李 陽, 廉培慶, 薛兆杰, 戴 城

(1.中國石油化工股份有限公司,北京 100728; 2.中國石化石油勘探開發(fā)研究院,北京 100083)

加大油氣勘探開發(fā)力度、保障國家能源安全是當(dāng)前面臨的迫切任務(wù)。但隨著優(yōu)質(zhì)資源的不斷開發(fā)，剩余資源開采難度越來越大，成本越來越高，迫切需要?jiǎng)?chuàng)新技術(shù)提升油氣勘探開發(fā)效率和效益。在大數(shù)據(jù)、人工智能(artificial intelligence,AI)、5G、云計(jì)算、物聯(lián)網(wǎng)等技術(shù)推動(dòng)下，油氣田的智能化水平將會(huì)越來越高，這既是油田降本提質(zhì)增效的有效途徑，也是油氣技術(shù)發(fā)展規(guī)律的必然趨勢(shì)。筆者對(duì)大數(shù)據(jù)和人工智能在油氣田開發(fā)中的應(yīng)用現(xiàn)狀及進(jìn)展、國內(nèi)外油公司智能化油田建設(shè)狀況進(jìn)行深入調(diào)研，并對(duì)應(yīng)用過程中存在的問題和挑戰(zhàn)進(jìn)行分析，探討智能油氣田建設(shè)目標(biāo)、建設(shè)模式、關(guān)鍵環(huán)節(jié)、核心內(nèi)容，并根據(jù)中國石化實(shí)際情況提出需要發(fā)展的關(guān)鍵技術(shù)。

1 大數(shù)據(jù)和人工智能技術(shù)是油氣田智能化發(fā)展的重要?jiǎng)恿?/h2>

縱觀世界歷史,每一次工業(yè)革命都極大地促進(jìn)了社會(huì)生產(chǎn)力的躍升,創(chuàng)造了經(jīng)濟(jì)的繁榮,推動(dòng)了人類文明的進(jìn)步[1]。目前階段,第4次工業(yè)革命正在快速發(fā)展,其特點(diǎn)是大數(shù)據(jù)與人工智能技術(shù)引發(fā)全社會(huì)和全產(chǎn)業(yè)鏈的顛覆性變革。大數(shù)據(jù)與人工智能技術(shù)已經(jīng)在互聯(lián)網(wǎng)、金融、醫(yī)療健康、教育等多個(gè)領(lǐng)域得到了發(fā)展和應(yīng)用,并取得了令人振奮的實(shí)用效果[2-4]。

石油工業(yè)作為國民經(jīng)濟(jì)的重要支柱,歷來都是新技術(shù)、新方法的重要試驗(yàn)田,但大數(shù)據(jù)和人工智能技術(shù)在石油行業(yè)尚處于起步階段。近十年來,北美頁巖氣革命改變了世界油氣供應(yīng)格局,出現(xiàn)了供大于求的情景,油價(jià)進(jìn)入中低價(jià)格階段,上游板塊的發(fā)展也正由資源擴(kuò)張型轉(zhuǎn)向降本增效型。隨著優(yōu)質(zhì)石油資源的不斷開發(fā),中國的剩余儲(chǔ)量開采難度越來越大,存在石油資源品位劣質(zhì)化、老油田高含水、低油價(jià)、環(huán)境污染等問題的挑戰(zhàn)。在低成本競(jìng)爭(zhēng)環(huán)境下,第4次工業(yè)革命必然與石油工業(yè)深度融合,智能油田的發(fā)展有望成為應(yīng)對(duì)低油價(jià)的突破口[5-6]。

智能油氣田以油氣物流關(guān)系為主線,在自動(dòng)化數(shù)據(jù)采集和控制的基礎(chǔ)上,通過管理轉(zhuǎn)變和流程優(yōu)化,建立全面感知、自動(dòng)控制、智能預(yù)測(cè)、優(yōu)化決策的生產(chǎn)體系[7-8],實(shí)現(xiàn)油藏管理、采油工藝、生產(chǎn)運(yùn)營(yíng)的持續(xù)優(yōu)化(圖1)。智能油氣田是油氣田發(fā)展的需求,有望解決油田勘探開發(fā)過程中更多的實(shí)際難題。智能油田正朝著數(shù)據(jù)顯示虛擬化和可視化、決策部署協(xié)同化和高效化、生產(chǎn)管理遠(yuǎn)程化和實(shí)時(shí)化、業(yè)務(wù)管理一體化和精細(xì)化、信息資源集成化和共享化方向發(fā)展,以實(shí)現(xiàn)原油產(chǎn)量的穩(wěn)定、天然氣開發(fā)應(yīng)用的快速發(fā)展以及為國民經(jīng)濟(jì)從高速發(fā)展向高質(zhì)量發(fā)展轉(zhuǎn)換提供能源保障。

圖1 智能油氣田生產(chǎn)鏈條

2 大數(shù)據(jù)和人工智能技術(shù)研究進(jìn)展

2.1 大數(shù)據(jù)與人工智能在各行各業(yè)的發(fā)展

數(shù)據(jù)是人工智能的血液,當(dāng)前的人工智能也被稱作數(shù)據(jù)智能,主要包含大數(shù)據(jù)、云計(jì)算、人工智能以及區(qū)塊鏈技術(shù),四者不可分割。比如,先進(jìn)的工業(yè)互聯(lián)網(wǎng),其中既有區(qū)塊鏈技術(shù)也有大數(shù)據(jù)技術(shù),還有云計(jì)算技術(shù),三者合成一體,又衍生出了人工智能和物聯(lián)網(wǎng)的概念[9]。

