵的一環(huán)。滿足人工智能訓(xùn)練精度所需要的數(shù)據(jù)量并無(wú)特定的規(guī)定，一般認(rèn)為其與問(wèn)題的復(fù)雜程度成正比；同時(shí)，數(shù)據(jù)的質(zhì)量與數(shù)量也同等重要[5]。中國(guó)第一批人工智能開放創(chuàng)新平臺(tái)包括：百度公司的自動(dòng)駕駛創(chuàng)新平臺(tái)，阿里云公司的城市大腦創(chuàng)新平臺(tái)，騰訊公司的醫(yī)療影像創(chuàng)新平臺(tái)，科大訊飛公司智能語(yǔ)音創(chuàng)新平臺(tái)。石油行業(yè)也需要建立自己的獨(dú)特、開放的行業(yè)數(shù)據(jù)平臺(tái)以推動(dòng)石油行業(yè)智能化的發(fā)展。將諸如大數(shù)據(jù)、計(jì)算機(jī)視覺、語(yǔ)音識(shí)別、自然語(yǔ)言處理、機(jī)器學(xué)習(xí)這些人工智能的主體技術(shù)應(yīng)用到石油工業(yè)領(lǐng)域，創(chuàng)建石油行業(yè)的人工智能創(chuàng)新生態(tài)，必將成為本行業(yè)發(fā)展的必經(jīng)之路。

5 石油工業(yè)領(lǐng)域人工智能未來(lái)發(fā)展趨勢(shì)

人工智能的快速發(fā)展必然會(huì)引起石油行業(yè)的巨大變革，但終究會(huì)是石油行業(yè)+人工智能的不斷進(jìn)化。石油行業(yè)產(chǎn)業(yè)鏈條成熟，加入人工智能元素后會(huì)使行業(yè)效率和效益產(chǎn)生明顯提升。同時(shí)，未來(lái)人工智能的發(fā)展需要將“黑匣子”的分析逐步轉(zhuǎn)化為“透明匣子”的展示，即讓人工智能技術(shù)與石油天然氣工程的理論、技術(shù)深度融合，充分解釋物理、力學(xué)、化學(xué)機(jī)理導(dǎo)致的各種邏輯規(guī)律[5]。

石油行業(yè)未來(lái)人工智能的發(fā)展主要在于優(yōu)化預(yù)測(cè)和自動(dòng)化的能力。人工智能可針對(duì)石油天然氣的生產(chǎn)、平衡和消費(fèi)等方面提供獨(dú)特的解決方案，并應(yīng)用于生產(chǎn)方、傳送方和消費(fèi)方。人工智能是一個(gè)自我學(xué)習(xí)和演算的應(yīng)用過(guò)程，而非模仿人類工作的編程方式，即其能夠集合人類擅長(zhǎng)的例如視覺感知、理解、溝通、隨機(jī)應(yīng)變等能力。同時(shí)，它能克服人類體力智力的極限，并與不斷更新的計(jì)算機(jī)硬件的大規(guī)模且迅速的數(shù)據(jù)處理功能結(jié)合起來(lái)，從而大幅提升石油行業(yè)的預(yù)測(cè)能力，優(yōu)化其生產(chǎn)力和管理能力，走向智能化與自動(dòng)化；最終形成一個(gè)全產(chǎn)業(yè)鏈的網(wǎng)絡(luò)，即把各種石油基礎(chǔ)設(shè)施關(guān)聯(lián)在一起，形成智能的物聯(lián)網(wǎng)。