在大數(shù)據(jù)基礎(chǔ)上的人工智能,已進(jìn)入數(shù)據(jù)智能的深度學(xué)習(xí)時(shí)代,其快速發(fā)展引起了社會(huì)和產(chǎn)業(yè)的顛覆性變化。2008年,在世界10家最有價(jià)值的公司中，石油公司占了5家,到了2018年,前10家最有價(jià)值的公司已由石油公司為主體轉(zhuǎn)變?yōu)榛ヂ?lián)網(wǎng)(數(shù)據(jù))公司為主體。如Alphabet(Google的母公司)、亞馬遜(Amazon)、蘋果(Apple)、臉書(Facebook)和微軟(Microsoft)是當(dāng)前全球估價(jià)最高的5家上市公司。英國《經(jīng)濟(jì)學(xué)人》甚至認(rèn)為當(dāng)今世界最寶貴的資源不再是石油,而是數(shù)據(jù)[10]。

從大數(shù)據(jù)和人工智能技術(shù)全行業(yè)的發(fā)展來看,目前美國仍處于領(lǐng)先地位,中國緊隨其后,且具有趕超趨勢(shì)[11]。中國在人工智能相關(guān)的論文發(fā)表總數(shù)和高引論文數(shù)量實(shí)現(xiàn)對(duì)美國的超越,但在人工智能理論發(fā)展和技術(shù)方向的引領(lǐng)方面美國還占據(jù)支配地位[12]。為了加快中國大數(shù)據(jù)和人工智能產(chǎn)業(yè)的發(fā)展,國務(wù)院于2015和2017年分別發(fā)布了《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》和《新一代人工智能發(fā)展規(guī)劃》,在國家層面上明確促進(jìn)大數(shù)據(jù)和人工智能發(fā)展。習(xí)近平總書記在致信第三屆世界智能大會(huì)時(shí)指出:在移動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、超級(jí)計(jì)算、傳感網(wǎng)、腦科學(xué)等新理論新技術(shù)驅(qū)動(dòng)下,人工智能正在對(duì)經(jīng)濟(jì)發(fā)展、社會(huì)進(jìn)步、全球治理等方面產(chǎn)生重大而深遠(yuǎn)的影響。中國高度重視創(chuàng)新發(fā)展,把新一代人工智能作為推動(dòng)科技跨越發(fā)展、產(chǎn)業(yè)優(yōu)化升級(jí)、生產(chǎn)力整體躍升的驅(qū)動(dòng)力量,努力實(shí)現(xiàn)高質(zhì)量發(fā)展。

2.2 人工智能算法研究現(xiàn)狀

人工智能發(fā)展經(jīng)歷了3個(gè)階段:第1個(gè)階段從1956年到1976年,1956年計(jì)算機(jī)專家約翰·麥卡錫提出了人工智能一詞,被看作是人工智能正式誕生的標(biāo)志,但科研人員對(duì)人工智能項(xiàng)目難度預(yù)估不足,讓人工智能前景蒙上了一層陰影;第2個(gè)階段從1976年到2006年,BP算法(即誤差反傳網(wǎng)絡(luò))的出現(xiàn)推動(dòng)了人工智能的快速發(fā)展,但該階段機(jī)器無法制定規(guī)則,需要研究者把規(guī)則都事先定好,因此只能處理簡(jiǎn)單的問題;第3個(gè)階段從2006年至今,2006年Hinton等[13]提出了深度學(xué)習(xí)的技術(shù),并在圖像、語音識(shí)別以及其他領(lǐng)域內(nèi)取得了成功。

近些年來,許多學(xué)者針對(duì)深度學(xué)習(xí)算法進(jìn)行了改進(jìn)。Lecun等[14]提出了卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNNs),這是第一個(gè)真正多層結(jié)構(gòu)學(xué)習(xí)算法,它利用空間相對(duì)關(guān)系減少參數(shù)數(shù)量以提高訓(xùn)練性能。隨后,循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNNs)、自動(dòng)編碼器(auto encode,AE)、長(zhǎng)短時(shí)記憶(long short term memory,LSTM)、隨機(jī)森林(random forest,RF)、梯度增強(qiáng)(gradient reinforcement learning,GRL)等算法出現(xiàn)[15-17]。

目前,許多大型數(shù)據(jù)公司,包括谷歌、微軟、亞馬遜等互聯(lián)網(wǎng)巨頭都研發(fā)了自己的研發(fā)框架,將目前已有的人工智能算法包裝成算法包,方便用戶直接調(diào)用[18]。目前應(yīng)用最為廣泛的是Tensor Flow、Keras、Pytorch、MXnet四大研發(fā)框架。這些框架均支持Python語言編程和GPU并行運(yùn)算,可實(shí)現(xiàn)全連接神經(jīng)網(wǎng)、卷積神經(jīng)網(wǎng)、生成對(duì)抗神經(jīng)網(wǎng)等復(fù)雜程序,解決分類、降維、聚類、回歸等不同類型問題(圖2)。

圖2 機(jī)器學(xué)習(xí)算法任務(wù)分類

2.3 人工智能在油氣勘探開發(fā)中的應(yīng)用

國內(nèi)外學(xué)者在地質(zhì)分析、測(cè)井解釋、地震解釋、甜點(diǎn)預(yù)測(cè)、地質(zhì)建模、油藏模擬等方面均開展了一些探索性研究,收到了良好的效果。

(1)巖心巖石相分類。在巖心分析領(lǐng)域,深度學(xué)習(xí)算法主要用于圖像識(shí)別。傳統(tǒng)的巖石薄片圖像鑒定以肉眼觀察和描述為主,存在試驗(yàn)周期偏長(zhǎng)、定量困難、效率較低、受主觀影響較大等一系列問題。深度學(xué)習(xí)算法可對(duì)巖石薄片進(jìn)行礦物識(shí)別、信息提取、巖心重構(gòu)、特征標(biāo)注、孔隙識(shí)別等處理,具有快速、精確度高等優(yōu)點(diǎn)。目前,利用巖心CT掃描圖像數(shù)據(jù)作為機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集,訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(CNN),巖相分類結(jié)果預(yù)測(cè)準(zhǔn)確率可超過90%[19-23]。

(2)測(cè)井曲線解釋。常規(guī)的儲(chǔ)層參數(shù)預(yù)測(cè)方法是通過經(jīng)驗(yàn)公式或簡(jiǎn)化地質(zhì)條件建立模型,計(jì)算儲(chǔ)層參數(shù),對(duì)于解決一般地質(zhì)儲(chǔ)層問題能取得較好的效果,對(duì)于復(fù)雜地質(zhì)問題預(yù)測(cè)精度不高。人工智能特別是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的發(fā)展為地質(zhì)儲(chǔ)層參數(shù)預(yù)測(cè)帶來了新的途徑,該技術(shù)可以自主地學(xué)習(xí)曲線特征,避免了人為提取的誤差,既能做巖性、巖石類型、沉積微相的自動(dòng)識(shí)別,也可以做儲(chǔ)層物性參數(shù)自動(dòng)解釋[24-28]。

(3)地震資料解釋。充分利用大量地震數(shù)據(jù)獲取地下信息是深度學(xué)習(xí)的攻關(guān)方向之一?；谏疃染矸e生成對(duì)抗網(wǎng)絡(luò)的疊前地震波形分類方法,既保留了深度卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力,又能通過有標(biāo)簽數(shù)據(jù)輔助訓(xùn)練,有效提高了識(shí)別精度[29]。采用合成地震記錄生成訓(xùn)練數(shù)據(jù)集,訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型,不但能檢測(cè)斷層,而且還能檢測(cè)出斷層的傾角,預(yù)測(cè)效果明顯優(yōu)于以前的相干系數(shù)和斷層似然概率算法[30-31]。另外,深度學(xué)習(xí)算法可提取地震數(shù)據(jù)中與鹽丘相關(guān)的特征,建立全波形反演所需的初始模型;基于偏移圖像生成鹽丘概率圖,并將其耦合進(jìn)全波形反演的目標(biāo)函數(shù),可用于鹽丘自動(dòng)識(shí)別[32-33]。

(4)油氣甜點(diǎn)預(yù)測(cè)。在非常規(guī)油藏開發(fā)過程中,通過將射孔、水力壓裂層位的信息以及油氣生產(chǎn)數(shù)據(jù)進(jìn)行關(guān)聯(lián),可建立層位與生產(chǎn)數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則;然后采用聚類算法進(jìn)行分析,確定甜點(diǎn)層位?；谠摲椒▽?duì)美國巴肯頁巖數(shù)千口頁巖油進(jìn)行分析,甜點(diǎn)區(qū)預(yù)測(cè)符合率超過85%[34-37]。

(5)生產(chǎn)動(dòng)態(tài)歷史擬合與數(shù)值模擬預(yù)測(cè)。油藏?cái)?shù)值模擬自動(dòng)歷史擬合常用集合卡爾茲曼濾波(EnKF)方法,但該方法假設(shè)輸入?yún)?shù)服從高斯分布,限制了其使用范圍。近年來,提出了基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)歷史擬合方法,預(yù)測(cè)結(jié)果比模型驅(qū)動(dòng)的歷史擬合方法更加可靠。例如,通過卷積神經(jīng)網(wǎng)絡(luò)+主成分分析(CNN-PCA)相結(jié)合的歷史擬合方法,無論是對(duì)于已開發(fā)井的先驗(yàn)或后驗(yàn)預(yù)測(cè),還是對(duì)于新井的生產(chǎn)動(dòng)態(tài)預(yù)測(cè),均可取得較高的精度[38-40]。

(6)井?dāng)?shù)據(jù)驅(qū)動(dòng)油氣藏產(chǎn)量預(yù)測(cè)。深度訓(xùn)練網(wǎng)絡(luò)作為初始數(shù)據(jù)驅(qū)動(dòng)模型,可以在已知產(chǎn)氣量、產(chǎn)油量、井口溫度及壓力數(shù)據(jù)、油嘴參數(shù)等各類井?dāng)?shù)據(jù)的前提下,創(chuàng)建井?dāng)?shù)據(jù)與油氣產(chǎn)量之間的映射關(guān)系,對(duì)單井乃至整個(gè)井場(chǎng)的生產(chǎn)情況進(jìn)行合理預(yù)測(cè),明確配產(chǎn)需求[43-44]。例如,Chukwuma[45]將深度學(xué)習(xí)用于流體參數(shù)預(yù)測(cè),輸入初始?jí)毫?、飽和壓力、溶解氣油比、地層體積系數(shù)、體系壓縮系數(shù)、油的密度、氣的密度、原油黏度等數(shù)據(jù),進(jìn)行訓(xùn)練后可用于預(yù)測(cè)其他井的飽和壓力、地層體積系數(shù)和氣體壓縮系數(shù)等。

3 國外能源公司智能化建設(shè)歷程及發(fā)展現(xiàn)狀

隨著數(shù)據(jù)采集技術(shù)和高性能計(jì)算技術(shù)的提升,石油勘探開發(fā)過程中獲得了越來越多的數(shù)據(jù),遠(yuǎn)超過了人腦的處理能力。基于最新的人工智能手段運(yùn)用好這些海量數(shù)據(jù)將對(duì)石油勘探開發(fā)工程帶來革命性改變。據(jù)美國咨詢公司Research and Markets報(bào)告預(yù)測(cè),在石油和天然氣領(lǐng)域,人工智能市場(chǎng)規(guī)模預(yù)計(jì)到2022年將達(dá)到28.5億美元。因此國外石油公司已經(jīng)積極尋求智能化發(fā)展,并開展了一些有益的嘗試[46-49]。