在行業(yè)中，研發(fā)適用于行業(yè)本身的人工智能生態(tài)系統(tǒng)需要解決三個(gè)問(wèn)題：(1)運(yùn)算能力；(2)可用的數(shù)據(jù)；(3)想象力。當(dāng)前計(jì)算機(jī)的運(yùn)算速度可達(dá)每秒上億次，強(qiáng)大的運(yùn)算能力和數(shù)據(jù)處理能力可以做到快速而精確地處理、優(yōu)化石油開發(fā)生產(chǎn)的海量數(shù)據(jù)。通過(guò)合適的算法和生產(chǎn)數(shù)據(jù)、環(huán)境數(shù)據(jù)優(yōu)化開采生產(chǎn)，可實(shí)現(xiàn)效益的最大化。具體可以從以下四個(gè)方面入手：(1)統(tǒng)一數(shù)據(jù)接口，實(shí)時(shí)精細(xì)化分析解釋大量數(shù)據(jù)，從而開展決策和優(yōu)化。如通過(guò)三維地震資料和測(cè)井資料的智能化解釋，建立精細(xì)準(zhǔn)確的地質(zhì)模型；(2)采用耐用的智能工具，開展可視化展示，及時(shí)預(yù)警與處理事故，實(shí)現(xiàn)勘探開發(fā)自動(dòng)化；(3)開展區(qū)域井場(chǎng)歷史大數(shù)據(jù)分析及云計(jì)算，通過(guò)仿真模型并結(jié)合現(xiàn)場(chǎng)實(shí)際工況實(shí)時(shí)調(diào)節(jié)參數(shù)，達(dá)到生產(chǎn)過(guò)程最優(yōu)化；(4)建立基于人工智能的資產(chǎn)管理工具，實(shí)現(xiàn)高效準(zhǔn)確的資產(chǎn)、風(fēng)險(xiǎn)評(píng)估和預(yù)測(cè)性維護(hù)。綜合以上章節(jié)討論，石油工業(yè)人工智能發(fā)展的現(xiàn)狀、趨勢(shì)與思路可總結(jié)如圖7所示。

圖7 石油工業(yè)人工智能發(fā)展的現(xiàn)狀、趨勢(shì)與思路Fig. 7 Current status, trend and thought of the development of artificial intelligence in petroleum industry

6 結(jié)論

本文在回顧人工智能發(fā)展歷程與階段的基礎(chǔ)上，介紹了石油工業(yè)與人工智能的融合情況，包括石油企業(yè)與人工智能行業(yè)的合作、人工智能在石油工業(yè)各環(huán)節(jié)的應(yīng)用現(xiàn)狀、人工智能的主體技術(shù)及發(fā)展趨勢(shì)，得到結(jié)論如下。

石油工業(yè)領(lǐng)域的智能程度介于弱人工智能與通用人工智能之間，其應(yīng)用場(chǎng)景以定制化的人工智能為主，意圖解決該領(lǐng)域中某個(gè)特定的工程問(wèn)題，并在勘探、鉆井、采油、設(shè)備維護(hù)、HSE、投資等各環(huán)節(jié)取得較好的應(yīng)用效果，但完整的油氣行業(yè)人工智能產(chǎn)業(yè)鏈生態(tài)尚未形成，智能物聯(lián)網(wǎng)還處于探索階段。

石油工業(yè)的智能化需要以專業(yè)知識(shí)與技術(shù)為基礎(chǔ)架構(gòu)，人工智能為實(shí)現(xiàn)行業(yè)效率、效益最優(yōu)化的手段而不是最終目的。根據(jù)應(yīng)用對(duì)象的變化，從業(yè)者需要靈活應(yīng)用認(rèn)知智能、大數(shù)據(jù)、云計(jì)算、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能方法為各油氣開采環(huán)節(jié)提供特定的解決方案。

隨著創(chuàng)新時(shí)代以及IT技術(shù)呈指數(shù)性的換代更新，在傳統(tǒng)石油工業(yè)知識(shí)與前沿人工智能技術(shù)緊密結(jié)合的基礎(chǔ)上，實(shí)現(xiàn)創(chuàng)造力及創(chuàng)意思維的戰(zhàn)略整合，有效應(yīng)用人工智能實(shí)現(xiàn)石油天然氣資源的低廉、高效和安全開采，是所有石油從業(yè)者未來(lái)奮斗的方向。