3.1 殼牌(Shell)智能井方案提高舉升效率

殼牌公司在智能化油氣田建設(shè)上處于國際領(lǐng)先地位,在全球共有59個(gè)智能化油氣田,經(jīng)濟(jì)收益已達(dá)50億美元。位于馬來西亞Borneo海面的SF30油田是Shell第1批實(shí)施了此概念的智能油田之一,基于測(cè)試結(jié)果和地上地下數(shù)據(jù),建立了可靠的數(shù)學(xué)模型,實(shí)時(shí)、持續(xù)地優(yōu)化舉升效率,并對(duì)生產(chǎn)狀況進(jìn)行預(yù)測(cè)。目前,基于預(yù)測(cè)結(jié)果實(shí)現(xiàn)了每1～5 min進(jìn)行一次調(diào)整,極大地提升了舉升效率。

3.2 殼牌利用大數(shù)據(jù)技術(shù)進(jìn)行預(yù)防性維護(hù)

殼牌公司利用無線傳輸技術(shù)和相應(yīng)的集中控制裝置形成數(shù)字化生產(chǎn)設(shè)備的物聯(lián)網(wǎng),自動(dòng)監(jiān)測(cè)溫度、振動(dòng)等設(shè)備運(yùn)行狀態(tài)數(shù)據(jù),并通過網(wǎng)絡(luò)傳送到岸上數(shù)據(jù)中心,經(jīng)大數(shù)據(jù)分析預(yù)處理后,自動(dòng)提供分析預(yù)測(cè)支持。專家根據(jù)設(shè)備具體情況,制定并優(yōu)化相應(yīng)的維護(hù)策略和行動(dòng)方案。岸上遠(yuǎn)程控制中心根據(jù)專家制定的設(shè)備維護(hù)策略和行動(dòng)方案,調(diào)度安排相關(guān)人員對(duì)設(shè)備進(jìn)行維護(hù)。該方案在某海上平臺(tái)實(shí)施后,有效避免了生產(chǎn)損失和非計(jì)劃停工,提升了設(shè)備資產(chǎn)安全性和合規(guī)性,減少生產(chǎn)損失獲益3 000～6 000 萬美元,是項(xiàng)目年投入的6倍,現(xiàn)場(chǎng)用人由1980年的25人減少到2016年的4人。

3.3 挪威國家石油公司(Statoil ASA)的設(shè)備狀態(tài)監(jiān)測(cè)平臺(tái)

挪威國家石油公司通過搭建設(shè)備狀態(tài)監(jiān)測(cè)平臺(tái),為不同層級(jí)的管理人員提供信息支持,實(shí)現(xiàn)了對(duì)生產(chǎn)現(xiàn)場(chǎng)及關(guān)鍵設(shè)備的狀態(tài)監(jiān)測(cè)與性能監(jiān)測(cè),并形成了開發(fā)早期設(shè)備故障監(jiān)測(cè)預(yù)警方法及剩余工作年限預(yù)測(cè)方法。該平臺(tái)可以根據(jù)設(shè)備的歷史數(shù)據(jù)與實(shí)時(shí)數(shù)據(jù)及規(guī)則模型,對(duì)設(shè)備的重要因子進(jìn)行分析和預(yù)測(cè),并根據(jù)預(yù)測(cè)結(jié)果向維修人員進(jìn)行提示,實(shí)現(xiàn)了設(shè)備的狀態(tài)檢修,避免了因設(shè)備非正常停機(jī)造成的生產(chǎn)損失。

3.4 雪佛龍(Chevron)的i-DOT智能油氣田應(yīng)用

雪佛龍開發(fā)了一系列油藏和生產(chǎn)相關(guān)應(yīng)用系統(tǒng)(總稱i-connect),通過開放的數(shù)據(jù)標(biāo)準(zhǔn)和共有信息平臺(tái)整合多種數(shù)據(jù)并進(jìn)行應(yīng)用,提高了其對(duì)油氣田的感知能力和分析能力。i-DOT是i-connect中的一個(gè)應(yīng)用,這項(xiàng)技術(shù)能夠快速、及時(shí)、可視化地找到異常油井,根據(jù)油井的異常狀況自動(dòng)生成建議的行動(dòng)方案,并輔助實(shí)時(shí)調(diào)整生產(chǎn)計(jì)劃。

3.5 阿美拉達(dá)赫斯公司(HESS)利用大數(shù)據(jù)技術(shù)優(yōu)化水力壓裂

在低油價(jià)下,美國阿美拉達(dá)赫斯公司HESS頁巖氣運(yùn)營(yíng)商正尋找最合適的方案,以通過提高采收率或以較低的成本保持相同產(chǎn)量水平,獲得最大的水力壓裂價(jià)值?；谌珨?shù)據(jù)的長(zhǎng)期頁巖氣井流體模擬,研究人員建立壓裂模擬器運(yùn)行全數(shù)據(jù)資產(chǎn),并反復(fù)進(jìn)行數(shù)據(jù)分解和數(shù)據(jù)重新構(gòu)建,分析了影響壓裂效果的主要因素。通過大量的數(shù)據(jù)獲取和分析,HESS公司獲得了Bakken頁巖氣田最具備經(jīng)濟(jì)價(jià)值的水力壓裂方案。

4 中國智能化油田建設(shè)實(shí)踐

目前,國際油公司都在大力推動(dòng)智能油田的發(fā)展(圖3)。經(jīng)過多年的信息化建設(shè),中國已經(jīng)實(shí)現(xiàn)了由傳統(tǒng)油氣田向數(shù)字油氣田的轉(zhuǎn)變。1999年,大慶油田提出了數(shù)字油田的概念,隨后20 a,中國油氣生產(chǎn)單位已經(jīng)初步建成了一批數(shù)字油田信息化系統(tǒng)[50-53]。以建設(shè)完整、準(zhǔn)確、及時(shí)、唯一的數(shù)據(jù)庫和管理數(shù)據(jù)庫為主的信息化建設(shè)工作,解決了勘探開發(fā)工作過程中資料的快速收集、統(tǒng)計(jì)、查詢及診斷預(yù)警。

圖3 智能油氣田發(fā)展歷程

智能油田重點(diǎn)應(yīng)該是對(duì)數(shù)據(jù)的統(tǒng)計(jì)、分析、挖掘,尋找數(shù)據(jù)之間的關(guān)聯(lián),準(zhǔn)確預(yù)測(cè)油井產(chǎn)量,有效支持油田勘探開發(fā)工作。數(shù)字油田建設(shè)讓油田企業(yè)形成了數(shù)字化的形態(tài),通過資料積累為大數(shù)據(jù)、人工智能應(yīng)用指明了方向和路徑[54-55]。

中國石化勝利油田,2003年編制了《數(shù)字勝利油田建設(shè)規(guī)劃》,標(biāo)志著數(shù)字化建設(shè)啟動(dòng);2008年,勝利油田“863”項(xiàng)目數(shù)字油田關(guān)鍵技術(shù)研究立項(xiàng);“十二五”期間,勝利油田基本完成了數(shù)字油田建設(shè),從數(shù)字油田向智能油田演進(jìn)是勝利油田“十三五”規(guī)劃的目標(biāo)[56-57]。河南油田智能油田建設(shè)進(jìn)展順利,其中勘探開發(fā)業(yè)務(wù)協(xié)同平臺(tái)上線運(yùn)行,生產(chǎn)信息化新目錄已完成4個(gè)采油管理區(qū)的建設(shè),有效地提高了生產(chǎn)效率和經(jīng)濟(jì)效益[58]。普光氣田已將智能氣田建設(shè)作為未來的發(fā)展方向,并制定了詳細(xì)的實(shí)施計(jì)劃[59]。

為進(jìn)一步系統(tǒng)開展智能油田建設(shè),中國石化2018年啟動(dòng)智能油氣田試點(diǎn)建設(shè)項(xiàng)目,建設(shè)內(nèi)容可概括為“127”,建成1個(gè)智能油氣田云平臺(tái),補(bǔ)充和完善信息標(biāo)準(zhǔn)化和信息安全2個(gè)支撐體系,建設(shè)7項(xiàng)智能化業(yè)務(wù)應(yīng)用。2019年,又進(jìn)一步啟動(dòng)油田企業(yè)人工智能技術(shù)試點(diǎn)應(yīng)用項(xiàng)目,建設(shè)不同工作環(huán)境下的智能應(yīng)用場(chǎng)景,加速人工智能在勘探開發(fā)中落地。

5 油田智能化發(fā)展探討

當(dāng)前智能化油氣田建設(shè)快速發(fā)展,但是整體處在探索起步階段,面臨來自數(shù)據(jù)、算法和地下未知因素的諸多挑戰(zhàn)。未來在大數(shù)據(jù)、人工智能、5G、云計(jì)算、物聯(lián)網(wǎng)等技術(shù)推動(dòng)下,油氣田的智能化水平將會(huì)快速發(fā)展,這既是油氣技術(shù)發(fā)展規(guī)律的必然趨勢(shì),也是油田降本提質(zhì)增效的有效途徑。在發(fā)展的過程中,智能油氣田建設(shè)需要油氣勘探開發(fā)與大數(shù)據(jù)、人工智能、云計(jì)算以及區(qū)塊鏈等技術(shù)的深度融合,進(jìn)而催生一批油氣田領(lǐng)域的顛覆性技術(shù),解決油氣勘探開發(fā)的技術(shù)需求,提升油氣田勘探開發(fā)的經(jīng)濟(jì)和社會(huì)效益[60-62]。

5.1 智能油田建設(shè)目標(biāo)

基于油氣田開發(fā)與生產(chǎn)的需求,智能油氣田建設(shè)目標(biāo)包括智能油氣藏建設(shè)、智能地面工程建設(shè)和生產(chǎn)運(yùn)營(yíng)一體化[63-64]。

(1)智能油氣藏建設(shè)?；诒O(jiān)測(cè)和分析結(jié)果,重新對(duì)井產(chǎn)量、采油速度、含水率、注水量等指標(biāo)進(jìn)行預(yù)測(cè),制定有針對(duì)性的調(diào)整措施。完成對(duì)井筒實(shí)時(shí)調(diào)整,以及地質(zhì)油藏感知設(shè)備的部署,自動(dòng)采集井下溫度、壓力、流量等數(shù)據(jù)信息,作為油藏動(dòng)態(tài)分析優(yōu)化的基礎(chǔ);結(jié)合井下參數(shù)、油田生產(chǎn)數(shù)據(jù)等信息,通過專業(yè)的油藏分析和預(yù)測(cè)等專家輔助系統(tǒng),實(shí)現(xiàn)更精細(xì)化的油藏監(jiān)測(cè)和動(dòng)態(tài)分析;根據(jù)油藏分析結(jié)果,形成有針對(duì)性的油藏開發(fā)方案以指導(dǎo)生產(chǎn),提高產(chǎn)量和采收率。

(2)智能地面工程建設(shè)。通過對(duì)包括地面油氣生產(chǎn)、處理、集輸?shù)壬a(chǎn)工藝流程進(jìn)行持續(xù)的監(jiān)測(cè)、分析和調(diào)控,按照油藏開采優(yōu)化調(diào)整提出的要求,不斷優(yōu)化設(shè)備運(yùn)行參數(shù),降低能耗,提升HSE水平,從而提高生產(chǎn)效率,降低成本和風(fēng)險(xiǎn);對(duì)關(guān)鍵設(shè)備及重要措施進(jìn)行自動(dòng)化監(jiān)測(cè),實(shí)現(xiàn)定期狀態(tài)檢查檢驗(yàn),預(yù)先發(fā)現(xiàn)設(shè)備、設(shè)施的潛在問題,結(jié)合專家診斷和分析結(jié)果進(jìn)行有針對(duì)性的預(yù)防性維護(hù)和維修,提高設(shè)備、設(shè)施完整性管理水平,降低設(shè)備、設(shè)施的綜合成本,充分發(fā)揮效能。

(3)生產(chǎn)運(yùn)營(yíng)一體化。通過工作方式、管理機(jī)制的變革和流程優(yōu)化,輔以技術(shù)手段支撐的協(xié)同工作環(huán)境,使相關(guān)人員能夠跨地域、跨學(xué)科專業(yè)高效協(xié)同工作,充分發(fā)揮各領(lǐng)域技術(shù)專家的優(yōu)勢(shì)?？鐚W(xué)科專業(yè)協(xié)同即一體化生產(chǎn)優(yōu)化,將油藏、采油工藝、生產(chǎn)作業(yè)、設(shè)備設(shè)施等專業(yè)人員集合在一個(gè)平臺(tái)或環(huán)境中,提高分析和決策效率及執(zhí)行效果,使油氣生產(chǎn)更高效;跨管理層級(jí)協(xié)同應(yīng)急指揮,當(dāng)出現(xiàn)重大事故時(shí),管理層實(shí)時(shí)了解現(xiàn)場(chǎng)情況和應(yīng)急資源分布,下達(dá)應(yīng)急指令,降低了信息溝通、資源協(xié)調(diào)的難度和工作量;跨地域協(xié)同即遠(yuǎn)程專家支持,分布在不同地域的專家可通過協(xié)同工作環(huán)境會(huì)上討論,克服了地域、時(shí)間的障礙,充分發(fā)揮技術(shù)專家的知識(shí)優(yōu)勢(shì),使生產(chǎn)運(yùn)營(yíng)更加科學(xué)有效。

5.2 建設(shè)模式

智能油田建設(shè)模式主要體現(xiàn)在智能運(yùn)行與低成本上,未來的智能油田都需要智能化運(yùn)行,創(chuàng)建一種新的油田管理方式。智能運(yùn)行模式將與傳感器技術(shù)、大數(shù)據(jù)分析、人工智能發(fā)展趨勢(shì)相耦合、構(gòu)建互聯(lián)互通的油氣田全覆蓋網(wǎng)絡(luò)統(tǒng)一平臺(tái)[65-66]。需要解決以下問題:

(1)高精度數(shù)據(jù)實(shí)時(shí)采集。研發(fā)更加精密的隨鉆分析、室內(nèi)測(cè)試、井下監(jiān)測(cè)和井口計(jì)量等儀器設(shè)備,實(shí)現(xiàn)油氣藏開發(fā)數(shù)據(jù)的全方位、高精度、自動(dòng)化、實(shí)時(shí)采集。

(2)大數(shù)據(jù)高速傳輸和存儲(chǔ)?；?G、光纖等最新通信技術(shù)實(shí)現(xiàn)油田數(shù)據(jù)的高速傳輸,基于云存儲(chǔ)技術(shù)實(shí)現(xiàn)TB或PB級(jí)海量數(shù)據(jù)的存儲(chǔ),構(gòu)建工業(yè)設(shè)備-云端存儲(chǔ)設(shè)備-人類設(shè)備的油氣藏開發(fā)物聯(lián)網(wǎng)。

(3)大數(shù)據(jù)與人工智能能結(jié)合實(shí)現(xiàn)數(shù)據(jù)賦能。基于數(shù)據(jù)、業(yè)務(wù)、算法(技術(shù))科學(xué)匹配,開展小任務(wù)、多數(shù)據(jù)、強(qiáng)關(guān)聯(lián)、混合技術(shù)、大數(shù)據(jù)分析,實(shí)現(xiàn)人工智能學(xué)習(xí)、記憶、判識(shí),智能操控。

(4)區(qū)塊鏈技術(shù)實(shí)現(xiàn)資源共享。各類生產(chǎn)資料、數(shù)據(jù)分析及智能判識(shí)信息等按照一定的頻率記錄在區(qū)塊鏈中,形成安全的分布式數(shù)據(jù)庫,解決數(shù)字經(jīng)濟(jì)的基礎(chǔ)設(shè)施,為決策層提供決策依據(jù),并打破油公司的組織邊界,實(shí)現(xiàn)所有者、生產(chǎn)者和使用者的統(tǒng)一,涉及到了生產(chǎn)關(guān)系這個(gè)根本問題。

目前經(jīng)過多年的數(shù)字油田建設(shè),形成了不同系統(tǒng)的管理系統(tǒng),為了推進(jìn)智能油田的建設(shè),應(yīng)推進(jìn)適應(yīng)云服務(wù)環(huán)境下的統(tǒng)一的基礎(chǔ)運(yùn)維平臺(tái)的建設(shè),對(duì)信息資源進(jìn)行集中統(tǒng)一的精細(xì)化管理,實(shí)現(xiàn)資源的合理調(diào)配,運(yùn)行過程的集中監(jiān)控、問題超前預(yù)警和故障準(zhǔn)確定位,運(yùn)維需求統(tǒng)一受理,處理過程的實(shí)時(shí)跟蹤和質(zhì)量考核。

5.3 實(shí)施方式

大數(shù)據(jù)和人工智能的實(shí)施載體是融合多維、多尺度數(shù)據(jù)的油氣藏模型,基于數(shù)據(jù)驅(qū)動(dòng)的油氣藏模型可開展油氣田方案優(yōu)化和調(diào)整,從而實(shí)現(xiàn)數(shù)據(jù)的價(jià)值。

(1)建立內(nèi)在統(tǒng)一的地質(zhì)模型和油藏模型,實(shí)現(xiàn)油氣資源的透明化、精細(xì)化,提高儲(chǔ)量經(jīng)濟(jì)價(jià)值。準(zhǔn)確的地質(zhì)模型和油藏模型是進(jìn)行油氣田開發(fā)方案設(shè)計(jì)的基礎(chǔ)。大數(shù)據(jù)及人工智能技術(shù)有望將地震、測(cè)井、地質(zhì)、施工、生產(chǎn)及室內(nèi)試驗(yàn)等多類型的數(shù)據(jù)進(jìn)行深度融合,提取多類型數(shù)據(jù)中的有用信息,不斷校正、完善地質(zhì)模型和油藏模型,使模型能夠準(zhǔn)確再現(xiàn)油藏實(shí)際,為合理設(shè)計(jì)開發(fā)方案提供必要的物質(zhì)基礎(chǔ)。

(2)充分利用物理模型、井下高精度傳感器、生產(chǎn)歷史等數(shù)據(jù),集成油藏多物理量、多尺度、全生命周期的三維油田數(shù)字孿生模型。實(shí)時(shí)反映當(dāng)前時(shí)刻油田開發(fā)的狀態(tài),預(yù)測(cè)油藏動(dòng)態(tài)演化及開發(fā)全過程?；谟筒?cái)?shù)字孿生模型,驗(yàn)證不同開發(fā)方案、不同生產(chǎn)措施效果,降低開發(fā)方案部署盲目性,提升工程技術(shù)合理性,實(shí)現(xiàn)地質(zhì)與工程全面協(xié)同,有效提高油田采收率。

(3)方案設(shè)計(jì)、實(shí)施、生產(chǎn)管理一體化,加強(qiáng)大數(shù)據(jù)分析應(yīng)用,建立分層次和整體優(yōu)化模型,實(shí)現(xiàn)開采自動(dòng)化、模型化、可視化和智能化。依靠先進(jìn)的數(shù)據(jù)管理和數(shù)據(jù)挖掘技術(shù),尋找大數(shù)據(jù)中隱藏的有用信息,將每天收集到的數(shù)據(jù)(包括地震數(shù)據(jù)、測(cè)井?dāng)?shù)據(jù)、鉆井參數(shù)、壓裂參數(shù)等),轉(zhuǎn)變?yōu)閷?shí)時(shí)信息,幫助油藏工程師調(diào)整現(xiàn)行方案,并依靠自動(dòng)化井控設(shè)備對(duì)油藏開發(fā)實(shí)施精準(zhǔn)調(diào)控。

5.4 建設(shè)方向

大數(shù)據(jù)和人工智能實(shí)施過程中需要加快發(fā)展泛在感知、全面認(rèn)知、協(xié)同優(yōu)化技術(shù)[67-69]。

(1)泛在感知?；跈C(jī)器學(xué)習(xí)算法對(duì)真實(shí)油藏物理問題進(jìn)行建模,油田全面數(shù)據(jù)化;功能上實(shí)施數(shù)字化轉(zhuǎn)型發(fā)展,在油田數(shù)字化上做好全面數(shù)據(jù)化和高質(zhì)量發(fā)展。效果上尋找一條比較好的智能分析、智能操控的路徑,為數(shù)字化轉(zhuǎn)型升級(jí)建設(shè)智能油田打好基礎(chǔ)。

(2)全面認(rèn)知。利用獲取的大數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,實(shí)現(xiàn)機(jī)器認(rèn)知;油田實(shí)施全面智能操控,功能上利用大數(shù)據(jù)人工智能,實(shí)施智能分析及時(shí)發(fā)現(xiàn)業(yè)務(wù)過程中可能出現(xiàn)的問題,預(yù)警、告警,智能分析,將生產(chǎn)運(yùn)行過程智能操控;效果上做好人、財(cái)、物智能化,降低成本,提高效益。

(3)協(xié)同優(yōu)化。油田做好全面最優(yōu),功能上將數(shù)字、智能技術(shù)植入油田業(yè)務(wù)深度融合形成一體化模式。效果上構(gòu)建健康、安全、綠色的無人油田,實(shí)現(xiàn)可裝在手機(jī)里的5G油田。

5.5 基于人工智能的攻關(guān)技術(shù)

(1)自動(dòng)地層對(duì)比。地層對(duì)比是區(qū)域地質(zhì)研究(沉積體系和儲(chǔ)層分布)的關(guān)鍵步驟,可以提高對(duì)目標(biāo)儲(chǔ)層預(yù)測(cè)的準(zhǔn)確率以及降低勘探開發(fā)的不確定性和風(fēng)險(xiǎn);作為一項(xiàng)關(guān)鍵技術(shù),地層對(duì)比被廣泛應(yīng)用于油氣勘探開發(fā)的多個(gè)階段。傳統(tǒng)地層對(duì)比采取人工對(duì)比方式,并且很大程度上依賴地質(zhì)解釋人員的經(jīng)驗(yàn)。在地層格架識(shí)別和劃分過程中,由于要綜合分析多種地質(zhì)信息(如露頭、測(cè)井、巖心等),使工作量繁重,而且在解釋過程中無法避免人為誤差和不一致性。基于人工智能技術(shù)研發(fā)自動(dòng)化地層對(duì)比工具,可有效提高工作效率和地層對(duì)比的準(zhǔn)確性。

(2)地震數(shù)據(jù)處理和解釋。油田每年采集大量三維地震數(shù)據(jù),對(duì)于更高清晰度的需求使數(shù)據(jù)量在過去的幾年中大幅增加。傳統(tǒng)的地震處理和解釋方法無法充分利用研究人員長(zhǎng)期積累的有效經(jīng)驗(yàn),而且十分耗時(shí),比如初至拾取、速度譜拾取、斷層和圈閉解釋等。因此將已有的地震資料處理經(jīng)驗(yàn)與處理流程進(jìn)行整合,采用人工智能技術(shù)可有效提高傳統(tǒng)地震處理方法和解釋工具的效率以及成果質(zhì)量。

(3)測(cè)井曲線預(yù)測(cè)。測(cè)井?dāng)?shù)據(jù)是儲(chǔ)層評(píng)價(jià)、測(cè)井解釋和井位設(shè)計(jì)的必要資料。在特定情況下,由于生產(chǎn)原因等限制,孔隙度、飽和度測(cè)井資料不全,不同批次的測(cè)井資料可能存在差異?？梢酝ㄟ^人工智能和機(jī)器學(xué)習(xí)的方法,用已有的測(cè)井曲線來預(yù)測(cè)滲透率及飽和度曲線(包括預(yù)測(cè)其他各種缺失的測(cè)井曲線),并將其整合到現(xiàn)有的工作流程中,用得到的新信息去更新現(xiàn)有油藏模型。

(4)多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)建模。儲(chǔ)層相建模是表征地下儲(chǔ)層非均質(zhì)性的關(guān)鍵步驟。目前,現(xiàn)有相建模算法遠(yuǎn)不能滿足地質(zhì)逼真的要求。多點(diǎn)地質(zhì)統(tǒng)計(jì)建模方法提供了一種將傳統(tǒng)儲(chǔ)層建模方法與最先進(jìn)的機(jī)器學(xué)習(xí)圖像重建方法相結(jié)合的途徑,以訓(xùn)練圖像為代表,對(duì)地下非均質(zhì)性進(jìn)行地質(zhì)表征。深度學(xué)習(xí)算法提供了一種基于特定圖像重建概念途徑和方法,可以將地質(zhì)理解與一定的先驗(yàn)硬數(shù)據(jù)相結(jié)合,生成更高精度的沉積相模型及儲(chǔ)層屬性分布。

(5)基于深度學(xué)習(xí)的3D數(shù)字巖心重構(gòu)。復(fù)雜的沉積和成巖過程導(dǎo)致儲(chǔ)層的孔隙結(jié)構(gòu)非常復(fù)雜,孔隙可以從納米級(jí)到厘米級(jí)。基于巖石的巖電性質(zhì)(如滲透率、相對(duì)滲透率、電屬性)進(jìn)行數(shù)字巖心模擬研究,必須要考慮多尺度的孔隙結(jié)構(gòu)特征。因此在進(jìn)行儲(chǔ)層巖電特性模擬時(shí),建立一個(gè)包含完整孔隙尺度的3D孔隙模型至關(guān)重要?；谏疃葘W(xué)習(xí)的3D數(shù)字巖心將應(yīng)用常見的2D圖像(薄片、SEM等)或3D圖像(微納米CT)作為輸入,建立一個(gè)包含全尺度孔隙模型的3D數(shù)字巖心,提供可靠的模擬結(jié)果,可以與實(shí)驗(yàn)室實(shí)測(cè)壓汞、滲透率和電性參數(shù)對(duì)比。

(6)水力壓裂人工智能支持。水力壓裂是開采頁巖氣和致密氣資源的關(guān)鍵技術(shù)。由于成本降低,致密、超致密儲(chǔ)層水力壓裂的需求不斷上升。目前,中國的水力壓裂成功率仍然很低,因此需要探索提高壓裂作業(yè)成功率的方法。通過建立應(yīng)用大數(shù)據(jù)分析方法的人工智能系統(tǒng),可最大限度地使用來自多個(gè)氣藏和氣井的數(shù)據(jù),建立在鉆井、完井、增產(chǎn)方面更加有效的決策能力和手段。

(7)基于大數(shù)據(jù)的油藏管理優(yōu)化。目前,油藏管理決策主要基于油藏工程方法,而這些方法是以物理模擬為基礎(chǔ)。油田生產(chǎn)過程中提供了大量的數(shù)據(jù)信息,如生產(chǎn)數(shù)據(jù)及各種作業(yè)措施,而很多數(shù)據(jù)沒有得到有效應(yīng)用。充分利用大數(shù)據(jù)分析技術(shù),開展聚類、數(shù)據(jù)挖掘和自動(dòng)遞減分析,進(jìn)行精準(zhǔn)預(yù)測(cè)和實(shí)時(shí)跟蹤,可有效實(shí)現(xiàn)單井智能診斷與優(yōu)化、預(yù)警、工況診斷和措施優(yōu)化設(shè)計(jì)。

6 結(jié)束語

近年來隨著大數(shù)據(jù)等技術(shù)的高速發(fā)展,人工智能技術(shù)迎來了新的發(fā)展拐點(diǎn)。在低油價(jià)下,大數(shù)據(jù)和人工智能技術(shù)可有效節(jié)約人工成本,提高油田開發(fā)效率,在石油行業(yè)具有廣闊的應(yīng)用前景。在未來工作中,要重視3個(gè)方面工作:一是加強(qiáng)數(shù)據(jù)標(biāo)準(zhǔn)化建設(shè),讓數(shù)據(jù)在不同場(chǎng)景無障礙通行;二是加速智能平臺(tái)建設(shè),加強(qiáng)智能算法研發(fā),開發(fā)集成勘探、開發(fā)、生產(chǎn)的綜合性、智能化研究平臺(tái);三是協(xié)同創(chuàng)新,融合石油、計(jì)算機(jī)、應(yīng)用數(shù)學(xué)等多學(xué)科知識(shí),形成新的方法論和技術(shù)體系?？傊?加強(qiáng)大數(shù)據(jù)人工智能技術(shù)在中國石油勘探開發(fā)中的應(yīng)用規(guī)模,可以實(shí)現(xiàn)石油勘探開發(fā)主體技術(shù)更新?lián)Q代的宏偉目標(biāo),從技術(shù)上促進(jìn)石油勘探開發(fā)行業(yè)整體轉(zhuǎn)型升級(jí)。